期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于优化SVMD-IBiTCN-BiLSTM模型的短期风电功率预测方法
1
作者 丁浩展 刘硕 马纪颖 《电子测量技术》 北大核心 2025年第23期98-107,共10页
较高的风电功率预测精准度,能够保障电网可持续稳定运行。针对风电数据的波动性和随机性等特征导致预测精准度欠佳的问题,基于分解-预测模型,提出使用连续变分模态分解算法(SVMD)分解数据,双向时间卷积网络(BiTCN)和双向长短期记忆网络(... 较高的风电功率预测精准度,能够保障电网可持续稳定运行。针对风电数据的波动性和随机性等特征导致预测精准度欠佳的问题,基于分解-预测模型,提出使用连续变分模态分解算法(SVMD)分解数据,双向时间卷积网络(BiTCN)和双向长短期记忆网络(BiLSTM)进行预测为基础的分解预测模型,以提升短期风电功率预测的精准度。使用加入牛顿法增强局部搜索能力的壮丽细尾鹩莺优化算法(SFOA-N)搜寻SVMD的最佳惩罚因子和预测模型的最佳超参数。针对BiTCN中指数增长膨胀率无法适应不同时间序列中的复杂模式的技术难题,提出一种加入动态膨胀率预测模块改进BiTCN的创新方法,可根据输入数据的不同自动调整膨胀率,从而提升预测性能。经本文数据集验证,与单一BiTCN模型对比,基于优化SVMD-IBiTCN-BiLSTM模型的决定系数达到了0.998 2,平均绝对百分比误差、均方根误差和平均绝对误差分别下降了3.57、9.94和7.21,具有较高的预测精度。 展开更多
关键词 风电功率预测 连续变分模态分解 双向时间卷积网络 双向长短期记忆网络 壮丽细尾鹩莺优化算法
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部