检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于TCN-MHA的短期光伏功率预测

科技创新与应用 2023年第29期13卷 8-12页

作者：孙永叡任晓颖张飞高鹭郝斌内蒙古科技大学信息工程学院内蒙古包头014000 华北电力大学新能源学院北京100000

光伏发电的波动性和随机性对电力系统安全稳定运行具有不良影响,为提高日前短期光伏功率预测精度进而提升光伏电站运营及电网调度效率,提出一种基于时间卷积神经网络(TCN)结合多头注意力机制(MHA)的光伏功率预测方法。首先TCN接收数据,... 详细信息

光伏发电的波动性和随机性对电力系统安全稳定运行具有不良影响,为提高日前短期光伏功率预测精度进而提升光伏电站运营及电网调度效率,提出一种基于时间卷积神经网络(TCN)结合多头注意力机制(MHA)的光伏功率预测方法。首先TCN接收数据,利用膨胀卷积的结构改变感受野范围,利用因果卷积的设置提取光伏数据的时序特征;经过升维后输入MHA中,选择合适的多头个数,得到多个子空间,将输入特征进行不同维度的空间映射,进一步分配注意力权重;最后降维输入全连接层结合得到的特征信息对次日24 h的光伏功率进行预测。实验在实际光伏场站数据上进行,结果表明,所提模型的预测精度优于对比模型。

关键词：光伏发电短期功率预测深度学习时间卷积神经网络注意力机制

在线全文

学校读者我要写书评

暂无评论

基于深度学习的毫米波雷达人体动作识别研究

基于深度学习的毫米波雷达人体动作识别研究

基于TCN-AGRU的滚动轴承全寿命周期剩余使用寿命预测分析

2024年全国微波毫米波会议（中国微波年会）

作者：陈培霖黄天柱姚俊棉方漫琳惠州学院

本研究探讨了一种基于深度学习处理毫米波雷达采集的3维点云数据进行人体动作识别的技术。通过毫米波雷达可以得到目标的距离、方位角和俯仰角信息,进而运用三角函数将其转换为三维坐标系下的稀疏3维点云,并据此构建包含六种不同人体动... 详细信息

本研究探讨了一种基于深度学习处理毫米波雷达采集的3维点云数据进行人体动作识别的技术。通过毫米波雷达可以得到目标的距离、方位角和俯仰角信息,进而运用三角函数将其转换为三维坐标系下的稀疏3维点云,并据此构建包含六种不同人体动作的3维点云数据集。对3维点云数据集使用时间卷积神经网络(TCN)模型进行训练,TCN模型在训练后的准确率达到96.82%,相较于一维卷积神经网络(1D-CNN)提高了5.2%,比三维卷积神经网络(3D-CNN)高出0.68%,较长短时记忆网络(LSTM)提升了0.28%。

关键词：毫米波雷达人体动作识别时间卷积神经网络点云数据

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

电子技术（上海） 2023年第1期52卷 356-359页

作者：王智龙龙江魏友曾信凌中国民用航空飞行学院四川618300 中国民用航空飞行学院航空工程学院四川618300 中国民用航空飞行学院工程技术训练中心四川618300

阐述实际工程需要的滚动轴承非故障阶段剩余使用寿命(RUL)预测问题,提出基于时间卷积神经网络(TCN)与融合注意力机制的门控循环单元(AGRU)的滚动轴承剩余寿命预测模型。通过实验验证模型在滚动轴承全寿命周期的RUL预测性能。结果表明,TC... 详细信息

阐述实际工程需要的滚动轴承非故障阶段剩余使用寿命(RUL)预测问题,提出基于时间卷积神经网络(TCN)与融合注意力机制的门控循环单元(AGRU)的滚动轴承剩余寿命预测模型。通过实验验证模型在滚动轴承全寿命周期的RUL预测性能。结果表明,TCN-AGRU模型在滚动轴承全寿命周期剩余寿命预测上有较好的预测性能,为滚动轴承全寿命周期剩余使用寿命预测模型的研究,提供新思路。

关键词：预测模型算法时间卷积神经网络剩余使用寿命全寿命周期

在线全文

学校读者我要写书评

暂无评论

面向直驱风力发电系统的控制算法优化设计

自动化与仪表 2023年第9期38卷 46-50页

作者：万抒策苏人奇钱韫辉中国华能集团清洁能源技术研究院有限公司北京102209 华能(浙江)能源开发有限公司清洁能源分公司杭州310014 上海擎测机电工程技术有限公司上海200434

针对直驱风力发电机组的功率输出不稳定、频率波动超出安全范围问题,该文提出了一种基于深度学习网络预测控制的直驱风力发电系统控制策略。以直驱风力发电系统的频率误差和输出功率为优化目标函数,并将系统的频率变化及风力发电机的转... 详细信息

针对直驱风力发电机组的功率输出不稳定、频率波动超出安全范围问题,该文提出了一种基于深度学习网络预测控制的直驱风力发电系统控制策略。以直驱风力发电系统的频率误差和输出功率为优化目标函数,并将系统的频率变化及风力发电机的转矩限制作为约束条件,利用时间卷积神经网络(TCN)与门控循环单元(GRU)构建预测模型。可行性验证结果表明,在低风速及高风速下有功功率输出的标准差分别为0.04 MW及0.05 MW,轴转矩标准差分别为0.01 MNm与0.05 MNm,推力标准差分别为0.04 MN和0.05 MN,证明了该策略可有效降低直驱风力发电系统输出功率的频率波动。

关键词：直驱风力发电系统风电场时间卷积神经网络门控循环单元优化目标函数模型预测控制

维普期刊数据库博看期刊

基于改进BNN-LSTM的风电功率概率预测

在线全文

学校读者我要写书评

暂无评论

微型电脑应用 2024年第3期40卷 206-209页

作者：李昱杭州和利时自动化有限公司浙江杭州310018

针对确定性的风电功率预测难以提供预测结果的波动区间和支撑风险决策的问题,以贝叶斯网络为基础,通过将先验分布置于LSTM网络层权重参数之上,构建了贝叶斯LSTM神经网络(BNN-LSTM)。以时间卷积神经网络(TCNN)处理风电功率预测的历史时... 详细信息

针对确定性的风电功率预测难以提供预测结果的波动区间和支撑风险决策的问题,以贝叶斯网络为基础,通过将先验分布置于LSTM网络层权重参数之上,构建了贝叶斯LSTM神经网络(BNN-LSTM)。以时间卷积神经网络(TCNN)处理风电功率预测的历史时序数据,提取时序数据的关联特征。使用互信息熵方法分析了风电功率的气象数据集,剔除关联性小的变量,对气象数据集进行降维处理。并采用嵌入(embedding)结构学习风电功率时间分类特征。随后将TCNN处理后的时序数据、降维后的气象数据以及时间分类特征数据一起送入BNN-LSTM预测模型,通过在某风电数据集不同算法的概率预测指标pinball损失和Winkler评分的对比验证,可知,本文所提方法能从可对风电功率波动做出较为准确的响应,预测效果更好。

关键词：贝叶斯神经网络 BNN-LSTM 时间卷积神经网络风电功率互信息熵概率预测

基于TCN和高斯过程残差建模学习的净负荷概率预测方法

在线全文

学校读者我要写书评

暂无评论

太阳能学报 2024年第12期 588-595页

作者：赵洪山吴雨晨潘思潮温开云河北省分布式储能与微网重点实验室(华北电力大学)

提出一种基于时间卷积神经网络(TCN)和高斯过程(GP)的净负荷预测方法,可提供精确的点预测和概率预测结果。首先,TCN被用来提取大量的历史数据中净负荷的变化规律,TCN优秀的时间序列建模能力可发现净负荷预测任务输入输出之间的复杂映射... 详细信息

提出一种基于时间卷积神经网络(TCN)和高斯过程(GP)的净负荷预测方法,可提供精确的点预测和概率预测结果。首先,TCN被用来提取大量的历史数据中净负荷的变化规律,TCN优秀的时间序列建模能力可发现净负荷预测任务输入输出之间的复杂映射关系。然后,为高斯过程设计一个复合核函数对TCN的预测残差进行建模学习,该过程可在TCN预测的基础上进一步提升点预测的精度,同时也可利用高斯过程的不确定性量化能力对净负荷预测的不确定性进行量化。最后,通过在真实净负荷数据集上和大量先进的模型进行比较,验证该文提出方法的有效性。

关键词：预测模型光伏出力概率密度函数残差神经网络时间卷积神经网络