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5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：
水风光多能互补系统中长期功率联合预报 被引量：4
1
作者 雷鸿萱 刘攀 +4 位作者 马黎 吴迪 龚兰强 张杨 林东升 《水力发电学报》 CSCD 北大核心 2023年第9期22-33,共12页
水风光多能互补系统中水电、风电和光电通过打捆的方式并入电网。传统方法通过单独预报水电、风电和光电,然后累加得到水风光系统总功率,存在误差易累积且未考虑水风光时空互补性的问题。为提高系统功率预报精度,首先考虑时空相关性与... 水风光多能互补系统中水电、风电和光电通过打捆的方式并入电网。传统方法通过单独预报水电、风电和光电,然后累加得到水风光系统总功率,存在误差易累积且未考虑水风光时空互补性的问题。为提高系统功率预报精度,首先考虑时空相关性与互补性,在遥相关因子及功率等中选取预报因子;然后基于长短期记忆网络与上下限估计方法构建点预报和区间预报模型;最后实现功率的联合预报。以二滩水风光多能互补系统为实例,研究表明,在检验期,对于总功率预报,联合预报法的点预报纳什效率系数达到0.908,相较于累加预报法提高了0.016,同时区间预报的覆盖宽度综合指标也减少了0.352。提出的预报方法可为水风光互补运行提供技术支撑。 展开更多
关键词 水风光多能互补系统 功率联合预报 点预报 区间预报 长短期记忆网络 上下限估计方法
下载PDF
基于混合神经网络-上下限估计法的河流流量区间预测 被引量：2
2
作者 陈小云 刘必劲 《水电能源科学》 北大核心 2021年第4期31-35,共5页
为对混合模糊识别和连续性方程的神经网络模型(HNN)进行不确定性分析,采用上下限估计法(LUBE)直接得到神经网络输出层的两个节点值作为区间上下限,将综合评价指标CCWC作为目标函数,寻找最优的预测区间(PI),并以美国乔治亚州Yellow Rive... 为对混合模糊识别和连续性方程的神经网络模型(HNN)进行不确定性分析,采用上下限估计法(LUBE)直接得到神经网络输出层的两个节点值作为区间上下限,将综合评价指标CCWC作为目标函数,寻找最优的预测区间(PI),并以美国乔治亚州Yellow River上测站的日流量和小时流量为例,预测下游河道的区间流量。结果表明,HNN模型在90%、95%置信水平区间具有有效性,其可得到包含更多观测值且宽度更小的预测区间。同时,进一步验证了LUBE在区间预测中应用的合理性。 展开更多
关键词 区间预测 神经网络 上下限估计 连续性方程 河流流量
下载PDF
超短期光伏出力区间预测算法及其应用 被引量：41
3
作者 黎敏 林湘宁 +1 位作者 张哲原 翁汉琍 《电力系统自动化》 EI CSCD 北大核心 2019年第3期10-16,共7页
光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子... 光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。 展开更多
关键词 粒子群优化 边界估值理论 区间预测 光伏出力预测
下载PDF
基于粒子群算法的卫星蓄电池区间预测方法 被引量：2
4
作者 曹孟达 张涛 +2 位作者 李文桦 王羽 刘亚杰 《无线电工程》 2020年第4期285-293,共9页
卫星在阴影区运行时需要蓄电池提供能源,而锂离子电池由于能量密度大、自放电率低、循环寿命长的优点逐渐成为多数卫星的选择。卫星蓄电池在外太空工作时,容量会随着循环次数的增多而逐渐下降。针对这种健康状态(State of Health,SOH)... 卫星在阴影区运行时需要蓄电池提供能源,而锂离子电池由于能量密度大、自放电率低、循环寿命长的优点逐渐成为多数卫星的选择。卫星蓄电池在外太空工作时,容量会随着循环次数的增多而逐渐下降。针对这种健康状态(State of Health,SOH)退化的问题,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)的上下边界估计(Lower Upper Bound Estimation,LUBE)神经网络建立预测模型,将放电过程中的截止电压、样本熵和工作温度作为神经网络模型输入,电池SOH作为神经网络模型输出。在提高预测区间覆盖率(Prediction Intervals Coverage Probability,PICP)的同时减少预测区间宽度(Normalized Mean Prediction Intervals Width,NMPIW),构建了集成指标(Coverage Width-based Criterion,CWC)。基于该指标函数的不可微性,采用PSO优化神经网络模型使CWC尽可能地降低以兼顾PICP和NMPIW指标的最优。采用NASA的18号电池测试数据,对所提区间预测算法的有效性进行了分析验证。 展开更多
关键词 电池健康状态 粒子群算法 上下边界估计法 区间预测
下载PDF
基于双输出前馈神经网络和鲸鱼优化算法的区间预测方法 被引量：4
5
作者 马宇红 杨梅 孙亚娜 《西北师范大学学报（自然科学版）》 CAS 北大核心 2021年第2期23-32,共10页
结合改进的鲸鱼优化算法(WOA)、双输出前馈神经网络(DFNN)和上下界估计(LUBE)方法设计了一种新的区间预测算法WDL(WOA+DFNN+LUBE).首先,构建双输出前馈神经网络,以较大输出作为预测区间的上界,较小输出作为下界.其次,以区间覆盖宽度准则... 结合改进的鲸鱼优化算法(WOA)、双输出前馈神经网络(DFNN)和上下界估计(LUBE)方法设计了一种新的区间预测算法WDL(WOA+DFNN+LUBE).首先,构建双输出前馈神经网络,以较大输出作为预测区间的上界,较小输出作为下界.其次,以区间覆盖宽度准则(CWC)作为网络优化目标,针对其非连续、非可微的特征,通过改进的鲸鱼优化算法优化双输出前馈神经网络.最后,通过10个通用数据集评估WDL算法的预测性能,并与GDL(GA+DFNN+LUBE)算法和PDL(PSO+DFNN+LUBE)算法进行比较;进一步,通过数据集分区技术分析数据分布对WDL算法性能的影响.结果表明:随着置信水平上升,WDL算法的预测区间覆盖率(PICP)快速减小,预测区间归一化平均宽度(PINAW)显著增加,预测性能明显下降;在90%的置信水平下,WDL算法的平均PICP接近1,而GDL和PDL算法的平均PICP只有0.9和0.8,平均PINAW分别为0.5554,0.6811和0.6403,WDL算法具有明显优势;对均值中心区域数据,WDL算法的平均PICP高达0.9860,而均值临近区域和偏远区域数据的平均PICP仅为0.9835和0.8106,对中位数中心区域数据,WDL算法的平均PICP高达0.9873,而中位数低值区域和高值区域数据的平均PICP仅为0.9377和0.8336,但PINAW并无明显差异,说明数据降噪能够显著改善WDL算法的性能.总之,WDL算法能够获得更高的PICP和更窄的PINAW,显著降低数据预测的不确定性,提高预测性能. 展开更多
关键词 区间预测 双输出前馈神经网络 鲸鱼优化算法 上下界估计
下载PDF
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