针对光伏发电功率具有较强的波动性、间歇性输出,光伏功率预测精度较低,且难于给出具体预测时间长度等问题,提出了一种长相关随机模型分数阶布朗运动(fractional Brownian motion,FBM),用于光伏功率预测。首先,采用重标极差法计算长相关...针对光伏发电功率具有较强的波动性、间歇性输出,光伏功率预测精度较低,且难于给出具体预测时间长度等问题,提出了一种长相关随机模型分数阶布朗运动(fractional Brownian motion,FBM),用于光伏功率预测。首先,采用重标极差法计算长相关(long-range dependence,LRD)参数-Hurst指数,Hurst指数用于判断光伏功率数据是否满足长相关性,并通过最大李雅普诺夫指数(Lyapunov)计算出模型最大可预测时间尺度;其次,采用随机微分法建立FBM光伏功率预测模型,同时估计FBM预测模型参数值;最后,选取澳大利亚沙漠知识太阳能中心(Desert Knowledge Australia Solar Center,DKASC)、美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)以及北京国能日新科技有限公司的光伏功率数据集,从不同的地理环境、不同的气候特征、不同的规模大小电站进行验证。仿真结果表明,该模型较传统的Kalman、LSTM模型具有更高的预测精度,可为光伏并网的稳定和安全运行提供更好的理论支持,对电网调度部门具有较高的参考价值。展开更多
任务中全局注意力在长距离视频序列上注意力值分布的方差较大,生成关键帧的重要性分数偏差较大,且时间序列节点边界值缺乏长程依赖导致的片段语义连贯性较差等问题,通过改进注意力模块,采用分段局部自注意力和全局自注意力机制相结合来...任务中全局注意力在长距离视频序列上注意力值分布的方差较大,生成关键帧的重要性分数偏差较大,且时间序列节点边界值缺乏长程依赖导致的片段语义连贯性较差等问题,通过改进注意力模块,采用分段局部自注意力和全局自注意力机制相结合来获取局部和全局视频序列关键特征,降低注意力值的方差。同时通过并行地引入双向门控循环网络(bidirectional recurrent neural network,BiGRU),二者的输出分别输入到改进的分类回归模块后再将结果进行加性融合,最后利用非极大值抑制(non-maximum suppression,NMS)和核时序分割方法(kernel temporal segmentation,KTS)筛选片段并分割为高质量代表性镜头,通过背包组合优化算法生成最终摘要,从而提出一种结合多尺度注意力机制和双向门控循环网络的视频摘要模型(local and global attentions combine with the BiGRU,LG-RU)。该模型在TvSum和SumMe的标准和增强数据集上进行了对比试验,结果表明该模型取得了更高的F-score,证实了该视频摘要模型保持高准确率的同时可鲁棒地对视频完成摘要。展开更多
文摘针对光伏发电功率具有较强的波动性、间歇性输出,光伏功率预测精度较低,且难于给出具体预测时间长度等问题,提出了一种长相关随机模型分数阶布朗运动(fractional Brownian motion,FBM),用于光伏功率预测。首先,采用重标极差法计算长相关(long-range dependence,LRD)参数-Hurst指数,Hurst指数用于判断光伏功率数据是否满足长相关性,并通过最大李雅普诺夫指数(Lyapunov)计算出模型最大可预测时间尺度;其次,采用随机微分法建立FBM光伏功率预测模型,同时估计FBM预测模型参数值;最后,选取澳大利亚沙漠知识太阳能中心(Desert Knowledge Australia Solar Center,DKASC)、美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)以及北京国能日新科技有限公司的光伏功率数据集,从不同的地理环境、不同的气候特征、不同的规模大小电站进行验证。仿真结果表明,该模型较传统的Kalman、LSTM模型具有更高的预测精度,可为光伏并网的稳定和安全运行提供更好的理论支持,对电网调度部门具有较高的参考价值。
文摘任务中全局注意力在长距离视频序列上注意力值分布的方差较大,生成关键帧的重要性分数偏差较大,且时间序列节点边界值缺乏长程依赖导致的片段语义连贯性较差等问题,通过改进注意力模块,采用分段局部自注意力和全局自注意力机制相结合来获取局部和全局视频序列关键特征,降低注意力值的方差。同时通过并行地引入双向门控循环网络(bidirectional recurrent neural network,BiGRU),二者的输出分别输入到改进的分类回归模块后再将结果进行加性融合,最后利用非极大值抑制(non-maximum suppression,NMS)和核时序分割方法(kernel temporal segmentation,KTS)筛选片段并分割为高质量代表性镜头,通过背包组合优化算法生成最终摘要,从而提出一种结合多尺度注意力机制和双向门控循环网络的视频摘要模型(local and global attentions combine with the BiGRU,LG-RU)。该模型在TvSum和SumMe的标准和增强数据集上进行了对比试验,结果表明该模型取得了更高的F-score,证实了该视频摘要模型保持高准确率的同时可鲁棒地对视频完成摘要。
