期刊导航
期刊开放获取
河南省图书馆
退出
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
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
检索
高级检索
期刊导航
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一种TCN的改进模型及其在短期光伏功率区间预测的应用
被引量:
2
1
作者
宋绍剑
姜屹远
刘斌
《计算机应用研究》
CSCD
北大核心
2023年第10期3064-3069,共6页
为了提高光伏功率预测的精度,提出了一种基于时序卷积网络(temporal convolutional network,TCN)的新型短期光伏功率区间预测模型。首先,采用深度残差收缩网络(deep residual shrinkage network,DRSN)的软阈值和注意力机制来改进TCN的...
为了提高光伏功率预测的精度,提出了一种基于时序卷积网络(temporal convolutional network,TCN)的新型短期光伏功率区间预测模型。首先,采用深度残差收缩网络(deep residual shrinkage network,DRSN)的软阈值和注意力机制来改进TCN的残差模块以增强其对有用特征提取能力,并削弱冗余特征的不利影响;然后,利用樽海鞘群算法(slap swarm algorithm,SSA)对TCN的卷积层的卷积核大小和TCN层数等超参数进行自动寻优,以克服原TCN感受野不足的问题;接着,采用核密度估计(kernel density estimation,KDE)方法对所建改进TCN短期光伏功率预测模型的点预测结果进行误差分析,获得模型预测输出的区间。最后,通过对比仿真实验得到的结果表明,提出的SSA-DRSN-TCN模型的RMSE平均值为0.27,优于LSTM、GRU、CNN-LSTM和TCN等模型;而且,KDE方法能够在80%、90%和95%的置信度下准确描述光伏功率波动区间,验证了所提模型在提高光伏功率预测性能上的有效性。
展开更多
关键词
光伏
短期功率预测
区间预测
时间卷积网络
深度残差收缩网络
樽海鞘群算法
下载PDF
职称材料
题名
一种TCN的改进模型及其在短期光伏功率区间预测的应用
被引量:
2
1
作者
宋绍剑
姜屹远
刘斌
机构
广西大学电气工程学院
出处
《计算机应用研究》
CSCD
北大核心
2023年第10期3064-3069,共6页
基金
国家自然科学基金资助项目(61863003)
广西自然科学基金资助项目(2016GXNSFAA380327)。
文摘
为了提高光伏功率预测的精度,提出了一种基于时序卷积网络(temporal convolutional network,TCN)的新型短期光伏功率区间预测模型。首先,采用深度残差收缩网络(deep residual shrinkage network,DRSN)的软阈值和注意力机制来改进TCN的残差模块以增强其对有用特征提取能力,并削弱冗余特征的不利影响;然后,利用樽海鞘群算法(slap swarm algorithm,SSA)对TCN的卷积层的卷积核大小和TCN层数等超参数进行自动寻优,以克服原TCN感受野不足的问题;接着,采用核密度估计(kernel density estimation,KDE)方法对所建改进TCN短期光伏功率预测模型的点预测结果进行误差分析,获得模型预测输出的区间。最后,通过对比仿真实验得到的结果表明,提出的SSA-DRSN-TCN模型的RMSE平均值为0.27,优于LSTM、GRU、CNN-LSTM和TCN等模型;而且,KDE方法能够在80%、90%和95%的置信度下准确描述光伏功率波动区间,验证了所提模型在提高光伏功率预测性能上的有效性。
关键词
光伏
短期功率预测
区间预测
时间卷积网络
深度残差收缩网络
樽海鞘群算法
Keywords
photovoltaic(PV)
short-term power forecasting
interval forecasting
temporal convolutional network
deep residual shrinkage network
slap swarm algorithm
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种TCN的改进模型及其在短期光伏功率区间预测的应用
宋绍剑
姜屹远
刘斌
《计算机应用研究》
CSCD
北大核心
2023
2
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部