基于动态关联图注意力网络的虚拟电厂居民短期负荷预测

居民短期负荷预测能够为虚拟电厂提供实时、灵活的电力需求信息,有助于虚拟电厂实现能源高效利用与优化电力市场交易。由于居民负荷相关性的日益凸显,传统预测方法仅基于单个居民历史负荷进行时序预测,无法满足规模化虚拟电厂对居民负荷关联性的综合需求。基于此,文中提出一种基于动态关联图注意力网络的虚拟电厂居民短期负荷预测方法。首先,提出了混合相关性分析方法来刻画居民负荷之间的线性和非线性关系,并进一步提出了权重剪枝阈值机制得到居民负荷混合相关性矩阵;然后,基于该矩阵构建动态关联图结构,进而提出时间图注意力网络机制以深入学习居民负荷的时空关联特性,并实现居民短期负荷预测目标;最后,以某地区实际居民负荷数据为例,验证了所提方法的有效性。

基于多变量时空融合网络的风机数据缺失值插补研究

风电场数据的完整性会因恶劣天气、输入信号丢失、传感器故障等原因遭到破坏,而大面积的数据缺失将给风机设备的运行和维护带来严峻考验.因此,提出一个多变量时空融合网络(Multivariate spatiotemporal integration network,MSIN)来解决缺失数据问题.首先,提出包含缺失值定位−指引机制的MSIN结构,揭示缺失部分数据的潜在信息,确保插补数据符合真实分布.其次,在网络中设计多视角时空卷积模块,捕捉同一风机多个变量与多个风机同一变量之间的局部空间和全局时间相关性,用于提高插补数据的真实性.接着,提出网络实时自更新机制,根据风电场实时变化情况实现在线调整,能够提升网络泛化能力,由此弥补重新训练模型的时间和空间成本高的缺陷.最后,通过真实的风机数据验证所提网络的有效性和优越性.相关分析结果表明,相较于MissForest等传统数据插补方法的插补性能,平均绝对误差(Mean absolute error,MAE)、平均绝对百分比误差(Mean absolute percentage error,MAPE)和均方根误差(Root mean square error,RMSE)分别下降18.54%、41.00%和3.15%以上.

晚归(外一首)

在过去的、现在的、将来的所有不能相见的日子里， 我们都要，都要保持独立的灵魂。 纵使有诸多的不顺， 也要在青春的激情殆尽之前信奉爱情的忠贞。