基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

基于组合模态分解和深度学习的短期风电功率区间预测

风电功率预测对含风电的电力系统经济调度十分重要。针对点预测难以描述风电功率不确定性的问题,提出一种基于组合模态分解和深度学习的短期风电功率区间预测方法。首先,利用改进自适应噪声完备集合经验模态分解将原始风电功率序列分解为多个模态分量,并使用变分模态分解对其中的高频强非平稳分量再次分解。在此基础上,使用样本熵计算各分量复杂度并将其重构为趋势分量、振荡分量和随机分量。然后,将3个分量分别输入经贝叶斯优化的双向长短期记忆神经网络建立各自的预测模型,得到3个分量的点预测值,并用混合核密度估计方法对振荡分量和随机分量预测结果的误差分布进行估计,再结合点预测值得到总体的区间预测结果。最后,通过实际算例分析表明,与其他模型相比该方法具有更高的预测精度。

基于自适应噪声完备经验模态分解−样本熵−长短期记忆神经网络和核密度估计的短期电力负荷区间预测

短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自适应噪声完备经验模态分解方法将负荷序列分解为多个模态分量,并根据不同序列样本熵的计算结果将序列进行重构以降低运算量。在此基础上,针对每一个分量分别构建长短期记忆神经网络预测模型,得到未来负荷点预测值。基于此利用核密度估计方法对预测误差的分布进行估计,进而结合点预测结果实现未来短期负荷的区间预测。通过将此模型与其他模型进行对比,结果表明此模型能够实现更低的点预测误差,同时在区间预测中也表现出更好的综合性能。

康有为1888年上书的文化渊源

康有为1888年上书与他的早期大同思想有直接的联系。"内圣外王"是康有为的思想体系,其渊源来自朱熹理学。他依循朱熹的伦理哲学,"修养"分为内外两个方面:其内的心性修养,产生了救国献身的精神力量;其外的穷究义理,得到了"治国平天下"的公理,为今后的变法行动作好了理论准备。由"内圣"走向"外王",第一步就是《第一次上清皇帝书》。

图像中的现实与想象——朝鲜时代燕行之路的时空表达与视觉呈现

本文通过对朝鲜时代明清两朝与朝鲜王朝之间的朝贡和使行的基本制度的考察,明确了"定期使行"与"临时使行"的具体时间安排、人员构成、使行礼制,以及由于明清两朝与朝鲜王朝之间外交关系的不同,在不同时期如何形成了陆上和海上两条不同的使行路线。在此基础上,本文通过保留至今的使行图、燕行图、朝天图、契会图等以册页、屏风、卷轴画等形式留存下来的视觉图像,讨论朝鲜时代的朝贡与使行是如何被视觉化,而且如何通过图像的形式在这一时期的明清与朝鲜关系中发挥作用的。