精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测...精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。展开更多
BIRCH算法是一种适合处理大规模数值型的聚类算法,但现实生活中的数据往往是混合型数据,导致了BIRCH算法的局限性;此外,在使用BIRCH算法进行聚类分析的过程中存在隐私泄露的风险,而传统的中心化差分隐私算法存在需要可信第三方的缺点。...BIRCH算法是一种适合处理大规模数值型的聚类算法,但现实生活中的数据往往是混合型数据,导致了BIRCH算法的局限性;此外,在使用BIRCH算法进行聚类分析的过程中存在隐私泄露的风险,而传统的中心化差分隐私算法存在需要可信第三方的缺点。针对以上缺陷,提出了基于本地差分隐私的BIRCH混合数据(LDP-BIRCH)算法,对混合型数据中的非数值型数据进行编码处理,并使用本地差分隐私对数据集进行扰动,将扰动后的数据集发给第三方进行BIRCH算法聚类分析。研究结果表明,LDP-BIRCH算法在adult和Facebook Live Sellers in Thailand数据集上满足隐私保护性和聚类可用性。展开更多
当前分布式光伏系统短期发电功率预测结构多设定为目标式,预测范围在实际发电环境下受限,导致平均绝对预测误差增加。为此设计基于利用层次方法的平衡迭代规约和聚类(Balanced Iterative Reducing and Clustering Using Hierarchies,BIR...当前分布式光伏系统短期发电功率预测结构多设定为目标式,预测范围在实际发电环境下受限,导致平均绝对预测误差增加。为此设计基于利用层次方法的平衡迭代规约和聚类(Balanced Iterative Reducing and Clustering Using Hierarchies,BIRCH)的分布式光伏系统短期发电功率预测方法。首先,明确预测指标,采用多层级的方式设计预测结构;其次,结合BIRCH原理,设计发电功率预测模型;最后,采用梯度回归处理的方式来实现最终预测。测试结果表明,对比传统变分模态分解-麻雀搜索算法-反向传播(Variational Mode Decomposition-Sparrow Search Algorithm-Back Propagation,VMD-SSA-BP)光伏系统短期发电功率预测小组、传统时序动态回归光伏系统短期发电功率预测小组,此次所设计的方法得出的平均绝对预测误差被较好地控制在2.1以下,预测效果更佳,针对性更强,误差可控,具有实际的应用价值。展开更多
以内蒙古地区牙克石林业管理局的大兴安岭天然白桦林(Betula platyphylla)为研究对象,利用198块样地数据分析天然白桦林林分碳密度与各林分变量之间的关系,建立碳密度预测基础模型,同时将立地条件(草类白桦林、杜鹃-越桔白桦林、榛子白...以内蒙古地区牙克石林业管理局的大兴安岭天然白桦林(Betula platyphylla)为研究对象,利用198块样地数据分析天然白桦林林分碳密度与各林分变量之间的关系,建立碳密度预测基础模型,同时将立地条件(草类白桦林、杜鹃-越桔白桦林、榛子白桦林)作为哑变量引入到预测模型中,对不同林型的林分碳密度进行预测,为林业研究中碳密度模型的构建以及森林碳汇工作提供思路和方法。结果表明,天然白桦林林分碳密度基础模型决定系数(R^(2))为0.703,均方根误差(RMSE)为8.615 t/hm^(2),赤池信息量(Akaike information criterion,AIC)为841.206,贝叶斯信息量(Bayesian Information Criterion,BIC)为851.071。引入立地条件哑变量后,R^(2)有所增大,最大达到0.818,RMSE均小于等于8.241 t/hm^(2),说明模型具有较好的稳定性,预估参数较为精确。哑变量模型的AIC均小于等于541.431,BIC均小于等于550.320。哑变量模型能够反映不同立地条件下碳密度的变化,在模型的拟合和检验方面都显示适合于研究地区林分碳密度的预测,为天然白桦林碳密度估算提供参考。展开更多
文摘精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。
文摘BIRCH算法是一种适合处理大规模数值型的聚类算法,但现实生活中的数据往往是混合型数据,导致了BIRCH算法的局限性;此外,在使用BIRCH算法进行聚类分析的过程中存在隐私泄露的风险,而传统的中心化差分隐私算法存在需要可信第三方的缺点。针对以上缺陷,提出了基于本地差分隐私的BIRCH混合数据(LDP-BIRCH)算法,对混合型数据中的非数值型数据进行编码处理,并使用本地差分隐私对数据集进行扰动,将扰动后的数据集发给第三方进行BIRCH算法聚类分析。研究结果表明,LDP-BIRCH算法在adult和Facebook Live Sellers in Thailand数据集上满足隐私保护性和聚类可用性。
文摘以内蒙古地区牙克石林业管理局的大兴安岭天然白桦林(Betula platyphylla)为研究对象,利用198块样地数据分析天然白桦林林分碳密度与各林分变量之间的关系,建立碳密度预测基础模型,同时将立地条件(草类白桦林、杜鹃-越桔白桦林、榛子白桦林)作为哑变量引入到预测模型中,对不同林型的林分碳密度进行预测,为林业研究中碳密度模型的构建以及森林碳汇工作提供思路和方法。结果表明,天然白桦林林分碳密度基础模型决定系数(R^(2))为0.703,均方根误差(RMSE)为8.615 t/hm^(2),赤池信息量(Akaike information criterion,AIC)为841.206,贝叶斯信息量(Bayesian Information Criterion,BIC)为851.071。引入立地条件哑变量后,R^(2)有所增大,最大达到0.818,RMSE均小于等于8.241 t/hm^(2),说明模型具有较好的稳定性,预估参数较为精确。哑变量模型的AIC均小于等于541.431,BIC均小于等于550.320。哑变量模型能够反映不同立地条件下碳密度的变化,在模型的拟合和检验方面都显示适合于研究地区林分碳密度的预测,为天然白桦林碳密度估算提供参考。
基金国家自然科学基金(the National Natural Science Foundation of China under Grant No.60273043)安徽省自然科学基金(the Natural Science Foundation of Anhui Province of China under Grant No.050460402)