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
2
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
基于风速局部爬坡误差校正的风电功率优化预测
被引量:
7
1
作者
肖逸
李程煌
+2 位作者
刘若平
左剑
李银红
《电力自动化设备》
EI
CSCD
北大核心
2019年第3期182-188,共7页
准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正...
准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。
展开更多
关键词
风电功率预测
预测风速
滞后性
局部
爬坡
误差
校正
最小二乘支持向量机
灰狼优化
下载PDF
职称材料
基于EEMD-LMD-LSTM-LEC深度学习模型的短时物流需求预测
被引量:
16
2
作者
冉茂亮
陈彦如
杨新彪
《控制与决策》
EI
CSCD
北大核心
2022年第10期2513-2523,共11页
短时物流需求预测是智慧物流系统的重要组成部分.由于短时物流需求数据具有非平稳性、强随机性、局部突变、非线性等特征,精确预测较为困难.对此,考虑集成经验模态分解(EEMD)、局部均值分解(LMD)、长短期记忆网络(LSTM)以及考虑局部误...
短时物流需求预测是智慧物流系统的重要组成部分.由于短时物流需求数据具有非平稳性、强随机性、局部突变、非线性等特征,精确预测较为困难.对此,考虑集成经验模态分解(EEMD)、局部均值分解(LMD)、长短期记忆网络(LSTM)以及考虑局部误差校正(LEC),提出用于短时物流需求预测的EEMD-LMD-LSTM-LEC深度学习模型.该预测模型分为两个阶段:第1阶段基于特征分解和特征提取,构建EEMD-LMD-LSTM模型,以降低非线性的原始短时物流需求不平稳及随机变化导致的预测误差;第2阶段构建局部误差校正模型,用于校正第1阶段的预测结果,以减少短时物流需求的局部突变带来的预测误差.实验结果表明,EEMD-LMD-LSTM-LEC短时物流需求预测模型在均方根误差、绝对误差均值、绝对误差百分比和校正决定系数方面,均优于其他11种对比模型,其中包括:数理统计模型—–ARIMA;浅层机器学习模型—–支持向量回归和BP神经网络;深度学习模型—–LSTM和卷积神经网络;组合模型——深度置信网络-LSTM、经验模态分解(EMD)-LSTM、EEMD-LSTM、LMD-LSTM、EMD-LMD-LSTM和EEMD-LMD-LSTM.
展开更多
关键词
短时物流需求
集成经验模态分解
局部
均值分解
长短期记忆网络
局部误差校正
预测
原文传递
题名
基于风速局部爬坡误差校正的风电功率优化预测
被引量:
7
1
作者
肖逸
李程煌
刘若平
左剑
李银红
机构
华中科技大学电气与电子工程学院强电磁工程与新技术国家重点实验室
华中科技大学电气与电子工程学院电力安全与高效湖北省重点实验室
长江勘测规划设计研究有限责任公司
广东电网有限责任公司电力调度控制中心
出处
《电力自动化设备》
EI
CSCD
北大核心
2019年第3期182-188,共7页
文摘
准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。
关键词
风电功率预测
预测风速
滞后性
局部
爬坡
误差
校正
最小二乘支持向量机
灰狼优化
Keywords
wind power prediction
predicted wind speed
lagging quality
local ramp error correction
least square support vector machine
grey wolf optimization
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于EEMD-LMD-LSTM-LEC深度学习模型的短时物流需求预测
被引量:
16
2
作者
冉茂亮
陈彦如
杨新彪
机构
西南交通大学经济管理学院
服务科学与创新四川省重点实验室
出处
《控制与决策》
EI
CSCD
北大核心
2022年第10期2513-2523,共11页
基金
国家重点研发计划项目(2018YFB1601402)
国家自然科学基金项目(71771190)。
文摘
短时物流需求预测是智慧物流系统的重要组成部分.由于短时物流需求数据具有非平稳性、强随机性、局部突变、非线性等特征,精确预测较为困难.对此,考虑集成经验模态分解(EEMD)、局部均值分解(LMD)、长短期记忆网络(LSTM)以及考虑局部误差校正(LEC),提出用于短时物流需求预测的EEMD-LMD-LSTM-LEC深度学习模型.该预测模型分为两个阶段:第1阶段基于特征分解和特征提取,构建EEMD-LMD-LSTM模型,以降低非线性的原始短时物流需求不平稳及随机变化导致的预测误差;第2阶段构建局部误差校正模型,用于校正第1阶段的预测结果,以减少短时物流需求的局部突变带来的预测误差.实验结果表明,EEMD-LMD-LSTM-LEC短时物流需求预测模型在均方根误差、绝对误差均值、绝对误差百分比和校正决定系数方面,均优于其他11种对比模型,其中包括:数理统计模型—–ARIMA;浅层机器学习模型—–支持向量回归和BP神经网络;深度学习模型—–LSTM和卷积神经网络;组合模型——深度置信网络-LSTM、经验模态分解(EMD)-LSTM、EEMD-LSTM、LMD-LSTM、EMD-LMD-LSTM和EEMD-LMD-LSTM.
关键词
短时物流需求
集成经验模态分解
局部
均值分解
长短期记忆网络
局部误差校正
预测
Keywords
short-term logistics demand
ensemble empirical mode decomposition
local mean decomposition
long and short time memory neural network
local error correction
forcasting
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于风速局部爬坡误差校正的风电功率优化预测
肖逸
李程煌
刘若平
左剑
李银红
《电力自动化设备》
EI
CSCD
北大核心
2019
7
下载PDF
职称材料
2
基于EEMD-LMD-LSTM-LEC深度学习模型的短时物流需求预测
冉茂亮
陈彦如
杨新彪
《控制与决策》
EI
CSCD
北大核心
2022
16
原文传递
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