基于变分模态分解和深度门控网络的径流预测

为提高水库中长期入库径流预测精度,提出变分模态分解、相空间重构和深度门控网络相结合的径流组合预测模型。首先对历史径流数据进行变分模态分解,产生多个模态分量;接着将分解得到的模态分量重构到高维特征空间,形成深度学习的输入;然后利用深度门控网络获取历史径流详细特征并进行预测;最后累加各模态分量的预测值完成重构。以白山水库为例,将所建模型分别与单一预测模型和其他组合预测模型进行对比分析。结果表明:所建模型能有效分解非平稳性的径流序列,充分学习内嵌的水文规律,预测误差最小,且在整个测试集上分布更为合理,拟合优度检验值最高。研究结果可为水库水资源规划管理提供技术依据。

基于深度卷积门控神经网络的高比例新能源接入配电网故障分类研究

提出一种基于深度卷积门控神经网络的高比例新能源接入配电网故障分类方法。首先,通过小波包变换特征提取配电网零序电流形成时频能量谱,将序列归一化后作为模型的输入数据;其次,将深度卷积门控神经网络应用于配电网故障分类中,融合卷积神经网络和门控循环网络提取新能源配电网故障特征数据,引入注意力机制提升网络训练效率和准确度,通过Softmax分类器进行故障分类,形成高比例新能源接入配电网故障分类模型,映射输入零序电流和输出故障类别之间的关系;最后,经过仿真结果表明,所提方法对不同故障位置和不同过渡电阻具有分类速度快、准确率高的优点,在高比例新能源接入的配电网中应用前景良好。