基于ISSA-GRU的混凝土抗压强度预测

考虑到抗压强度对混凝土设计的重要影响,本文提出了改进麻雀搜索算法(ISSA)和门控循环单元(GRU)结合的ISSA-GRU预测模型,实现对高性能混凝土抗压强度的精准预测。对收集的数据集进行归一化处理后,利用基于光谱-理化值共生距离(SPXY)法对数据集进行训练集和测试集划分,采用GRU对高性能混凝土抗压强度进行回归预测,并通过引入动态惯性权重的ISSA,加强对GRU网络参数的寻优效率。结果表明,在使用相同数据样本的情况下,将ISSA-GRU模型与长短期记忆(LSTM)网络、核极限学习机(KELM)和支持向量回归(SVR)模型进行比较,其均方根误差RMSE分别降低了9.3%、37.5%、33.5%,平均绝对误差MAE分别降低了13.5%、38.5%、41.7%。同时,研究了训练集数据量和输入变量对模型预测性能的影响,研究结果表明,所提出的模型能高效寻找超参数,具有较高的预测精度和较好的适应性,为多样化原材料和混凝土特定性能的发展提供可行参考。

计及组合区间不确定性分析的光伏出力动静态赋权搜索预测模型

针对目前光伏出力确定性预测缺乏考虑不确定性信息导致预测精度受限的问题,提出了一种计及组合区间不确定性分析的光伏出力动静态赋权搜索预测模型。首先分别构建卷积神经网络(convolutional neural network,CNN)-注意力机制(attention)-双向长短期记忆网络(bidirectional long-short term memory,BiLSTM)(CNN-Attention-BiLSTM)和自然梯度提升(natural gradient boosting,NGBoost)模型进行确定性预测;然后通过分析2个模型的确定性预测值和真实值的分布揭示了组合区间相对可靠性规律,基于该规律提出一种动静态赋权搜索预测模型,利用NGBoost模型进行不确定性预测,并根据所提供的概率分布信息,动态区分确定性预测结果的重要性,结合模型历史静态的指标评价信息,实现组合区间内搜索预测结果;最后采用澳大利亚沙漠知识太阳能中心和宁夏某光伏电站的数据集进行仿真研究,验证了该文方法的有效性和适用性,可为光伏出力确定性组合预测提供新的研究思路。