【摘 要】
:
风能产能丰富、分布广泛,是可再生能源之一。对风电场的风速进行预测分析能够优化风电场的风力调度,提升风能利用效率。但受到空间信息、天气信号等因素影响,风速预测工作存在诸多挑战。现有的解决方案大多针对单风场风机预测,也无法在历史数据缺失的情况下进行风速预测。本文开展基于时空神经网络的风电场超短期风速预测研究及设计,鉴于不同风场在空间方面存在一定的规律性,同一风电场在时间、空间方面也具有一定的强相关。现
论文部分内容阅读
风能产能丰富、分布广泛,是可再生能源之一。对风电场的风速进行预测分析能够优化风电场的风力调度,提升风能利用效率。但受到空间信息、天气信号等因素影响,风速预测工作存在诸多挑战。现有的解决方案大多针对单风场风机预测,也无法在历史数据缺失的情况下进行风速预测。本文开展基于时空神经网络的风电场超短期风速预测研究及设计,鉴于不同风场在空间方面存在一定的规律性,同一风电场在时间、空间方面也具有一定的强相关。现对同一风电场不同高度以及相关联的上下游风电场风速进行分析,对目标风电场的超短期风速进行预测,解决风速预测精度不高、缺失数据的风场风速无法预测的问题。全文的主要工作如下:1风速随机不可控,为了提高风电场风速预测的精度,通过集合经验模态分解以消除数据中时间序列的不平稳性,提高风速预测时输入数据的质量。在平稳分量的基础上,基于信息熵对相似分量分组,以此减少风速序列的输入参数。2提取风电场不同高度的风速、风向等数据特征,利用时空神经网络对当前风场的超短期风速进行预测,提高风速预测精度。3本文利用时空相关性,将相关性较强的风电场的数据集作为目标风场的输入数据,对缺失数据的风电场进行风速预测,解决缺失数据无法预测的问题。4该模型的数据是基于真实风电场中的关键性能指标数据集,当前模型相较于传统模型具有更高的普适性,能够更合理地应用于实际环境中。
其他文献
随着时代的发展,人口逐渐向城市聚集,城市人口密度引起的安全问题开始频发,如跨年夜聚集、演唱会拥挤等情况造成了诸多的公共安全事故。为了预防公共安全事故,人群计数在计算机视觉领域逐渐引起了广大研究者的关注。人群计数旨在计算图片中的人群数量。现有的人群计数精度问题主要被两大类问题所影响。首先是由于监控摄像头拍摄的视角及远近的不同导致人头尺度具有极大的差异;其次是图像中存在的复杂背景纹理如树叶、建筑等容易
危害公共安全事件屡屡发生,公共安全问题随之越来越受到人们的关注。随着国家对公共安防领域的投入逐年增加,城市中的监控设备数量也逐渐增长。然而,面对海量的视频监控数据,以人工为主的搜索方式耗时耗力。为满足海量数据下精准且快速的行人检索需求,行人再识别这一计算机视觉任务应运而生。随着深度学习地不断发展,行人再识别任务也获得显著进步。目前基于有监督的行人再识别方法在多个公开数据集上已经取得了相当不错的成绩
推荐系统可以有效地挖掘用户与物品的潜在联系,为用户预测喜欢的物品,已经得到广泛的应用。由于推荐模型训练时采用平台中众多用户参与的历史数据,所以攻击者可以利用训练数据开放性的特点对推荐系统发起攻击,这种攻击方法被称作数据污染攻击。研究数据污染攻击对探索推荐系统的鲁棒性具有重要意义。目前的攻击方法虽然对传统的基于协同过滤的推荐算法有比较明显的攻击效果,但对基于深度学习的推荐算法攻击效果有限。并且大多数
图像作为最直接和便捷的信息载体,备受人们的青睐,这驱使了计算机视觉相关工作需要以更具创新和更大格局的发展态势。图像翻译技术作为计算机视觉领域的关键技术之一,得益于它的高价值和高可用性,备受越来越多的研究者关注。图像翻译技术旨在通过学习原始图像到目标图像的映射关系使得图像内容中某个属性的转换。一对一映射关系的图像翻译技术是目前的主流方法,但是在面对多组图像数据时,需要依据图像转换样式的数量来训练多个
随着科学与技术的迅猛发展,现代工业设备的结构日益复杂,自动化水平也不断提升,机械设备的安全性和可靠性变得尤为重要。滚动轴承是旋转机械设备中至关重要的零部件,也是非常容易磨损的部件,其在运行过程中发生的任何故障或失效不仅会引起严重后果,还可能造成重大经济损失。随着物联网技术发展,通过振动测量传感器采集振动信号的故障诊断方法已成为了一种有效手段。然而,设备的工况(如:负载、转速等)往往会根据实际生产需
伴随着互联网Web2.0以及信息技术的飞速发展,社交网络媒体蓬勃兴起,人们成为内容的生产者并从信息匮乏的时代进入到信息过载的时代。为了解决信息过载所产生的问题,推荐系统诞生了。推荐系统帮助人们从大量的数据中筛选出可用的电影、音乐、文章、商品等,找到最有价值的信息推荐给用户。看电影是人们娱乐的一种重要方式,得益于5G网络的快速发展,人们可以随时随地在线上观看高质量的电影,而不需要去线下的影院。电影推
随着工业的高速发展,现如今空气污染问题日益严峻,对人类健康生活和社会发展带来的影响不容小觑。环保问题历来备受重视,有关空气污染的研究也越来越多。针对此问题,发掘地区空气质量变化模式、探索污染物的演变规律有助于有关部门针对具体情况制定治理和预防政策,对于大气污染的防治有重要意义。然而空气质量数据多源异构,具有信息量大、数据维度高的特点。传统分析方法难以直观有效地揭示空气质量存在的变化规律,存在分析过
推荐系统为用户从冗杂的数据中提取信息,在缓解信息过载方面起着重大作用。数据稀疏和冷启动问题是影响推荐性能的两大问题。随着社交网络的普及,基于用户社交关系的推荐应运而生,社会化推荐方法可以有效缓解数据稀疏和冷启动问题,受到研究者和业界的广泛关注。目前的社会化推荐模型仅利用社交关系缓解数据稀疏问题以提升推荐性能的作用有限。为此,本文针对两种主流社会化推荐模型,分别提出双图混合随机游走的模型和基于自监督
随着工业化和信息化的深度融合,传统制造业正面临着深刻变革,车间调度问题作为一个典型的NP-难问题则更加备受关注。基于群智能的元启发式方法在求解车间调度问题上取得了不错的效果,但该类算法的参数大都需要预先设置,无法根据所求解问题的特征进行自适应调整,从而影响求解质量。近年来,将强化学习与传统的元启发式算法相结合来解决复杂组合优化问题成为了一个热门研究方向。群智能搜索算法能够对复杂问题的解空间进行快速
在数字经济时代,数据是至关重要的生产要素,通过跨地域和跨行业的数据流通融合释放价值。然而,各类隐私保护法规的提出使得这些数据大多以“数据孤岛”的形式存在于各企业和机构中,不再适用于传统的集中式数据存储和分析。为此,谷歌率先提出一种名为联邦学习的新方法,它适用于两个或两个以上数据方之间合作构建机器学习模型,将模型带到数据端,使得各方数据能在不离开本地的情况下完成模型的优化。尽管如此,联邦学习中也存在