超短期风电功率预测的混合深度学习模型

针对风电功率预测(WPF)问题,提出一种基于离散小波变换(DWT)、时间卷积网络(TCN)和长短期记忆(LSTM)神经网络的混合深度学习模型(DWT-TCN-LSTM),对超短期风电功率进行预测.将DWT-TCN-LSTM模型分别与差分整合移动平均自回归(ARIMA)模型,支持向量回归(SVR)模型,长短期记忆神经网络模型和卷积长短期记忆(TCN-LSTM)混合模型进行对比实验,通过对称平均绝对百分比误差(SMAPE),均方根误差(RMSE)和平均绝对误差(MAE)3种评价指标值对各个模型进行评价.实验结果表明:DWT-TCN-LSTM模型具有较好的预测性能.     

基于DWT-CNN-LSTM的超短期光伏发电功率预测

太阳能是未来清洁能源的关键,由于各种气象因素的影响,光伏发电通常不稳定.准确预测光伏发电功率的方法已成为解决光伏发电规划和建模问题的重要工具,可以减轻电力系统的负面影响,提高系统的稳定性.提出了一种基于离散小波变换(discrete wavelet transform,DWT)、卷积神经网络(convolutional...     

阶段任务系统可靠性分析30a研究进展

阶段任务系统(Phased Mission Systems,PMS)的应用几乎渗透到现代人类社会的各种关键应用领域,其可靠性分析是一个非常重要的研究课题.对PMS可靠性分析30 a的发展情况作了简要的概括和总结,介绍了30多年里PMS可靠性分析所涉及的核心研究点,包括树结构分析、BDD分析、HCTMC分析和MRP分析;深入分析了它的发展现状和目前所存在的问题;从推动PMS可靠性分析应用和发展的角度出发,展望了未来的研究方向.     

网络可靠度BDD分析中2种边排序策略的性能比较

网络可靠度二元决策图（BDD）分析过程包含边排序、BDD生成和可靠度评估3个步骤,其中BDD生成和可靠度评估的计算复杂度和BDD尺度线性相关,而BDD尺度取决于边排序．因此,边排序问题是研究网络可靠度BDD分析的核心．在实现广度优先和深度优先2种边排序策略的基础上,针对规则网络（N＊N型和M＊N型）,比较了这2种策略的分析性能．实验数据表明：1）规则网络中广度优先边排序策略优于深度优先边排序策略;2）当M〉N时,广度优先边排序策略在M＊N型网络中的性能表现优于与之等价的N＊M型网络．这些结论为设计更优的启发性边排序策略提供了重要依据．