基于数据驱动模式的波浪能装置短期发电功率预测方法

 分析了随着波浪能发电技术的逐步成熟带来的功率预测技术现状,阐述了功率预测对规模化利用波浪能的现实需求,研究了不同模型的预测机理和特性,并在传统物理模型技术上提出了基于深度学习的数据驱动模型。基于长短时记忆网络的深度模型能够对波浪发电装置的短期功率开展预测,并通过与支持向量机、神经网络等模型的比较,证明了长短时记忆网络模型预测方法能够获得更优的短期预测结果。     

短期记忆与脑电事件相关电位特征的初步研究

对３２名被试者进行两字汉语词汇和平面图形的辩识测试,以及４～９个两字汉语词汇的回忆测试,结果是词汇、图形辩识测试中,左右半球４０Ｈｚ事件相关电位（ＥＲＰ）的发放率（ＡＣＴ）和平均发放时间间隔（ＡＴ）参数存在不对称性。词汇测试中,左半球４０ＨｚＥＲＰ的ＡＣＴ（１６．９６）明显大于右半球（１４．５）,Ｐ＜０．０１;右半球的ＡＴ（２５．４）明显大于左半球（２１．９）,Ｐ＜０．０２５。图形测试中,右半球的ＡＣＴ（１６．８）明显大于左半球（１５．０）,Ｐ＜０．０２５;左半球ＡＴ值（２３．９）,明显大于右半球（２１．１）,Ｐ＜０．０２５。左右半球不对称的消失与汉语词汇短期记忆有固定组块（７个）的记忆容量有关。     

模糊神经网络在短期电力负荷预报中的应用

提出了一种用于短期电力负荷预报的模糊神经网络方法,该方法可以直接由模糊信息预测出未来一天或一周的各小时负荷,文中通过实际算例验证了所提模型和方法的有效性。     

基于VMD和IBA-LSSVM的短期风电功率预测

为了提高风电功率预测精度,提出了一种基于变分模态分解(VMD)和改进的最小二乘支持向量机(LSSVM)的短期风力发电功率预测新模型。利用VMD将功率历史数据分解成趋势分量、细节分量和随机分量以降低原始数据的复杂性和不平稳性,然后建立IBA-LSSVM预测模型,利用改进蝙蝠算法(IBA)对最小二乘向量机的参数进行优化,并分别对各个子模态进行预测,叠加子模态的预测结果以得到最终的发电功率预测值。对宁夏某风电厂功率预测结果证明了该模型的有效性,通过不同预测模型的对比验证了模型具有较高的预测精度。     

基于两重门限GARCH模型的短期负荷预测

针对负荷时间序列的非线性和波动性特征,在研究负荷时间序列波动性门限特征的基础上,引入冲量门限的概念,提出了一种基于两重门限GARCH模型的短期负荷预测新方法.利用条件极大似然估计方法,估计了模型参数.同时,考虑到负荷时间序列波动的厚尾效应,将模型推广为服从非高斯分布假设下的情形,建立了2种基于厚尾假设的两重门限GARC...     

Discrete fixed-resolution representations in visual working memory

Limits on the storage capacity of working memory significantly affect cognitive abilities in a wide range of domains, but the nature of these capacity limits has been elusive. Some researchers have proposed that working memory stores a limited set of discrete, fixed-resolution representations, whereas others have proposed that working memory consists of a pool of resources that can be allocated flexibly to provide either a small number of high-resolution representations or a large number of low-resolution representations. Here we resolve this controversy by providing independent measures of capacity and resolution. We show that, when presented with more than a few simple objects, human observers store a high-resolution representation of a subset of the objects and retain no information about the others. Memory resolution varied over a narrow range that cannot be explained in terms of a general resource pool but can be well explained by a small set of discrete, fixed-resolution representations.     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模式，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。同时，以三种短期负荷预测为例，进行了大量的仿真研究，结果表明神经网络用于电力负荷预测不但可满足短期负荷预测的技术要求，而且精度比常规方法高，且算法快速简单。     

混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和LS-SVM的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型;通过对实际数据的仿真,结果表明所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

Distinct memory traces for two visual features in the Drosophila brain

The fly Drosophila melanogaster can discriminate and remember visual landmarks. It analyses selected parts of its visual environment according to a small number of pattern parameters such as size, colour or contour orientation, and stores particular parameter values. Like humans, flies recognize patterns independently of the retinal position during acquisition of the pattern (translation invariance). Here we show that the central-most part of the fly brain, the fan-shaped body, contains parts of a network mediating visual pattern recognition. We have identified short-term memory traces of two pattern parameters--elevation in the panorama and contour orientation. These can be localized to two groups of neurons extending branches as parallel, horizontal strata in the fan-shaped body. The central location of this memory store is well suited to mediate translational invariance.     

基于改进熵权法和SECEEMD的短期风电功率预测

为实现短期风电功率的高精度预测,综合考虑风电功率数据波动性以及多维气象数据对风电功率预测的影响,提出了一种基于改进熵权法和SECEEMD的短期风电功率组合预测方法。首先,提出了一种综合相关性分析模型,结合多种特征选择方法对多维气象特征实现综合评价,准确筛选与风电功率相关性较高的气象特征,提高预测精度。其次,针对CEEMD(Complementary Ensemble Empirical Mode Decomposition,互补集合经验模型模态分解)存在的分解分量过多,模态混叠程度加剧的问题,提出了SECEEMD分解算法,在降低分量数量,降低模态混叠程度的同时,提高模型的训练速度。然后,分别建立NWP-LSTM和SECEEMD-BP预测模型,并通过贝叶斯优化算法优化长短期记忆神经网络和BP神经网络结构;最后,通过改进熵权法寻找到最优权重组合进行加权组合。实验以内蒙古某风电场的风电功率数据和气象数据为实验数据,经验证,本文所提预测模型,能较大程度提高预测精度,相较于一般预测模型,R2-Score分别提高了4%和0.6%,MAE分别降低了44%和1.1%,证明本文所提风电功率预测方法具有更高的预测精度和更快的训练速度,更加适合进行风电功率预测。     

基于改进深度森林的短期电力负荷预测模型

深度学习模型通过学习数据的深层特征能够有效提高电力负荷预测的准确率,但同时也带来了超参数较多、模型可解释性差等问题。针对这些问题,文中将深度森林模型引入短期电力负荷预测领域。在多粒度级联森林模型的基础上改进了多粒度窗口扫描方法,调整窗口大小与滑动步长,使模型能够在不同时间尺度下提取电力负荷数据的周期性特征。此外,改进深度森林输出层的计算方法,将输出结果由离散的类向量改进为连续的预测值,进而提高模型的精确度。最后在中国东北电网的实测数据中验证了文中所提出方法的可行性与有效性。从实验结果可知,改进深度森林算法在较高预测精度的情况下能取得更高的准确率,并且相较于深度神经网络具有更快的学习速度。     

宇宙线福布希下降对京津冀地区闪电计数的短期影响

研究1989年～1994年间夏季前后福布希下降对LLP80-02型闪电定位系统在此期间于京津冀地区所测的227326次闪电活动的短期影响后发现，在所覆盖的600km×600km区域内，在渤海湾至河北中部及河北西部一带，闪电次数存在两个数百公里尺度的正响应区，差异显著性置信度优于5×10-3.而在此区域内，闪电活动对耀斑爆发恰恰相反，是明显的负响应.