期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
考虑风电机组健康状况与双重注意力机制CNN-BiLSTM的超短期功率预测
1
作者 张开伟 文中 +2 位作者 杨生鹏 胡梓涵 丁剑 《可再生能源》 北大核心 2025年第2期217-224,共8页
为提升风电机组超短期功率预测的准确性,文章提出了一种考虑风电机组健康状况与双重注意力机制CNN-BiLSTM的超短期功率预测模型。首先,综合考虑环境因素与风电机组各子部件的相互作用对风电机组输出功率的影响,将风电机组各个子部件正... 为提升风电机组超短期功率预测的准确性,文章提出了一种考虑风电机组健康状况与双重注意力机制CNN-BiLSTM的超短期功率预测模型。首先,综合考虑环境因素与风电机组各子部件的相互作用对风电机组输出功率的影响,将风电机组各个子部件正常运行时的相对误差作为监测指标的劣化度;然后,采用模糊综合评价法对风电机组健康状况进行评估,根据评估结果对其历史数据集进行健康状况划分;最后,采用双重注意力机制CNN-BiLSTM模型对分类后的数据集构建超短期功率预测模型。实验结果表明,在风电机组功率预测过程中,相较于未考虑机组健康状况,考虑机组健康状况的均方根误差(RMSE)和平均绝对误差(MAE)分别降低了17.3%和20.5%。 展开更多
关键词 超短期 功率预测 健康状况 双重注意力机制 CNN-BiLSTM模型
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部