基于优化近邻传播聚类的CMN风速预测

提出一种基于快速相关性约简和近邻传播聚类的卷积记忆网络短期风速预测模型。计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性;针对风速属性矩阵样本,采用压缩-激励模块（squeeze-and-excitation networks,SENet）构建属性表征序列,以该序列间距为样本相似度,利用近邻传播聚类实现样本集优选重构;构建卷积记忆网络,利用其挖掘深层特征及短期预测。通过对实际风场风速进行预测,对比实测数据,结果表明,该方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息,提高了预测精度。     

基于优化近邻传播聚类的CMN风速预测

提出一种基于快速相关性约简和近邻传播聚类的卷积记忆网络短期风速预测模型。计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性;针对风速属性矩阵样本,采用压缩-激励模块（squeeze-and-excitation networks,SENet）构建属性表征序列,以该序列间距为样本相似度,利用近邻传播聚类实现样本集优选重构;构建卷积记忆网络,利用其挖掘深层特征及短期预测。通过对实际风场风速进行预测,对比实测数据,结果表明,该方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息,提高了预测精度。     

基于信息熵和节点导纳矩阵的光伏谐波路径初探

光伏电站的接入给电网注入一定谐波,同时也增加了电网谐波线损。本文针对传统方法过多依靠电气测量状态的问题,提出一种基于信息熵方法的光伏谐波路径识别方法。首先讨论了线路谐波与谐波源谐波之间的量化关系,其次利用信息熵的性质和电网节点导纳矩阵得出线路谐波电流与光伏谐波电流的量化关系,最后通过数值仿真了文章方法的有效性。本文提出的算法具有一定的实用性,为光伏谐波分析和研究提供了一种新的计算思路。