文章提出一种基于小波变换和卷积神经网络-双向长短期记忆(Convolutional Neural Network-Bidirectional Long Short Term Memory,CNN-BiLSTM)的电力电缆故障定位算法,结合小波变换的时频局部化特性和CNN与BiLSTM的深度学习能力,以提升...文章提出一种基于小波变换和卷积神经网络-双向长短期记忆(Convolutional Neural Network-Bidirectional Long Short Term Memory,CNN-BiLSTM)的电力电缆故障定位算法,结合小波变换的时频局部化特性和CNN与BiLSTM的深度学习能力,以提升故障定位的精准性。为验证提出算法的有效性,将True、BiLSTM、极值域均值模式分解(Extremum field Mean Mode Decomposition,EMMD)+小波变换算法与本文算法进行对比实验分析。实验结果表明,基于小波变换和CNN-BiLSTM的电力电缆故障定位算法能够将定位误差控制在0.02 km以内,显著提高了故障定位的精度。展开更多
准确的短期光伏功率预测对于保证电能质量及提高电力系统运行可靠性具有重要意义。为此,文章提出了一种基于小波变换和混合深度学习的短期光伏功率预测方法。首先,将天气类型分为理想天气(晴天)和非理想天气(多云、阴天等)。对于理想天...准确的短期光伏功率预测对于保证电能质量及提高电力系统运行可靠性具有重要意义。为此,文章提出了一种基于小波变换和混合深度学习的短期光伏功率预测方法。首先,将天气类型分为理想天气(晴天)和非理想天气(多云、阴天等)。对于理想天气,将历史光伏功率时间序列转化为二维图像作为混合深度学习模型(Hybrid Deep Learning Model,HDLM)的输入。对于非理想天气,使用小波变换对历史光伏功率时间序列进行分解,将得到的分量和气象参数转化成三维图像作为HDLM的输入。在HDLM中引入并行结构,由多个并列卷积神经网络和双向长短期记忆网络组成。实验结果表明,在理想天气和非理想天气条件下,所提短期光伏功率预测方法均具有较高的预测精度。展开更多
文摘文章提出一种基于小波变换和卷积神经网络-双向长短期记忆(Convolutional Neural Network-Bidirectional Long Short Term Memory,CNN-BiLSTM)的电力电缆故障定位算法,结合小波变换的时频局部化特性和CNN与BiLSTM的深度学习能力,以提升故障定位的精准性。为验证提出算法的有效性,将True、BiLSTM、极值域均值模式分解(Extremum field Mean Mode Decomposition,EMMD)+小波变换算法与本文算法进行对比实验分析。实验结果表明,基于小波变换和CNN-BiLSTM的电力电缆故障定位算法能够将定位误差控制在0.02 km以内,显著提高了故障定位的精度。
文摘准确的短期光伏功率预测对于保证电能质量及提高电力系统运行可靠性具有重要意义。为此,文章提出了一种基于小波变换和混合深度学习的短期光伏功率预测方法。首先,将天气类型分为理想天气(晴天)和非理想天气(多云、阴天等)。对于理想天气,将历史光伏功率时间序列转化为二维图像作为混合深度学习模型(Hybrid Deep Learning Model,HDLM)的输入。对于非理想天气,使用小波变换对历史光伏功率时间序列进行分解,将得到的分量和气象参数转化成三维图像作为HDLM的输入。在HDLM中引入并行结构,由多个并列卷积神经网络和双向长短期记忆网络组成。实验结果表明,在理想天气和非理想天气条件下,所提短期光伏功率预测方法均具有较高的预测精度。
