针对自适应最小均方误差(Least Mean Square,LMS)滤波算法迭代步长在算法收敛速度、稳态误差间的折中问题,设计了一种基于双曲正切函数的新型变步长算法,算法以双曲正切函数为基础,建立步长因子μ(n)与误差信号e(n)的非线性函数关系,并...针对自适应最小均方误差(Least Mean Square,LMS)滤波算法迭代步长在算法收敛速度、稳态误差间的折中问题,设计了一种基于双曲正切函数的新型变步长算法,算法以双曲正切函数为基础,建立步长因子μ(n)与误差信号e(n)的非线性函数关系,并引入参数α、β和m,设计了一种新的步长调整公式,使得在算法迭代初始阶段采用较大步长因子,达到更快的收敛速度,在接近收敛时采用较小的步长因子,获得更小的稳态误差。通过仿真分析了不同参数对算法性能的影响,与已有典型变步长算法相比,论文算法具有更快的收敛速度、更小的稳态误差和更优的追踪能力。展开更多
文摘风速变化的间歇性和波动性给风功率的精准预测带来极大挑战,充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力(time pattern attention,TPA)机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先,利用基于密度的含噪声空间聚类方法(den⁃sity based spatial clustering with noise,DBSCAN)和线性回归算法进行风功率数据集的异常值检测,利用k最邻近(k⁃nearest neighbor,KNN)插值法重构异常点数据;其次,综合考虑风电功率与各气象特征的内在关联性,在MBLSTM网络中引入TPA机制合理分配时间步长权重,捕捉风电功率时间序列潜在逻辑规律;最后,利用实验仿真数据进行分析验证本文方法的有效性,该方法能够充分挖掘风功率与风速影响因素的关系,从而提高其预测精度。
文摘针对自适应最小均方误差(Least Mean Square,LMS)滤波算法迭代步长在算法收敛速度、稳态误差间的折中问题,设计了一种基于双曲正切函数的新型变步长算法,算法以双曲正切函数为基础,建立步长因子μ(n)与误差信号e(n)的非线性函数关系,并引入参数α、β和m,设计了一种新的步长调整公式,使得在算法迭代初始阶段采用较大步长因子,达到更快的收敛速度,在接近收敛时采用较小的步长因子,获得更小的稳态误差。通过仿真分析了不同参数对算法性能的影响,与已有典型变步长算法相比,论文算法具有更快的收敛速度、更小的稳态误差和更优的追踪能力。
