机组负荷预测作为电网运行与各项调度分配的关键技术之一,在对其研究的过程中不仅需要探究机组负荷本身的变化规律,以及各项影响因素与机组负荷之间的关联大小,还需对未来机组负荷的数值进行合理的短期预测。准确而有效的机组负荷预测对于智能电网的运行意义重大,无论是在电力调度、负荷经济分配、负荷控制还是电网的整体经济运行上,精确的机组负荷预测都能为其提供相关技术和科学依据。为了能够准确表达机组负荷时间序列的特征,扩大机组负荷时序内部的信息量,增强机组负荷模型精确性,本文针对机组负荷数据内部各项规律特点,选用对时序具有充分表达能力的相空间重构(Phase Space Reconstruction,PSR)和学习能力较强的双向长短期记忆网络模型(Bidirectional Long-Short Term Memory,BILSTM),设计出的机组负荷预测模型同时采用相空间重构和双向长短期记忆网络模型,借用两者优点建立机组负荷预测的基础模型,并根据机组负荷容易受到给水流量、主蒸汽压力、主蒸汽温度等各项因素影响的特点,找到主要影响因素提高模型的最终预测精度,本文以湖南某电厂600MW机组为研究对象,深入研究电厂机组负荷时序的信息,并进行预测。主要研究内容如下:首先,以某电厂的历史机组负荷数据与各项影响因素的数据为样本,对收集到机组各类数据进行综合预处理后,凭借经验模态分解(Empirical Mode Decomposition,EMD)对机组负荷进行降噪处理。并对降噪后的机组负荷时序进行混沌性分析,利用其混沌特性,通过时间延迟、时间窗口和嵌入维数对时序进行重构,增加机组负荷时序的特征维度,充分展现时序内部信息,得到多维的机组负荷时序。对收集到的多项影响因素使用套索算法(Least Absolute Shrinkage and Selection Operator,LASSO)进行变量选择,挑选出影响因子高的因素作为下一步研究的特征变量。其次,构建长短期记忆网络模型(Long-Short Term Memory,LSTM),将PSR-LSTM模型的预测结果与newPSR-LSTM模型的预测结果进行比较,证实了选用LASSO算法作为变量选择的有效性。为了提高机组负荷的预测精度,构建BILSTM模型,将PSR和BILSTM相结合,通过对模型中各参数进行训练和改进,提升模型性能,并将LASSO后的多项影响因素和历史机组负荷时序同时作为模型变量输入,经过实例分析后发现,该方法的具有较高的精度。最后,将文中所使用的PSR-BILSTM方法分别与newPSR-LSTM方法、标准BILSTM方法同时进行对比后发现,模型的预测能力明显提升,在相同的预测时间范围内,与其他模型相比PSR-BILSTM模型的预测曲线更接近于原始数据,并且在机组负荷出现急剧波动的情况下,误差能够保持最低。通过对比发现,各类预测模型在12h内的预测中RMSE从5.197降至2.054,MAPE从1.056降至0.482,在5min内的预测中RMSE从1.843降至1.11,MAPE从0.359降至0.221,无论是从MAPE与RMSE的平均值还是MAPE与RMSE的最大最小值来看,PSR-BILSTM模型的误差始终低于另外两种模型。证实了本文所使用的研究方法具有更好的预测效果,预测精度更高。
细粒度实体分类(Fine-grained entity type classification,FETC)旨在将文本中出现的实体映射到层次化的细分实体类别中.近年来,采用深度神经网络实现实体分类取得了很大进展.但是,训练一个具备精准识别度的神经网络模型需要足够数量的...
详细信息
细粒度实体分类(Fine-grained entity type classification,FETC)旨在将文本中出现的实体映射到层次化的细分实体类别中.近年来,采用深度神经网络实现实体分类取得了很大进展.但是,训练一个具备精准识别度的神经网络模型需要足够数量的标注数据,而细粒度实体分类的标注语料非常稀少,如何在没有标注语料的领域进行实体分类成为难题.针对缺少标注语料的实体分类任务,本文提出了一种基于迁移学习的细粒度实体分类方法,首先通过构建一个映射关系模型挖掘有标注语料的实体类别与无标注语料实体类别间的语义关系,对无标注语料的每个实体类别,构建其对应的有标注语料的类别映射集合.然后,构建双向长短期记忆(Bidirectional long short term memory,BiLSTM)模型,将代表映射类别集的句子向量组合作为模型的输入用来训练无标注实体类别.基于映射类别集中不同类别与对应的无标注类别的语义距离构建注意力机制,从而实现实体分类器以识别未知实体分类.实验证明,我们的方法取得了较好的效果,达到了在无任何标注语料前提下识别未知命名实体分类的目的.
暂无评论