【摘 要】
：
电力负荷预测直接影响电网规划和运行，但是受到各类因素的影响。为提高预测精度，针对电力负数据时序性和非线性特征，提出一种基于变分模态分解的中期电力负荷混合预测模型（hybrid prediction model of medium-term power load based on variational mode decomposition， HPMMPL-VMD）。在HPMMPL-VMD算法中，首
【基金项目】
：
上海市浦江人才计划资助项目（22PJD030）；
论文部分内容阅读
电力负荷预测直接影响电网规划和运行，但是受到各类因素的影响。为提高预测精度，针对电力负数据时序性和非线性特征，提出一种基于变分模态分解的中期电力负荷混合预测模型（hybrid prediction model of medium-term power load based on variational mode decomposition， HPMMPL-VMD）。在HPMMPL-VMD算法中，首先使用VMD将原始电力负荷序列分解成若干个相对平稳的模态分量，并利用长短时记忆神经网络对各个模态分量进行建模；然后将各个预测分量进行叠加得到电力负荷预测值；最后，使用最小二乘支持向量回归对误差序列进行预测，并将电力负荷预测值与误差预测值相加得到最后预测结果。为验证HPMMPL-VMD的性能，选取其他预测方法与其进行比较，实验结果表明所提模型具有较高的预测精度。
其他文献
＜正＞《义务教育历史课程标准（2022年版）》在“指导思想”中指出，义务教育课程要“聚焦中国学生发展核心素养，培养学生适应未来发展的正确价值观、必备品格和关键能力”。随着课程改革的推进，教材编写逐渐融入以学生为中心的理念。基于此，笔者以统编版历史七年级上册第二单元《夏商周时期：早期国家与社会变革》第6、7、8课的教学为例，展开基于核心素养的单元设计整体化的实践探寻。
伴随陪护机器人在社会中获得初步应用，各种潜在的伦理问题引发了社会各界的担忧。文章在分析陪护机器人应用背景的基础上，提出陪护机器人在应用中可能会产生3类主要的伦理问题：机器人外形设计和不可预测性所导致的伦理问题，人机交互中产生的伦理问题以及对社会正义可能造成的影响。实现陪护机器人技术负责任的发展，需要让伦理规范渗透设计，健全制度法规、制订行业标准，提升公众科学和道德素质，构建共通但有特色的伦理规范体
单元整体化教学不同于常规的“一课一教”模式，它强调以单元为整体统筹设计，突出单元知识的逻辑结构，注重学生的知识生长和素养提升，基于当前形势开展单元整体化教学尤为必要。本文以小学数学教学作为研究对象，指出了单元整体化教学的优越价值，结合具体案例阐述了教学实践策略，以期通过树立整体观念、优化教学设计、聚焦重点难点、引入思维导图、加强专题训练来推进小学数学单元整体化教学的有效开展，提高课堂教学质量。
单元整体化教学是近年来语文教育发展的重要趋势,备受学界关注。文章于2015年秋开启单元整体化教学探索之旅,6年实践,化为实施单元整体化教学的三个关键词:对标、定点和统整,即把课文当作一组实现单元任务的媒介,把单元当作任务群或项目学习的单位来设计教学,在紧扣单元学习目标下,抓住单元系统中的"点"进行统整,学生由单篇课文的散点式学习走向统整学习便有了可能。
针对电力负荷数据波动性大、随机性强和非线性等特点，提出一种基于Pyraformer网络的短期电力负荷预测模型。首先，采用变分模态分解（variational modal decomposition,VMD）算法将负荷数据分解为频率不同的模态分量，引入过零率和皮尔逊相关系数对模态分量进行划分，得到低频、中频和高频部分，并分别与原始负荷数据组成重构数据。其次，将重构数据分别输入到含有金字塔注意力模块（
KFI是一种具有三维八元环孔道的小孔分子筛,孔径为3.9×3.9?,因其具有分子尺寸的筛分特性、较大的比表面积、较高的热/水热稳定性等特点,被广泛应用于气体吸附与分离、甲醇胺化反应、氨气选择性还原反应（NH3-SCR）、甲醇制烯烃（MTO）反应、以及甲醇脱水制二甲醚反应等,特别是在甲醇胺化和NH3-SCR反应中表现出优异的催化性能。然而,目前合成KFI分子筛的时间较长,特别是对于高硅KFI分子筛（
HMOR分子筛在二甲醚羰基化反应中具有类似酶催化的优异性能.关于骨架铝的分布和反应活性位的识别是研究该反应机理的关键科学问题.早期的工作是基于理论计算研究二甲醚羰基化活性位点,但缺乏直接的谱学证据.通过在不同温度下焙烧NH4MOR制备了一系列HMOR催化剂,通过多种谱学表征手段研究分子筛骨架铝的稳定性以及铝原子落位信息,进一步通过二甲醚羰基化反应活性关联MOR分子筛的酸性和铝分布关系获得反应机理的
短期负荷预测对电力系统的安全稳定运行有着重要意义，为此，提出一种基于集合经验模态分解和Q学习策略优化的短期负荷预测模型。首先,采用集合经验模态分解对原始负荷序列进行分解，以降低预测难度。其次,在此基础上分别采用卷积神经网络、残差神经网络、长短时记忆神经网络和门控循环单元网络4个深度学习模型进行预测得到4个预测结果，再对其加权组合获得最终的负荷预测值。第三,利用Q学习策略对组合权重进行优化,进而最大
新一代电网是未来智能电网发展的主要方向,而电力负荷精准预测是智能电网的一项重要基础工作.为了提高智能电力系统负荷预测的精确度,本文基于自相关机制的预测模型Autoformer,对负荷数据集进行了特性分析,在原模型中加入特征提取层,从编码层数、解码层数、学习率和批量大小等方面优化了模型参数,实现了周期灵活的负荷预测.在真实数据集上进行了实验和分析,实验结果表明,本文模型在预测效果上表现更好, MAE
高精度的短期电力负荷预测是优化电网运行策略和提高电网运行效率的可靠保障。为进一步提高短期电力负荷预测精度，提出轻量梯度提升机（light gradient boosting machine, LightGBM）-Transformer组合模型。该模型考虑时间特征和天气因素对短期电力负荷预测的影响，首先利用LightGBM算法获取特征重要性，排除无关噪声的影响，再将选择后的特征向量作为Transfo