SOA);最后,设计了一种分位数回归-卷积神经网络-双向长短期记忆网络的混合神经网络架构水库来水预测模型,通过与传统算法的对比试验验证了其优越性,试验表明本文预测方法的决定系数为0.982 74,在95%置信区间下的预测区间覆盖率可达98.611%,大于置信区间值;与此同时,其预测区间平均宽度(Prediction Interval Average Width,PIAW)值是对比算法中最小的,较传统长短记忆网络(Long Short-Term Memory,LSTM)降低57.87%。研究成果可为水电厂智慧集控中心的建设提供技术参考。
Abstract
关键词
Keywords
references
Sahin Muhammet Emin,Ozbay Karakus Mucella.Smart hydropower management: utilizing machine learning and deep learning method to enhance dam’s energy generation efficiency[J].Neural Computing and Applications,2024.