摘要：在本文中，我们专注于均值场变异贝叶斯神经网络（BNN），并通过研究哪些类型的概念不太可能被BNN编...
针对确定性的风电功率预测难以提供预测结果的波动区间和支撑风险决策的问题,以贝叶斯网络为基础,通过将先验分布置于LSTM网络层权重参数之上,构建了贝叶斯LSTM神经网络(BNN-LSTM).以时间卷积神经网络(TCNN)处理风电功率预测的历史时序数据,提取时序数据的关联特征.使用互信息熵方法分析了风电功率的气象数据集,剔除关联性小...
基于ＩＣＥＥＭＤＡＮ ＬＳＴＭ ＢＮＮ的短期光伏 发电功率概率预测 王清亮，代一凡，王旭东，郝 帅 （西安科技大学电气与控制工程学院，陕西西安７１００５４）摘 要：针对短期光伏发电功率建立精准概率预测模型是提高电网安全稳定运行的重要手段。为了提高非晴空条件下光伏发电功率预测的精度和稳定性，选用具有优良...
Use a BNNSLayerParametersLSTM structure to define the parameters of a long short-term memory (LSTM) operation. Topics Instance Properties input_size The number of elements in the input. hidden_size The number of elements in the hidden state. batch_size The number of input and output samples....
基于ICEEMDAN-LSTM-BNN的短期光伏发电功率概率预测 认领 被引量:4 Probabilistic prediction of short-term photovoltaic power based on ICEEMDAN-LSTM-BNN 在线阅读 下载PDF 引用 收藏 分享 摘要 针对短期光伏发电功率建立精准概率预测模型是提高电网安全稳定运行的重要手段。为了提高非晴空条件下光伏发电功率预测的...
struct BNNSLayerParametersLSTM Overview Use a BNNSLayerParametersLSTM structure to define the parameters of a long short-term memory (LSTM) operation. Topics Initializers init(input_size: Int, hidden_size: Int, batch_size: Int, num_layers: Int, seq_len: Int, dropout: Float, lstm_flags: UInt...
基于ICEEMDAN-LSTM-BNN的短期光伏发电功率概率预测 进而结合各项算法提出基于ICEEMDAN-LSTM-BNN的短期光伏发电功率概率预测方法;最后以宁夏太阳山光伏电站实测数据为测试对象,对非晴空条件下的光伏发电功率进行预测,所提... 王清亮,代一凡,王旭东,... - 《西安科技大学学报》 被引量: 0发表: 2023年 基于CEEMDAN-LS...
bnn_hmc bonus_based_exploration building_detection business_metric_aware_forecasting bustle c_learning cache_replacement caltrain camp_zipnerf cann capsule_em caql cascaded_networks cate causal_label_bias cbertscore cell_embedder cell_mixer cfq cfq_pt_vs_sa charformer ciw_label_noise ckd...
struct BNNSLayerParametersLSTM A structure that contains the parameters of a long short-term memory (LSTM) layer.Deprecated func BNNSComputeLSTMTrainingCacheCapacity(UnsafePointer<BNNSLayerParametersLSTM>) -> Int Returns the minimum bytes capacity of the training cache buffer ...
S BNNSLayerParametersConvolution M init() Instance Properties P var input_size: Int P var hidden_size: Int P var batch_size: Int P var num_layers: Int P var seq_len: Int P var dropout: Float P var lstm_flags: UInt32 P var sequence_descriptor: BNNSNDArrayDescriptor P var input_descri...