- · 《中国电力教育》栏目设[06/30]
- · 《中国电力教育》收稿方[06/30]
- · 《中国电力教育》投稿方[06/30]
- · 《中国电力教育》征稿要[06/30]
- · 《中国电力教育》刊物宗[06/30]
一、来稿必须是作者独立取得的原创性学术研究成果，来稿的文字复制比（相似度或重复率）必须低于用稿标准，引用部分文字的要在参考文献中注明；署名和作者单位无误，未曾以任何形式用任何文种在国内外公开发表过；未一稿多投。 二、来稿除文中特别加以标注和致谢之外，不侵犯任何版权或损害第三方的任何其他权利。如果20天后未收到本刊的录用通知，可自行处理(双方另有约定的除外)。 三、来稿经审阅通过，编辑部会将修改意见反馈给您，您应在收到通知7天内提交修改稿。作者享有引用和复制该文的权利及著作权法的其它权利。 四、一般来说，4500字（电脑WORD统计，图表另计）以下的文章，不能说清问题，很难保证学术质量，本刊恕不受理。 五、论文格式及要素：标题、作者、工作单位全称(院系处室)、摘要、关键词、正文、注释、参考文献(遵从国家标准：GB\T7714-2005，点击查看参考文献格式示例)、作者简介(100字内)、联系方式(通信地址、邮编、电话、电子信箱)。 六、处理流程：（1） 通过电子邮件将稿件发到我刊唯一投稿信箱（2）我刊初审周期为2－3个工作日，请在投稿3天后查看您的邮箱，收阅我们的审稿回复或用稿通知；若30天内没有收到我们的回复，稿件可自行处理。（3）按用稿通知上的要求办理相关手续后，稿件将进入出版程序。（4） 杂志出刊后，我们会按照您提供的地址免费奉寄样刊。 七、凡向文教资料杂志社投稿者均被视为接受如下声明：（1）稿件必须是作者本人独立完成的，属原创作品（包括翻译），杜绝抄袭行为，严禁学术腐败现象，严格学术不端检测，如发现系抄袭作品并由此引起的一切责任均由作者本人承担，本刊不承担任何民事连带责任。（2）本刊发表的所有文章，除另有说明外，只代表作者本人的观点，不代表本刊观点。由此引发的任何纠纷和争议本刊不受任何牵连。（3）本刊拥有自主编辑权，但仅限于不违背作者原意的技术性调整。如必须进行重大改动的，编辑部有义务告知作者，或由作者授权编辑修改，或提出意见由作者自己修改。（4）作品在《文教资料》发表后，作者同意其电子版同时发布在文教资料杂志社官方网上。（5）作者同意将其拥有的对其论文的汇编权、翻译权、印刷版和电子版的复制权、网络传播权、发行权等权利在世界范围内无限期转让给《文教资料》杂志社。本刊在与国内外文献数据库或检索系统进行交流合作时，不再征询作者意见，并且不再支付稿酬。 九、特别欢迎用电子文档投稿，或邮寄编辑部,勿邮寄私人，以免延误稿件处理时间。
电力工业论文_基于自适应权重的CNN-LSTM&GRU组
作者:网站采编关键词:
摘要：文章摘要:准确预测风电功率可以提高电网运行的安全性和可靠性。为进一步提高短期风电功率预测精度，针对目前单一模型难以获得最优预测结果的问题，提出了一种CNN-LSTMGRU组合的短
文章摘要:准确预测风电功率可以提高电网运行的安全性和可靠性。为进一步提高短期风电功率预测精度，针对目前单一模型难以获得最优预测结果的问题，提出了一种CNN-LSTM&GRU多模型组合短期风电功率预测方法。首先，利用卷积神经网络（convolutional neural network，CNN）提取数据局部特征，并结合长短期记忆（long short term memory，LSTM）网络构造出融合局部特征预提取模块的CNN-LSTM网络结构；然后，将其与门控循环单元（gated recurrent unite，GRU）网络并行，并通过自适应权重学习模块为CNN-LSTM模块和GRU模块的输出选择最佳权重，构建出CNN-LSTM&GRU组合的短期预测模型。最后，对我国西北某电场的风电数据进行预测研究。实验结果表明，本文所提模型的MAE（mean absolute error）、RMSE（root mean square error）、R2（R-Square）为：3.395WM、2.608WM、0.959。与单一模型和其他组合模型相比，所提组合预测模型的指标误差更小、预测精度更高。
文章关键词:
文章来源：《中国电力教育》 网址: http://www.zgdljyzz.cn/qikandaodu/2021/1006/1829.html