《Processes》:Fracture Response Characteristics and Rockburst Pressure-Relief Control of Thick and Hard Roofs Under Multi-Parameter Coupled Staged Hydraulic Fracturing
Guowei Dong,
Dongyang Li,
Xiaoliang Ren and
Weibin Guo
编辑推荐:
云层是影响太阳辐射的关键因素,其动态变化直接导致光伏(PV)功率输出的不确定性和波动。为提高PV功率预测精度,研究人员提出一种基于混合神经网络架构的改进短期光伏功率预测方法,该方法利用从卫星云图中提取的特征。首先,针对不同波长和光谱带的卫星云图,研究人员开发了
云层是影响太阳辐射的关键因素,其动态变化直接导致光伏(PV)功率输出的不确定性和波动。为提高PV功率预测精度,研究人员提出一种基于混合神经网络架构的改进短期光伏功率预测方法,该方法利用从卫星云图中提取的特征。首先,针对不同波长和光谱带的卫星云图,研究人员开发了一种双层图像融合方法,有效提高了融合精度。其次,采用基于灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)的纹理描述子和通过小波变换(wavelet transform)获得的多尺度信息,对融合图像进行特征提取。结合残差网络(ResNet)、光流法以及基于LSTM的时间建模模块,研究人员获得了预测云图像的多维特征。随后采用改进贝叶斯优化(improved Bayesian optimization,IBO)算法推导出最优融合特征,从而改善云图像特征与PV功率之间的匹配。第三,研究人员开发了一种增强型混合架构,该架构集成了卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short-term memory,LSTM)单元以及多头自注意力(multi-head self-attention,MSA)机制。研究人员引入了数值天气预报(NWP)气象特征,并采用倾斜辐照度模型计算光伏组件接收的太阳辐射量,用于近短期光伏功率预测。最后,利用河北省某光伏电站的实测数据对提出的方法进行验证。结果表明,与SA-CNN-MSA-LSTM和BO-CNN-LSTM模型相比,所开发方法的均方根误差(RMSE)分别降低了22.56%和4.32%,平均绝对误差(MAE)分别降低了24.84%和5.91%。总体而言,所提出的模型能够准确捕捉预测云图像的特征,并有效提高光伏功率预测精度。
## 论文解读:基于多参数耦合分段水力压裂的厚硬顶板断裂响应特征与岩爆卸压控制研究
### 研究背景与问题
本研究发表于《Processes》,聚焦于光伏功率预测领域,而非标题所指的岩石力学问题。实际上,标题与正文内容存在明显脱节,正文围绕卫星云图特征提取与混合神经网络模型展开,旨在解决光伏发电因云层遮挡导致的功率波动与不确定性。当前光伏渗透率提高,给电网稳定性和电能质量带来挑战,因此高精度近短期光伏功率预测对提升调度能力至关重要。现有方法中,地基云图虽分辨率高但覆盖范围有限,且难以预测云运动轨迹;卫星云图虽能监测大范围云分布并提供多光谱信息,但传统融合方法仅使用可见光与近红外波段,信息不完整;同时,基于灰度变化的光流法易受纹理干扰,ARIMA模型忽略云运动与纹理变化,CNN定位算法计算成本高,而纯气象特征预测不考虑云图特征。为解决这些问题,研究人员提出一种集成框架,融合卫星云图增强、未来云特征预测、自适应特征加权与时间依赖建模,而非依赖单一模块。
### 关键技术方法
研究人员采用Himawari-8气象卫星数据(包含16个光谱通道,空间采样距离2 km,时间分辨率10 min),选取目标光伏电站周围200 km半径区域作为预测区域。主要关键技术包括:(1)双层拉普拉斯金字塔融合与均值融合结合的多光谱图像融合方法;(2)灰度共生矩阵(GLCM)与离散小波变换(DWT)进行手工纹理特征提取;(3)残差网络(ResNet)直接预测历史云特征,Dual TV-L1光流法与LSTM网络分别预测未来云图像并提取特征;(4)改进贝叶斯优化(IBO)算法(融合遗传算法初始探索与自适应核函数及采集函数)动态融合多维云特征;(5)CNN-MSA-LSTM混合架构,其中多头自注意力模块置于CNN与LSTM之间,实现局部特征提取—全局相关性重构—时序动态建模;(6)采用Dropout与RAdam优化器抑制过拟合。数据来自河北省保定市某光伏电站(115.06°E, 38.73°N),包含2018年9月至2019年5月共100天数据(每日9:00–18:00),NWP数据时间分辨率15 min,经线性插值统一为15 min。
### 研究结果
**第2节 卫星云图数据处理**:通过拉普拉斯金字塔融合相同波段内不同波长图像,再对可见光、近红外、红外三个波段融合图像进行均值融合,有效保留多波段云信息,降低红外波段亮温差影响。
**第3节 融合预测云特征提取**:
- **3.1 云图像特征提取**:GLCM提取角二阶矩(ASM)、相关性(COR)、熵(ENT)等纹理参数;DWT提取低频子带标准差(LL_std)、水平高频子带熵(LH_entropy)和垂直高频子带熵(HL_entropy),共同表征云层结构。
- **3.2 预测云特征提取**:基于ResNet预测未来云特征;基于Dual TV-L1光流法从相邻卫星图像生成未来云图并提取特征;基于LSTM网络预测未来云图并提取特征。
- **3.3 改进贝叶斯优化**:引入遗传算法(GA)初步搜索特征权重空间,后采用自适应核函数(长度尺度随迭代递减)与自适应采集函数(探索因子随迭代递减)动态优化权重,融合三种预测特征得到最优融合云特征。
**第4节 混合神经网络预测模型**:提出CNN-MSA-LSTM架构,相比传统CNN-LSTM,MSA模块实现全局相关性重构,提升长程依赖建模能力;采用Dropout与RAdam优化器。
**第5节 实例分析**:
- **5.1 数据来源**:选取Pearson相关系数高于0.4的特征(全局水平辐照度、散射水平辐照度、倾斜辐照度强度、气压、温度、湿度、相关性、ASM、熵、低频分量标准差、水平高频分量熵)。
- **5.2 多波段卫星云图融合分析**:所提融合方法的PSNR和SSIM分别提高0.79%和22%,优于其他融合方法。
- **5.3 预测云图及其特征分析**:ResNet预测云特征在0.5–2.0 h时间尺度上误差较小;光流法与LSTM预测云图的SSIM值在0.7660–0.8603之间,与真实云图相似度高。
- **5.4 光伏功率预测结果与分析**:
- **5.4.1 数据集交叉验证**:时间序列交叉验证显示平均训练与验证损失稳定下降,预测值与实际值线性对应良好。
- **5.4.2 云图融合对功率预测的影响**:使用融合云图相比未融合云图,RMSE降低9.36%,MAE降低15.29%。
- **5.4.3 不同云特征输入的影响**:所提多维融合云特征相比单一ResNet、光流、LSTM特征,RMSE最大降低20.69%,MAE最大降低19.39%。
- **5.4.4 IBO-CNN-MSA-LSTM预测结果验证**:在冷季与暖季均表现良好;在晴朗天气下预测精度提升7.32%;在波动天气下,相比BO-CNN-LSTM和SA-CNN-MSA-LSTM,RMSE分别降低6.78%和6.38%,MAE分别降低4.49%和1.73%;在不同预测时间尺度(0.5–2.0 h)上均获得最低误差。
### 讨论与结论
讨论部分指出,引入MSA模块虽增加计算负担,但其并行处理能力仍能满足短期光伏调度的实时或近实时需求;框架的模块化结构便于扩展至多电站或区域光伏集群场景。结论部分归纳如下:(1)基于拉普拉斯金字塔融合与均值融合的卫星云图融合方案,使PSNR和SSIM分别提升0.79%和22%,有效丰富云图特征信息。(2)提出的IBO算法用于融合不同云特征,相比ResNet、光流、LSTM方法,RMSE最大降低20.69%,MAE最大降低19.39%。(3)提出的IBO-CNN-MSA-LSTM预测方法,相比SA-CNN-MSA-LSTM和BO-CNN-LSTM,RMSE和MAE分别降低6.32%和5.91%,在不同时间尺度下平均RMSE和MAE分别降低3.68%和3.47%,有效提升预测精度。