基于经验模态分解-粒子群优化-长短期记忆的车间电力能耗预测方法

针对传统能耗预测方法不能充分提取数据特征并利用神经网络的学习、预测能力,提出了一种基于经验模态分解-粒子群优化-长短期记忆(EMD-PSO-LSTM)的电力能耗预测模型。该模型首先采用经验模态分解算法将时间序列数据分解为多个本征模函数分量和趋势分量,然后对每个分量分别建立长短期记忆网络进行预测。各个长短期记忆网络的参数则由粒子群算法分别进行最优化求解,最后将所有分量的预测结果进行叠加得到最终的能耗预测结果。将预测结果与实际能耗数据进行对比分析来验证所提模型的预测性能。试验结果表明,该方法能够对电力能耗数据进行合理预测,预测精度较高。

基于深度自编码器的电力能耗异常检测方法

针对电力能耗数据的非线性和不平稳特征,提出了一种基于深度自编码器的电力能耗异常检测模型。将深度学习的门控循环单元网络和自编码器结构相结合,通过传统自编码器的编码器和解码器部分采用门控循环单元网络来实现,充分发挥门控循环单元的数据特征提取能力和自编码器结构的数据重构功能。根据原始数据和重构数据之间的重构误差来检测电力能耗异常数据点。将所提方法应用于实际的车间电力能耗数据集,结果表明:所提方法能够对电力能耗数据进行异常点检测,检测效果良好。

画中的朋友

一天,小兔子正在草地上玩耍,忽然,一只怪物出现在他的面前。小兔子吓得转身就跑。怪物在他身后紧紧地追赶,一边追一边喊:“等等我!我是来和你交朋友的!”小兔子听了,停下脚步,转过身疑惑地看着怪物。怪物追上来,呼呼地喘着气说:“你别怕,我是专门来感谢你的!”小兔子奇怪地问:“你是谁?为什么要感谢我?”怪物笑着说:“你不认识我了?”