基于CNN-BiGRU-Attention的短期电力负荷预测

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R~2)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。

基于BO-BiGRU-Attention短期电力负荷预测

电力系统的可靠供应对于工业、商业和居民的生活至关重要。为了满足电力需求并维持电力系统的稳定运行,提高短期电力负荷预测的准确性和可靠性尤为关键;针对负荷数据存在复杂的非线性特性,该文提出一种基于贝叶斯优化算法的双向门控循环单元和注意力机制(BO-BiGRU-Attention)的混合预测模型对短期电力负荷进行精准预测。首先,使用Min-Max Normalization方法对负荷数据进行归一化处理。其次,利用BiGRU网络捕获序列中的长期依赖关系和上下文信息,结合注意力机制,通过在输入序列的不同部分给予不同的权重,从而突出关键特征。最后,针对BiGRU-Attention模型的超参数难以选取最优解的问题,引入贝叶斯优化算法对BiGRU-Attention模型的超参数进行寻优,完成短期电力负荷的预测。采用印度北部某地区的电力负荷数据进行预测分析,仿真结果表明,BO-BiGRU-Attention网络表现优于其他模型,各误差评价指标最小,其中MAE、RMSE和MAPE分别为56.67,73.49和1.16%,预测精度达到了99.47%。

基于焦点损失的ATCN-GRU语音情感识别

为了改善RNN的空间信息丢失和CNN忽略时序信息的问题,引入了时间卷积网络TCN,将上述网络与双向门控循环单元Bi-GRU以及注意力机制组合构建了声学模型ATCN-GRU来进一步提高语音情感识别的性能,并通过加入焦点损失改善EMODB和IEMOCAP数据库训练样本不平均导致的识别结果不均衡问题。首先,通过TCN残差块从手工提取的特征中选取最具有代表性和鲁棒性的特征;其次,利用Bi-GRU模型学习语音样本的上下文相关信息,并利用注意力机制学习模型的输入序列与输出序列之间的关联程度,从而给予有效信息更多关注;最后,通过Softmax层对情感进行分类。相较于前人的研究成果,模型ATCN-GRU取得了更好的识别性能:在CASIA、EMODB以及IEMOCAP三个数据库上分别取得了88.17%、85.98%和65.83%的平均准确率;引入焦点损失后,EMODB和IEMOCAP数据库上的平均准确率分别达到了86.26%和66.30%。

基于CNN-BiGRU的高压直流输电线路故障识别

针对高压直流(high voltage direct current,HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks,CNN)和双向循环门单元(bidirectional gate recurrent unit,BiGRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,利用CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用BiGRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真结果表明:该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。

基于自注意力机制TCN-BiGRU的交通流预测

为更精准地预测道路交通流,本文提出了基于自注意力机制TCN-BiGRU的交通流预测模型。该预测模型首先利用时间卷积网络(TCN)的卷积特性跨时间步的提取交通流数据中的时间相关性;其次,利用BiGRU双向捕捉交通流的时间相关特性,经过更新门和复位门后更全面的提取交通流的时间特性;考虑到双向门控循环单元在双向计算过程中存在有并行性较低和部分特征无法捕捉的情况,引入自注意力机制能够让模型能够注意到全局中不同输入之间的相关性,让模型能够不受序列长度限制的特征捕捉的难题,最大限度的保留特征进而提高模型的鲁棒性,最终得到交通流的预测值。为验证模型的适用性,本文选取真实的交通数据进行多组预测对比实验,在单一路段将预测结果与基准模型和多路段的经典模型以及消融进行对比,结果表明基于自注意力机制TCN-BIGRU对于多特征的单一路段或多路段的预测结果表现为:单一路段的MAE,MAPE/%,R^(2)平均值分别为15.91,10.89,0.976;多路段的MAE,MAPE/%,R^(2)分别为19.62,13.53,0.982,具有较好的预测效果,所建立的组合预测模型在预测精度上表现出更好的水平,为交通流的预测提供了良好的参考价值。

基于元度量学习的小样本空战目标意图识别方法

针对战场复杂环境下通过较少空战对抗数据识别作战意图的问题,提出基于元度量学习框架的作战意图识别方法。该方法通过构建基于双向门控循环单元网络,实现对空战时序数据的有效特征提取,进而提出注意力机制,促使网络实现对小样本空战数据时序核心特征的充分提取,从而获取类间差异,达到较高的空战意图识别的准确率和速度。仿真实验表明,所提方法对于空战目标意图识别具有较好的准确率和实时性,在小样本数据的情况下能够实现较好的识别性能。

基于QMD-HBi GRU的短期光伏功率预测方法

为了解决光伏功率数据固有的强不确定性导致单一预测模型预测精度不高的问题,提出一种基于二次模态分解和混合双向门控循环单元模型(hybrid bi-directional gated recurrent unit, HBiGRU)的短期光伏功率预测方法。首先,为应对光伏功率数据的不确定性,基于自适应噪声完备集合经验模态分解、样本熵和变分模态分解对光伏功率数据进行处理,得到一系列较为平稳的本征模函数分量;其次,构建HBi GRU模型以充分挖掘各分量与光伏功率影响因素之间的特征关系,得到各分量预测结果;最后,将各分量预测结果叠加得到短期光伏功率预测结果。以澳大利亚某地光伏电站数据进行测试,仿真结果表明:所提集成预测模型能够有效提高短期光伏功率预测精度,与其他预测模型相比,其归一化平均绝对误差和均方根误差分别降低了3.21%和5.04%,决定系数提高了22.7%。

多模态在情感识别中的研究与应用

为了解决错别字、语法错误、网络文化特殊用词等引起的噪声干扰,本文研究多模态融合的情感识别方法,提出一种基于模态融合的情感识别网络模型。首先,提取3种模态特征,使多模态数据之间的格式统一并对齐;其次,为了挖掘各模态之间的关联关系,融合文本、音频与视频3个模态的特征,根据提取的融合特征间的互补信息解决噪声干扰问题;在此基础上,利用注意力机制与双向循环神经网络进一步充分捕获融合特征及不同情感话语中的上下文信息,得到更加丰富的融合特征表示;最后,搭建下游任务模块,利用丰富的融合特征表示,提升下游任务情感识别的识别效果。利用本文所提出的网络模型分别在3个数据集上进行了实验,实验结果表明多模态比单一模态效果更好,基于模态融合的情感识别网络在识别性能上有较好的表现,本文结论可用于指导话语情感识别过程。

基于SAE和BiGRU的滚动轴承剩余寿命预测

为提高对滚动轴承剩余使用寿命的预测准确性,提出了一种基于稀疏自编码器(SAE)和双向门控循环单元(BiGRU)的剩余寿命预测方法。首先利用四个评价指标对从滚动轴承振动信号中提取出来的时域、频域以及时频域特征进行筛选,构建敏感退化特征集。然后为解决各个特征之间存在的信息冗余问题,利用SAE网络对敏感退化特征进行融合降维。最后将融合敏感退化特征输入BiGRU模型中完成对滚动轴承剩余寿命的预测。采用公开的滚动轴承全寿命数据集进行验证,结果表明,与长短期记忆网络(LSTM)以及门控循环单元(GRU)相比,该方法具有更高的剩余寿命预测准确性。

基于Bo-BiLSTM网络的IGBT老化失效预测方法

针对绝缘栅双极型晶体管(IGBT)受热应力冲击后对其进行老化失效预测精度不高的情况,提出一种基于贝叶斯优化(Bo)-双向长短期记忆(BiLSTM)网络的IGBT老化失效预测方法。首先分析IGBT模块老化失效原理,然后基于NASA老化实验数据集建立失效特征数据库,最后利用Matlab软件构造Bo-BiLSTM网络预测失效特征参数数据。选取常用回归预测性能评估指标将长短期记忆(LSTM)网络模型、BiLSTM网络模型与Bo-BiLSTM网络模型的预测结果进行对比分析。结果表明,Bo-BiLSTM网络的模型拟合精度更高,基于Bo-BiLSTM网络的IGBT老化失效预测方法具有较好的预测效果,能够应用于IGBT的失效预测。

基于振动响应的高速动车车轮踏面磨耗状态识别

针对高速动车车轮踏面磨耗状态识别问题,融合车辆振动响应及其幅值滑动平均值特征,提出一种基于双向门控循环单元(Bi-directional Gated Recurrent Unit,Bi-GRU)网络的车轮踏面磨耗状态识别方法。首先,以国内某型高速动车为对象,采用SIMPACK进行车辆动力学仿真,定义五类不同等效锥度磨耗状态的车轮踏面,考虑悬挂结构参数、轮轨接触状态等随机因素,获取车体与构架横向振动加速度;其次,结合横向加速度及其幅值滑动平均值,使用特征融合技术建立不同磨耗踏面的多维特征融合数据集;最后,采用Bi-GRU网络建立踏面磨耗状态识别模型,训练模型结构参数并验证其识别效果。结果表明:该模型能够有效识别高速动车车轮踏面磨耗状态,识别准确率优于传统最近邻、决策树和支持向量机模型,并具备一定抗噪能力。对于线路实测数据集,迁移模型准确率超过98%,证明模型具有良好的泛化性能。

基于IGCT抑制换相失败的关键控制策略

针对基于电网换相换流器的高压直流(LCC-HVDC)输电系统因以晶闸管作为换流器件而存在的换相失败问题,以集成门极换流晶闸管(IGCT)在中国某背靠背高压直流工程中的应用为基础,首先介绍了IGCT型高压直流的拓扑及基本运行原理。接着,从兼顾换相失败抵御效果和IGCT阀的关断应力角度,提出了适应IGCT阀的关断策略。在此基础上,研究了不同类型交流故障对故障电流峰值的影响,提出了利用故障扰动系数动态调整电流控制器参数的策略,实现故障电流抑制和故障期间直流功率的稳定输送。最后,通过实时数字仿真(RTDS)验证了所提策略的正确性和有效性。

基于EWT-CNN-BiGRU的多特征电力负荷预测模型

针对目前多特征预测模型在短期电力负荷数据上精度不足的问题,提出一种基于经验小波变换(EWT)的卷积神经网络(CNN)融合双向门控循环单元(Bi GRU)预测模型。首先,从多维时序数据中提取强关联性特征,其次,对选定特征进行经验小波变换,将时序数据映射至频域以获取子序列,最后,通过卷积神经网络和双向门控循环单元融合模型实现对电力负荷数据的预测。该预测模型使用德国某联合循环电厂的时序数据进行实验验证。结果表明,该预测模型获得99.463%的拟合优度,具有较好的预测效果。

基于改进SMOTE算法和深度学习集成框架的信用卡欺诈检测

当前机器学习(ML)算法已经被广泛用于信用卡欺诈检测。然而持卡人线上购物的动态性,以及正常和欺诈交易数据严重不平衡问题,影响了分类器的检测精度。为此,提出了基于深度学习集成框架的信用卡欺诈检测方法。首先,通过改进的合成少数类过采样(SMOTE)算法,解决信用卡数据集中欺诈交易和正常交易数量严重不平衡问题。其次,构建堆栈式深度学习集成框架,使用双向长短时记忆网络(Bi-LSTM)和门控循环单元(GRU)作为基础分类器,并通过多层感知机(MLP)作为元分类器,结合集成学习和深度学习的优点提高信用卡欺诈检测率。在公开数据集上的实验结果表明,所提深度学习集成方法与改进SMOTE算法相结合,分别实现了99.57%和99.82%的灵敏度和特异性结果,优于其他先进的信用卡欺诈检测算法。

抽水蓄能电站导水机构取消预装的实践与探索

抽水蓄能电站导水机构安装精度要求高,一般分为预装和正式安装,工期较长,本文通过总结江苏句容抽水蓄能电站1号机组导水机构安装经验,提出取消导水机构预装,采取直接安装的方法,在保证安装质量的同时,可以有效节约工期,节省人力物力财力资源投入,供类似工程管理参考。

基于FPGA的阵列信号发生方法

使用数字发生的阵列信号,可以快速方便地开展阵列信号处理系统的测试和验证。为此设计了一种基于现场可编程门阵列(FPGA)的阵列信号发生方法,通过小数延时和整数延时相结合的方式,实现点频和线性调频的阵列信号发生。

用于印刷电子技术的墨水直写系统开发

开发了一种气动控制、具备视觉观测和激光测高功能的墨水直写系统,对该系统用不同浓度溶液在载体上的墨水直写效果进行了研究。通过使用其为离子栅晶体管沉积栅介质层薄膜,验证了其墨水直写效果,证明了该系统材料油墨的沉积能力和在印刷电子领域的适用性。

基于FPGA的改进QAM载波同步算法的研究与实现

对常用的载波同步算法进行分析比较,从频偏捕获能力和相位稳定两方面考虑,提出一种运用正交振幅调制(QAM)系统的联合载波同步算法。运用硬件描述语言Verilog HDL和调用IP核实现各功能模块,采用自顶向下的系统设计思想,在现场可编程门阵列(FPGA)平台上实现了极性判决算法、面向判决算法和优化算法的功能,利用MATLAB对解调恢复的基带信号形成星座图,验证了该优化算法能够较大程度地提升QAM系统的解调性能。

基于深度学习的电动汽车充电状态监测与安全预警方法

为了保证电动汽车充电的安全、可靠运行,防止电动汽车在充电时发生火灾,提出了一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)的电动汽车充电状态监测与安全预警方法。首先,使用CNN对电动汽车正常充电历史数据进行深度挖掘,提取其深层特征,并利用BiGRU对深层特征进行充分的分析和利用,构建电动汽车的温度预测模型。其次,制定预测模型输出精确度的评价标准,用来评价预测模型输出的准确性。然后,通过滑动窗口对模型预测值进行温度残差分析,确定合适的安全预警阈值和规则。最后,将满足要求的温度预测模型应用到电动汽车实时充电中,进行安全预警实验。实验结果表明,CNN-BiGRU模型相比其他预测模型具有更高的预测精确度和预测效果,且滑动窗口分析法能够提前对电动汽车充电过程中的温度异常进行安全预警。

基于多粒度自注意力机制的抑郁症预测模型

针对基于稀疏文本的抑郁症预测模型特征提取能力不足的问题,提出一种基于分层多粒度自注意网络(HMG-SAN)的模型。首先,通过全局向量(GloVe)模型获取词向量,解决词语和语句的向量化表示的问题;然后通过双向门控循环单元(Bi-GRU)获取文本结构中的词序信息和文本特征,解决提取上下文依赖的特征信息的问题;再通过多粒度自注意力(MG-SA)机制识别不同特征,解决不同粒度短语信息捕捉的问题;最后使用softmax函数获取分类结果。HMG-SAN模型的亮点在于MG-SA机制的融入,对于捕获文本重要词汇提供了很大帮助。在遇险分析访谈语料库(DAIC)数据集上与基于分层注意力网络(HAN)的模型和分层自注意力网络(HSAN)的模型进行对比实验,实验结果表明,所提模型的准确率和召回率均有显著提升,其中,准确率分别提升了2.74%和1.35%,召回率分别提升了7.35%和4.29%。可见,HMG-SAN模型可以更加准确地捕获受访者的抑郁状态,并以此进行更加高效的抑郁症预测。