基于自适应阈值分割的动车组辅助供电系统单芯动力电缆故障定位方法研究

单芯动力电缆是动车组辅助供电系统能量传输通道之一,其故障后准确定位对检修具有重要意义。当前,电缆故障定位使用较为广泛的方法为时频域反射法,但在对反射信号进行时频分析过程中,产生的交叉项是制约定位准确度的重要原因。为此提出一种基于自适应阈值分割的Wigner-Ville变换方法:在70 m长的电缆样品中设置低阻、高阻、开路和短路四种缺陷故障样本,对时频域法检测到的信号使用Wigner-Ville变换进行时频分析,说明原始Wigner-Ville变换产生交叉项的原因,并据此提出基于自适应阈值分割的Wigner-Ville变换方法,解决交叉项干扰问题;将本文方法与当前交叉项抑制方法进行测试效果对比。结果表明:提出的基于自适应阈值分割的Wigner-Ville变换方法可以有效消除交叉项,且对于单个缺陷故障和多个缺陷的电缆均可适用;对于所设置的单个缺陷故障位置的定位误差均小于0.80%,对于双缺陷故障检测结果的定位误差小于0.40%,验证了本文方法的有效性。

双向长短期记忆网络的时间序列预测方法

时间序列预测即利用历史时间序列数据,预测未来一段时间内的数据信息,以便提前制定相应策略。目前,时间序列的类别复杂繁多,而现有的时间序列预测模型面对多种类型数据时无法取得稳定预测的结果,进而难以同时满足对现实中多种复杂的时序数据预测的应用需求。针对上述问题,提出了一种基于时间注意力机制双向长短期记忆网络的时间序列预测方法。笔者提出的网络模型采用改进的正向和反向传播机制提取时序信息并通过自适应权重分配策略推理未来的时序信息。具体来说,设计了一个改进的双向长短期记忆网络,通过结合双向长短期记忆和长短期记忆网络提取深度时间序列特征,挖掘上下文的时序依赖关系。在此基础上,融合所提出的时间注意力机制,实现对深度时间序列特征进行自适应加权,提升深度时序特征的显著性表达能力。通过与同类代表性方法在多个不同类别数据集上的客观定量对比,实验结果表明,该方法能够在多种类别的复杂时间序列数据上更优的预测性能。

一种时频尺度下的多元短期电力负荷组合预测方法

随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network,TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiplelinearregression,MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明:所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。

吉林省短时强降水时空特征分析

文章利用吉林省51个国家地面气象观测站1994—2023年4—10月逐小时降水资料,通过对短时强降水时间尺度、空间尺度进行分析,揭示吉林省短时强降水时空分布特征及变化规律。结果表明:1994—2023年短时强降水频次呈现先下降后上升的趋势;5—9月为吉林省短时强降水集中期,其中7—8月发生频次最多;短时强降水最早出现在5月15日前后,最晚出现在9月10日前后;降水日变化呈现双峰结构;降水空间分布不均匀。研究结果以期为短时强降水的预报提供气候背景,为预报预警服务提供参考依据。

基于矢量量化IFTS的网络流量预测模型

针对传统网络流量预测模型存在的局限性,提出一种基于矢量量化直觉模糊时间序列的网络流量预测模型。利用模糊直觉推理有效地表述了网络流量数据中存在的高度模糊性以及不确定性,利用直觉模糊时间序列矢量距离作为评估标准,并且通过坐标平移与质心进行匹配,提升不同时间序列段的分类能力,从而有效地建立网络流量预测模型。通过实验分析可知,提出的预测模型能够提升预测精度并且减少计算复杂度,另外该算法有能力长期预测多个输出。

时间感知的用户长短期兴趣特征分离推荐算法

针对传统推荐算法未充分考虑行为序列间的动态时间间隔、语义不规则以及用户长短期兴趣相互纠缠的问题,提出一种时间感知的用户长短期兴趣特征分离推荐算法。利用用户个性化时间聚合间隔感知和时间位置多头注意力捕获长期兴趣特征,采用动态时间间隔感知和潜在意图注意力的Time-LSTM捕获短期兴趣特征,提出长短期兴趣特征分离获取方法,分别独立捕获两种时间尺度的用户兴趣,通过注意力机制自适应融合长短期兴趣特征,提高用户兴趣特征捕获准确率。实验结果表明,该算法在预测精度指标AUC和GAUC上较对比算法均有提升,消融实验也进一步验证了该算法的必要性。

基于典型源荷耦合模式的中长期时序场景生成

高比例可再生能源电力系统中源荷功率在气象的影响下耦合程度增加。基于生成式模型的场景生成方法是分析源荷功率不确定性问题的成熟工具,然而实际应用中常受源荷数据匹配样本少的问题限制,直接生成的中长期源荷耦合时序场景质量较差。提出一种基于典型源荷耦合模式的中长期时序场景生成方法。首先,定义了源荷各自的气象模式概念。然后,通过气象距离将历史数据中典型气象模式相似的源荷聚合成定义的典型源荷耦合模式。接着,采用生成对抗网络生成典型风光场景,并将生成场景与典型源荷耦合模式进行匹配。最后,根据匹配的对应关系得到典型源荷耦合场景。以日本地区为例的仿真结果表明,所提方法能够提高场景在气象方面的可解释性,同时减小了源荷数据匹配样本少对中长期源荷耦合场景生成的影响。

基于Informer神经网络的锂离子电池容量退化轨迹预测

通过对锂离子电池容量退化轨迹的精确预测可以大幅提升电池材料的研究效率。针对Transformer网络在锂电池容量退化轨迹预测这种长时间序列预测任务中存在的问题,本工作采用滑动窗口策略,构建了一种基于Informer网络的锂离子电池容量退化轨迹预测方法。首先,利用滑动窗口对数据集进行划分和再拼接,便于神经网络挖掘数据序列内部的相关性;然后,根据Informer网络的周期性时间特征捕捉能力设计适用于锂电池数据的全局时间戳;最后,使用前10%容量数据通过多步滚动预测方法实现模型输出,缓解预测中的误差累积问题,进而得到完整的预测轨迹。通过选取不同的误差评价指标和训练过程中的时间开销,在美国马里兰大学提供的锂电池数据集上验证了所建立模型的准确性和训练效率,并在美国航空航天局提供的电池数据集上验证了模型的泛用性。本工作模型的预测结果与多层感知机神经网络、循环神经网络及Transformer网络模型对比,退化轨迹与真实轨迹最为拟合,且训练时间开销小,预测结果的平均绝对误差和均方根误差控制在2.57%和3.5%,验证了所提预测方法的有效性。

基于动态规整与改进变分自编码器的异常电池在线检测方法

针对电池生产成组过程中,传统异常检测方法对混入的容量及压差异常电池检测精度低及生产结束后离线异常检测方法效率低等问题,该文提出一种集合长短期记忆变分自编码器与动态时间规整评价的锂电池异常在线检测方法(VAE-LSTM-DTW),实现了异常电池的在线检测,避免了离线异常检测所造成的时间和能源的浪费。该方法首先将长短期记忆网络(LSTM)引入变分自编码器(VAE)模型,训练电池时序数据重构模型;其次,在电池异常检测的度量标准中引入动态时间规整值(DTW),并基于贝叶斯寻优获得最优检测阈值,对每个单体电池重构数据的动态规整值进行异常辨别。实验结果表明,相较该领域传统异常检测方法,VAE-LSTM-DTW模型性能优越,查准率和F1值都得到了较大的提升,具有较高的有效性和实用性。

一种滑动检测算法下的滑坡位移时序分解方法

针对“阶跃式”滑坡位移时序分解模型力学解释性不强的缺陷,根据西原蠕变本构模型与自适应改进遗传算法模型,提出滑动R_(nl)阶跃点检测方法与改进加权移动平均修正阶跃项位移方法,并将该方法应用于白水河滑坡位移时序分解。将滑动R_(nl)阶跃点检测结果与MK检验结果、滑动t检验结果以及Bayes检测结果作对比。结果表明,滑动R_(nl)阶跃点检测结果更加准确与适用;同时将新型滑坡位移时序分解结果与二次移动平均时序分解结果、三次指数平滑时序分解结果以及VMD时序分解结果作对比。结果表明,新型滑坡位移时序分解方法解决了滑坡趋势项位移无规律、无力学解释性的问题,且在时序分解加法模式中单独引入滑坡位移预测中最重要的阶跃项位移,分析预测更具有针对性。因此,新型时序分解模型有一定的工程价值与时序预测借鉴价值。

基于LSTM-WGAN的时间序列数据异常检测

在时序数据中发现隐藏的异常行为或事件,可以保障生产安全,具有重要意义。目前的异常检测模型存在训练不稳定、容易产生梯度消失的问题,影响异常检测效果,针对该问题,提出一种LSTM-WGAN模型,WGAN负责捕获变量之间的潜在关联,进一步提升了LSTM的检测能力。同时,以Wasserstein距离代替交叉熵损失训练判别器和生成器,结合重构损失以及判别损失实现异常检测。在NAB公开数据集上的实验结果表明LSTM-WGAN相较于基准模型在准确率、召回率以及F1得分上都有较大幅度的提升。

基于HPO-LSTM的公交周转时间预测

公交周转时间的准确预测是公交智能排班的基础和前提,是制定行车时刻表的关键。为提高公交周转时间的预测精度,提出了基于猎人猎物优化长短时记忆神经网络(HPO-LSTM)的公交周转时间预测模型,将长短时记忆神经网络(LSTM)中的超参数(隐含层节点数、迭代循环数以及初始学习率)映射为猎人猎物优化算法(HPO)种群的位置;以LSTM模型预测值与真实值产生的均方根误差E_(RMS)作为种群适应度函数,优化种群位置,实现LSTM神经网络超参数寻优;用最优超参数构建LSTM神经网络,进行公交周转时间预测。采用某市公交1号线数据对模型进行验证分析,结果表明:相比于BP、LSTM、FA-BP、HPO-BP模型,HPO-LSTM模型平均绝对百分比误差E_(MAP)分别降低10.44%、4.00%、3.61%、2.04%。

宽度-深度融合时频分析的径流智能预测方法

为解决现有基于LSTM的径流预测模型易陷入局部最优的问题,提出了基于VMD-LSTMBLS(variational mode decomposition-LSTM-broad learning system)的径流预测模型。将宽度学习系统与LSTM结合,针对径流序列多噪音特点,采用时频分析方法中的变分模态分解,将径流时间序列的一维时域信号变换到二维时频平面,减少噪声对预测结果的影响。仿真结果表明:与基线模型及现有基于LSTM的径流预测模型相比,该模型的预测精度有较为明显的提高。

基于GWO-GRU的光伏发电功率预测

针对长短期记忆网络(LSTM)应用于光伏发电功率预测时存在的耗时长或精准度低的问题,提出基于灰狼算法(GWO)优化门控循环单元(GRU)的光伏发电功率预测模型。通过GWO算法优化GRU模型的超参数,以近似最优参数建立光伏发电功率预测模型。结果表明,长时功率预测时,GWO-GRU模型的均方根误差更低、拟合系数更高、耗时更少,比传统LSTM模型的平均绝对误差降低10.20%;短时功率预测时,GWO-GRU模型在3种典型天气条件下不仅预测的平均误差最低、稳定性最强,而且比GWO-LSTM模型的平均用时节省17.24%。不同时长的功率预测表明,GWO-GRU相对于LSTM光伏功率预测效果更佳。

多项时间分数阶扩散方程类Carey非协调元的误差分析

基于L^(1)全离散格式,针对具有Caputo导数的二维多项时间分数阶扩散方程给出了类Carey非协调有限元方法.利用该单元的特殊性质和分数阶导数巧妙的处理技巧导出了L^(2)模和H^(1)模意义下的最优误差估计.

基于变量选择与Transformer模型的中长期电力负荷预测方法

准确且有效的负荷预测对于电力系统的实时运行和调度非常重要。提出了一种融合变量选择与稀疏Transformer模型的预测方法,将静态变量和时序变量作为输入,充分发挥静态变量在全局时间范围内的信息增强作用,基于门控机制设计变量分权组件,根据变量与预测结果的相关性,赋予变量不同的权重。设计了双层编码结构,进行时序特征提取,对注意力进行稀疏处理,通过多变量输入对未来时刻负荷进行预测。基于真实电力负荷数据的实验表明,本文模型能够提高中长期负荷预测精度和效率。

长视频的超级帧切割视觉内容解释方法

针对现有基于编码解码的视频描述方法存在的对视频较长、在视频场景切换频繁情况下视觉特征提取能力不足或关键性片段捕获能力不足等视频描述不佳的问题,提出一种基于超级帧切割长视频的视频字幕方法。首先,提出超级帧提取算法,计算关键视频时间占比率以满足视频浏览时长限制,缩短视频检索时间。然后,构建两层筛选模型以自适应提取超级帧,过滤冗余关键帧,执行多场景语义描述。将保留的关键帧嵌入周围帧,利用深层网络模型以及小卷积核池化采样域获取更多的视频特征,克服了经典视频标题方法不能直接用于处理长视频的困难。最后,通过用长短时记忆模型代替循环神经网络解码生成视频标题,给出视频内容的分段解释信息。在YouTube数据集视频、合成视频和监控长视频上进行测试,采用多种机器翻译评价指标评估了该方法的性能,均获得了不同程度的提升。实验结果表明,该方法在应对视频场景切换频繁、视频较长等挑战时,能够获得较好的片段描述。

基于LSTM和Informer变体的渔业水质预测研究

现代化渔业养殖需要更快更准确的水质预测,提升养殖水质预测的精度对提升渔业养殖的效率具有重要意义,为此提出一种结合随机森林、SG滤波器、LSTM和Informer变体的渔业水质预测模型。首先通过随机森林算法填补数据中的缺失值,通过SG滤波器减少噪声干扰。其次将LSTM结合静态和瞬时递归网络作为Informer中的内部结构,将数据送入模型中。最后通过全连接层输出得到水质预测结果,对渔场内监测点的水温、pH值、溶解氧进行预测。结果表明所提方法提高了渔业养殖水质预测的预测精度。

基于深度学习的农产品期货价格预测研究

提高农产品期货价格的预测能力可为投资者的投资交易和政府宏观调控提供一定借鉴.在对LSTM、GRU、BiLSTM三种深度学习模型进行对比研究的基础上,通过添加随机种子稳定预测结果、使用一阶差分降低价格预测滞后性、用正则化、回调函数等方法解决过拟合问题,对LSTM模型进行优化.利用大连商品交易所农产品期货数据,将优化后的模型应用于玉米、黄大豆1号、鸡蛋三种农产品期货的价格预测.预测结果评价指标表明,优化LSTM模型的均方根误差为17.04,平均绝对误差为13.94,误差分别降低了38.6%和33.6%.优化的深度学习模型能够用于预测农产品期货价格,为投资交易提供借鉴.

基于多模型比选耦合的降水预测

变化环境下水文时间序列的模拟预测难度不断加大,以往研究大多聚焦在模型的不同组合尝试与应用探索,但缺乏针对不同组合模型适用性与稳定性的系统研究。选择经验模态分解(empirical mode decomposition,EMD)、总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)、改进的总体平均经验模态分解(modified ensemble empirical mode decomposition,MEEMD)和变分模态分解(variational mode decomposition,VMD)4种常用的分解算法,与多元线性回归(multivariable linear regression,MLR)、随机森林(random forest,RF)、BP神经网络(back propagation,BP)、卷积神经网络(convolutional neural networks,CNN)和长短期记忆神经网络(long short-term memory,LSTM)5种具有代表性的模型结合,构建20种基于“分解-预测-重构”模式的组合模型,并以华北地区密云、官厅两流域年和汛期降水为例,进行模型适用性与稳定性综合对比分析。结果表明:单一模型对密云流域年降水和汛期降水的预测结果优于官厅流域,但整体预测结果均不理想;结合分解算法后的组合模型预测结果明显优于单一模型,且该预测结果存在正负误差抵消现象,因此有助于进一步提高组合模型的整体预测精度;与基于EMD系列的分解算法相比,VMD算法对模型预测精度提升效果最显著,组合模型适用性和稳定性整体上表现为VMD-MLR>VMD-LSTM>VMD-BP>VMD-CNN。