极端天气下基于时间卷积神经网络的新能源出力评估策略

新能源高渗透率背景下,极端天气造成的出力骤降对电力系统安全运行构成严重挑战,准确评估极端天气下的新能源出力深度是制定电力系统运行方式的重要依据。本文提出一种基于改进的深度时间卷积神经网络(deep temporal convolutional network,DeepTCN)的新能源出力评估方法。通过设计具有动态输入权重的时间卷积神经网络架构,准确量化估计了极端天气对新能源出力的影响,从而为制定极端天气下的电力系统运行方式提供风险程度信息。基于实际电力系统新能源出力数据集的算例结果表明,与常规的时序预测方法相比,所提方法的标准化均方根误差、对称平均绝对百分比误差和平均绝对标度误差3个指标分别最高可提升1.2,0.1和0.22。所提方法能够实现对极端天气下新能源出力的更精准评估。

基于时空图卷积神经网络的管网产量模拟计算

针对原油集输管网的流量计测量数值偏差大,模拟仿真软件人工校正繁琐、自适应差的问题,提出一种自适应时空图卷积神经网络的产量计算方法,实现原油集输管网产量的模拟计算.以潜油电泵井为节点,输油管道为边构建管网拓扑图.使用图卷积神经网络提取井分布空间信息,时间卷积神经网络获取产量数据的时间序列特征,计算得到准确的产量模拟计算结果.在某油田原油集输管网系统上进行了实验验证,结果表明本文方法能够准确对管网系统内各电泵井的产量进行计算,与其他基准网络模型相比,各项误差指标均有下降,平均绝对误差降至0.87,平均绝对百分比误差降至4.45%,均方误差降至0.84,证明了提出方法的有效性和准确性.

基于时间卷积神经网络和双尺度特征选择的混合碳价预测模型

针对传统碳价格预测模型存在的过拟合和无法有效提取相关特征的问题,提出了一种混合预测模型。首先,通过改进的完全自适应噪声集成经验模态分解算法对原始序列进行分解,以降低数据的波动性和复杂性;然后,用模糊熵对剩余子序列进行重构;此后,利用偏自相关函数和随机森林对子序列进行双尺度特征选择,确定最佳输入维度,以减少不相关特征的输入;最后,通过时间卷积网络进行预测。实验结果表明,与对比模型相比,所提出的模型具有优越性和鲁棒性。该研究结果可为碳市场发展和减排路径相关研究提供有意义的参考。

基于深度时间卷积神经网络与迁移学习的流程制造工艺过程质量时序关联预测

针对流程生产多工艺参数时序耦合导致的生产质量难以准确预测的问题,提出了基于深度时间卷积神经网络与迁移学习的生产质量快速高效预测方法。借助序列到序列的学习框架,采用深度时间卷积神经网络和时序注意力机制构成的编码器提取多源关键时序特征,采用残差长短期记忆神经网络构成的解码器挖掘质量时序信息,引入迁移学习解决预测模型对生产质量在线预测适应性的问题。实验表明所提方法的预测精度与稳定性优势显著,且在小样本数据预测时具有较高的预测精度和计算效率。

基于实值时间卷积神经网络的功放预失真研究

为了实现传输速率高达千兆比特每秒(Gbps)的目标,5G通信系统需要更宽的传输带宽和更高的调制度,这些对射频功放的线性度提出了更加苛刻的要求。必须对功放的非线性进行线性化。文中构建了一种基于实值时间卷积神经网络(Real-Valued Temporal Convolutional Networks,RVTCN)模型的数字预失真器。RVTCN模型利用扩大因果卷积(Dilated Causal Convolution, DCC)提取功放的当前时序信息,把记忆信息存储在残差块(Residual Block,RB)中,不断获取时序特征并保存于网络中。为了验证RVTCN线性化的性能,文中采用了100 MHz带宽的5G NR信号,对中心频率3.5 GHz的Doherty功放进行了预失真线性化实验验证。实验结果表明:该RVTCN模型具有射频功放的动态非线性行为建模能力,其归一化均方误差可达-40 d B;RVTCN预失真器对测试功放的相邻信道功率比(ACPR)改善可达19.5 d B左右。

长白山红松阔叶林的净碳交换变化及基于时间卷积神经网络的模拟

【目的】分析长白山红松阔叶林净生态系统碳交换量(NEE)的季节性差异及其气象因子响应,在月尺度下揭示气象因子对NEE的动态影响,为调节研究地区的碳收支提供理论指导。同时研究时间卷积神经网络在森林生态系统净碳交换模拟中的应用,探索NEE模拟的新方法。【方法】基于长白山温带红松阔叶林通量观测站2007—2010年间的30 min观测数据,分析NEE和输入模型的5种气象因子的季节性差异,并分析5种气象因子与NEE的相关性。使用随机森林模型,计算影响NEE的各因子重要性得分,选择得分较高的5种气象因子:潜热通量、显热通量、冠层上方空气湿度、冠层上方水汽压和净辐射作为NEE模拟的输入;分别构建基于时间卷积神经网络(TCN)、长短期记忆网络(LSTM)、人工神经网络(ANN)、支持向量回归(SVR)和极限学习机(ELM)的5种NEE模型,采用决定系数(R^(2))、平均绝对误差(MAE)和均方根误差(RMSE)评价模型的预测精度和稳定性。【结果】长白山温带红松阔叶林通量观测站NEE全年总量为-74.7773 gCO_(2)·m^(-2)a-1,总体表现为碳汇,但夏季表现为碳汇,冬季表现为碳源;NEE与潜热通量、冠层上方水汽压、净辐射和冠层上方空气湿度均极显著负相关(P<0.0001),和显热通量相关性不显著;TCN模型的RMSE为0.1105 mgCO_(2)·m^(-2)s^(-1),R^(2)为0.8214,RMSE分别比ELM、SVR、ANN和LSTM减少0.0248、0.0224、0.0222和0.0068 mgCO_(2)·m^(-2)s^(-1),R^(2)分别比ELM、SVR、ANN和LSTM增加0.0806、0.0777、0.0686、0.0223;根据5种模型的10次试验结果,计算得到TCN模型RMSE的标准差为0.0004 mgCO_(2)·m^(-2)s^(-1),相比ELM、ANN和LSTM分别减小0.0014、0.0013和0.0002 mgCO_(2)·m^(-2)s^(-1)。【结论】长白山温带红松阔叶林通量观测站的NEE总体表现为碳汇,但存在明显的季节差异;NEE与潜热通量、冠层上方水汽压、冠层上方空气湿度、净辐射极显著负相关(P<0.0001),与显热通量相关性不显著。对于长白山温带红松阔叶林通量观测站的长期NEE预测结果表明,基于TCN的模型不仅预测精度良好,并且具有较强的稳定性,能为时间卷积神经网络在生态模拟领域的应用提供可行性依据。本研究结果可为调节长白山红松阔叶林的碳收支提供理论指导。

基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测

准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势,融合传感器信号特征来提高预测精度,是一个关键问题。为解决上述问题,提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号,在时域、频域上对不同传感器信号分别进行特征提取,时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化,经优化后构成的多域特征矩阵作为模型的输入,通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后,在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明:所提出的方法比对比模型的预测准确率更高,泛化能力更好。

基于时间卷积注意力网络的剩余寿命预测方法

剩余使用寿命(RUL)预测对于保障现代工业设备的安全运行、降低维护成本具有重要意义。目前已有基于循环神经网络(RNN)的RUL预测模型结构比较复杂,且缺乏一种从多传感器数据中提取重要退化信息的有效机制。因此,设计了一种新的用于RUL预测的时间卷积注意力网络(TCAN)模型。在TCAN中使用结构相对比较简单的时间卷积神经网络(TCN)来提取传感器数据中的退化特征,然后利用注意力机制从TCN中提取重要的退化特征信息。最后,将学习得到的高层特征表示展开并输入全连接层,输出预测的RUL值。在C-MAPSS数据集上与其他方法相比较,分析了TCAN模型的性能,实验结果表明TCAN可以更有效地提高RUL预测的精度。

改进时间卷积网络和长短时记忆网络的泸水河流域月径流量预测模型

为提升水文模型预测精度和计算效率,解决传统方法难以浓缩多源水文特征,以及长时间跨度下数据量纲、值域不同造成的特征冗杂问题,提出基于改进时间卷积网络(TCN)和长短时记忆网络(LSTM)的月径流量预测模型。通过构造多卷积核并行网,以提取多源时序特征,并保持原因果卷积特性。引入扩张卷积抽取高阶水文特征,提升长时间跨度记忆单元处理效率。利用残差链接方式跨层传输底层完整特征,丰富特征结果,同时优化整体网络学习过程,并以泸水河流域为例进行验证。实验结果表明,该模型在计算效率、精度、网络结构上均优于其他对比模型,从而验证了其在该流域水文预测的有效性。

胎儿心电信号的无创提取:基于时间卷积编解码网络

目的实现从孕妇腹壁混合心电信号中提取微弱的胎儿心电信号,为准确估计胎儿心率、分析胎儿心电波形等提供基础。方法利用深度卷积网络(deep CNN)优越的非线性映射能力,本文提出了一种基于时间卷积编解码网络的非线性自适应噪声消除(nonlinear ANC)提取框架,以实现胎儿心电信号的有效提取。首先构建适用于处理胎儿心电信号的深度时间卷积网络(TCED-Net)模型作为非线性映射工具;然后以孕妇胸部心电信号为参考,利用该模型估计孕妇腹壁混合心电信号中的母体心电成分;最后从腹壁混合信号中减去所估计的母体心电成分,以得到完整的胎儿心电信号。实验利用合成心电数据(FECGSYNDB)和临床心电数据(NIFECGDB、PCDB)对方法性能进行测试与对比。结果本文方法在FECGSYNDB上的胎儿R峰检测精度([F1]值)、均方误差(MSE)和质量信噪比(qSNR)分别达到98.89%,0.20和7.84;在NIFECGDB上的[F1]值达到99.1%;在PCDB上的[F1]值达到98.61%。在不同数据集中较之EKF([F1=]93.84%)、ES-RNN([F1]=97.20%)和AECGDecompNet([F1]=95.43%)等现有性能最佳的算法,本文方法的R峰检测精度指标分别高出5.05%、1.9%和3.18%,均优于现有最佳方法。结论与现有算法相比,本文方法可以提取出更为清晰的胎儿心电信号,对孕期进行有效的胎儿健康监护具有一定的应用价值。

基于时间卷积神经网络的非侵入式居民用电负荷分解方法

非侵入式负荷分解技术通过从主表信息中恢复出用电侧单个用电设备的状态,可以准确地刻画用户用电画像,为用户侧精细化管理发挥重要作用。针对目前人工神经网络模型在负荷分解中存在的分解精度不高、训练效率低下等问题,文章构建了基于时间卷积神经网络(temporal convolutional neural network,TCN)的非侵入式负荷分解模型。通过分析设备的用电规律,采用扩张因果卷积在主表功率序列进行卷积运算,扩大了感受野,提取到更加丰富的特征;通过增加残差连接,权重归一化层,优化训练数据窗口,提高了网络训练效率。最后,在经过优化的UKdale数据集上对构建的模型进行测试,实验结果表明获得的平均绝对误差、均方根误差、相对误差都处于较小的范围,时间复杂度分析也进一步说明了在不损失负荷分解精度的情况下,模型具有较短的训练时间。

基于VMD-TCN-GRU模型的水质预测研究

为充分挖掘水质数据在短时震荡中的变化特征,提升预测模型的精度,提出一种基于VMD(变分模态分解)、TCN(卷积时间神经网络)及GRU(门控循环单元)组成的混合水质预测模型,采用VMD-TCN-GRU模型对汾河水库出水口高锰酸盐指数进行预测,并与此类研究中常见的SVR(支持向量回归)、LSTM(长短期记忆神经网络)、TCN和CNN-LSTM(卷积神经网络-长短期记忆神经网络)这4种模型预测结果对比表明:VMD-TCN-GRU模型能更好挖掘水质数据在短时震荡过程中的特征信息,提升水质预测精度;VMD-TCN-GRU模型的MAE(平均绝对误差)、RMSE(均方根误差)下降,R^(2)(确定系数)提高,其MAE、RMSE、R^(2)分别为0.0553、0.0717、0.9351;其预测性能优越,预测精度更高且拥有更强的泛化能力,可以应用于汾河水质预测。

基于TCN的跟网/构网混合型新能源场站并网系统小干扰稳定性快速评估

为支撑跟网/构网混合型新能源场站中机组控制方式快速切换,实现可适应电网强度变化的新能源场站安全稳定运行,提出基于时间卷积神经网络(temporal convolutional network,TCN)的跟网/构网混合型新能源场站并网系统小干扰稳定性快速评估方法。首先,构建跟网/构网混合型新能源场站聚合阻抗模型,通过特征值计算得到并网系统小干扰稳定裕度。然后,以并网系统短路比和新能源场站跟网/构网控制方式信息作为输入特征,以并网系统小干扰稳定裕度和阻尼比作为输出特征,训练TCN得到混合型新能源场站并网系统小干扰稳定性快速评估模型。经过训练的模型可根据短路比和跟网/构网混合型新能源场站中各机组的控制方式快速输出对应的小干扰稳定裕度和阻尼比。最后,以一个含10台风电机组的新能源场站为对象进行算例分析。结果表明:所提TCN方法相比于长短期记忆神经网络方法,在小干扰稳定裕度和阻尼比预测上的平均绝对百分比误差分别降低16.76%、14.75%;所提方法的计算耗时相对于特征值计算方法降低98.54%,从而验证所提小干扰稳定性快速评估方法的准确性与时效性。

基于改进BNN-LSTM的风电功率概率预测

针对确定性的风电功率预测难以提供预测结果的波动区间和支撑风险决策的问题,以贝叶斯网络为基础,通过将先验分布置于LSTM网络层权重参数之上,构建了贝叶斯LSTM神经网络(BNN-LSTM)。以时间卷积神经网络(TCNN)处理风电功率预测的历史时序数据,提取时序数据的关联特征。使用互信息熵方法分析了风电功率的气象数据集,剔除关联性小的变量,对气象数据集进行降维处理。并采用嵌入(embedding)结构学习风电功率时间分类特征。随后将TCNN处理后的时序数据、降维后的气象数据以及时间分类特征数据一起送入BNN-LSTM预测模型,通过在某风电数据集不同算法的概率预测指标pinball损失和Winkler评分的对比验证,可知,本文所提方法能从可对风电功率波动做出较为准确的响应,预测效果更好。

一种基于TCN-LGBM的航空发动机气路故障诊断方法

长时间工作在高温高压、强振动等恶劣气路环境下的航空发动机经常面临部件疲劳、腐蚀和性能退化的问题,且其故障诊断时序逻辑性不强、故障参数耦合较深等特点十分明显,为此提出一种基于时间卷积神经网络(Temporal Convolutional Network,TCN)和轻量级梯度提升机(Light Gradient Boosting Machine,LGBM)的航空发动机气路故障诊断方法。故障诊断分为故障特征提取和分类诊断两个过程:引入TCN框架,在保证故障数据训练时序逻辑的基础上,实现对远层历史信息和当前层信息的特征融合构建,融合通道注意力机制增强了高质量特征的权重;基于LGBM模型实现对特征的快速分类,利用贝叶斯方法实现对模型超参数的快速优化。以基于PROOSIS软件建模的某军用小涵道比涡扇发动机故障仿真数据为例,对6种故障模式进行诊断识别。仿真结果表明了所提方法的有效性;通过与其他模型对比体现了该方法的优越性。

基于TCN-A模型的高效查询负载预测算法

针对大数据查询领域中出现的由于查询负载随时间动态变化且难以有效预测所导致的数据库管理系统无法及时优化的问题,提出了一种基于新型时间序列预测模型的查询负载预测算法。首先,该算法采用过滤、时域间隔划分以及查询负载构造等技术对原始的历史用户查询进行预处理,得到便于网络模型分析处理的查询负载序列。其次,所提算法以时间卷积神经网络为核心构建时序预测模型,提取查询负载数据的历史变化趋势及自相关性特征,高效地实现时序预测;同时,融入设计的时域注意力机制,对查询负载序列进行重要性加权,保证模型的分析计算效率,提升算法的预测性能。最后,基于上述时序预测模型,充分利用查询间隔时间完成对未来查询负载的精确预测,使得数据库管理系统得以预先实现自身性能调优,以适应工作负载的动态变化。实验结果表明,设计的查询负载预测算法在多个评价指标中均表现出良好的预测性能,并且能够在查询时间间隔内更加精确地预测未来查询负载的变化。

基于辐射改进Penman-Monteith模型估算粮食主产区参考作物蒸散量

为进一步提高Penman-Monteith模型估算参考作物蒸散量(Reference crop evapotranspiration,ET0)的精度,以中国粮食主产区为研究对象,将其划分为温带湿润半湿润地区(THSZ)、温带干旱半干旱地区(TASZ)、暖温带半湿润地区(WTSZ)和亚热带湿润地区(SHZ),基于32个气象站点1994-2020年长序列实测逐日气象数据,将猎豹算法(CO)、沙猫算法(SCSO)、野狗算法(DOA)优化的时间卷积神经网络模型(TCN)和3种基于日照时数、3种基于温度的经验模型估算的辐射(R_(s))值与PM模型进行融合,得到改进PM模型。以均方根误差(RMSE)、决定系数(R^(2))、平均绝对误差(MAE)和效率系数(E_(NS))为精度评价体系,找出了粮食主产区不同分区的ET0最优估算模型,结果表明:基于日照时数模型的计算精度要优于温度模型,其中CO-TCN模型在全区内均表现出了较高的精度,在不同分区的RMSE、MAE、R^(2)和E_(NS)中位数取值分别为0.099~0.171 mm/d、0.057~0.111mm/d、0.984~0.998、0.983~0.997,由此可将CO-TCN模型估算的辐射值与PM模型融合,作为标准值用于估算粮食主产区ET0。

融合TA-TCN和迁移学习的滚动轴承寿命预测

针对在实际工业生产中,滚动轴承由于数据量少导致剩余寿命预测的准确度不高的问题,提出了一种时序注意力(temporal attention, TA)优化的时间卷积神经网络(time convolutional networks, TCN)与迁移学习相结合的剩余寿命预测方法。首先,通过互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)将原始特征向量分解为一组子序列分量,突出特征信号、降低噪声干扰;然后,将子序列分量输入搭建好的TCN模型并添加TA进行优化,深度挖掘深度特征与退化曲线关系;最后,引入迁移学习,利用源域数据进行训练和少量目标域数据进行参数微调,得到目标网络模型。经实例验证,所提模型的稳定性、预测精度相对于其它对比模型有所提升,且在异工况条件下依然有着良好的预测能力。

基于DA-TCN-BiGRU的坡面泥石流预测研究

为解决当前坡面泥石流预测中存在的多因素数建模问题,并提高预测的精确度,提出一种融合双注意力机制、时间卷积神经网络和双向门控循环单元(DA-TCN-BiGRU)的坡面泥石流风险预测方法。通过模拟平台进行坡面泥石流模拟实验,采集多类传感器数据得到风险度大小,并以此表征所处的风险阶段。实验结果表明,所提模型短期预测的均方根误差、平均百分比误差和平均绝对百分比误差分别为0.013 59、0.010 407和1.182 64,中期预测的均方根误差、平均百分比误差和平均绝对百分比误差分别为0.019 01、0.015 17和1.729 46,优于其他比较模型。

基于GWO-TCN网络的HVDC输电线路故障诊断

现有高压直流(HVDC)故障检测方法灵敏度低,难以识别高阻接地故障,提出了一种基于改进灰狼算法(GWO)优化时间卷积神经网络(TCN)的HVDC传输系统故障检测方法,整流侧检测装置采集的故障电流信号直接用作TCN的输入数据,克服了故障信号处理的繁琐过程。利用Simulink仿真软件建立±500 kV高压直流输电线路模型,对不同故障区域和故障类型进行仿真实验,使用基于LSTM模型,BiLSTM模型和CNN模型3种模型的故障检测方法进行比较。测试结果表明,GWO-TCN网络能够可靠、准确地在过渡电阻高达800Ω时进行HVDC输电线路故障选极和选区。