基于可变时序移位Transformer-LSTM的集成学习矿压预测方法

现有的矿压预测模型多为依赖固定长度时序序列特征的单一预测模型,难以准确捕捉矿压时序数据的复合特征,影响矿压预测的准确度。针对该问题,提出一种基于可变时序移位Transformer-长短时记忆(LSTM)的集成学习矿压预测方法。基于拉依达准则和拉格朗日插值法,剔除矿压监测数据中的异常值,插入缺失值,并进行归一化预处理;提出可变时序移位策略,划分不同尺度的矿压时序数据,避免固定长度时序序列可能存在的数据偏移问题;在此基础上,构建基于Transformer-LSTM的集成学习矿压预测模型,通过结合注意力机制和准确的时序特征表示能力,多层次捕捉矿压变化规律的动态特征,采用集成学习的投票算法,联合预测矿压数据,克服单一预测模型的局限性。实验结果表明:采用集成学习的投票算法可降低矿压预测平均绝对误差(MAE)和均方根误差(RMSE)的波动性,有效减小不同尺度特征序列对矿压预测结果的敏感性影响;Transformer-LSTM模型在2个综采工作面顶板矿压数据集上预测结果的MAE较Transformer模型分别提高了8.9%和9.5%,RMSE分别提高了12.7%和16.5%,且高于反向传播(BP)神经网络模型和LSTM模型,有效提升了矿压预测准确度。

计及信息畸变影响的电网故障诊断分级优化方法

基于优化算法的电网故障诊断方法可归纳为相似性诊断方法和覆盖性诊断方法。在故障信息发生畸变时,两类方法分别存在漏诊断和误诊断的问题。为了提高电网故障诊断的准确性,结合两类诊断方法的特点提出了电网故障诊断的分级优化方法。该方法依次进行所有警报信息的相似性诊断,保护信息的相似性诊断,以及覆盖性诊断,通过分级诊断分离出故障发生可能性不同的几类可疑故障元件。算例测试表明该方法避免了传统优化方法的弊端,可在警报信息发生畸变且存在多次保护和断路器不正确动作的情况下对多重故障进行准确地诊断。针对已有方法中特征警报状态矢量造成寻优计算量大的问题,提出了构造自适应特征警报状态矢量的方法;并基于故障后的停电区域研究了限定及建立诊断模型中各类变量的简单方案;通过采用这些方法提高了诊断过程的快速性。

多火花高速摄影仪的电脑控制系统

本文介绍了用微电脑控制多火花高速摄影仪的硬件电路，以及可变、固定时序脉冲控制软件的设计要点，对研制高性能价格比的用以记录瞬态物理过程的记录仪器作出了推进。