基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题,提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法(GA)寻出长短期记忆网络(LSTM)的最优参数,并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征,应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量,输入GA-LSTM模型进行训练,并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比,GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%,平均相对误差分别下降了48.3%、40.8%、56.7%,模型的预测识别精度有较大提高,实现了铣刀磨损量的有效预测。

基于改进长短期记忆网络的空调负荷预测方法

空调在长期使用过程中,负荷值会随时间量的增加不断提升,在此过程中,受到时间变量与负荷噪声的影响,生成长短期特征不同的波动,在波动作用下负荷特征个体对应的预测网络细胞预测精准度会有所降低,进而增大空调负荷预测记忆网络的预测误差。导致预测方法输出预测量误差同步增大。为了解决误差问题,提升预测值准确度,利用对长短期记忆网络加以改进,并将改进后的长短期记忆网络应用于空调负荷的预测计算,通过对空调负荷的加权灰色关联计算、基于改进后长短期记忆网络预测量确定与空调负荷预测结果输出,完成对空调负荷预测精度优化的计算过程。通过与两种预测模型的数据对比表明:提出预测方法在负荷预测值准确度提升方面具有确切效果,且稳定性较好,达到了提出方法的预期效果。

电力物资小样本集的改进长短期需求预测模型

为有效保障智慧仓储系统的物资供应能力,对各类电力物资进行准确的需求预测是保证物资采购量和稳定高效供应的基础。针对现有智慧仓储系统接入数据少和难以支撑模型训练的问题,提出一种结合蒙特卡洛模拟和改进长短期记忆网络(long short-term memory,LSTM)的电力物资需求预测方法。首先根据初始数据集的分布和特征,采用蒙特卡洛方法模拟扩充数据集,同时利用KL(kullback-leibler)散度验证生成数据集的一致性,最后建立基于引导聚集算法的改进LSTM电力物资需求预测模型,提高模型的泛化能力和稳定性。通过仿真试验,所提模型有效提高了训练集可用数据过少前提下的电力物资预测精度。

基于长短期记忆神经网络和改进型K-means聚类算法的居民峰谷时段划分模型

为了解决传统峰谷时段划分方法因只选取单一典型日而无法在较长时间范围内适用的问题,提出一种基于长短期记忆神经网络(long short-term memory,LSTM)和改进型K-means聚类算法的居民峰谷时段划分模型:首先对居民用户一整年的负荷数据进行有效性检查和归一化处理,保证数据的准确可靠;接着将处理后的负荷数据按照不同季节及不同日期类型进行相应的分类,保证分类的数据具有较强的相似性;然后将数据按分类分别加入LSTM进行训练,获得用户在不同分类下的负荷特征数据;最后利用改进型K-means聚类算法对训练得到的负荷特征数据进行聚类分析,并依据相应的权重矩阵及划分原则获得最终的时段划分结果。结果表明,相对于经典及当地的时段划分,所提方法的时段划分轮廓系数平均值更大,方差更小,更能反映居民用户实际的用电特点及用电规律,有利于挖掘用户侧需求响应潜力,获得更优的削峰填谷效果。

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。

基于长短期记忆网络的载荷谱外推方法研究

提出了一种基于长短期记忆网络方法的载荷谱外推方法。介绍了该外推方法的基本原理,并将该方法运用到试验场采集到的载荷谱上,通过对载荷谱外推前后的频域信息对比发现,外推后的载荷谱频域特性与原始载荷谱基本保持一致。将不同的外推方法运用到采集载荷谱上,通过外推后载荷谱的雨流图的对比发现,基于长短期记忆网络方法的载荷谱外推方法能较好地复现原始雨流图分布特征。

基于改进Croston方法的多需求模式零备件预测

维修备件管理是提高产线可靠性、实现降本增效的关键。针对具备间歇性与随机性特征的维修备件需求预测问题,提出了基于改进Croston方法的备件需求预测模型。依据Syntetos准则基于间断性与波动性特征将备件需求划分为4类。针对含有波动性特征的需求,基于Croston方法主要思想将备件需求预测分解为需求发生状态预测和需求量预测两类问题,设计了集合经验模态分解(ensemble empirical mode decomposition,EEMD)-长短期记忆网络集成(long short-term memory,LSTM)预测模型。EEMD方法将剧烈波动序列分解为若干相对平稳的分量,进而采用LSTM方法对各分量进行预测。针对含有间断性特征的需求,引入信号处理技术中的信号调制技术,将需求发生状态0-1二值序列进行连续化处理。所提方法解决了备件需求波动性强、间断性大的难题,已应用于湖北中烟武汉卷烟厂,证明了方法的优越性与可行性。

基于动态时间规整的谱聚类方法与双向长短期记忆网络的电动公交短期充电负荷预测

对电动公交车进行较为精准的短期充电负荷预测,有利于电网合理调度,从而在一定程度上缓解大规模电动公交车接入对电网冲击的影响。因此,提出一种电动公交短期充电负荷预测方法,以提高负荷预测精度。首先,结合电动公交车充电负荷具有的间歇性和波动性特点,提出基于动态时间规整(dynamic time warping,DTW)的改进谱聚类(spectral clustering,SC)方法,对公交车日充电负荷曲线进行聚类;其次,对每类负荷综合考虑时间、日类型、温度及历史负荷值等影响因素,利用双向长短期记忆(bi-directional-long short-term memory,Bi-LSTM)构建电动公交车短期充电负荷预测模型;最后,利用某市实际天气数据和历史负荷数据进行仿真验证,并与其他预测方法进行对比分析。实验结果表明,所提方法能提高短期充电负荷预测准确度。

基于改进LSTM的FBG传感网络光谱基线校正方法

【目的】针对复杂外界环境所致的光纤布拉格光栅(FBG)光谱信号基线漂移问题,文章提出了一种基于改进的长短期记忆(LSTM)模型的光谱基线校正方法。【方法】改进的LSTM模型由卷积神经网络(CNN)、全连接层和LSTM网络组成。CNN与LSTM模型相比,改进的LSTM模型利用CNN提取FBG光谱信号的特征信息。文章使用仿真数据集和实测数据集对改进的LSTM模型进行训练。仿真数据集由特征噪声、基线和FBG光谱组成。分别使用小波软阈值法、惩罚最小二乘法、循环神经网络(RNN)法、LSTM法和改进的LSTM法进行基线校正。使用FBG传感信号存活率和均方根误差(RMSE)对5种方法的校正结果进行评价。【结果】使用仿真数据集对LSTM模型进行训练与测试,改进的LSTM模型将FBG传感信号存活率提高了60.8%。采用仿真数据集对模型进行预训练后,再将使用实测数据集对经过预训练的模型进行训练得到的改进LSTM模型与直接使用实测数据集训练的模型相比,改进的LSTM模型具有更好的校正效果。FBG光谱的RMSE降低了10.95%,RMSE的标准差降低了4%。使用改进的LSTM模型对FBG光谱实测数据集进行校正,FBG传感信号存活率提高了50.5%。与小波软阈值法、惩罚最小二乘法、RNN法和LSTM法相比,改进后的LSTM模型具有更好的校正效果,RMSE的均值和标准差分别为0.0122和0.0024。解调中心波长的RMSE为0.036 pm,并且基线校正过程只需9.68 ms。【结论】改进的LSTM模型是一种有效的基线校正方法,在复杂外部环境下具有广阔的应用前景。

基于改进WTD-SVD-WOA-LSTM方法的海杂波背景下小目标检测

针对海面小目标因体积小、移速慢而导致的检测难问题,提出了一种改进WTD-SVD-WOA-LSTM检测方法。首先,利用改进小波阈值法(Wavelet Threshold Denoising, WTD)结合优化奇异值分解(Singular Value Decomposition, SVD)法对海杂波去噪;然后,通过改进鲸鱼优化算法(Whale Optimization Algorithm, WOA)对长短期记忆神经网络(Long Short-term Memory, LSTM)的超参数选优,获得最佳预测模型;最后,根据预测误差均方根值进行小目标检测。利用冰区多参数成像X频段雷达(Ice Multiparameter Imaging X-band Radar, IPIX)实测海杂波数据进行验证,所提方法相较于单一LSTM检测方法,检测阈值区间更广,检测能力至少提高了16%。

基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测

锂离子电池剩余使用寿命(RUL)可以评估电池的可靠性,是电池健康管理的重要参数。准确地预测电池的RUL可以有效提高设备的安全性并降低工作风险。该文提出一种自适应数据预处理结合长短期记忆神经网络(LSTM)的RUL预测框架。选取容量作为健康因子,数据预处理阶段,首先使用自适应双指数模型平滑方法减少容量回升现象产生的负面影响,然后通过自适应白噪声完整集成经验模态分解(CEEMDAN)对数据进行降噪;模型构建阶段,利用预处理后的数据训练得到用于RUL预测的LSTM模型。以NASA和CALCE公开数据集为研究对象进行算法性能测试,实验结果表明,所提方法鲁棒性好,能够提供精确的RUL预测结果。

基于注意力与长短期记忆网络的变压器代理模型

由于需要考虑换能效率、噪声、体积和质量等因素,电力变压器的设计参数和性能数据往往十分复杂,因此,如何建立变压器代理模型是亟需解决的问题。采用代理模型的优化算法(SBO)能有效解决数值模拟直接优化耗时长的问题。本文用深度学习建立变压器设计参数和性能数据的代理模型,实现变压器性能优化目标的高精度预测,有效降低变压器性能分析与优化所需时间。首先基于长短期记忆网络(LSTM)的深度学习模型,建立非晶合金变压器各个参数间的非线性映射,并加入注意力机制来增强模型的预测效果。最后,通过有限元仿真实验对提出的深度学习代理模型进行验证,并与其他常用的代理模型进行比较,证明了注意力机制与长短期记忆网络代理模型在预测精度方面的优越性。

基于改进FCM-LSTM的光伏出力短期预测研究

受制于外界气象条件和设备性能损失等多方面因素的影响,光伏电站的发电功率呈现出很强的波动性和随机性,精确的光伏出力预测对光伏电站的运营管理和电网的调度运行至关重要。针对传统模糊C均值聚类算法(FCM)无法自主确定聚类数以及欧氏距离在高维数据分类上的不足,在传统FCM的基础上引入自适应因子和加入余弦距离作为样本分类指标,确定与待预测数据相似程度最高的历史样本簇集,创新性地提出一种基于改进FCM和长短期记忆(LSTM)神经网络的短期光伏出力组合预测模型。在云南某光伏电站的应用结果显示,对比其他预测模型,所提方法的历史样本分类效果更佳,发电功率预测精度更高,验证了该方法的有效性与优越性。

基于改进GCN-sbuLSTM模型的高速公路交通量预测方法

为解决现有高速公路交通量预测方法在捕捉动态时空依赖关系方面的不足,提出了一种融合信息几何方法与注意力机制的新型高速路网交通量预测模型。首先,利用信息几何方法量化ETC门架之间的动态数据分布差异。然后,利用注意力机制来捕获交通的动态空间依赖关系。最后,结合一种堆叠的双向递归层结构,提出了一种长时间跨度的并行子模型算法,即基于信息几何方法(Information Geometry)和注意力机制(Attention Mechanism)优化的图卷积神经网络(GCN)结合堆叠双向单向长短期记忆神经网络(sbuLSTM)的组合模型—IGAGCN-sbuLSTM。采用该模型对100多条路段、3000多处门架近7亿条高速公路ETC门架系统数据进行分析,结果显示:与LSTM、GCN、GCN-LSTM、ASTGCN等现有4种模型相比,在10 min时间尺度下,IGAGCN-sbuLSTM组合模型的平均绝对误差(MAE)分别降低了2.39,3.72,1.02,1.46,均方根误差(RMSE)分别降低了3.25,4.32,2.05,5.65,平均绝对百分比误差(MAPE)分别降低了5.49%,12.54%,1.56%,0.5%。研究表明,IGAGCN-sbuLSTM模型在预测精度和不同时间间隔的预测性能上均优于现有的单一捕获特性模型及其他常用的组合模型,可广泛应用于高速公路收费、车速等数据的预测分析。

极限梯度提升和长短期记忆网络相融合的土壤温度预测

土壤温度是地球科学多个领域的重要变量。其时空变化受多种环境因素影响,这对土壤温度的准确预测带来巨大挑战。以机器学习为核心的数据驱动方法,在土壤温度预测中是重要研究领域,为基于物理过程模型提供重要补充。然而目前针对土壤温度影响因素量性研究较少,因此本文提出XGBoost-LSTM的数据驱动方法。基于极限梯度提升算法(XGBoost)分析土壤温度影响因素的重要性,然后根据影响因素重要性依次组合,并输入至长短期记忆网络(LSTM),得到最优预测模型并实现土壤温度预测。最后在长白山和海北两个气象站完成实验,本文方法的最优均方根误差为2.234、平均绝对误差为1.716、纳什效率系数为0.932、LMI系数为0.729和威尔莫特一致性指数为0.983。结果表明本文提出的XGBoost-LSTM预测模型与目前土壤温度中常用的数据驱动模型相比,均表现出更高的精确度。

基于改进长短时记忆网络模型的人体运动姿态识别

人体运动数据对于人体运动异常判断有着重要的参考作用,为了提高人体姿态识别的准确性,提出一种基于改进长短时记忆网络模型的识别方法。该方法利用三轴加速度传感器采集人体运动姿态信息并对其进行小波阈值去噪处理,消除噪声干扰。通过计算特征冗余度筛选人体运动姿态特征,包括轴间相关系数、信号幅值面积和离散系数。基于粒子群算法改进长短时记忆网络模型并进行训练,以3个特征为输入,得出人体运动姿态类别。结果表明:基于改进长短时记忆网络模型的姿态识别方法的识别准确率,要显著优于机器学习的识别方法、改进DenseNet的识别方法和基于激光传感器的识别方法。

基于横纵向集成学习的短期负荷预测方法

为进一步提高预测的准确度和普适能力,并降低组成算法的复杂度,对负荷的固有特性进行横纵向二维化分析,结合误差分布的特点,提出基于横纵向剖析负荷特性的集成预测方法。初级模型采用互信息提取横向特征,通过长短期记忆网络(LSTM)感知负荷波动;采用变分模态分解(VMD)提取纵向特征,通过Elman神经网络预知负荷趋势;然后基于改进的Stacking融合构建横纵向集成学习模型。最后,采用中国东部某地区的负荷数据验证模型的有效性,算例表明改进的Stacking充分融合了横纵向模型的优势并具备强大的学习小样本能力,横纵向集成预测方法有效提高了模型的预测精度和泛化能力。

基于长短期记忆网络的扩展软件稳态训练仿真

针对目前方法对扩展软件进行稳态训练时,存在软件检测缺陷的时间较长,检测率较低、误报率较高的问题,提出基于长短期记忆网络的扩展软件稳态训练方法。方法首先利用长短期记忆网络对软件中的数据进行特征提取,建立数据集与验证集并以此构建马尔可夫链稳态训练模型,再引入关联缺陷矩阵对软件中的缺陷关联关系进行计算,获取缺陷关联系数,最后依据缺陷的检测率、关联回扣值、关联系数设定资源函数,通过计算剔除软件中的缺陷,完成对软件的稳态训练。实验结果表明,运用上述方法对软件进行稳态训练时,检测缺陷的时间较短、检测效率较高、误报率较低。

基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断

目的为了解决双向DC-DC电力变换器的软故障诊断精度不高的问题,方法提出基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断模型。首先,分析双向DC-DC电力变换器中电容、电感和MOSFET管的故障机理,通过仿真实验模拟各元件失效后变换器的输出电气参数变化,从而确定变换器不同元件故障时对应的故障特征参数;其次,构建改进的LSTM-SVM双向DC-DC电力变换器故障诊断组合模型,在LSTM中添加Mogrifier门机制,提高LSTM提取时间序列原始数据中微弱特征的能力;最后,由于传统LSTM的末端分类器为Softmax,其主要解决单一元件诊断问题,变换器故障类型较多,维数较高,所以采用麻雀搜索算法优化的SVM代替原有的Softmax函数,对LSTM输出的数据进行故障分类,提高故障诊断的准确率。设置双向DC-DC电力变换器充放电两种状态下,包含电解电容、电感和MOSFET单双管故障在内的24组故障,分别采用本文构建的改进的LSTM-SVM和原始的LSTM-SVM双向DC-DC变换器故障诊断模型进行诊断。结果结果表明,改进的LSTM-SVM故障诊断模型诊断准确率平均值为99.71%,原始的LSTM-SVM故障诊断模型诊断准确率平均值为88.48%,改进的LSTM-SVM故障诊断模型对各元件的故障诊断正确率均高于原始的LSTM-SVM故障诊断模型的。结论基于改进LSTM-SVM的双向DC-DC电力变换器故障诊断模型实现了对双向DC-DC电力变换器中的电解电容、电感和MOSFET单双管故障的准确诊断。

改进蜣螂算法优化LSTM的光伏阵列故障诊断

为提高光伏阵列故障诊断精度,提出一种基于变分模态分解VMD(variational mode decomposition)和改进蜣螂算法IDBO(improved dung beetle optimizer)优化长短期记忆LSTM(long short-term memory)网络的光伏阵列故障诊断方法。首先,针对蜣螂算法DBO(dung beetle optimizer)收敛精度低且易陷入局部最优的问题,提出一种融合Levy飞行策略、T分布扰动策略及多种群机制的IDBO算法,通过与DBO、麻雀搜索算法、鲸鱼优化算法寻优测试对比,证明IDBO算法的优越性,再与LSTM结合搭建IDBO-LSTM故障诊断模型。其次,为充分挖掘故障特征,利用VMD提取故障数据多个层面的特征分量,作为IDBO-LSTM模型输入量。最后,实验对比结果表明,该方法的故障诊断准确率达到98.34%,优于其他5种模型,证明了所提方法的可行性及优越性。