基于时序卷积残差网络和鹈鹕优化算法的新能源电网安全稳定控制方法

随着“双碳”目标的推进,随机波动的新能源接入电网的规模和容量日益提升,严重影响电网的安全稳定运行。针对大干扰故障电压稳定控制问题,文章提出了一种基于时序卷积残差网络和鹈鹕优化算法的新能源电网电压安全稳定控制策略。首先,利用时序卷积信息损失少、感受野宽以及残差网络深层特征提取能力强的优势,构建基于时序卷积残差网络的电压稳定预测模型,映射出敏感节点电压时序特征和电压稳定之间的关系;其次,构建电压稳定控制模型,利用鹈鹕优化算法收敛速度快、搜索能力强的优势求解控制模型,得出最佳切机和切负荷动作措施;最后,进行了仿真验证。验证结果表明,所提方法提高了新能源电网电压安全稳定预测的准确性,通过最佳的电压稳定控制策略提高了电网故障后的安全稳定运行水平。

基于自编码器-受限时序卷积网络的数据驱动配电网无功优化策略

配电网中可再生能源渗透率的提高带来了频繁的电压越限问题。作为一种被广泛研究的方法,无功优化方法已经成功应用到配电网中以降低网损、优化电压质量。该文提出一种基于自编码器-受限时序卷积网络的新型数据驱动配电网无功优化策略,该策略通过3个阶段来协调光伏逆变器、电容器组等多种多时间尺度的无功调节设备。首先,将无功优化问题建模为混合整数二阶锥规划问题,求解出历史最优无功调度策略;然后,使用历史运行数据和最优策略训练所提网络模型,并通过矫正层规避不合理结果;在实际运行中,训练好的模型依据系统测量值给出无功优化策略以应对配电网的波动。最后,通过改进IEEE 33节点算例仿真实验验证,所提方法能够达到混合整数二阶锥模型98.80%的准确度而仅消耗其7.14%的时间;与其他流行的深度学习方法相比,具有更佳的性能和更好的实用性。

句子级时序卷积网络的多模态抑郁症识别方法

针对多模态抑郁症模型在特征提取时,语句间关联性较弱,不同模态间的特征融合较为随意,在中文数据集上模型的泛化能力缺乏验证等问题,本文通过分析与抑郁症相关的音频、文本和视觉特征,提出了基于改进TCN模型的多模态抑郁症识别模型STCMN(Sentence-level Temporal Convolutional Memory Net-work),并将该模型应用于临床抑郁症辅助诊断当中。该模型首先使用残差块、GRU和Self-Attention的融合模块来提取不同模态下的句子级特征,增强了上下文联系,然后使用TCN模型来提取不同模态的全局特征,并使用Cross Attention对不同模态的全局特征以多模态融合特征为主进行融合,最后通过LogSoftmax层得到模型对抑郁症的识别结果。在DAIC-WOZ公开数据集上,本文所提出的方法对抑郁症识别的准确率达到了91.3%,精确率达到了93.6%,召回率达到了89.7%,其相关指标均优于其他方法,可以更好地满足临床医学的需求。在私有中文数据集MMD2022上,STCMN模型的识别结果仍为最优,表明该模型在中文抑郁症识别任务上具较好的泛化能力。

基于时序卷积网络的早期帕金森多模态检测系统

帕金森病是最常见的神经退行性疾病之一,其临床特征与其他神经退行性疾病有重叠,且缺乏明确的病理机制,导致早期诊断检测困难、误诊率高等问题;为了研究有效的早期帕金森病检测方法,深入探索帕金森病发展的时间特征规律,并提高早期帕金森病预测、分析和诊断决策的准确性,设计了一种基于时序卷积网络的早期帕金森病多模态检测系统,为及时发现早期帕金森病提供辅助诊断依据;该系统利用语音、步态和受试者自测数据,采用多元线性池化方法进行多模态融合,结合时间卷积网络和参数共享方式,以提高系统的检测精度并降低过拟合风险;实验测试结果显示,基于时序卷积网络的早期帕金森病检测系统的准确率达到96.22%,在多项评估指标上优于传统的帕金森检测模型,展现出良好的早期帕金森联合检测效果。

基于残差时序卷积网络的水声通信信号模式识别

水下通信信号模式识别是非合作水下通信信号识别中的关键一步,然而,水声信道的复杂多变给水下通信信号模式识别带来了很大挑战。针对传统算法模型复杂度高、提取特征多的问题,提出了一种残差网络和时序卷积网络相结合的残差时序卷积网络(Residual Temporal Convolutional Network,ResTCN)通信信号模式识别模型。该模型结构简单、网络收敛速度较快且具有较好的鲁棒性。通过实验仿真和海上试验对模型进行验证,在信噪比(Signal to Noise Ratio,SNR)大于-10 dB时,该方法在测试数据集上分类正确率为95%,在海试数据上正确率可达到93.5%。

基于时频自注意力残差时序卷积网络的语音增强

语音增强的主要目的是去除语音信号中的噪声等无关信号,是许多语音处理任务的前端处理部分,在视频会议、视频直播等领域都有着重要的作用。然而目前大多数语音增强的研究主要集中在语音帧的长期上下文依赖关系建模上,没有考虑语音在时频域上的能量分布特征。本文提出一种基于时频域的自注意力模块,使得在模型建模过程中可以显式引入对语音分布特性的先验思考,并与残差时序卷积网络相结合,构成基于时频域自注意力的残差时序卷积网络模型。为了验证该模型的有效性,本文使用语音增强领域中常用的2个训练目标IRM和PSM进行实验,实验结果表明,该模型显著提高了语音增强领域中4种常用的客观评价指标,明显优于其他基准模型。

基于时序卷积网络的简答题评阅方法

提出一种基于时序卷积网络(temporal convolutional network,TCN)并结合预训练语言模型BERT的简答题评阅模型(SA-TCN).该模型使用BERT对评分答案和参考答案进行编码,在建立二者之间内在联系的同时提取深层次文本语义特征.为减少信息丢失并获取深层全局特征,基于TCN捕获多尺度语义信息.在公开数据集ASAP的set5上进行实验,结果表明,该模型的精度和二次加权Kappa分别达到86.87%和87.46%,优于Bi-LSTM、TextCNN和RNN等其他模型.

基于风速属性优化聚类的时序卷积特征聚合风速预测

准确的风速预测对于规模化风电并网及安全运行具有重要意义。利用快速相关滤波筛选风速关联属性因素并结合近邻传播原理优化风速聚类集合,提出基于时序卷积特征聚合的风速预测模型。考虑风速属性与风速序列间的隐含关联性,筛选高关联属性因素构建模型样本集,并通过鲸群算法优化近邻传播聚类分类相似典型集。构建时序卷积层提取多维风速属性特征,并嵌入特征聚合层完成特征降维与信息融合,最终结合记忆层输出风速预测值。以东北地区风场为研究对象进行风速超短期预测并与实测数据对比,验证了预测模型的准确性和泛化能力。

考虑风电时序特性的深度小波-时序卷积网络超短期风功率预测

超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义,风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响,给风电功率预测精度提出了挑战。针对上述问题,提出了基于离散小波变换(discrete wavelet transformation,DWT)、双深度Q网络(doubledepth Qnetwork,DDQN)、时序卷积网络(temporal convolutionalnetwork,TCN)和注意力机制(Attention)的DWT-DDQN-TCN-Attention(DWT-DTCNA)超短期风功率预测方法。首先,利用DWT将风电数据序列分解为不同频率的风电数据集,对不同频率的风电数据集做自相关函数分析,提取高自相关性的风功率训练子集作为预测模型的输入。其次,根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型,深度挖掘风电功率时序关系,获得精度更高、更稳定的预测结果。为减少深度学习模型的参数对预测精度的影响,采用DDQN算法优化预测模型的参数。最后,利用DWT将不同频率超短期风功率预测结果进行重构,获得了预测日的风电功率序列。以西北部某风电场实测数据为例进行仿真分析,结果表明所提方法能够充分提取风电功率序列的时序特征,优化模型内部参数,有效提高了超短期风电功率预测精度。

软阈值时序卷积网络在冷水机组传感器故障诊断中的应用

为了提高冷水机组传感器的故障诊断性能,提出了一种基于软阈值时序卷积网络的编码-解码器重构模型(ST-TCN),并建立基于该模型的传感器故障诊断方法。采用时序卷积网络(TCN)充分挖掘冷水机组传感器的时间相关性、热力学物理量间的数据相关性以及动态响应差异性特征。在TCN的残差块中引入软阈值自适应模块剔除冗余信息,降低噪声干扰。依托ST-TCN模型“端到端”的网络结构优势,将绝对重构残差向量与故障阈值向量进行比较,直接定位故障传感器。在实际压缩式冷水机组平台上采集传感器数据进行实验,结果表明,软阈值自适应模块能有效地增强网络模型的重构能力,从而提高故障传感器的诊断性能。以压缩机吸气温度传感器T1为例,ST-TCN的平均偏差故障识别率比改进前提升了45.9%;与其他故障诊断方法相比,所提的最新框架获得了较高的偏差故障识别率。

基于时序卷积残差网络的主动配电系统线路短路故障诊断方案

主动配电系统结构复杂、控制灵活,线路短路故障特征微弱,亟须适应性强、精度高的诊断方法。该文提出一种基于时序卷积残差网络的主动配电系统线路短路故障诊断方案。该方案根据故障前后各特征通道之间在对应时刻的强相关性,利用时序卷积核沿时间轴方向卷积,提升感受野,减少信息损失,并利用残差网络的短接特性、深层挖掘故障特征,构建基于时序卷积(T-Conv)的残差网络模型。所提出的主动配电系统线路短路故障诊断方案融合故障检测、故障选型、故障定位功能,并将输出结果通过AND布尔算子结合,进一步提升故障诊断可信度。利用所搭建10 kV主动配电系统电磁暂态模型进行仿真验证,与现有同类型方法进行对比,结果表明所提故障诊断方案诊断精度高、计算速度快、无需附加信号处理算法,可直接端到端构建诊断模型。

基于时序卷积生成对抗网络的单通道音域分离

由于音域信号的语音和音乐常常以混叠的形式出现,因此在许多应用中,希望能有效分离音域信号中的语音和音乐.普通的分离方法一般采用基于频域信号的处理方式,而频域信号还原时需借助相位信息,导致还原的信息有偏差.针对时域单通道音域信号分离效果差的问题,提出在对抗生成网络中引入联合训练与时序卷积的方法.首先,对时域语音进行预处理;然后,将预处理过的数据送入时序卷积生成对抗网络生成器中进行分离;最后,将分离的干扰语音和纯净的干扰语音送到生成对抗网络判别器判别,并把判别结果反馈给生成器.实验采用MIR-1K和data_thchs30数据集进行算法性能测试,结果表明,提出的单通道音域分离模型的PESQ和STOI指标平均提高了0.31和0.07,证明所提算法有效提升了音域信号中语音和音乐的分离效果.

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。

基于元学习的多头注意力时序卷积的入侵检测

为解决现有入侵检测方法在高阶依赖关系挖掘,处理时序特征和应对新型攻击手段检测等方面性能不足的问题,提出了一种基于元学习的多头注意力时序卷积的入侵检测方法。该方法引入了多头注意力机制,使模型能在不同尺度上捕捉网络数据的时序特征和高阶依赖关系。其次,结合多任务学习改进元学习算法对网络未知攻击进行识别,提升网络未知攻击的检测性能,此外,设计了一种自适应特征提取策略,动态调整特征提取粒度,以适应不同类型的网络攻击。在公开数据集实验对比表明,本文算法与主流算法相比,具有更高的准确率和F值。

基于聚合混合模态分解和时序卷积神经网络的综合能源系统负荷修正预测

为增强综合能源系统负荷精细化分解水平,充分利用误差信息以进一步提升预测性能,提出一种基于聚合混合模态分解和时序卷积神经网络(temporal convolutional network,TCN)的综合能源系统负荷修正预测框架。首先,采用改进完全集合经验模态分解对电、冷和热负荷初步分解处理,随后利用变分模态分解对具有强复杂性的子序列进一步分解。然后,依据最大信息系数(maximum information coefficient,MIC)分析多元负荷的耦合特性并通过多元相空间重构(multivariate phase space reconstruction,MPSR)丰富特征信息。最后,构建基于TCN的修正预测模型。以校园综合能源系统算例对比不同预测模型,结果显示所提修正预测框架的电、冷和热负荷预测均具有较低的平均绝对百分比误差,有效解决了预测中模态分解的模态混叠以及模态高频分量问题,实现预测误差修正。

基于时序卷积网络的云服务器性能预测模型

目前基于深度学习的主机性能预测模型大部分缺乏普适性,实验数据缺乏公正性,无法准确预测能耗或性能峰值点且时间开销较大.为解决这些问题,文章提出了一种基于改进时序卷积网络的云服务器性能预测模型(ATCN模型).该模型将CPU利用率作为主机过载的衡量标准,利用多维性能指标构建N+1维能耗向量,建立输入向量与预测标准之间的关系;调整TCN中的卷积核大小并不断增大扩张因子,实现长期记忆效果.基于阿里云开源数据集的实验结果表明:ATCN模型具有强自适应性,在不同硬件配置和资源使用情况下,预测准确率和效率方面比LSTM模型提升大约20%.

基于遗传算法选优的集成手段与时序卷积网络的涡扇发动机剩余寿命预测

涡扇发动机作为航空航天领域的核心设备之一,其健康状况决定了航空器能否稳定可靠地运行。而对涡扇发动机的剩余寿命(RUL)进行判断,是设备监测与维护的重要一环。针对涡扇发动机监测过程中存在的工况复杂、监测数据多样、时间跨度长等特点,提出了一种遗传算法优选时序卷积网络(TCN)基模型的集成方法(GASENTCN)的涡扇发动机剩余寿命预测模型。首先,利用TCN捕获长跨度下的数据内在关系,从而对RUL作出预测;然后,应用GASEN集成多个独立的TCN,以增强模型的泛化性能;最后,在通用的商用模块化航空推进系统模拟模型(CMAPSS)数据集上,对所提模型与当下流行的机器学习方法和其他的深度神经网络进行了比较。实验结果表明,在多种不同的运行模式和故障条件下,与流行的双向长短期记忆(Bi-LSTM)网络相比,所提模型都有着更高的预测准确率与更低的预测误差。以FD001数据集为例,在该数据集上所提模型的均方根误差(RMSE)相较Bi-LSTM低17.08%,相对准确率(Accuracy)相较Bi-LSTM高12.16%。所提模型在设备的智能检修与维护方面有着较好的应用前景。

基于时间序列和时序卷积网络的脉象信号识别研究

目的研究脉象信号识别模型的建立,充分利用脉象信号在时域中的形态信息,为脉诊客观化研究提供了一种新的思路和方法。方法通过对脉象信号进行预处理和序列规正化,获得长度一致的脉象信号时间序列,利用基于时序卷积的深度学习网络实现对序列形态的特征提取,并建立脉象信号识别模型。结果通过网络自学习提取的特征多数具有显著性差异,7种脉象的平均识别准确率达到85.76%,与常用的脉象识别方法相比有明显提升。结论基于时间序列和时序卷积网络的脉象信号识别方法能够较好地区分不同脉象信号的形态信息,在多种类脉象的识别任务中具有一定的实用价值。

云工作流中基于多任务时序卷积网络的异常检测方法

云计算数据中心在日常部署和运行过程中产生的大量日志可以帮助系统运维人员进行异常分析。路径异常和时延异常是云工作流中常见的异常。针对传统的异常检测方法分别对两种异常检测任务训练相应的学习模型,而忽略了两种异常检测任务之间的关联性,导致异常检测准确率下降的问题,提出了一种基于多任务时序卷积网络的日志异常检测方法。首先,基于日志流的事件模板,生成事件序列和时间序列;然后,训练基于多任务时序卷积网络的深度学习模型,该模型通过共享时序卷积网络中的浅层部分来从系统正常执行的流程中并行地学习事件和时间特征;最后,对云计算工作流中的异常进行分析,并设计了相关异常检测逻辑。在Open Stack数据集上的实验结果表明,与日志异常检测的领先算法Deep Log和基于主成分分析(PCA)的方法比较,所提方法的异常检测准确率至少提升了7.7个百分点。

基于3D全时序卷积神经网络的视频显著性检测

视觉是人类感知世界的重要途径之一。视频显著性检测旨在通过计算机模拟人类的视觉注意机制,智能地检测出视频中的显著性物体。目前,基于传统方法的视频显著性检测已经达到一定的水平,但是在时空信息一致性利用方面仍不能令人满意。因此,文中提出了一种基于全时序卷积神经网络的视频显著性检测方法。首先,利用全时序卷积对输入视频进行空间信息和时间信息的时空特征提取;然后,利用3D池化层进行降维;其次,在解码层中用3D反卷积和3D上采样对前端特征进行解码;最后,通过把时空信息有机地提取与融合,来有效地提升显著图的质量。实验结果表明,所提算法在3个广泛使用的视频显著性检测数据集(DAVIS,FBMS,SegTrack)上的性能优于当前主流的视频显著性检测方法。