鲸鱼优化算法-双向长短期记忆神经网络用于断路器机械剩余寿命的预测研究

低压断路器的安全可靠是电力系统能否稳定运行的关键一环,因此对断路器进行退化趋势预测和剩余寿命评估具有重要意义。基于鲸鱼优化算法(whale optimization algorithm,WOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)提出了一种断路器操动机构剩余寿命的预测方法,首先采用Pearson相关系数法对获得的原始监测数据进行筛选,选择与断路器开断次数相关度较高的数据作为关键退化特征量,基于主成分分析法进行数据融合获得能够综合表征断路器运行状态的健康指数;随后使用滑动时间窗的方法对健康指数时间序列进行重构,再通过WOA-Bi LSTM寻优获得的最佳模型对健康指数进行时间序列预测,从而获得断路器未来多步的退化趋势;最后再根据设定的失效阈值,确定断路器操动机构的剩余寿命。实例验证表明,该文提出的混合预测模型预测精度最高可达96.43%,相比于其他传统预测模型显著提高,对于断路器的实际运维工作具有一定的指导意义。

基于贝叶斯优化-卷积神经网络-双向长短期记忆神经网络的锂电池健康状态评估

准确估计电池健康状态是设备稳定运行的关键。针对当前健康状态研究中容量难以直接测量、估计模型调参费时等问题,提出基于多健康特征的贝叶斯优化(BO)算法优化卷积神经网络(CNN)与双向长短期记忆(BiLSTM)神经网络预测模型。基于NASA公开锂电池数据,提取3种健康特征。将CNN与BiLSTM结合,提高时间序列数据处理能力,加入BO算法自动搜寻最优参数集,避免组合网络模型陷入局部最优,从而减少评估时间。对比分析相关神经网络模型,结果表明所提方法预测准确度最高,可有效估计锂电池的健康状态,平均绝对误差和方均根误差均在1%以内。

基于双向长短期记忆网络含间接健康指标的锂电池SOH估计

快速准确地对锂离子电池进行全寿命周期的健康状态(SOH)估计有助于提高储能设备的安全可靠性。提出一种基于间接健康指标(IHI)和鲸鱼优化算法(WOA)优化的双向长短期记忆(BiLSTM)网络相结合的锂电池SOH估计模型,该模型考虑了未来状态对当前SOH的影响。首先,对锂电池恒流恒压(CC-CV)充放电过程进行分析,提取出多个随充放电循环动态变化的电压、电流、温度的时间特征作为IHI,并加入放电负载电压下降时间这一指标;然后,通过相关性分析,从各IHI中筛选出和容量关联度高的IHI作为输入特征;最后,建立基于WOA优化的BiLSTM网络的电池SOH估计模型,并利用美国国家航天航空局锂电池数据集对2个不同工况下的电池SOH进行估计。结果表明,所提方法可有效提高SOH的估计精度。

基于改进灰狼算法优化长短期记忆网络的光伏功率预测

为提高光伏发电功率预测的准确性,提出一种基于改进自适应因子与精英反向学习策略的改进灰狼算法(IGWO),用以优化长短期记忆网络(LSTM)预测模型。利用IGWO优化LSTM全连接层参数,建立IGWO-LSTM组合模型预测光伏功率,具有较好的收敛速度与求解效率,也可有效避免局部最优解。最后基于常州某光伏发电站实时数据进行仿真,实验结果表明IGWO-LSTM相对于LSTM光伏功率预测更具准确性。

基于贝叶斯优化算法和长短期记忆网络的PM_(2.5)浓度预测

针对PM_(2.5)浓度对于出行和交通规划的影响,对PM_(2.5)浓度预测进行了研究。主要解决了传统预测模型输入样本不稳定、运算时间长、预测效果不稳定、缺乏灵活性、泛化能力不足、精确度低等难题。引入了深度学习长短期记忆网络(LSTM)框架,设计基于LSTM基本的预测模型做初步预测,主要通过利用已知的空气质量数据训练模型,然后随机选取2个监测站(顺义和怀柔),用训练好的模型预测这2个监测站未来连续60 h的PM_(2.5)浓度。为了进一步优化预测模型的参数,引入贝叶斯优化(BO)算法,重新训练模型并进行预测。最后通过对LSTM基本预测模型和BO之后的LSTM模型的预测效果进行对比、评估和分析,发现BO算法对于预测模型时序记忆能力的提高有优化作用,预测效果更好,模型泛化能力更强。

基于长短期记忆神经网络模型的分层注水优化方法

分层注水是改善层间注采矛盾、提高水驱开发效果的一种重要手段。基于油藏数值模拟的分层注水优化存在地质模型不确定性强、所需数据多、计算耗时长等缺点,数据驱动的优化方法可有效克服上述缺点。以井组中所有注水井的分层注水层段为考察对象,采用平均不纯度减少(MDI)方法筛选影响每口生产井产液量和含水率的主要注水层段,以此为基础利用注水井分层注水量以及生产井产液量和含水率时序数据建立长短期记忆神经网络(LSTM)深度学习预测模型,结合粒子群优化算法(PSO)实现分层注水量优化。实例应用表明:基于注水井分层注水量的LSTM模型可以准确预测产液量和含水率,平均误差分别为0.5%和1.7%;在总注水量基本保持不变的情况下,优化后井组产油量增加12.2%、平均含水率下降4.2个百分点,实现较好的增油控水目的,为深度学习在分层注水优化方面的应用研究提供了一种新的方法。

基于鲸鱼优化算法改进长短期记忆神经网络的资源推荐

为了改善资源推荐算法的性能,提出基于鲸鱼优化算法(WOA)改进长短期记忆神经网络(LSTM)的资源推荐算法;首先提取资源和用户特征,构建特征差异值加权函数;然后,以资源-用户特征作为输入,建立基于LSTM的资源推荐算法,通过输入门、遗忘门、输出门及记忆节点对历史资源推荐数据按权重进行遗忘与筛选,有选择性地挑选部分数据进行循环迭代训练;考虑到LSTM的门操作需要设置的参数较多,引入WOA进行参数智能优化求解,提出WOA-LSTM算法,以提高LSTM的参数优化的精度及效率。结果表明,通过合理设置WOA参数,可以有效改善LSTM的资源推荐性能,与常用资源推荐算法相比,所提出的WOA-LSTM算法具有更高的推荐精度及稳定性。

基于长短期记忆网络的桁架车身结构轻量化设计优化

为满足特种无人车辆高可靠机动、低成本研制等要求,在特种无人车辆的桁架车身结构设计早期阶段引入结构轻量化思想。为实现车身结构轻量化,提出基于长短期记忆网络的设计优化方法(LSTM-DO),利用LSTM-DO的快速搜索、高精度优化能力解决车身结构设计优化中收敛慢、局部最优等问题。建立了某无人车辆桁架车身参数化模型与有限元分析模型,采用代理模型技术提高设计优化过程中车身结构性能评估速度,结合LSTM-DO优化方法快速准确地生成方案。对比了常用的梯度优化算法与启发式优化算法,所提LSTM-DO方法在最优方案性能、收敛速度和鲁棒性方面均展现出明显的优势。

基于灰狼优化算法的长短期记忆网络在时间序列预测中的应用

提出了1种基于灰狼优化算法的长短期记忆(long short term memory,LSTM)模型。结合灰狼优化算法全局收敛的优点,将其应用于长短期记忆网络中参数的优化,克服了传统的长短期记忆网络所采用的随时间反向传播(back propagation through time,BPTT)算法易于收敛于局部最优的缺点。将所提出的模型应用于时间序列预测,实验结果表明,其性能优于基于BPTT的LSTM。

采用特征变量选择和长短期记忆网络的高速公路交通事件检测研究

为提升高速公路交通事件检测效果,依据交通事件发生时上、下游交通流参数的变化特性,构建一组相对全面的交通事件检测初始特征变量集,使用随机森林-交叉验证递归特征消除(RF-RFECV)算法筛选出重要特征变量。利用重要特征变量作为输入训练长短期记忆网络(LSTM),通过贝叶斯优化算法(BOA)优化LSTM网络的超参数。使用真实高速公路数据进行验证和对比分析,采用Borderline-SMOTE解决交通数据集的不平衡问题。实验结果表明:筛选出对交通事件检测更为敏感的重要特征变量,可以提高检测精度,LSTM的检测效果也明显优于随机森林(RF)和支持向量机(SVM)。

基于变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络的短期负荷预测

针对传统的电力负荷预测模型中出现的模态分解混叠、长短期记忆网络参数难以选择等问题,提出一种新的模型,即基于变分模态分解、排列熵组合和改进鹈鹕优化算法的长短期记忆网络模型。首先,利用变分模态分解将电力负荷数据分解为多个复杂程度较低的模态,并利用排列熵对子序列进行重组,降低预测难度;接着,引入Logistic混沌映射、融合柯西变异和反向学习两种策略改进鹈鹕优化算法,提高全局寻优能力;然后利用改进后的鹈鹕优化算法对长短期记忆网络参数进行优化,提高模型的泛化能力和实际操作性;最后,对重组后的子模态分别进行预测并叠加,得到最终预测结果,并使用两份不同地区数据集与多种优化算法预测模型进行比较。实验结果表明,变分模态分解-排列熵-改进鹈鹕优化算法的长短期记忆网络模型具有更高的预测精度和稳定性,可以有效地进行短期电力负荷预测。

基于自适应变分模态分解和长短期记忆网络的月径流预报

准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分,将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而,将数据分解技术直接应用于整个时间序列是一种不切实际的方法,会导致部分信息从测试阶段传输到模型的训练过程中。为此,设计了一个用观测数据更新历史样本的自适应动态分解策略,提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先,采用自适应分解策略对径流时序数据进行变分模态分解,得到不同频率成分的子序列;其次,为每个分解子序列构建长短期记忆神经网络径流预测模型,并采用贝叶斯优化算法优选模型超参数;然后,将子序列的预测结果集成得到径流的最终预测结果;最后,以金沙江上游石鼓水文站月径流预报为研究实例,对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明,所提混合模型在数据分解预处理中避免了引入未来信息,并能够进一步提升径流预报精度。

基于粒子群优化–长短期记忆网络模型的变压器油中溶解气体浓度预测方法

电力变压器作为电网中传输和变换电能的主要设备,对油中溶解气体的浓度进行有效预测,可为变压器的故障诊断及状态评估技术提供一定的理论依据。鉴于此,提出一种基于粒子群优化算法(particle swarm optimization,PSO)与长短期记忆网络(long-shorttermmemory,LSTM)的变压器油中溶解气体浓度预测方法。首先该模型以油中溶解的7种特征气体浓度序列作为可视输入;然后通过使用粒子群优化算法对长短期记忆网络中相关超参数进行迭代优化;最后构建PSO-LSTM组合模型对油中溶解气体的浓度进行预测。该模型克服了依据经验选取参数而导致预测精度低的问题。算例分析结果表明,相较于传统预测算法,所提方法可以更好地追踪油中溶解气体浓度的变化规律,提高了预测精度,为电力变压器安全稳定运行提供了有力保障。

基于粒子群优化和长短期记忆神经网络的气井生产动态预测

气井生产动态预测是气藏产量规划、开发方案编制及生产制度动态调整的重要依据,对天然气藏开发有着极其重要的指导意义。建立了基于长短期记忆深度神经网络的生产动态预测模型,并采用了粒子群优化算法对神经网络模型超参数进行优化,提高长短期记忆深度神经网络的预测效果。研究结果表明,基于粒子群优化和长短期记忆神经网络的气井生产动态预测模型能够实现对气井生产动态的准确预测和神经网络超参数的自动优化,使预测结果的平均绝对误差均小于10%,大幅度简化了神经网络模型的优化过程。

基于贝叶斯优化算法的长短期记忆神经网络模型年径流预测

为解决长短期记忆神经网络模型超参数人为确定造成径流预测精度低的问题,将贝叶斯优化算法(BOA)应用于长短期记忆神经网络(LSTM)超参数的率定,构建BOA-LSTM径流预测模型,并研究分析模型超参数对预测精度的影响。采用呼兰河下游兰西水文站1959~2014年相关水文气象数据进行年径流预测及验证,并与麻雀搜索算法(SSA)优化超参数的LSTM神经网络模型(SSA-LSTM)及LSTM神经网络模型进行比较。结果表明,贝叶斯优化算法能更加准确高效地率定模型超参数。同时,研究提出的BOA-LSTM模型为年径流预测提供了一种有效的新方法。

基于长短期记忆网络的驾驶意图识别方法

为了使高级驾驶员辅助系统能够更好的工作,进而提高其安全性和舒适性,提出一种基于长短期记忆(Long Short-term Memory,LSTM)网络的驾驶意图识别方法,能够较为准确地识别目标车辆的驾驶意图。该方法将踏板开度和踏板开度变化率输入意图识别网络,并在意图识别网络中引入灰狼优化算法(Grey Wolf Optimizer,GWO)对网络参数进行优化,提高驾驶意图识别性能。为了验证该方法的准确性,基于数据集训练并评估模型,结果表明:所提方法对加速和制动意图识别的准确率、召回率和Flmacro分数分别为0.981、0.983和0.982,均优于支持向量机(SVM)和普通的LSTM模型。

基于Adam优化算法和长短期记忆神经网络的锂离子电池荷电状态估计方法

锂离子电池是电动汽车、无人机及电力电子设备的储能系统组件,对其进行准确的荷电状态(SOC)估计对于正确决策、安全控制和维护具有重要意义。针对锂离子电池SOC估计问题,本文采用长短期记忆(LSTM)神经网络搭建锂离子电池SOC估计模型,将电池电压、电流、温度作为输入,建立多层LSTM预测模型,采用Adam优化算法与Dropout正则化方法完成LSTM模型的训练。测试结果表明,在模型训练过程中加入Adam优化算法与Dropout正则化方法,使模型对实验数据集的非线性和初始荷电状态的不确定性具有鲁棒性。

长短时记忆网络与新安江模型耦合的降雨径流模拟性能

深度学习技术在降雨径流模拟方面具有广阔应用前景,但受训练样本限制,需与传统水文模型相耦合,由传统水文模型提供训练数据。耦合数据的选择和超参数方案对耦合模型的模拟性能影响显著,但尚未有专门的研究。本文以东湾流域为例,用双向长短时记忆网络耦合新安江模型不同模块数据,并用灰狼优化算法优化超参数,构建降雨径流模型。结果表明:模型耦合不同数据时,对日径流和场次洪水的模拟性能均有提高,尤以耦合产流量和模拟流量数据时最为明显。不同耦合数据需调整超参数方案,灰狼优化算法可满足需求。本研究为提高耦合模型径流模拟能力提供了新思路和新方法。

地球流体动力学模型恢复的长短期记忆网络渐进优化方法

地球物理流体动力学的计算模型在数据同化和不确定性量化等任务中的计算代价非常大。有人提出了相应的替代模型以寻求减轻计算负担。研究人员已经开始应用人工智能和机器学习算法,特别是人工神经网络,针对地球物理流体建立数据驱动的替代模型。神经网络的性能在很大程度上取决于其网络结构设计和超参数的选择(调参)。一般情况下,这些神经网络通过手动调参,反复试错,从而最大限度地提高其计算性能。这通常要求对底层神经网络结构以及特定领域问题有专业知识积累和认知。这一局限性可以通过使用进化算法,自动设计和选择神经网络的最优超参数来解决。本文应用遗传算法进行了有效的长短期记忆(Long Short-Term Memory,LSTM)神经网络设计,建立了NOAA海表温度数据集的温度预测模型。

基于鲸鱼算法优化长短期记忆网络的短期负荷预测

为了解决短期负荷预测精度低、准确性差等问题,采用一种使用鲸鱼优化算法(WOA)优化长短期记忆网络(LSTM)的短期负荷预测模型。针对模型的参数较难选择的问题,利用WOA对LSTM模型参数寻优。通过实例验证了预测模型的有效性,结果表明WOA-LSTM比LSTM模型具有更好的效果。