基于虚拟传感器的坝区多输出自由场地震时程长序列预测模型研究

坝区自由场地震时程的多维长时序预测对于震害快速分析具有重要意义。虚拟传感器是地震物理传感器的补充感知手段,可实现地震时程的预测,然而现有虚拟传感器难以对多个信号做长时序预测,导致大坝震害分析较为滞后。针对上述问题,提出基于TFA-Seq2Seq虚拟传感器的坝区多输出自由场地震时程长序列预测模型。其中,基于多任务学习将Seq2Seq的虚拟传感器改进为“Encoder-3 Decoder”结构,以建立多个坝体物理传感器信号与自由场三个方向长时序地震时程的映射关系,并添加注意力机制捕获多个输入信号的时序依赖关系,以解决同步多输出预测问题及提升预测精度。进一步,引入可逆的时频变换层和其逆变换层改进编码器和解码器,以缩短地震信号的时域长度,提取频域特征,并提出对应的随机强制学习的模型训练策略,从而克服了现有虚拟传感器难以对长序列进行有效预测的缺陷。案例分析表明,该方法实现了坝区自由场三个方向地震信号的超前10 s虚拟感知,且相较于未添加注意力机制和单输出的模型,预测精度分别提高了6.88%和3.32%,研究为震时地震信息的超前感知提供了新思路和新途径。

融合情绪分析和Informer-ARIMA模型的比特币价格预测方法

相较于传统金融产品,比特币价格更容易受到情绪的影响而展现出更高的波动性,为此价格预测具有极高的研究价值。为提高比特币价格预测的精准度,文章在预测模型中引入情绪指标,构建融合情绪分析和Informer-ARIMA模型的预测方法。从多维度分析价格时间序列的随机波动、循环变化、周期变化等变化规律,对比特币的价格进行有效预测。测试结果表明,融合情绪分析的Informer-ARIMA模型性能更优,验证了所提方法的可行性和有效性。

基于Informer的CFB机组长序列NO_(x)排放预测研究与教学实践

为了研究循环流化床机组NO_(x)排放预测问题,采用Informer神经网络模型对某350 MW超临界循环流化床机组NO_(x)排放进行建模研究。首先,获取机组运行数据,对有关数据进行标准化处理;其次,确定实验方案,进行了6种不同NO_(x)排放长序列时序预测的仿真实验,并进行分析;最后,利用Transformer模型、RNN模型与LSTM模型按照相同实验方案进行NO_(x)排放预测,并与Informer模型的预测结果进行对比。研究结果表明,Informer模型通过注意力机制、蒸馏机制获得了较好的特征提取能力和长序列输入能力,该模型的NO_(x)排放预测效果在预测精度与时效性两个方面均明显优于其他三种对比模型,能够为循环流化床机组NO_(x)排放预测提供有效技术支持。该能源动力类学生的创新与实践教育项目,有助于锻炼学生的科研思维,能够为能源动力类专业实践教学发展提供一定借鉴。