基于长短期记忆神经网络的健康状态估算

当前电池健康状态估算与预测在处理大量电池数据、时间间隔较长存在一定缺陷。长短期记忆神经网络算法在解决该问题时效果明显。在完成电池循环充放电实验基础之上,分析和提取电池放电过程中外部信号变化的特征指标,以电池放电数据中放电容量、放电时间、循环次数训练并建立了长短期记忆神经网络预测模型,采用3种不同的自适应学习率优化算法对学习训练部分进行优化,最后对比分析模型预测的准确程度。结果表明,长短期记忆神经网络估算电池健康状态的误差小于5%,证明预测模型的有效性。

基于贝叶斯优化CNN-LSTM混合神经网络的短期光伏出力预测

光伏发电具有波动性、随机性及间歇性的特点,难以对其实现精准预测,本文提出了一种基于贝叶斯优化的卷积神经网络-长短期记忆网络混合算法模型的短期光伏出力预测方法,由此得到了比其他单一基准模型和多数组合模型更好的预测效果,具有一定适用性与应用价值。

EMD和层叠式LSTM算法在短期风速预测中的应用

风电作为再生资源的重要组成部分,已获得了广泛的关注。风力发电量多寡取决于对风速的精准预测。文章对于短时风速预测,提出了一种结合经验模态分解和层叠式长短期记忆算法,对短时风速进行预测。文章用一个来自风场的实际案例来验证本文提出的方法。

基于聚类-LSTM算法的低风速区风速预测

为了解决由于低风速区风速变化频繁且波动较大,传统实时控制策略不能有效适用于低风速区风机的问题,提出一种改进的风速预测方法。先使用聚类算法对风速原数据进行分类,再对分类后的数据使用LSTM进行训练。并提出两种不同训练模型,对比两种模型与传统LSTM预测算法,结果表明精度均有提升,且当基础数据量较小时可以选择同一模型进行训练,而数据量较大时则应选择分类模型。

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

数字孪生技术在移动通信中的应用技术研究

针对我国移动通信互联终端用户越来越多,造成通信网络故障率较高,且检测难度大的问题,设计了一个基于数字孪生技术在移动通信中的故障检测系统。利用数字孪生技术实现对移动通信的各应用层创建数字世界;通过持续监控真实物理系统并使用大数据分析和机器学习来预测现实世界中发生的故障问题;利用生成对抗网络算法对转化到数字孪生技术内的移动通信数据进行计算检测,从而改善持续运营的问题。另外通过长短期记忆网络算法对整个故障识别模块进行改进,利用长短期记忆网络算法对历史数据智能存储的特点,达到对整个通信网络故障特征的提取,提高故障检测的效率和准确度。试验结果表明,系统技术核算的数据、误差率在可接受范围内,为其他技术研究奠定基础。

基于多数据源融合的电网故障判别与告警技术研究

针对国家电网故障判别误差率较高的问题,设计一种基于多数据源融合的电网故障判别与告警方案。利用最大离散小波变换技术和长短期记忆网络算法结合的方法提高电网故障判别与告警能力;利用最大重叠离散小波变换技术具有的扩充冗余自成正交特性对故障类型进行划分;将长短期记忆网络算法由单向进程转为双向网络,避免了反馈传输过程中的网络层无法得到合适的偏导数等梯度消失情况。试验结果表明,通过所提算法进行数据质量核查的准确度高达九成以上,表明所提研究系统对解决提升故障判别准确度的提升具有较强的实用性、优越性。

基于LSTM算法的高压交联电缆线路振荡波局部放电检测方法

高压交联电缆线路承担的高电压、大容量电力输送任务存在复杂性。针对线路振荡波局部放电检测准确度较差,难以进行缺陷定位的问题,提出基于长短期记忆(LSTM)网络算法的高压交联电缆线路振荡波局部放电检测方法。应用振荡波电压法搭建高压交联电缆线路振荡波局部放电检测框架。基于小波包分解算法,提取典型局部放电信号特征,通过LSTM网络算法识别与检测振荡波局部放电信号,消除局部放电信号中的噪声。根据原始振荡波与反射振荡波到达测试端的时间差,结合振荡波传播速度,确定高压交联电缆线路缺陷位置,实现电缆线路振荡波的局部放电检测。试验结果表明,所提方法的局部放电信号识别准确度更高,电缆线路缺陷定位更精准,实际应用性能较佳。

基于深度学习的集群式供应链应急物资需求预测研究

在突发事件和大数据情景下,建立基于数据流模糊C均值聚类算法的集群式供应链应急物资需求重要度决策算法,有助于辨识集群式供应链子系统应急物资需求的重要程度。针对集群式供应链中各子供应链之间的耦合特性和预测指标的快速变化数据流特征,提出基于长短期记忆网络的集群式供应链应急物资需求动态预测算法,提取集群式供应链多个子系统应急物资需求参数的时序特征,动态地、分布地对互联大系统的应急物资需求不确定性进行系统辨识估计。仿真实验结果表明了基于长短期记忆网络的集群式供应链互联大系统应急物资需求动态预测算法的可行性和精确性。

基于LSTM的TTE网络速率约束流量预测

时间触发以太网(TTE)中的速率约束(RC)流量为事件触发流量,在RC流量动态调度的应用场景下,若能预测未来短时间内数条RC流量到达交换节点的序列,使交换节点提前进行调度决策,以减小RC流量时延,提高网络吞吐量。对RC流量到达序列预测问题进行了研究,建立了RC流量的到达序列模型,提出了基于长短期记忆网络(LSTM)算法的RC流量预测算法。利用OMNET++工具进行TTE网络仿真,得到多组混合关键性配置下RC流量的传输数据;以此作为输入样本对预测算法进行训练和测试。实验结果显示,LSTM算法在RC流量预测问题的准确率达到了70%以上。通过对比实验说明所提算法适用于RC流量预测场景。

基于数据驱动的移动目标卫星任务规划

卫星任务规划是卫星地球观测的重要前提。传统的卫星任务规划主要针对固定地面目标,不能满足日益复杂的任务需求。针对移动目标的卫星观测任务,提出了一种基于数据驱动的移动目标卫星任务规划方法。该方法在大量的移动目标数据的基础上,通过改进的长短期记忆神经网络算法预测了目标的未来轨迹和位置信息,并通过约束满足型遗传算法规划了基于预测算法结果的移动目标卫星观测任务。鉴于移动目标观测中约束和任务冲突的复杂性,约束满足型遗传算法以条件形式将约束嵌入到遗传算法中,并在算法中特别设计了冲突消除算子以解决任务冲突问题。仿真结果证明了该方法在解决移动目标卫星任务规划问题上具有优良的效率,并获得了很高的观测精度。

地铁车站深基坑开挖变形智能多步预测方法

为更好预测深基坑开挖期间地下连续墙的侧向位移变形,基于长短期记忆神经网络(LSTM)智能算法理论构建了LSTM多步预测模型.首先对多步预测模型的多输出策略进行论述,其次详细介绍了LSTM多步预测模型的构建方法,并对模型输入集空间维度和时间维度两项超参数进行探究,以提高模型的预测准确度.最后依托某富水砂土深基坑工程实例,分析了模型预测值与实际监测值的差异.3个典型监测点的数据分析结果表明LSTM多步预测模型具有较强的泛化能力,相关算法对深基坑开挖变形预测方法的改进优化具有参考价值.

恶劣环境条件下海外天然气管道站场事故演化知识图谱建模及预警方法

近年来恶劣环境条件(雷电、风、雨)频发,给长输油气管道尤其是海外油气管道的长期安全运行带来了重大威胁。海外油气管道的运行与应急救援面临着恶劣环境条件下的管道风险事故数据不足、跨国协同较为困难等问题。为解决当前管道事故预警模型过于依赖现场运行数据或事故相关数据的情况,该文利用恶劣环境条件下的天然气管道站场有限的事故文本数据,提出了一种基于知识图谱的站场事故演化预警模型。该模型采用双向长短期记忆网络-条件随机场算法(Bi-LSTM-CRF)对站场事故文本进行因果关系抽取,并加入了文本特征以增强抽取效果,然后利用Neo4j图数据库根据因果关系抽取的结果,建立了恶劣环境条件下海外天然气管道站场事故演化知识图谱。结果表明:相较于传统长输管道站场事故预警方法,该文所提出的基于知识图谱的站场事故预警模型不仅能够实现站场事故的预警,还能够实现对事故的路径预测以及事故应急决策推荐。这证明了该预警模型不仅可用性好,还能够有效地帮助海外天然气管道站场安全管理人员进行准确的风险控制与事故预防。