基于K均值聚类算法和LSTM神经网络的管道腐蚀阶段预测方法

针对声发射检测获得的管道腐蚀信号,提出了一种基于K均值(K-means)聚类算法和长短期记忆(LSTM)神经网络的管道腐蚀阶段预测方法。首先,利用K-means聚类算法将腐蚀信号分类,再构建LSTM神经网络模型,并采取了无监督学习的方式,以声发射波形为出发点,对模型进行参数优化,最后进行管道腐蚀阶段预测,并根据评价指标对模型进行评价。研究表明:对LSTM神经网络模型适当增加隐藏层,可以使得模型更加稳定,鲁棒性更好;与现有故障诊断模型相比,LSTM神经网络模型的精度更高。

基于VMDT-POA-DELM-GPR的两阶段短期负荷预测

针对传统负荷预测方法精度不高的问题,为准确捕捉到负荷数据波动的规律,提出了一种两阶段负荷预测方法。第1阶段首先用变分模态分解(VMD)对原始负荷序列进行分解,得到分解处理后的残差分量,再采用时变滤波经验模态分解(TVF-EMD)方法进行特征提取;然后对全部子序列分别建立深度极限学习机(DELM)模型,同时利用鹈鹕优化算法(POA)进行参数寻优,叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM模型对误差分量进行预测;然后将第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR)模型中,得到负荷最终的预测结果。结果表明,两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE)分别为对比模型的4%~77%、4%~76%,而平均百分比误差(MAPE)仅为0.0678%,可有效提高电力负荷的预测精度。

一种适用于模块化多电平换流器的多阶段模型预测控制方法

模块化多电平换流器(MMC)具有可扩展性强、输出电能质量高等优点,在电能传输领域受到了广泛的关注。针对传统模型预测控制权重因子设计复杂、桥臂环流谐波分量大等问题,文中提出了一种多阶段模型预测控制(MSMPC)方法。所提出MSMPC方法包括三个阶段:1)第一阶段获得输出电流跟踪的参考控制选项,实现交流电流控制;2)第二阶段通过引入两个环流因子来计算前阶段控制中上、下桥臂的子模块(SMs)的最优数量;3)第三阶段提出一种子模块预测电压分组排序方法,可有效减少电压排序次数和降低开关频率。与传统的MPC方法相比,所提出的MSMPC方法避免了权重因子设计,提高了环流抑制的性能,同时降低了控制器的计算量。通过仿真和实验结果验证了所提MSMPC方法的有效性。

基于四阶段预测法的道路工程交通量预测与应用

为了在项目可行性研究阶段提供合理有效的交通预测数据,研究采用四阶段预测法,对拟建工程进行交通量预测。首先在分析四阶段预测法的总体思路、拟建项目基本情况和现场交通现状基础上,对交通量进行预测;其次,分别对交通发展、居民出行、机动车、非机动车和行人出行进行预测,最后研究交通分配的结果。通过研究可知,随着年份的增长,路段交通量也在得到逐年的递增,并根据交通量对道路采用单向2车道进行设计。

蛋白质结构预测的理论方法及阶段

一直以来,蛋白质结构预测都是人们研究的焦点,综述了蛋白质结构预测的几种理论方法和不同阶段。

基于少数据样本的滚动轴承寿命分段预测方法

针对少数据样本下,滚动轴承难以准确预测剩余使用寿命(RUL)的问题,提出了一种结合卷积长短期记忆网络(ConvLSTM)与对抗性判别域自适应网络(ADDA)的轴承寿命分段预测方法。首先,利用稀疏概率自注意力机制对特征集进行了筛选,提取了具有时变性的特征集,以获取最优全局特征,确定分段点以作为ADDA模型的输入;然后,针对不同阶段的退化特点建立了相应的健康评估指标;对处于健康状态的轴承,利用ConvLSTM网络预测了轴承健康阶段的寿命,将健康阶段预测数据作为局部特征输入ADDA网络与最优特征集(全局特征),进行了对抗训练,以实现故障阶段的寿命预测,并使用全连接层输出滚动轴承的预测剩余使用寿命;最后,采用PHM2012数据集与工程试验数据分别对模型进行了验证。研究结果表明:相较于ConvLSTM模型、RNN-HI模型、CNN-LSTM模型,ConvLSTM-ADDA寿命预测方法的平均绝对误差分别降低了78.16%、53.14%、67.13%,平均得分分别提高了66.42%、92.81%、32.37%;相较于LSTM模型、CNN-LSTM模型以及Transformer模型,ConvLSTM-ADDA寿命预测方法的均方误差分别降低了80.11%、54.95%、55.94%。因此,该算法模型能够实现对较少数据样本的轴承寿命进行RUL预测的目的,且具有较高的精度。

基于Halo注意力机制的双阶段临近降水预报网络

先前基于深度学习进行临近降水预报的方法试图在统一架构中建模雷达回波的时空演变,然而,这些方法可能难以完全捕捉到这种复杂的时空关系.本文提出了一种基于Halo注意力机制的双阶段临近降水预报网络,该网络将降水预测的时空演变过程分为运动趋势预测和空间外观重建两个阶段.首先,可学习光流模块对雷达回波的运动趋势进行建模并生成粗略的预测结果.其次,特征重建模块对历史雷达回波序列的空间外观变化建模并对粗粒度预测结果的空间外观进行特征细化重建,生成精细的雷达回波图.通过在CIKM数据集上的实验表明,本文所提出的方法与主流方法相比,平均的海德克技能得分和关键成功指数分别提高了4.60%和3.63%,达到了0.48和0.45;结构相似性提高了4.84%,达0.52;均方误差降低了6.13%,达70.23.

G112(千松梁至五道营段)交通量预测研究

为尽可能准确预测交通量,以国道G112千松梁至五道营段改建工程为例,在详细进行交通调查的基础上,采用四阶段预测法对未来交通量进行预测分析。分析结果表明,现状路段货车占比较高,且以中小型货车为主,客车则以小客车为主;未来货车占比将逐年下降,而客车占比将相应上升。

智能电网条件下的两阶段电力需求预测模型研究

智能电网因其具有与传统电网不同的特征,复杂化了电力需求的预测过程,传统的电力需求预测方法已不再适用。考虑到智能电网下电网与用户的'友好互动'和实时电价的实施,建立了两阶段的电力需求预测模型。第一阶段是不考虑电价的变化预测典型日负荷需求;第二阶段是在第一阶段的基础上考虑每时刻电价变化所带来的负荷转移,修正第一阶段的预测结果。算例研究表明,该模型能较好地反应出实时电价下用户的需求响应及需求响应所带来的负荷转移。

利用粗糙集的滑坡分阶段位移预测方法——以白家包滑坡为例

为解决大数据量下滑坡的位移数值精确预测,采用数据挖掘技术对滑坡多源监测数据进行预处理,进而采取粗糙集理论对输入变量集进行定量评价、约减并完成滑坡变形阶段预测,在此基础上利用不同算法进行滑坡变形位移数值预测。实验显示,粗糙集对滑坡变形阶段划分的准确度达到96.5%,在此基础上利用分类回归树预测滑坡位移的精度达到6.5mm。结果表明,分阶段的位移预测方法是可行的,其提供的预测精度显著优于普通方法并且达到了工程应用的需求。

冬小麦产量分阶段预测模型

为了解决冬小麦估产的时效性和运行化问题,通过对河北省玉田县2007～2009年冬小麦的连续监测,在不同生育期(抽穗期、灌浆期和收获期)对其产量构成三因子(穗数、粒数和粒质量)进行实地抽样测定,并结合冬小麦各个生长发育期的生理生态特点,建立相应的分阶段单产预测模型。试验发现,单因子模型的应用,可使冬小麦估产的预报时间提前到抽穗期,其拟合精度可达到88%以上。双因子模型的应用可使预报时间提前到抽穗后期至灌浆期,模型拟合精度大于90%;结果表明,冬小麦分阶段预产模型可以作为县级区域农业遥感业务化运行系统的基础,增强农业遥感监测产量的预警能力。

西安地面沉降及地裂缝阶段预测

地面沉降及地裂缝可视其为复合地质灾害现象。二者性质不同,但就其发展阶段或单旋回过程而言,皆可将其归并于有限系统。本文讨论了西安市小寨地面沉降带的地质背景,建立了泊松旋回预测方程,论证了二者的演化规律及其盛衰阶段。引入指数函数法,进行了沉降阶段的对比研究。根据历史记录,讨论了西安地裂缝兴衰与我国陆块板内地震活动的对应关系。

基于四阶段预测理论的公路交通量预测研究

区域公路交通量的科学预测是区域公路网规划的前提和基础.在分析了我国从1980年以来公路交通工具的变化后,指出今后应以小汽车作为公路交通量衡量的标准,在此基础上,运用四阶段预测分析理论,研究和建立了适合河南省特点的公路交通量预测模型和方法,对河南省公路交通量的需求生成、交通分布、交通方式的选择和交通分配进行了预测和分析,并用郑州—漯河高速公路、漯河—驻马店高速公路2007年交通量的实际数据进行验证,结果表明,采用四阶段分析预测理论建立的预测模型较好地预测了河南省的公路交通量.

神经网络与四阶段预测法在铁路运量预测中的组合应用研究

利用神经网络与四阶段预测法组合构造出新的交通量预测模型,以胶济铁路提速改造为例,就构造的客运量预测模型进行了应用研究。其中以平均增长率法计算客流量的交通分布;以重力模型法计算诱发客流;依据运输阻力构建的分担率模型计算转移客流;在计算诱发客流时考虑了时间价值。

滑坡及地面沉降单旋迴阶段预测

滑坡及地面沉降可视为有限体系.此类体系又可认其为有机体.一般其生命期包括孕育、成长,成熟。衰退乃至消亡阶段的共有生态特征.为了寻求其爆发或极盛时间,强调了其中的成熟阶段.藉助于发展的泊松旋迥和威布尔分布原理建立了相应的预测方程,拟合和预测了滑坡及地面沉降两者的单旋迥阶段.计论了其基本原理.对几个实例作了两者的阶段预测。研究了已有滑坡的反演,探讨了地面沉降的正演预测.

一种两阶段数量组合预测方法及实证

数量是决策中一个重要指标，对数量的掌握不但要了解现状而且要对其未来的发展趋势进行研究和预测。当前预测的方法很多，不同的预测对象适用不同的预测方法，方法的选择和应用是预测的一个难点和重点。本文首先梳理了现有数量预测方法的特点，然后设计了一个两阶段的组合预测方法，主要思路是采用常用预测方法，首先进行分阶段预测，考察各方法的拟合优度来筛选单项预测方法，确定单项预测方法后，选用组合预测提高预测精度。利用国家自然基金申请数据进行了实证研究，结果表明，该方法平均相对误差为0．04％，拟合精度较高，具有较好的应用价值。

基于油液分析的装备状态多阶段组合预测模型

状态预测是状态维修的关键步骤之一。针对装备状态变化规律复杂、特点难易准确掌握的关键问题,以延时时间概念和两阶段预知模型为基础,提出了根据不同阶段特点采用不同预测方法的多阶段组合预测模型。通过油液分析及其相关规定,对装备运行阶段进行了具体划分,给出了适应各阶段特点的预测方法。最后,通过实例验证了该模型的有效性。

基于类推和灰色模型的软件阶段成本预测

准确预测软件成本是软件工程领域最具挑战性的任务之一。软件开发固有的不确定性和风险性,使得仅仅在项目早期预测总成本是不够的,还需要在开发过程中持续预测各个阶段的成本,并根据变化趋势重新分配资源,以确保项目在规定的时间和预算内完成。由此,提出一种基于类推和灰色模型的软件阶段成本预测方法——AGSE(Analogy&Grey Model Based Software Stage Effort Estimation)。该杂交方法通过合并两种方法的预测值得到最终的预测结果,避免了单独使用其中一种方法预测时存在的局限性。在真实的软件项目数据集上的实验结果表明,AGSE的预测精度优于类推方法、GM(1,1)模型、GV方法、卡尔曼滤波和线性回归,显示出较大的潜力。

基于CEEMD-SSA-LSTM的园区综合能源系统两阶段优化调度

为提升综合能源系统中风电等清洁能源的利用率、减少碳排放,提出一种基于互补集合经验模态分解、麻雀搜索算法、长短期记忆网络的新能源两阶段出力预测的综合能源系统优化调度模型。首先,对历史数据进行互补集合经验模态分解,构建基于麻雀搜索算法优化的长短期记忆网络预测模型;其次,用此预测模型对风电、光伏功率分别进行日前、日内的两阶段功率预测;最后,以包含碳惩罚成本、弃风惩罚成本等因素的日最小运行成本为优化目标,构建基于风电、光伏出力预测结果的综合能源系统日前、日内两阶段调度模型,并通过CPLEX求解制定调度计划。以某园区为例进行仿真分析,结果表明,此两阶段模型使系统购能成本下降9.40%、碳排放惩罚成本减少14.05%,日运行总成本减少12.53%,有效提升了综合能源系统的经济和环保性能。