基于Attention-LSTM的电力负荷自动预测方法

电力负荷预测方法异常数据筛选能力较差,导致预测精度较低,为此,基于Attention-LSTM研究一种新的电力负荷自动预测方法,构建ZigBee组网协议下的数据采集信息组网,采集电力负荷原始数据,建立自动预测模型,将电力负荷数据输入到数据处理模块中,构建模态序列,将各个子序列中的模态分量结果重组叠加,得到电力负荷功率的预测结果。实验结果表明,该方法能够筛选出绝大部分异常数据,异常数据筛选率在90%以上,预测精度在99%以上,预测时间低于15 s。

融合PMV物理方程和Attention-LSTM神经网络的铁路客站旅客舒适度模型研究

铁路客站的舒适度直接关系着旅客的出行体验和满意度。选取聊城西站作为研究对象,采用PMV物理方程、Attention-LSTM神经网络模型以及PMV&Attention-LSTM融合模型3种方法,针对旅客舒适度开展综合评估与分析。在模型构建过程中,运用了标准化处理、数据集划分、网格搜索交叉验证等技术寻找最佳超参数,并记录了训练过程中的损失函数和均方误差。在模型预测中,充分考虑了温度、湿度、风速、空气质量、二氧化碳、光照、噪声等环境因素对旅客舒适度的影响。对比3种预测方法,结果显示,融合模型在考虑多维环境数据时可更准确地反映舒适度水平,表明该模型更适应铁路客站的复杂环境条件,可为提高候车厅舒适性提供更为可靠的参考依据。

基于Attention-LSTM的分布式光伏超短期发电功率预测

现有光伏功率预测方法聚焦于集中式光伏且多依赖气象数据,然而分布式光伏不具备良好的气象数据,因此现有光伏预测方法难以应用于分布式光伏。值得注意的是,分布式光伏位置邻近,处于相似的外部环境下,场站间出力具有强时空相关性。充分利用场站间的相关性有助于进一步提高功率预测精度。因此,该文提出了一种基于Attention-LSTM的分布式光伏超短期发电功率预测模型,该模型将目标场站与多个邻近场站的出力数据作为输入,通过Attention-LSTM挖掘各场站出力的相关性,以提高目标场站功率预测精度。该文通过实际的数据集验证了所提出的方法的有效性。

计及新能源接入的地区电网人工智能无功优化

为了提升用户用电质量,降低系统网损,改善电压质量,针对传统AVC系统控制手段单一、控制灵敏度计算不完备、无功装置动作频繁、应对电压频繁波动存在控制盲区等问题,该文提出一种基于Attention-LSTM算法的在线无功优化模型。利用Attention-LSTM算法挖掘电气特征与电压的非线性关系,再综合考虑降低电压偏差、减少动作次数及提高光伏无功利用率等因素,并根据地区电网电压偏差和波动的优化目标,建立了光伏、变压器、电容器高效协同配合的电压无功优化控制模型。最后以江苏某地区配电系统为实例,进行仿真及实验验证,结果表明了所提方法的有效性和实用性。

北京东部平原区地面沉降时空演化特征及预测

地面沉降是地表高程下降的一种自然地质现象,若发生在人口密集、社会发展程度较高的城市,将对城市基础设施具有严重的破坏性,威胁着城市安全。地面沉降演化特征分析可以反映其对地面基础设施的影响程度,建立一个高效的地面沉降预测模型对于地面沉降的防治和保障城市安全有着重要意义。首先,利用永久散射体合成孔径雷达干涉测量方法(persistent scatterer interferometric synthetic aperture Radar,PS-InSAR)获取到地面沉降时空信息,且与水准验证得到较高的精度。其次,利用经验正交函数对地面沉降场整体时空特性进行分析,发现研究区域空间模态1方差贡献率很大,几乎代表研究区域空间的整体演化情况,对应时间系数线性趋势显著;模态2有一定的方差贡献率,但占比很小,对应的时间系数季节性显著。最后,分别利用长短期记忆(long short term memory,LSTM)与嵌入注意机制的长短期记忆(Attention-LSTM)模型对区域地面沉降进行时序预测,发现Attention-LSTM模型优于LSTM模型,其均方误差损失函数(mean square error loss,MSE-loss)可低至0.01。该预测方法扩大了深度学习在地面沉降研究方面的应用。

Towards Mining Public Opinion: An Attention-Based Long Short Term Memory Network Using Transfer Learning

The Internet provides a large number of tools and resources, such as social media sites, online newsgroups, blogs, electronic forums, virtual communities, and online travel sites, for consumers to express their views or opinions regarding various issues. These opinions can help organizations like tourism to improve their products and services for their consumers. Opinion mining refers to a process of identifying emotions by applying Natural Language Processing (NLP) techniques to a pool of texts. This paper mainly focuses on mining public opinion from the hotel reviews domain. To do so, we proposed a novel technique called the Attention-Based Long Short Term Memory (Attention-LSTM) Network using a transfer learning approach. We empirically analyzed several machine learning and deep learning methods and observed our proposed technique provided an adequate performance for mining public opinion in the hotel reviews domain.

基于深度学习的科技文献摘要结构要素自动抽取方法研究

【目的】构建基于深度学习的科技文献非结构式摘要结构要素自动抽取方法。【方法】以结构式摘要为训练样本,采用LSTM、Attention机制等深度学习方法训练模型,自动抽取非结构式摘要中的"目的""方法""结果"三种结构要素,并对摘要进行结构化。【结果】该方法对非结构式摘要中的"目的""方法""结果"三种结构要素抽取的F值分别为0.951、0.916、0.960。【局限】深度学习可解释性相对较弱。【结论】该方法在非结构式摘要的结构要素自动抽取和摘要结构化方面具有良好的准确性。