基于Bo-BiLSTM网络的IGBT老化失效预测方法

针对绝缘栅双极型晶体管(IGBT)受热应力冲击后对其进行老化失效预测精度不高的情况,提出一种基于贝叶斯优化(Bo)-双向长短期记忆(BiLSTM)网络的IGBT老化失效预测方法。首先分析IGBT模块老化失效原理,然后基于NASA老化实验数据集建立失效特征数据库,最后利用Matlab软件构造Bo-BiLSTM网络预测失效特征参数数据。选取常用回归预测性能评估指标将长短期记忆(LSTM)网络模型、BiLSTM网络模型与Bo-BiLSTM网络模型的预测结果进行对比分析。结果表明,Bo-BiLSTM网络的模型拟合精度更高,基于Bo-BiLSTM网络的IGBT老化失效预测方法具有较好的预测效果,能够应用于IGBT的失效预测。

基于BiLSTM网络与误差修正的超短期负荷预测

电力负荷预测对于电力系统电量供需平衡、经济运行具有重要意义,电力负荷具有随机性、波动性等不确定性特征且易受天气因素影响,负荷准确预测存在技术挑战。提出了一种基于双向长短期记忆(BiLSTM)神经网络与误差修正的超短期负荷预测模型,采用最大信息系数描述各影响因素与负荷的关系,并进一步对输入特征进行筛选;考虑负荷变量数值序列的时序性,利用BiLSTM网络建立负荷预测模型,针对预测结果误差,采用自适应噪声的完备集合经验模态分解(CEEMDAN)算法将误差结果序列分解为若干分量,每个误差分量分别再建立BiLSTM预测模型。以我国北方某地区配电网实际负荷数据为算例,采用不同神经网络模型进行对比测试,结果表明该模型具有更高的准确度。

基于BiLSTM神经网络的多服务器门限服务系统性能分析

为了满足运行速度快、时延低、性能好、公平性好等特点,提出了多服务器门限服务系统,并利用BiLSTM(Bi-direc-tional Long Short-Term Memory)神经网络对其进行预测分析,使用多服务器接入方式来降低网络时延,改善系统性能。多个服务器调度时,可以采用同步和异步两种方式。首先,研究多服务器门限服务的系统模型。其次,在单服务器的基础上,利用嵌入马尔可夫链和概率母函数的分析方法对多服务器门限服务的平均排队队长、平均循环周期和平均时延进行求解;同时,利用Matlab进行仿真实验,分别将单服务器系统与多服务器系统的理论值与仿真值进行系统分析,对比多服务器同步和异步两种方式。最后,构建BiLSTM神经网络来预测多服务器系统的性能。实验结果表明,该多服务器系统异步方式优于同步和单服务器系统,多服务器异步系统的性能更好,时延更低,效率更高。综合对比多服务器的3种基本服务系统,在保证公平性的情况下,门限服务系统更加稳定。并且使用BiLSTM神经网络预测算法能够准确预测系统的性能,提高计算效率,对轮询系统的性能评价具有指导意义。

基于改进DBO优化BiLSTM的IGBT老化预测模型

为了表征逆变器故障中IGBT模块的老化趋势,提高老化过程的预测精度,本文提出一种基于改进蜣螂搜索算法(IDBO)优化双向长短期神经网络(BiLSTM)超参数的IGBT老化预测模型。首先提取老化过程中Vce.on的时频域特征,利用核主成分分析进行降维构建归一化综合指标。其次,针对蜣螂搜索算法(DBO)的不足,通过引入改进Circle混沌映射、Levy飞行和自适应权重因子提升了DBO寻优能力和收敛性能,利用IDBO对BiLSTM预测模型超参数实现全局寻优。最后,通过实际IGBT退化数据验证了基于IDBO优化BiLSTM老化预测模型的有效性和优越性。结果表明,所构建的IDBO-BiLSTM模型与BiLSTM模型相比RMSE平均下降36.42%、MAE平均下降31.77%、MAPE平均下降41.03%。

基于自注意力机制和改进的K-BiLSTM的水产养殖水体溶解氧含量预测模型

为精确预测水产养殖水体溶解氧含量,本研究提出一种基于自注意力机制(ATTN)和改进的K-means聚类-基于残差和批标准化(BN)的双向长短期记忆网络(BiLSTM)的水产养殖水体溶解氧含量预测模型。首先,根据环境数据的相似性,使用改进的K-means算法将数据划分成若干个类别;然后,在BiLSTM基础上构建残差连接和加入BN完成高层次特征提取,利用BiLSTM的长期记忆能力保存特征信息;最后,引入自注意力机制突出不同时间节点数据特征的重要性,进一步提升模型的性能。试验结果表明,本研究提出的基于自注意力机制和改进的K-BiLSTM模型的平均绝对误差为0.238、均方根误差为0.322、平均绝对百分比误差为0.035,与单一的BP模型、CNN-LSTM模型、传统的K-means-基于残差和BN的BiLSTM-ATTN等模型相比具有更优的预测性能和泛化能力。

一种采用记忆神经网络和曲线形状修正的负荷预测方法

针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输入特征的筛选;综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性,结合Attention机制和双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络建立负荷峰值预测模型。在负荷标幺曲线预测中,通过误差倒数法组合相似日和相邻日,建立负荷标幺曲线预测模型;针对预测偏差的非平稳特征,利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型,对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例,验证了所提模型的有效性。

基于RF-BiLSTM神经网络的多时次土壤水分动态预测

为探究土壤水分变化特征,提高土壤水分的预测准确率,提出基于随机森林与双向长短期记忆神经网络结合的土壤水分预测方法(RF-BiLSTM),采用三亚国家气候观象台2016-2021年10 cm深度的土壤体积含水量小时数据和同期7个气象要素(气温、地面温度、10 cm地温、日照时数、相对湿度、降水量、蒸发量)资料,开展多时次土壤水分预测。结果表明,RF-BiLSTM模型对6、12、24、48 h后的土壤体积含水量预测平均绝对误差(MAE)分别为0.462%、0.702%、0.889%、1.282%,决定系数(R2)分别为0.983、0.967、0.951、0.913,准确率均高于长短期记忆神经网络模型、BP神经网络模型。

基于1DCNN-BiLSTM的端到端滚动轴承故障诊断方法

针对滚动轴承早期故障诊断时时频域特征选取主观性强、时序特征信息利用不足等问题,提出一种基于卷积神经网络和双向长短时记忆神经网络的滚动轴承早期故障诊断方法。采用卷积神经网络提取原始振动信号特征,并在卷积层后引入批正则化层,以消除数据的不规则性对权重优化的影响,并通过扩展首层卷积层和调整步长以提高特征提取效率。引入双向长短时记忆神经网络提升卷积神经网络对时序特征的提取能力,通过批正则化层和Dropout层增强模型的鲁棒性和减少神经元与神经元之间的依赖关系。最后,通过滚动轴承试验数据对文中方法进行验证。结果表明:与传统方法相比,文中方法不仅训练速度更快,而且故障诊断准确率也大幅提高。

融合投资者情绪的S_AM_BiLSTM股价预测模型

股票价格预测一直是金融领域的研究热点之一。然而,股票价格的形成机制是相当复杂的,各种因素都可能会导致股票价格的变化。为此,提出了一种基于深度学习方法并融合多源数据和投资者情绪的股票价格预测混合模型(S_AM_BiLSTM)。利用文本卷积神经网络(TextCNN)对从股票论坛中提取的投资者评论进行情绪分析,并计算情绪指数。将情绪指数(sentiment)、技术指标和股票历史交易数据作为股价预测模型的特征集,采用双向长短时记忆神经网络(BiLSTM)对股票的收盘价进行预测,并在此基础上加入注意力机制(attention mechanism),提高预测精度。为了证明模型的有效性和适用性,随机选取4个重点行业的股票进行实证研究。实验结果表明,与其他单一模型和不含情绪因子的模型相比,所提出的混合模型的效果更优越。

基于1DCNN-BiLSTM-BiGRU的电能质量扰动分类方法

为了应对电能质量扰动(PQD)识别中噪声干扰导致的识别率下降问题,本文提出一种基于一维卷积神经网络(1DCNN)-双向长短期记忆(BiLSTM)网络-双向门控循环单元(BiGRU)的PQD分类方法。该方法首先借助1DCNN有效地提取原始信号的浅层局部特征,然后通过BiLSTM和BiGRU组合模块对时序信息和上下文关系进行深入处理,从而实现深层时序特征的提取。最后,将所提取的特征经分类模块用于PQD识别。仿真结果表明,与传统方法相比,本文所提方法在准确性方面更具优势,且抗噪声能力更强。

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SSA-BiLSTM非线性组合方法的光伏功率预测

采用多种模型进行线性组合来对光伏功率预测,能有效避免收敛性差、可靠性低等缺点。线性组合模型中,将单一模型之间简为线性关系能简化组合模型计算,但会使预测精度降低。针对此问题,提出一种基于麻雀搜索算法(SSA)优化双向长短期记忆网络(BiLSTM)非线性组合方法的预测模型。首先,利用基于核改进的模糊C均值聚类算法(KFCM)和变分模态分解(VMD)对原始数据样本进行预处理;然后,采用Elman和SSA-BiLSTM对经过预处理后的光伏功率进行建模预测;最后,通过麻雀搜索算法优化双向长短期记忆网络对两个单一模型进行非线性组合,建立短期光伏功率非线性组合模型。通过某个光伏电站实测数据建立对比算例,结果表明所提组合模型在不同天气下的RMSE和MAE平均值分别为0.689 kW和0.540 kW,均优于其他对比模型,验证了所提组合模型的有效性和优越性。

基于SVM-CEEMDAN-BiLSTM模型的日降水量预测

针对日尺度降水序列中极大值与无雨日预测精度低的问题,提出基于支持向量机(SVM)、完全集合经验模态分解(CEEMDAN)和双向长短期记忆神经网络(BiLSTM)的降水预测耦合模型。将提出的模型应用于鄱阳湖流域景德镇站和赣县站2个典型站点的日降水量预测中,并与各种传统模型组合的预测结果进行了对比。结果表明:耦合模型的降水预测结果与实测结果基本一致且精度最高,为日尺度降水量预测中极大值与无雨日预测精度低的问题提供了一种解决参考。

基于RF-BiLSTM的柔直阀冷入阀水温预测及冷却能力评估

为实现柔性直流(voltage sourced converter-high voltage direct current,VSC-HVDC)换流阀冷却系统入阀水温的智能预测,文中提出一种基于随机森林(random forest,RF)和双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络混合的柔直换流阀冷却系统入阀水温的预测模型,并以此为基础对柔直换流站阀冷系统的冷却能力进行评估。首先,采用RF算法对由阀冷系统监测变量组成的高维特征集进行重要性分析,筛选出影响入阀水温的重要特征,与历史入阀水温构成输入特征向量。然后,将特征向量输入到BiLSTM预测模型,对模型进行训练并实现对入阀水温的准确预测和冷却能力定量评估。最后,以广东电网某柔直换流站为实例对所提方法进行分析,验证了所提出的基于RF-BiLSTM的混合模型预测精度优于BiLSTM模型、RF模型、支持向量机(support vector machine,SVM)模型和自回归滑动平均模型(auto-regressive and moving average,ARMA)模型,并且实现了冷却能力的定量评估。结果表明该换流站冷却裕量达98%,存在过度冷却、能源浪费的问题,与换流站现场运行情况相符,验证了文中所提方法的有效性和准确性。

基于注意力与神经网络的视频流行度预测模型

针对传统预测算法预测精度低及难以处理多变量的时序数据等缺点,文章提出一种采用双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络和时间模式注意力(temporal pattern attention,TPA)机制相结合的视频流行度预测模型。双向长短期记忆网络从视频流行度时间序列的正向和反向提取时间特征,时间模式注意力机制从双向长短期记忆网络输出状态的深层特征提取时间模式,有利于视频流行度预测。真实视频数据的实验结果表明,与经典时序预测方法相比,TPA-BiLSTM模型能够有效地降低预测的误差,提高预测的准确性。

基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果

准确识别地层注水情况是油田开发的重要前提,对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水,提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法,该方法首先将卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirection long short-term memory,BiLSTM)进行联合,用于捕获注水流量的复杂非线性时空关系,然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题,提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验。结果表明:所提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和决定系数(coefficient of determination,R 2)分别为0.027、0.043、9.936和0.968,通过多种模型对比,表明该方法具有较高的预测精度,可以更准确地预测注水流量。采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据,从而为油田智能化开发提供理论依据。

一种基于PCA-IPSO的BiLSTM神经网络预测PM

目前空气污染严重,为了实时监测空气质量,保证人们的生活健康,提出了一种新的神经网络预测模型来提高PM;的预测精度。通过PCA降维缩减数据的维度简化数据,将PSO的惯性权重从线性减小改进成非线性变化,再将加速因子从固定值进行线性变化,动态地调整了粒子的局部寻优和全局寻优,并且在原有的基础上加入了遗传算法的变异操作,进行自适应变异,避免其陷入局部最优,并对粒子的适应度函数做改进。采用改进的PSO算法优化BiLSTM结构的迭代次数、学习率、两个隐含层的节点数,构成PCA-IPSO-BiLSTM神经网络预测模型。最后将该预测模型与PCA-PSO-BiLSTM、PSOBiLSTM预测模型进行对比,结果表明该预测模型的优化性能最好,预测精度更高,在预测PM;浓度值上有巨大的使用价值。

基于贝叶斯优化BiLSTM模型的输电塔损伤识别

结构的加速度响应可以反映结构的状态信息,蕴含结构的损伤特征。针对目前输电塔健康监测系统产生大量数据而无法有效分析和诊断输电塔损伤的问题,利用结构输出加速度响应数据的时序关系,提出了基于双向长短时记忆网络(bi-directional long and short-term memory,BiLSTM)的损伤识别方法,并采用概率寻优方法贝叶斯优化(Bayesian optimization,BO)确定网络模型超参数。首先描述了BiLSTM的基本原理,给出基于贝叶斯优化的超参数选取策略,从而提出了基于BO-BiLSTM模型的损伤识别方法。然后使用该方法对输电塔有限元模型进行了损伤定位与模式识别,测试集的整体识别准确率达到94.2%。为了验证该方法对实际结构的损伤识别效果,提出基于异源数据的损伤识别方式:将输电塔有限元模型数据作为模型训练的样本训练BO-BiLSTM模型,使用试验数据用作验证集检验损伤识别效果。识别结果表明BO-BiLSTM可以较为准确的识别真实结构的损伤情况,识别效果较BiLSTM以及BO-LSTM更稳定。

基于KPCA和BiLSTM的分解炉出口温度预测

水泥生产过程中,分解炉出口温度是非常重要的工艺参数,为了应对出口温度变量的多样性,文章提出一种核主成分分析(kernel principal component analysis,KPCA)与双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的,将降维后的主成分作为BiLSTM神经网络的输入,分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练,得到分解炉出口温度预测模型。通过对比验证表明,使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。

融合CNN-BiLSTM-Attention的集成学习价格预测

价格预测对于大宗农产品市场的稳定具有重要意义,但是大宗农产品价格与多种因素有着复杂的相关关系.针对当前价格预测中对数据完整性依赖性强与单一模型难以全面利用多种数据特征等问题,提出了一种将基于注意力机制的卷积双向长短期记忆神经网络(CNN-BiLSTM-Attention)、支持向量机回归(SVR)与LightGBM组合的增强式集成学习方法,并分别在包含历史交易、天气、汇率、油价等多种特征数据的数据集上进行了实验.实验以小麦和棉花价格预测为目标任务,使用互信息法进行特征选择,选择误差较低的CNN-BiLSTM-Attention模型作为基模型,与机器学习模型通过线性回归进行增强式集成学习.实验结果表明该集成学习方法在小麦及棉花数据集上预测结果的均方根误差(RMSE)值分别为12.812, 74.365,较之3个基模型分别降低11.00%, 0.94%、4.44%,1.99%与13.03%, 4.39%,能够有效降低价格预测的误差.