结合太阳辐射量计算与CNN-LSTM组合的光伏功率预测方法研究

为了提高模型预测性能,提出一种综合太阳辐射模型及深度学习的光伏功率预测模型。首先,利用太阳辐射机理建立太阳辐射模型(SRM),估算出水平面上总辐射值,再由斜面辐照度转换方法计算出光伏组件所接收的斜面辐射值。其次,通过皮尔逊相关分析法筛选出对光伏功率影响较大的主要因素,将斜面辐射计算值及主要影响因素作为输入,采用卷积神经网络(CNN)和长短期记忆网络(LSTM)建立光伏功率SRM-CNN-LSTM预测模型。分别利用春夏秋冬四季典型日的数据开展对比实验,结果表明:与几种其他方法相比,该文方法具有更好的预测效果。

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络(CNN-LSTM)相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络(CNN)、长短时记忆神经网络(LSTM)进行对比实验。结果表明:所提方法CNN-LSTM有着较高的预测准确度。

基于多源信息融合和WOA-CNN-LSTM的外脚手架隐患分类预警研究

面对施工现场外脚手架隐患信息的多样性,传统的基于传感器监测的单一信号预警研究存在容错力不佳、含有信息有限等问题。针对施工现场外脚手架“图像+监测”数据,提出一种基于数据层和特征层信息融合的脚手架隐患分类预警方法。首先,利用Revit三维建模软件建立外脚手架实体模型,对不同初始隐患下的外脚手架进行有限元分析,划分隐患预警等级;其次,利用无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)及卷积长短时记忆网络(Convolutional Neural Network-Long Short Term Memory Network,CNN-LSTM)实现脚手架同类信息数据层融合及异类信息特征层融合;最后,通过实时收集西安市某在建项目落地式双排扣件式钢管脚手架隐患信息,对其进行分类预警,并使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对CNN-LSTM网络进行参数优化,发现隐藏节点个数为30、学习率为0.0072、正则化系数为1×10^(-4)时分类效果最佳,优化后预警精度达到了91.4526%。通过可视化WOA-CNN-LSTM、CNN-LSTM、CNN-SVM(Support Vector Machine,支持向量机)及CNN-GRU(Gate Recurrent Unit,门控循环单元)分类预警结果,证实了优化后的CNN-LSTM网络在脚手架分类预警方面的优越性。

基于CF-CNN-LSTM模型的滑坡易发性评价

针对滑坡灾害样本选择以及深度学习模型中的长期依赖、梯度消失、退化等问题,提出了一种结合确定性系数法(certainty factor,CF)、卷积神经网络(convolution neural network,CNN)模型和长短期记忆神经网络(long short-term memory,LSTM)模型的CF-CNN-LSTM深度学习模型。以广西壮族自治区梧州市辖区为研究区,选取高程、坡度和坡向等13种滑坡评价因子,采用CF-CNN-LSTM模型对研究区进行滑坡易发性评价,并与CNN模型、LSTM模型、循环神经网络模型和逻辑回归模型进行对比,利用受试者工作特征曲线(receiver operating characteristic,ROC)、整体准确率等6种方法对模型预测精度进行评估。结果表明:CF-CNN-LSTM模型的ROC曲线的曲线下面积(area under curve,AUC)值为0.953,高于其它单一模型,同时其它5项评估指标均优于单一模型,证明CF-CNN-LSTM模型具有更高的精度,可用于梧州市辖区的滑坡易发性评价工作,能够对该区域的滑坡风险管理提供科学的建议。

基于CNN-LSTM和卷复制方法的高可用系统设计方法

针对单机服务器存在的单点故障问题,以及主备双机中存在的逻辑故障导致数据丢失的问题,设计了一种基于卷积和长短期记忆神经网络(CNN-LSTM)和卷复制方法的HA(High Availability)系统。系统至少包含两个节点,一个主节点以及一个或多个备用节点,主节点和备节点之间支持主备切换。每个服务器节点上包含4个模块,分别是负责接收配置信息与读写请求的代理模块;进行磁盘读写操作和重定向读写的磁盘I/O(输入输出)模块;负责主备节点间备份快照、映射表、数据块复制的卷复制模块以及基于CNN-LSTM进行状态检测的高可用模块。实验表明,该系统不仅可以解决单点故障问题,也可以解决主备双机集群中无法解决的逻辑错误问题;同时基于CNN-LSTM方法,自动针对服务器的运行健康状态进行分析和预测,可以根据预测结果自动通知管理员进行处理或自动进行主备切换。

基于迁移学习和CNN-LSTM的水轮机空化状态识别方法

针对水轮机空化声发射信号中包含较多噪声、依赖人工降噪与特征提取以及深度学习模型准确率极度依赖海量训练数据的问题,提出一种基于迁移学习和卷积神经网络-长短时记忆网络(CNN-LSTM)的水轮机空化状态识别方法。首先,将数据输入CNN中提取隐含特征;然后,在LSTM中提取特征隐含的时序信息并输出空化类型,通过训练网络参数建立基于CNN-LSTM的空化状态识别模型;最后,引入迁移学习对类似工况进行空化状态识别。结果表明:该模型能准确识别出3种不同的水轮机空化类型,其平均识别准确率达到较高水平;与传统深度学习模型相比,该模型在极少样本学习任务中的识别准确率具有明显优势。

基于CNN-LSTM-Attention的月生活需水预测研究

需水预测是进行水资源配置的重要部分,对于水资源合理开发利用和社会可持续发展有重要指导意义.本文以陕西省为研究区,结合大数据分析法,提出一种基于CNN-LSTM-Attention的月生活需水预测模型.首先,通过卷积神经网络(convolutional neural networks,CNN)提取数据动态变化特征,然后利用长短期记忆(long short-term memory,LSTM)网络对提取的特征进行学习训练,最后使用注意力(attention)机制分配LSTM隐含层不同权重,预测月生活需水量并对比实际数据.结果表明,CNN-LSTM-Attention模型的相对平均误差值和决定系数(R2)分别为2.54%、0.95,满足预测精度需求,相比于LSTM模型预测精度更高.进一步证明了模型预测的合理性,可为陕西省水资源规划提供指导.

SBAS-InSAR技术融合CNN-LSTM模型的矿区开采沉陷监测与预测

针对传统矿区开采沉陷监测方法耗费人力财力和预测预警模型较少的问题,研究提出一种基于短基线集合成孔径雷达干涉测量(Small Baseline Subset-Interferometry Synthetic Aperture Radar,SBAS-InSAR)技术和卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的矿区开采沉陷监测预测方法。首先,利用SBAS-InSAR技术对建新煤矿进行矿区开采沉陷监测,获取了该矿区的年平均沉降速率和累计沉降值。用GNSS监测数据与SBAS-InSAR结果进行对比验证,其拟合效果较好。其次,在此基础上利用CNN-LSTM模型预测后6期沉降数据,其结果与CNN和LSTM预测结果进行对比。研究显示,CNN-LSTM模型的平均绝对误差(S_(MAE))和均方根误差(S_(RMSE))比单一的CNN和LSTM分别至少降低了44.8%和40.6%,其决定系数均高于98%。最后,进一步预测前6期和中6期沉降数据,验证了CNN-LSTM预测模型在时间上的一致性。因此,SBAS-InSAR融合CNN-LSTM模型在类似矿山开采沉陷监测和预测中有较好的应用前景。

基于SDP和MCNN-LSTM的齿轮箱故障诊断方法

齿轮箱在长期使用过程中,不可避免地会产生齿轮故障和轴承故障,严重影响传动精度和设备运行安全。基于此,针对齿轮箱常见故障类型,研究多通道对称点图案(symmetrized dot pattern, SDP)数据处理方法,并利用最小能量误差法实现SDP关键参数的选取。结合多尺度卷积神经网络(multi-scale convolutional neural network, MCNN)的空间处理优势、长短时记忆网络(long short term memory, LSTM)的时间处理优势及其良好的抗噪性和鲁棒性,提出了一种基于SDP和MCNN-LSTM的齿轮箱故障诊断模型。同时利用东南大学齿轮箱数据集,验证了基于SDP和MCNN-LSTM的齿轮箱故障诊断方法对齿轮和轴承常见故障类型特征提取的有效性,并与现有其他故障诊断方法进行对比,结果表明了所提方法具有更高的精度。

基于CNN-LSTM混合神经网络的卷烟滤棒质量预测

为了在卷烟生产数据中挖掘出滤棒生产过程的有效信息,解决各批次产品质量检测困难的问题,结合卷积神经网络的特征提取能力与长短期记忆网络处理时序数据的有效性,提出了基于CNN-LSTM混合神经网络的卷烟滤棒质量预测模型。该模型通过卷积层提取输入数据的局部特征,然后在LSTM层中捕捉特征之间的时序关系,分层结构使其具有同时处理不同时间维度信息的能力,从而提升了预测精度。将滤棒的质量定义为圆周值与吸阻值两个物理量,利用卷烟厂6万余条实时生产数据进行模型训练和预测,结果表明:以平均绝对百分误差(MAPE)作为评价标准,圆周指标预测误差为0.078%,吸阻指标预测误差为1.42%,对比各类传统机器学习方法,CNN-LSTM混合神经网络表现出了更高的精确性。该方法可为快速准确地预测卷烟滤棒质量提供技术支持,提升烟草工业的自动化水平。

基于物联网和GCNN-LSTM的河流水文预测方法

针对河流水文存在预测精度不高的问题,利用物联网技术设计了分布式的降雨和水文信息自动采集系统,并提出了一种基于图卷积神经网络和长短期记忆网络模型对河流水位和径流量进行预测的方法;首先通过分析确定了影响河流水文的主要因素,将流域范围内的降雨量信息组成网格化的二维图形矩阵;然后提出了GCNN-LSTM预测模型,将含有降雨信息的二维图形矩阵作为网络模型的输入,获取该流域内降雨与水文变化的时空分布特征;最后采用所提出的GCNN-LSTM预测模型对河南省周口市段颍河的历史水文数据进行训练,再利用训练后的网络对测试集数据进行预测,得到了较高精度的径流量和水位结果,径流量预测结果的RMSE、MAPE和MAE分别仅为17.09 m^(3)/s、1.68%和8.57 m^(3)/s,水位预测结果的RMSE、MAPE和MAE分别仅为0.32 m、0.65%和0.29 m,与其他几种预测方法相比表现出了优越性,对科学合理利用水资源和防洪减灾具有重要意义。

基于CNN-LSTM电力消耗预测模型及系统开发

有效预测电能负荷,对提高电力负荷时间序列测量准确度及合理制定用电能管理措施具有重要意义。针对传统预测模型在电能负荷预测中无法充分挖掘时间序列数据中隐藏特征的问题,基于电能数据时间序列的趋势,融合数值信息提出一种卷积神经网络(convolutional neuralnetwork,CNN)与长期短期记忆循环神经网络(long short-term memory network,LSTM)相结合的混合多隐层CNN-LSTM电力能耗预测模型。首先,通过设定最小目标函数作为优化目标,Adam优化算法更新神经网络的权重,并对网络层和批大小进行自适应调优以确定最佳层数和批大小。其次,构建混合多隐层模型并进行隐层组合优化与讨论,确定最佳时间维度的参数,进行时间维度的特征学习进而预测下一时间序列的耗电量。然后以某公司的电力负荷数据为例进行验证,并与LSTM、CNN、RNN等模型的预测结果分析比较。结果表明上述混合多隐层模型预测准确度达98.94%,平均绝对误差(MAE)达到0.0066,均优于其他相关模型,证明以上混合预测模型在电力负荷预测精度方面具有更好的性能。基于上述理论,开发了能耗监控决策系统,实现设备状态实时监控和能耗智能预测功能,为解决传统制造业能耗需求不精确和能源库存浪费问题提供参考和指导。

基于改进CNN-LSTM和RF的铁水KR脱硫预测模型

为实现较高精度的脱硫剂加入量预测,有效提高生产效益,本文提出一种基于改进卷积神经网络(CNN)-长短期记忆(LSTM)网络和随机森林(RF)结合的铁水脱硫两步预测模型。考虑到模型输入数据的相关性,利用皮尔逊相关系数确定各输入参数的相关性并筛选特征。模型以CNN-LSTM为基础,增加卷积层和残差连接,在提高挖掘数据的高维特征信息的同时避免网络退化。为增加网络对特征的区分和关注能力,引入多头注意力机制,让网络更加关注特征中的重要信息。使用贝叶斯优化RF超参数构建误差预测模型从而实现残差推理,对改进的CNN-LSTM模型预测结果进行修正。以现场采集的数据进行实验,结果表明,与CNN-LSTM模型相比,本文模型的拟合精度R2提升了17.11%,平均绝对值误差MAE降低了24.85%,均方根误差RMSE降低了30.18%,平均绝对百分比误差MAPE降低了28.33%。

基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测

为解决变压器油中溶解气体实际监测数据中噪声信号对模型预测性能的影响以及单一长短期记忆神经网络(long short-term memory,LSTM)无法对数据间的深层特征进行有效提取的问题,提出了一种融合了相关变分模态分解(correlation variational mode decomposition,CVMD)、1维卷积神经网络(one dimensional convolutional neural network,1D-CNN)和LSTM的组合预测模型。首先,利用CVMD去除原始气体序列中的噪声信号,并将去噪序列分解为1组相对平稳的子序列分量;然后,针对各子序列分量分别构建CNN-LSTM预测模型,利用1D-CNN挖掘数据间的深层特征形成特征向量,并将其输入到LSTM中进行预测;最后,对各子序列预测结果叠加重构,得到最终的气体预测值。并通过4组对比实验对所提模型进行了全方位、多角度的验证。算例研究结果表明,所提模型单步和多步预测的平均绝对百分比误差分别为1.53%和2.09%。相较于现有模型,该文所提模型在单步和多步预测性能上均有明显提升,为变压器在线监测和故障预警提供了重要技术支撑。

基于CNN-LSTM的永磁同步风力发电机转子偏心早期故障诊断

对永磁同步风力发电机转子早期动偏心和早期静偏心故障的特点和诊断方法进行研究,通过Ansys建立永磁同步风力发电机的早期动偏心和早期静偏心模型,提出一种基于CNN-LSTM的故障诊断和分类方法。通过对永磁同步风力发电机定子三相电流及其Welch功率谱数据的分析,判断是否为正常的动偏心趋势和静偏心趋势;然后通过空载电动势对不同故障程度进行分类。最后,在神经网络模型中完成故障诊断和分类任务。所提方法大大降低了设备维修成本,可准确快速地识别转子早期偏心故障。

基于CNN-LSTM的工业出水水质预测模型

工业废水含有多种污染物,提前预测工业废水水质从而快速对其进行相应处理具有重要意义。为此,研究提出了一种新的卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)融合的工业废水水质污染物指标预测模型(CNN-LSTM)。为了更好地捕捉工业废水数据的时序性和动态性,模型设置了多个滑动窗口。使用CNN算法将时间序列数据进行高维特征提取,利用LSTM模型学习时间序列数据的时序特征,建立CNN-LSTM工业废水预测模型,并对废水水质中的化学需氧量(COD_(Cr))、氨氮、总磷(TP)3项指标进行预测分析。结果表明,与CNN和LSTM两个基准模型相比,CNN-LSTM预测模型的平均绝对值误差率(MAE)和均方误差率(MSE)均较小,预测效果较优。该模型能较好地实现对工业废水出水水质的准确预测,可为工业废水水质的在线监测和精准控制提供有效的、可行的技术支持和决策依据。

基于注意力机制和CNN-LSTM融合模型的锂电池SOC预测

为提高锂电池荷电状态SOC(state-of-charge)预测精度,提出1种基于注意力机制和卷积神经网络-长短时记忆CNN-LSTM(convolution neural network-long short-term memory)融合模型的锂电池荷电状态预测方法。该模型采用一维CNN和LSTM神经网络学习得到SOC与锂电池放电数据的非线性关系,以及SOC序列存在的长期依赖性。同时,该模型采用“多对一”的结构,将当前时刻的锂电池SOC与多个历史时刻的放电数据建立映射关系,并通过注意力机制关注到对当前时刻SOC影响较大的历史放电数据,进一步提升SOC的预测准确度。动态工况下的锂电池SOC预测实验表明,该方法在不同温度条件下的平均预测误差为0.89%,与SVM、GRU和XGBoost相比,分别降低了81.2%、66.7%和56.5%,且优于未融合注意力机制的LSTM和CNN-LSTM,具有较高的预测精度和应用价值。

基于电子鼻和电子舌与1D-CNN-LSTM模型的花椒产地快速溯源检测

针对不同产地花椒产品的溯源问题,提出一种基于电子鼻和电子舌结合一维卷积神经网络(One Dimension-Convolutional Neural Networks,1D-CNN)-长短期记忆网络(Long Short-Term Memory,LSTM)混合模型的花椒产地快速检测方法。以5个不同产地的花椒为试验对象,采用电子舌和电子鼻分别采集花椒样本的味觉和嗅觉指纹图谱信息,根据信号特点分别设计1D-CNN提取味觉和嗅觉信号中的局部空间特征,然后采用LSTM捕捉信号的时间序列特征,最后采用多层感知机融合两种特征并进行分类识别。实验结果表明,电子鼻与电子舌信息融合对不同产地花椒的分辨准确率优于单一设备,与其他深度模型相比,所提的模型分类准确性更高,其准确率、精确率、召回率、F1分数分别达到99.0%、99.1%、99.0%、0.989。以上研究将为不同产地花椒的快速鉴定提供新的方法,并为其他农产品的产地溯源检测提供新的研究思路。

基于GWO-CNN-LSTM的铁路轨道高低不平顺值反演模型研究

为利用列车的车体振动加速度来准确反演铁路的轨道高低不平顺值,提出一种基于灰狼优化算法(GWO)、卷积神经网络(CNN)和长短期记忆网络(LSTM)构建车体振动加速度与轨道高低不平顺值的关系模型(GWO-CNN-LSTM)。首先,将轨检车的实测数据根据轨道检测数据特点,采用莱因达准则进行异常值剔除的预处理;然后,利用处理后的数据以车体振动加速度作为模型的输入,以轨道高低不平顺值作为模型的输出,利用CNN学习车体振动加速度的波形信息,将CNN学习到的特征输入LSTM;最后,再用GWO优化LSTM模型的关键参数,进而反演出轨道高低不平顺值,为突出该模型的适应性,又随机选取了其他区段进行了反演。文中采用3个性能指标来评价模型,并与其他经典的方法进行对比分析。结果表明,GWO-CNN-LSTM模型的均方根误差、平均绝对误差和拟合优度分别为0.141、0.107和0.977,与单一的LSTM相比,GWO-CNN结合LSTM可以使拟合优度提高20.1%;与循环神经网络、BP神经网络和支持向量回归相比,所提出的GWO-CNN-LSTM模型其均方根误差降低68.1%~79.1%,平均绝对误差降低60.4%~68.3%,拟合优度提高27.7%~44.9%,验证了GWO-CNN-LSTM模型用于轨道高低不平顺值反演的有效性。GWO-CNN-LSTM模型为铁路轨道高低不平顺反演研究提供了新的思路。

融合多层注意力机制与CNN-LSTM的反向散射信道预测

反向散射通信系统频谱资源十分有限且易受链路突变性影响,信道预测是提高其频谱资源利用率和通信质量的一种有效方法.但大多数现有预测方法的预测精度偏低、依赖完全已知的信道状态信息、适用性受限.为此,本文提出了一种融合多层注意力机制与卷积神经网络-长短期记忆网络(Convolutional Neural Networks-Long Short-Term Memory,CNN-LSTM)的信道预测方法.利用CNN模型与注意力机制提取接收信号强度序列的特征,并进一步使用LSTM模型与注意力机制提取其跨时间步长的特征,从而实现对信道指标的预测.最后,借助商用阅读器与标签采集3种不同场景下的信道状态数据,并基于Tensorflow与Keras验证了所提预测方法性能.结果表明,融合多层注意力机制与CNN-LSTM的信道预测方法具有较强的场景适用性,且其预测准确性较高.