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。

基于改进粒子群算法优化CNN-LSTM神经网络的传染病预测

针对新型传染病发展趋势的预测精度问题,提出一种改进粒子群(PSO)算法优化卷积神经网络(CNN)与长短期记忆神经网络(LSTM)相结合的预测模型.首先,将原始粒子群优化算法中最优惯性权重的调整方式由迭代次数的线性关系转变为非线性关系,并对学习因子进行线性更新,以寻找最优参数,从而更准确地模拟粒子群的社会学习能力,进而平衡算法的全局优化能力,提高收敛速度;其次,以发酵时间较长的新型冠状肺炎为研究对象,构建CNN-LSTM神经网络预测模型,利用CNN层提取其特征信息后降维作为LSTM层输入,并通过预测模块实现对研究对象的指标训练和预测,从而提高模型的预测精度;最后,与原始LSTM模型的预测误差,如均方根误差(RMSE)、平均绝对误差(MAE)、均方误差(MSE)等指标进行对比.研究结果表明,在训练集上,与原始LSTM模型相比,经过改进的PSO算法优化CNN-LSTM组合神经网络模型,其在RMSE、MAE和MSE三个指标上分别降低了73.0%、62.3%、92.7%;在测试集上,这3个指标分别降低了23.0%、29.8%、40.7%.这说明该模型具有更小的误差和较好的预测效果.该研究结果可为实现传染病传播趋势的精准预测提供新的思路和方法.

基于CNN-LSTM-ATT网络的页岩气井产量预测

页岩气作为一种重要的能源资源,是我国天然气产量增长的主力军之一,精准预测气井产量对于合理规划页岩气的开采与利用至关重要。为了解决页岩气产量影响因素复杂、具有动态变化性等预测难点,提高页岩气井产量预测精度,通过对生产维度进行相关性分析,选择油压、套压、产水量作为自变量,产气量为因变量输入预测模型,构建了一种复合神经网络CNN-LSTM-ATT,进行多变量产量预测研究。该模型中CNN用于从生产数据中提取特征,融合Attention机制强化特征对输入效果的重要性,LSTM擅长处理时间序列数据的学习。研究结果表明:(1)通过相关性分析,可以筛选出对产量预测影响较大的生产维度,对后续预测有重要意义;(2)通过复合神经网络模型对产气量进行多变量预测分析,能较好预测未来一段时间的页岩气井产量变化趋势;(3)复合模型的预测效果比单一神经网络更佳。结论认为,构建的模型具有良好的适用性,能够提高气井产量的预测精度,预测结果有较高的合理性,对页岩气开发具有借鉴指导作用。

基于CNN-LSTM-SES组合模型的负载预测

随着云计算和大数据技术的快速发展,负载预测作为可优化资源分配和提高系统性能的关键任务受到了广泛关注。为了更好地对负载进行长短期时序预测和提高负载预测精度,提出了一种卷积神经网络(CNN)、长短时记忆网络(LSTM)和一次指数平滑(SES)的组合模型,并采用麻雀搜索算法(SSA)优化模型参数。经过处理的数据集分别输入到SSA-CNN-LSTM模型和SSA-SES模型中,然后对这2个模型的输出值用权重系数法进行组合得出最终的输出值。实验结果表明,本文模型在阿里云公开数据集Cluster-trace-v2018上的云计算负载预测中的性能评估值,相较于CNN-LSTM、SES、CNN-LSTM-SES、SSA-CNN-LSTM与SSA-SES模型,预测精度更高。

基于CWT-CNN-LSTM的配电网单相接地故障选线方法分析

阐述配电网单相接地故障特征提取难点,分析现有选线方法、选线精度不高的问题,提出一种连续小波变换(Continuous wavelet transform,CWT)和CNN-LSTM的故障选线方法。首先对零序暂态电流进行连续小波变换获取对应的时频灰度图像,然后CNN自适应提取时频灰度图像的局部特征,LSTM层从CNN层学到的局部特征中学习上下文依赖关系,最后通过SoftMax层实现故障选线。仿真结果表明,所提方法的选线精度为99.65%,与CWT-CNN等方法相比,具有较强的鲁棒性。

基于小波变换和CNN-LSTM的肺音分类算法

目的:针对如何建立有助于电子听诊诊断的肺音分类模型,提出一种基于卷积神经网络(CNN)-长短期记忆网络(LSTM)的混合深度学习肺音分类模型方法。方法:首先使用小波变换对数据集进行特征提取,使肺音信号转化为能量熵、峰值等特征;在此基础上构建CNN和LSTM的混合算法分类模型,其中将小波变换提取的特征先输入CNN模块,能够获得数据的空间维度特征,再通过LSTM模块获得数据的时间维度特征,融合两类特征,通过模型可以将肺音分类,从而达到辅助判断患者的肺部疾病。结果:CNN-LSTM混合模型准确率、F1分数均明显高于其他单一模型,可达到0.948和0.950。结论:提出的CNN-LSTM混合模型分类准确率更高,在智能听诊领域具有广泛的潜在应用价值。

基于CNN-LSTM-Attention的配电网拓扑实时辨识方法

配电网中准确的拓扑结构辨识对运行和控制具有重要意义,针对实际配电网拓扑结构变动的情况,搭建了可智能辨识配电网拓扑结构的深度学习模型。首先,生成不同拓扑结构下的配电网量测数据并进行数据预处理。其次,构建了融合CNN(卷积神经网络)、LSTM(长短期记忆网络)和Attention(注意力机制)的拓扑结构智能辨识模型,并结合历史量测数据对模型训练并测试。最后,在IEEE 33节点和PG&E69节点配电系统仿真算例中,验证了该基于CNN-LSTM-Attention模型的拓扑辨识方法相较于传统辨识方法在辨识精度上的优越性,实现了该模型的在线应用。

基于改进CNN-LSTM融合的僵尸网络识别方法

P2P及fast-flux等技术的出现使僵尸网络隐蔽性大大增强。传统人工提取特征的识别方法愈发困难并且识别精度低。该文设计一种新的基于CNN及LSTM融合网络结构,使用改进激活函数和网络结构的卷积神经网络检测空间特征,并使用长短时记忆网络检测时序特征,将两种特征并联融合用于识别僵尸网络。实验表明,该方法在精度和召回率等方面可满足僵尸网络识别需求。

基于CNN-LSTM的锂离子SOC估计

电池荷电状态(SOC)是锂离子电池管理技术中最重要的参数之一,高精度的SOC估计有利于储能电站的并网和控制。电池充放电数据不仅具有时序性,特征变量之间也存在一定空间关系,为提高估算方法的准确性和通用性,提出一种基于CNN-LSTM联合网络结构的锂离子电池SOC估计方法,先通过CNN特征提取获取了锂离子电池不同维度数据间的特征关系,然后经过LSTM网络结构提取其中的时间序列关系,联合网络充分获取了电池数据集的空间时间特性。实验结果表明,基于CNN-LSTM联合网络模型预测电池SOC平均误差控制在0.65%,较单独的CNN网络预测平均误差降低4.4%左右,较单独的LSTM网络预测的平均误差降低0.2%左右,具有较好的应用前景。

Deep Learning Network for Energy Storage Scheduling in Power Market Environment Short-Term Load Forecasting Model

In the electricity market,fluctuations in real-time prices are unstable,and changes in short-term load are determined by many factors.By studying the timing of charging and discharging,as well as the economic benefits of energy storage in the process of participating in the power market,this paper takes energy storage scheduling as merely one factor affecting short-term power load,which affects short-term load time series along with time-of-use price,holidays,and temperature.A deep learning network is used to predict the short-term load,a convolutional neural network(CNN)is used to extract the features,and a long short-term memory(LSTM)network is used to learn the temporal characteristics of the load value,which can effectively improve prediction accuracy.Taking the load data of a certain region as an example,the CNN-LSTM prediction model is compared with the single LSTM prediction model.The experimental results show that the CNN-LSTM deep learning network with the participation of energy storage in dispatching can have high prediction accuracy for short-term power load forecasting.

基于数据增强算法和CNN-LSTM的高精确度手势识别

近年来,基于雷达的手势识别技术在工业和生活中得到了广泛应用,但愈加复杂的应用场景对手势识别算法的准确率和鲁棒性提出了更高要求。对此,设计了一种基于毫米波雷达的高精确度手势识别算法。通过对已有分类算法的研究对比,构建了一种用于手势识别的卷积神经网络-长短期记忆网络(CNN-LSTM)深度学习算法模型;同时,运用布莱克曼窗抑制手势信号处理中的频谱泄露问题,并联合运用小波阈值和动态补零算法实现高效杂波抑制和数据增强。实测结果表明,设计的手势识别算法正确分类率达到97.29%,在不同的距离和角度情况下也可以保持较好的识别准确率,具有良好的鲁棒性。

基于CNN-LSTM-CS工业管道腐蚀率预测模型

针对传统工业管道腐蚀率预测模型存在特征提取依赖人工经验和泛化能力不足的问题,本文将卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)相结合,提出了基于布谷鸟优化算法(cuckoo search,CS)的CNN-LSTM-CS网络模型,实现对工业管道腐蚀率预测.首先,对采集的管道腐蚀数据集进行归一化预处理;然后,利用CNN网络提取影响管道腐蚀率因素的深层次特征信息,并通过训练LSTM网络构建CNN-LSTM预测模型;最后,采用CS算法对预测模型进行参数优化,减少预测误差,实现腐蚀率的精准预测.实验结果表明,对比几种典型的腐蚀率预测方法,本文提出的方法具有更高的预测精度,为工业管道腐蚀率检测提供新的思路.

考虑特征关联性的ALO-CNN-LSTM短期负荷预测

针对短期负荷预测模型未充分考虑负荷的时序性和非线性以及历史负荷的高冗余性,提出一种考虑特征关联性的ALO-CNN-LSTM短期负荷预测模型。采用卷积神经网络(CNN)获取负荷时间序列高维空间特征。采用Copula函数对天气、湿度等气象因素序列与高维空间特征进行关联性分析,选出相关性较高的特征参量,采用长短期记忆网络(LSTM)获取高维时域特征,同时结合蚁狮优化(ALO)算法训练模型并确定最佳参数,提高模型的收敛速度和预测精度。以电工数学建模竞赛负荷为例进行仿真分析,并对比不同的优化算法和预测模型。仿真结果表明:模型具有较快的收敛速度和较高预测精度,验证模型的有效性以及实用性。

基于VMD-CNN-LSTM模型的短期风电功率预测

风电功率的精准预测是提高风电并网稳定性的重要手段之一。针对气象特征复杂性与随机性引起风电功率难以精准预测的问题,提出了一种基于VMD-CNN-LSTM的短期风电功率预测模型。该模型总体结构包括多气象特征序列变分模态分解(VMD)与重构、卷积神经网络(CNN)挖掘多气象特征信息、长短期记忆网络(LSTM)预测结果输出、泛化能力分析。与目前仅考虑分解历史风电功率序列分别建立预测模型方法相比,本文所提出的VMD方法物理意义明确,能够跟踪气象特征预测未来风电功率趋势。在某风电场的实际数据上进行验证,算例结果表明:该模型预测结果精度较高,降低了多气象特征因素对预测结果的影响,具有一定的实用性。

基于CNN-LSTM故障预测模型的客滚船安全评估研究

为提高客滚船安全评估准确性,针对电力系统监测数据的多维和时序特性,提出基于CNN-LSTM混合神经网络的客滚船电力系统故障预测模型。首先利用卷积神经网络(CNN)对涵盖多维参数的电力系统时间序列数据进行特征提取,降低特征维度,提高特征表示能力,然后将提取的特征序列输入到长短期记忆(LSTM)网络中进行时序建模和故障预测。结果表明,对比ARIMA、LR、LSTM、CNN等故障预测模型,CNN-LSTM混合神经网络模型整体预测精度分别提高了12.8%、5.07%、4.19%、4.33%,故障预测效果良好。