基于注意力机制和特征融合的股票预测方法

基于人工智能在金融数据中的应用,提出了一种新的股票预测方法,称为AFG。AFG使用位置编码和时间编码获取股票数据的位置信息和时间信息,然后通过门控循环单元和多头自注意力机制对股票数据分别进行特征提取。在将两类股票特征融合之后,由全连接层导出最终的股票预测曲线。

基于模态分解及GRU-XGBoost短期电力负荷预测

精确的短期电力负荷预测能有效提高电力系统运营水平。针对电力负荷数据受多种因素影响,波动性和随机性强等问题,提出了一种基于模态分解及混合模型的负荷预测方法。首先,采用主成分分析法(principal component analysis,PCA)对负荷特征向量进行处理,去掉冗余信息,再用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将历史负荷分解为简化的几个子序列;其次,选择引入样本熵(sample entropy,SE)来计算子序列熵值,将相近的子序列重构得到随机、细节、低频和趋势分量后选用不同结构门控循环单元(gate recurrent unit,GRU)对不同分量类型进行预测,再使用极致梯度提升模型(extreme gradient boosting,XGBoost)对各分量残差进行拟合,各重组序列的预测值为GRU预测值与XBGoost拟合值之和,重组各序列得到最终预测值。选取3年时电力负荷数据进行实验,结果表明,所提模型的均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolutepercentage error,MAPE)和平均绝对误差(mean absolute error,MAE)分别为370.676 MW、99.07%和246.89 MW,与单一模型和混合模型相比,实现了评价指标的明显减少。

基于GRU-BP算法的高精度动态物流称重系统

针对动态物流秤测量精度对载重、采样频率、带速较为敏感的问题,提出了一种高精度动态物流称重系统。首先,采用三因素五水平正交试验法,结合皮尔逊相关性检验原则,使用低通巴特沃斯与卡尔曼滤波器对传感器压力信号进行了滤波降噪处理,并将加速度信号作为模型输入信号,进行了特征补偿;然后,基于深度学习算法,提出了一种改进的门控循环单元模型,在该模型采样区间内将压力与振动改写为时序化信号,并将其共同输入门控循环单元(GRU)模型;最后,对GRU模型进行了改进,对其结构输出了层堆叠误差反向传播神经网络(BP),有效加强了模型的非线性映射能力。研究结果表明:在各类传动速度及测试货物下,该模型的最大测量误差相对于同类型深度学习模型长短期记忆(LSTM)神经网络、循环神经网络(RNN)时序模型及传统数值平均模型的误差,依次降低了16.14%、27.14%、76%,可用于各类称重系统。

改进Transformer在产油量预测中的应用研究

产油量预测有利于制定合理的采油策略。本文提出一种包含卷积神经网络、门控循环单元和Transformer的组合模型CNN-GRU-Transformer,可用于产油量预测。该模型应用CNN提取部分深层空间特征,GRU提取产油量数据的时序特征,并根据油井数据的特点,改进了Transformer原有结构。通过改进的Transformer,将提取到的特征与预测相结合。实验的结果表明,CNN-GRU-Transformer模型在预测产油量各项指标中均为最优值,在适应产油量基本趋势方面表现最佳。

基于PCA-ISSA-GRU的燃煤电厂供电煤耗计算研究

随着国内电力体制与市场交易机制的变革,燃煤电厂之间的竞争压力越来越激烈,供电煤耗作为衡量电厂经济效益的重要指标,其精准计算就显得愈发重要。提出一种基于PCA-ISSA-GRU方法的供电煤耗计算模型,首先采用滑动窗口法对数据进行稳态筛选,采用主成分分析法(PCA)对处理的数据进行特征筛选,选择最相关的输入参数。其次对机组的外部环境进行分析,采用K-means方法最终确定8种不同的工况。最后为了使模型计算更加精确,采用改进的麻雀算法(ISSA)对门控循环单元(GRU)的超参数进行寻优。以上海某600MW机组的历史数据进行验证,并对不同组合模型之间的预测精度进行对比。结果表明,本文的模型供电煤耗计算与实际相吻合,平均误差为1.32g/(kW·h),相对误差在±1%,模型计算精度高,泛化能力强,适用于燃煤电厂供电煤耗的计算。同时,综合评价指标对比显示,本文构建的预测模型比其它的预测模型精度更高,效果更好。

基于注意力机制和CNN-GRU模型的脱硫系统pH值预测

针对火电厂石灰石-石膏烟气湿法脱硫系统中所面临的浆液pH值测量不准确、时间长的问题,提出了一种基于注意力机制和CNN-GRU模型来预测吸收塔内浆液pH值。首先,对火电厂监测系统(SIS)数据库中的数据进行预处理,然后使用相关性分析来确定它们之间的关联性。接下来可使用注意力机制(ATT)来自适应分配与pH值相关联的输入数据的权重,并根据权重大小来区分强弱特征变量,以此来解决预测精度低和不准确的问题。其后利用卷积神经网络(CNN)来二次提取和降维这些特征数据,并对送入门控循环神经单元网络(GRU)中的数据进行优化,可大大加快神经网络训练进程,并且能够更准确地处理复杂的动态脱硫变化。对某电厂2×350 MW机组运行数据进行测试,并通过与其他主流算法对比得出所建pH值预测模型具备更高的精确度和稳定性。最后结合模型预测控制(MPC),验证了该模型的实用性。

舰船通信系统5G网络多维度安全状态感知技术

为了解决单一信息源带来的网络安全状态感知误差高的问题,研究舰船通信系统5G网络多维度安全状态感知技术。构建舰船通信系统5G网络多维度安全状态感知框架,通过多源网络安全状态信息采集单元获取5G网络安全状态信息,融合处理单元利用层次量化评估方法对其作标准化等处理后,获得5G网络安全态势样本数据集,将其作为基于Att-GRU的5G网络安全状态感知模型的输入,利用鲸鱼优化算法实现模型参数的寻优,输出为5G网络安全态势预测结果,依据预测结果与实际结果的差值计算5G网络健康度,通过还原单元对预测结果作累减反归处理,获得5G网络安全态势值,并与设置阈值作对比,实现舰船通信系统5G网络的多维度安全状态感知。实验结果表明:该技术可实现5G网络安全状态感知,神经元个数为35、批处理规模为1.2时,5G网络安全状态感知模型性能最优;5G网络安全态势预测的平均适应度与最优适应度相贴近。

多模型组合的船舶物联网非法入侵行为检测研究

为了提高非法入侵行为检测效果,确保船舶物联网安全、平稳运行,提出多模型组合的船舶物联网非法入侵行为检测方法。基于密集连接卷积神经网络、门控循环单元基本原理,构建基于DCCNet-GRU的改进船舶物联网非法入侵检测组合模型,将船舶物联网流量数据作为组合模型的输入,通过一维DCCNet网络获取输入样本数据的空间特征,将其作为GRU的输入,完成其时间维度特征的提取后,再将其输入到全连接层中,实现非法船舶物联网入侵行为类型的识别。实验结果表明,该方法可实现船舶物联网非法入侵行为检测,以Focal为损失函数,增长率为30、网络层数为95时,非法入侵行为检测效果最优。

基于Transformer模型的航空发动机剩余寿命预测方法研究

文章针对现有预测模型对航空发动机退化信息提取不充分的不足,构建了一种基于Transformer模型的预测模型,该模型在Transformer编码器模型基础上加入了门控循环单元,以增加模型对序列数据中局部退化信息的提取能力。基于C-MAPSS数据集,对文中所建立模型的预测性能进行评估。实验结果表明,该模型在发动机运行状态单一的数据集上优于现有的模型,验证了模型的先进性。

面向直驱风力发电系统的控制算法优化设计

针对直驱风力发电机组的功率输出不稳定、频率波动超出安全范围问题,该文提出了一种基于深度学习网络预测控制的直驱风力发电系统控制策略。以直驱风力发电系统的频率误差和输出功率为优化目标函数,并将系统的频率变化及风力发电机的转矩限制作为约束条件,利用时间卷积神经网络(TCN)与门控循环单元(GRU)构建预测模型。可行性验证结果表明,在低风速及高风速下有功功率输出的标准差分别为0.04 MW及0.05 MW,轴转矩标准差分别为0.01 MNm与0.05 MNm,推力标准差分别为0.04 MN和0.05 MN,证明了该策略可有效降低直驱风力发电系统输出功率的频率波动。

输电线路柔性直流融冰技术

为直流融冰技术在电网中的应用提出了一种新型柔性直流融冰技术。通过分析输电线路结冰情况的等效模型并研究融冰时的热交换过程,针对220kV输电线路计算出了线路融冰所需的保线电流和最大电流值。按计算结果的需求设计了基于可关断器件的新型柔性直流融冰电源。论述了该电源的主电路拓扑及其功率单元的等效电路,并对其相关的融冰控制策略进行了分析和研究。最后研制出一台全控直流融冰装置样机,并进行了现场试验。试验结果表明,该融冰装置可对直流输出电压进行柔性调节,融冰时的网侧谐波含量较低,在试验中仅3.16%。

基于Farneback-GRU的稀土熔盐反应状态识别研究

提出一种基于Farneback-GRU的稀土熔盐反应状态识别方法。通过Farneback稠密光流法、尺度变换和均值滤波量化稀土熔盐反应剧烈程度,并由门控循环单元神经网络(Gated recurrent unit,GRU)建立稀土熔盐运动场特征与稀土熔盐反应状态之间的非线性映射模型。模型精度达到95.23%,能很好满足生产企业检测标准,此外,模型的性能指标表明该模型具有很好的鲁棒性,为稀土电解槽在线控制提供了重要的闭环反馈参数,为提高生产安全系数和实现无人工厂提供了重要参考。

基于FPGA的柴油机电控单元HIL系统IO研究与实现

为了明确高压共轨柴油机电控单元(electronic control unit,ECU)硬件在环(hardware-inthe-loop,HIL)系统I/O数据流特性以及减少系统开发时间和成本,提出了基于现场可编程门阵列(field-programmablegatearray,FPGA)技术与自制负载板相结合的高压共轨柴油机ECU硬件在环系统方案,并利用LabVIEW FPGA模块开发了HIL系统可重配置I/O,通过分析FPGA底层传感器信号输出和执行器信号输入的I/O特征,设计了底层各I/O模块程序;结合基于AVL/CRUISEM搭建的D30柴油机实时仿真模型,在上位机中利用LabVIEW模拟传感器信号I/O模块和模型信号I/O模块.实验结果表明,HIL系统I/O设计合理,可重配置I/O设备的输出I/O能参数化模拟发动机的传感器信号,输入I/O能成功识别执行器反馈信号,并通过模型信号I/O输入至模型中,从而实现柴油机仿真模型和ECU的闭环控制并证实了系统方案的可行性.