基于SVM-LSTM-ATTE组合模型的高校录取分数线预测

高校录取分数线预测受到许多动态因素影响,传统的SVM算法在预测高校录取分数线方面存在难以衡量输入特征序列对目标特征的影响程度,而注意力机制可以动态分配权重给重要特征,且基于注意力机制的长短期记忆网络(LSTM-ATTE),在高校录取分数线方面有显著成效。综合考虑多种因素,利用SVM可以把高维空间中的非线性问题转化为线性问题,以及LSTM-ATTE能解决时间序列数据长期依赖的问题,提出将SVM模型与LSTM-ATTE方法相结合的组合模型,来构建高校录取分数线预测模型,并通过网格搜索寻找组成LSTM-ATTE最优参数组合。实验证明,本文提出的组合模型在误差范围为3分的情况下,相比于其他模型准确率最高提升了13%。

基于LSTM-Adma模型的采矿业电力消耗量研究

基于某地2000—2021年采矿业电力消耗量历史数据,分别进行时间序列预测(ARMA)和LSTM神经网络预测,在现有模型预测结果的基础上,通过数据插值处理,引入Adam算法,利用梯度的一阶矩的估计为每个电力消耗量参数更新方向增加一个惯性项,最终使得预测结果的迭代方向更加的稳定和平滑。结合两参数网格搜索算法经过Matlab平台进行验证,对比模型的RMSE和R2,发现Adam算法使得该地电力消耗量预测避免进入局部最优解,同时加速LSTM收敛速度,使得优化的LSTM-Adma预测模型RMSE减小和R2得到提高,避免进入局部最优解且预测值符合2022年辽宁省统计公报的调查趋势,为2024年以及未来该地区电力生产和能源节约利用政策规划提供参考。

基于VMD-LSTM的非侵入式负荷识别方法

非侵入式负荷识别(Non-Intrusive Load Monitoring,NILM)技术仅基于家庭电源总入口处的电流、电压信息,获得室内电器设备的电气信息。提高负荷识别的精度,对于优化能源结构、提高电能利用效率、降低能耗、节约资源具有重要意义。首先应用变分模态分解(Variational Mode Decomposition,VMD)对归一化的电流信号分解为K个IMF分量,再估计各个分量与归一化电流信号的相关系数,挑选相关系数最大的两个分量作为负荷特征,输入训练好的LSTM神经网络进行识别。算例测试结果表明,该方法在公开数据集PLAID上的识别率高达99%,在实验室采集的数据集上的识别率为96.6%,证实了所提出方法对提升负荷识别精度有显著效果。

城市交通网格集群的Bi-LSTM的流量预测

为提升交通流预测精度,深层次地挖掘交通流数据的时空特征,提出一种基于双向长短时记忆网络(Bi-LSTM)的城市交通网格集群流量预测模型。将所获得的网约车轨迹数据集网格化;考虑人为确定集群个数对结果的影响,用贝叶斯信息准则进行参数估计确定集群数,利用高斯混合模型对交通状况相似的网格进行聚类得到不同交通网格集群;利用集群内部交通网格的输入时间序列的相互影响设计多对多模型,构建Bi-LSTM模型预测不相交集群上的流量;以经典多元线性回归模型(MLRA)作为对照组进行实验验证,采用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和动态时间规整(DTW)这四类评价指标对预测结果进行综合评价,验证基于Bi-LSTM模型的城市交通网格集群流量预测的可行性。实验结果表明:MLRA模型和Bi-LSTM模型对城市交通网格集群流量的预测值小于真实值,早高峰时段尤为明显;各交通网格集群的交通状态态势相似,集群的簇内相关性较强,两类模型均可实现较好的流量预测效果,Bi-LSTM表现更优;MLRA和Bi-LSTM预测模型的精度MAE、RMSE、MAPE分别为3.2011、4.4009、0.3187,3.0687、4.2943、0.3045,Bi-LSTM与MLRA相比,模型精度分别提高了4.14%、2.40%、4.46%,说明所构建的Bi-LSTM交通流网格集群流量预测精度高、误差低,要优于MLRA模型,表现出较好的泛化性能;MLRA和Bi-LSTM的DTW结果分别为52938.6356、54815.1055,构建的Bi-LSTM模型较MLRA模型各自工作日和节假日时间序列相似性DTW结果提高3.42%,表现出更好的鲁棒性。利用城市交通流量的特点和交通轨迹数据网格化的优点,基于Bi-LSTM模型的城市交通网格集群流量预测与MLRA交通流量预测模型相比,具有精度高、误差低的特点。同时,DTW指标方面,基于Bi-LSTM对城市交通网格集群流量模型与真实流量变化趋势一致,表现出较好的鲁棒性。

基于LSTM算法的分布式发电并网系统谐波检测

针对当前方法检测到的分布式发电并网系统谐波幅值结果不准确的问题,提出了基于LSTM算法的分布式发电并网系统谐波检测方法。建立分布式发电并网系统通用模型,根据分布式发电并网输出特性,求得系统中各参数和数学模型;利用小波变换方法,分解并重构谐波信号,剔除谐波中的干扰因素;采用LSTM算法的记忆神经单元,替代RNN中的部分神经元,评估检测仿真数据的MAP值和RMSE值,实现分布式发电并网系统谐波检测。实验结果表明,该方法谐波幅值与实际值最接近,能够有效提高检测结果的准确性。

智能电网中基于批标准化LSTM的互感器故障诊断技术

互感器是高压电力系统中的必备设备之一,一旦互感器发生故障,将会导致保护装置拒动误动,造成电网瘫痪。传统的故障诊断和分类方法首先从原始过程数据中提取特征,然后采用特定的分类器进行诊断,缺乏对原始数据中动态信息的自适应处理。为了提高传统循环神经网络在诊断中的准确度,并考虑到长短记忆神经网络诊断时间较长的缺陷,提出一种基于批标准化的LSTM模型的故障诊断方法。该方法无需进行特征提取和分类器设计,直接对故障进行分类,并且能自适应学习动态故障数据。通过与其他故障诊断方法比较,该方法的诊断精度和诊断性能较高,在互感器故障诊断领域具有良好的应用价值。

基于交互差分时空LSTM的网格化臭氧浓度预测

臭氧浓度的预测对于大气环境治理、空气质量改善等起到了重要的作用。本文提出了一种交互差分时空LSTM网络预测模型(ST-IDN)来挖掘臭氧浓度历史数据的时间相关性和空间相关性,并成功将其应用到网格化臭氧浓度数据预测上。在该模型中,首先交互模块(IC)可以通过一系列的卷积操作来捕捉短期上下文信息,其次层融合模块(LF)可以融合不同层的空间信息来获得上一时刻丰富的空间信息,最后差分时空LSTM模块(DSTM)将捕捉到的时间信息和空间信息进行统一建模实现臭氧浓度预测。所构建模型分别与卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)以及Memory in Memory网络(MIM)模型在河北省气象局提供的臭氧浓度数据上进行了对比分析,ST-IDN模型的平均绝对误差分别降低了19.836%、12.924%、7.506%。实验结果表明,所提出的模型能够提高臭氧浓度的预测精度。

基于交叉验证网格寻优的GBDT-LSTM水产养殖溶解氧预测

为了进一步提高水产养殖溶解氧的预测精度,提出了基于交叉验证网格寻优的GBDT-LSTM溶解氧预测模型。通过梯度提升决策树(GBDT)选取对溶解氧影响度较高的特征因子;在Keras深度学习框架的基础上搭建长短时记忆神经网络(LSTM),使用交叉验证网格寻优算法对LSTM参数进行优化;将本模型运用到江苏省金坛市渔业基地一标准池塘进行溶解氧预测。试验表明:该模型的评价指标均方根误差(R_(MSE))、平均绝对误差(M_(AE))、平均绝对百分误差(M_(APE))分别为0.208,0.158,2.635,其评价指标均优于其他对比预测模型。表明该模型具有较好的预测能力和泛化能力,能够满足现代化水产养殖的实际需求。

基于分布式产流要素和时空深度学习算法的径流后处理研究

准确的径流模拟是流域水资源管理和区域综合政策制定的重要前提。为提高径流模拟的精度,本文以浙江省台州市永安溪流域为研究区域,基于2010—2019年柏枝岙站出口断面的实测日径流数据和网格化HBV模型(Grid-HBV)的模拟结果,提出了一种耦合卷积神经网络CNN和长短期记忆网络LSTM的CNN-LSTM时空后处理模型;构建了基于单一产流要素的s-CNN-LSTM模型和基于两种产流要素的bi-CNN-LSTM模型,并与基准模型s-LSTM开展径流后处理和比较分析。研究结果表明:Grid-HBV模型率定期和验证期的纳什效率系数(NSE)分别为0.78和0.81,整体径流模拟效果较好,但存在中、高水低估和低水高估的不足。经s-LSTM模型后处理后,率定期和验证期NSE提升至0.87和0.85,提升幅度为11.2%和5.8%;s-CNN-LSTM模型后处理后NSE分别为0.90和0.89,提升幅度为14.6%和10.9%。bi-CNN-LSTM模型后处理后率定期和验证期NSE皆达到0.92,提升幅度为17.2%和14.2%,比s-LSTM模型的提升幅度分别大6.0%和8.4%,且该模型对原模拟径流高、中、低各流量等级中的局部缺陷有针对性改善。在4个典型洪水事件的分析中,bi-CNN-LSTM模型总体后处理效果最好,与Crid-HBV模型模拟结果相比,各洪峰误差平均减小36.6%,s-LSTM模型和s-CNN-LSTM模型则平均额外减小了19.3%和30.3%。基于分布式产流要素的CNN-LSTM模型具有较好的径流后处理能力,能够显著提高水文模型径流模拟效果,有助于流域水文水资源的科学管理。

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合(TCN-LSTM)和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。

基于双向长短记忆网络融合模型的招标文件解析技术研究

面对国家电网公司电子招投标业务的快速扩展,供应商在海量的招标文件中迅速而精确地提取相关信息变得尤为重要。本研究开发了一种适配国网招标文件特征的解析技术,旨在将数据结构化和可视化,以帮助供应商及时锁定投标机会并支持决策制定。通过对招标文件进行篇章分析、表格检测和文本纠错处理,获取了有效的数据输入。采用五种不同的解析算法模型对数据进行分析,并基于标注数据评估各模型性能。利用国网招标文件样本,经过模型定制与调优,构建了一个集成双向长短记忆网络(Bi-directional long short-term memory,Bi-LSTM)、条件随机场(conditional random fields,CRF)的解析模型。使用823份实际招标文件样本对模型进行了训练和对比测试,结果显示双向长短记忆融合模型的性能指标优于BERT+Bi-LSTM模型。此外,CRF层能够通过学习自动引入的约束条件来确保预测结果的准确性,从而显著提升解析效果。

考虑多能互动的农村区域电网负荷预测方法

为应对煤改电及分布式电源规模化接入导致农村区域电网负荷预测复杂性提升的问题,本文提出一种考虑多能互动的农村区域电网负荷预测方法。首先,分析多能源信息耦合关系,提出农村区域多能信息横向和纵向交互的特征;其次,建立并行长短期记忆网络的多任务学习模型,支持多能源系统之间的横向交互分析;最后,以河北雄安农村区域电网进行验证,结果表明本文所提方法能够有效提高农村区域复杂场景下的预测精度。

基于5G的智能电网异常入侵动态检测方法

随着5G的普及,智能电网的安全性问题受到广泛关注。文章提出基于5G的智能电网异常入侵动态检测方法。该方法采用长短期记忆(Long Short-Term Memory,LSTM)网络作为核心算法,结合5G网络的高速率和低延迟特性,实现对智能电网异常行为的实时检测与响应。通过实验验证,该方法能够显著增强智能电网的安全防护能力。

基于LSTM的航空公司能耗序列预测

为提高航空公司能耗的预测精度,针对能耗数据的复杂非线性时序特性,提出一种基于长短时记忆网络(LSTM)的时间窗滑动航空公司能耗预估模型。该方法对能耗时序数据进行预处理,消除能耗时序数据的季节性趋势;依据滑动时间窗将数据转换成监督型数据,构建基于LSTM的模型来实现航空公司能耗预测,并利用网格搜索算法进行参数优选。实验结果表明,该模型预测精度优于传统ARMA模型、SVR模型,验证了其可行性。

基于GCN-LSTM的空气质量预测

随着我国环境监测技术的不断发展,环境空气质量的网格化监测体系越来越受到相关工作人员的青睐,为应对空气污染的网格化监测体系中的小型、微型监测站的空气质量预测问题,本文提出了一种基于GCN和LSTM的空气质量预测模型.首先利用GCN网络提取网格化监测体系中的小微型监测站之间的空间特征,然后再使用LSTM提取时间特征,最后使用线性回归层来综合时空特征并产生空气质量的预测结果.为了验证本文提出的预测模型的性能,我们使用了沈阳市浑南区的14个小微型监测站的空气质量监测数据进行实验.实验结果显示,基于GCN-LSTM的空气质量预测模型在空间关联较强的网格化监测中的小微型监测站上的预测结果的精度要优于单一的LSTM预测模型.

基于LSTM算法的电网仿真样本生成方法

为了提高电网仿真在线数据挖掘的泛化能力和快速判稳的准确率,提出一种基于长短期记忆网络(long short-term memory,LSTM)算法的电网仿真样本生成方法,搜集了电网仿真计算离线数据中的用户调整潮流行为数据,并进行处理。基于此数据利用LSTM算法搭建模型,并生成潮流调整策略,根据策略生成不同的运行方式数据,结合电网预想故障集和仿真计算生成电网仿真稳定样本,通过不同的样本数据,利用电网安全稳定快速判稳算法验证所提方法的可行性和有效性。

一种基于LSTM循环神经网络和振动测试的结构损伤检测方法

提出一种基于长短期记忆(LSTM)循环神经网络的损伤检测方法,通过直接提取结构动态测试时域数据中的特征实现结构的损伤识别,基于不同损伤情况的重力坝有限元模型生成的加速度数据对LSTM网络进行在不同噪声水平下进行训练和测试,采用网格搜索方法对网络超参数进行优化。数值试验和试验室悬臂梁振动试验结果表明基于LSTM的损伤检测方法具有很高的损伤识别准确率和抗噪能力,其性能相对传统的循环神经网络(RNN)和门控循环单元(GRU)神经网络,不同损伤工况测试准确率均有提升,最高达16.25%。

基于LSTM+MIDAS深度学习模型的电力需求预测

为了准确预测不同用电设施的电力需求模式,设计了一种基于长短期记忆网络(LSTM)深度学习方法的自定义电力需求预测模型。利用混合数据抽样(MIDAS)方法对自回归分布滞后(ARDL)进行改进,提出了LSTM+MIDAS模型的电力需求预测方法。通过每天以5 min的频率收集住宅、市政厅、医院、工业等4类设施的用电数据,采用短期、长期、季节性预测3种方法进行了对比试验,通过测试验证了预测模型的误差率,分析了实际用电需求监测系统中电力模式的季节性波动规律,并预测各设施的用电需求。实验结果表明,利用所提出的LSTM+MIDAS模型进行电力需求预测的总体误差率均有所降低,并且可以有效检测电力需求波动性。

基于Bi-LSTM的家庭用电量预测

电网智能化升级改造将传统电网与先进的信息、智能技术相融合,实现电力行业的根本性变革。智能电表是智能电网系统中收集用户用电信息的代表性边缘设备,当前智能电表收集的用电量数据存在维度低、波动性强等特征,造成对未来用电情况难以预测的问题;同时对于未来边缘设备端用电量的预测,其他相关特征信息的不可得,此时研究基于单变量特征的用电量预测至关重要。为此,提出一种基于双向长短期循环记忆循环神经网络(Bi-directional Long Short-Term Memory,Bi-LSTM)的单变量家庭用电量预测模型,Bi-LSTM模型能够充分利用上下文的信息实现更准确的预测效果。通过西班牙某市真实的智能电表数据对提出的模型进行了验证,实验结果表明,该模型的预测性能相比传统LSTM、SVM方法有进一步的提高。

基于LSTM和PSO联合优化的微电网短期负荷预测方法

针对园区级微电网负荷规模较小,波动性和不可预测性较强,受天气、体感参数等可测量和预知的因素较小,而受到随机启动负荷的影响较大,传统电力系统负荷预测误差较大,提出了一种基于长短时记忆(LSTM)日间预测和粒子群算法(PSO)日内修正的负荷预测方法。通过利用LSTM学习模型的特征提取能力和时序相关性学习能力得到日间预测负荷曲线,为了进一步提升预测精确度,采用PSO在待预测日当日对负荷曲线进行二次修正。算例表明,所提策略具有较高的预测精度准确率,可以应用于微电网短期负荷预测实践。