基于空间相关和Informer网络的风电功率预测方法

随着可再生能源的发展,风电大量并入电网,对电网的安全稳定运行造成影响,因此风电功率预测对电力系统的稳定运行具有重要意义。文章提出了一种基于空间表征和Informer网络模型的预测方法。该方法通过融合目标风机周围属性来表征空间特征,并采用具有多头稀疏概率自注意力机制的Informer网络模型来捕捉时间依赖性。通过在真实数据集上进行训练,实验结果表明,与没有空间表征的Informer模型相比,平均绝对误差(MAE)降低了7.7%,均方根误差(RMSE)降低了8.7%。与一些经典模型相比,所提出的模型预测结果误差更低。

改进Informer网络的风电功率短期预测

准确预测风电功率对于提高电力系统的效率和安全性具有重要意义,而风能的间歇性和随机性特点导致风电功率难以准确预测.因此,提出一种改进Informer的风电功率预测模型PCI-Informer (PATCH-CNN-IRFFNInformer).将序列数据划分为子序列级补丁,并进行特征提取和整合,提高模型对序列数据的处理能力和效果;采用多尺度因果卷积自注意力机制,实现多尺度局部特征融合,提高模型对局部信息的理解和建模能力;引入反向残差前馈网络(IRFFN),增强模型对局部结构信息的提取和保留能力.某风电场数据实验结果表明,与主流预测模型相比,PCI-Informer模型在不同预测步长下均取得了更好的预测效果,在MAE指标上相比Informer模型平均降低了11.1%,有效提高了短期风电功率的预测精度.

融合滑动窗口和Informer网络的渔船轨迹预测方法

为了实现渔船作业行驶轨迹的精准预测,进而完成对驶入禁锚区的渔船进行警告的需求,该文提出基于融合滑动窗口和Informer网络的渔船轨迹预测方法(SIFP)。首先,对AIS数据进行预处理,通过在窗口内计算均值或中值等统计量,从而降低噪声的影响,获得更稳定和准确的轨迹信息;其次,采用滑动窗口扩充预测模型的数据量,满足预测模型对数据量的需求;最后,基于Informer模型完成渔船轨迹的精准预测,为禁锚预警提供数据支持。实验结果表明,SIFP模型的MAE、MAPE较Transformer网络模型分别提高了0.02%和0.08%,较LSTM网络模型分别提高了0.04%和0.18%,较BP网络模型分别提高了1.47%和2.14%,证明了SIFP模型在轨迹预测问题上的有效性。

基于Informer神经网络的锂离子电池容量退化轨迹预测

通过对锂离子电池容量退化轨迹的精确预测可以大幅提升电池材料的研究效率。针对Transformer网络在锂电池容量退化轨迹预测这种长时间序列预测任务中存在的问题,本工作采用滑动窗口策略,构建了一种基于Informer网络的锂离子电池容量退化轨迹预测方法。首先,利用滑动窗口对数据集进行划分和再拼接,便于神经网络挖掘数据序列内部的相关性;然后,根据Informer网络的周期性时间特征捕捉能力设计适用于锂电池数据的全局时间戳;最后,使用前10%容量数据通过多步滚动预测方法实现模型输出,缓解预测中的误差累积问题,进而得到完整的预测轨迹。通过选取不同的误差评价指标和训练过程中的时间开销,在美国马里兰大学提供的锂电池数据集上验证了所建立模型的准确性和训练效率,并在美国航空航天局提供的电池数据集上验证了模型的泛用性。本工作模型的预测结果与多层感知机神经网络、循环神经网络及Transformer网络模型对比,退化轨迹与真实轨迹最为拟合,且训练时间开销小,预测结果的平均绝对误差和均方根误差控制在2.57%和3.5%,验证了所提预测方法的有效性。

基于多尺度工况增强网络及Informer的设备剩余寿命预测

设备RUL预测在提高设备可靠性、安全性、降低维护成本等方面具有重要意义;通过提前发现设备的健康状态和潜在故障,RUL预测有助于降低突发故障风险、延长设备寿命,提高工作效率,确保任务正常运行;然而在面对设备越来越复杂,采集到的传感器数据维度越来越高,传统方法和某些深度学习方法在处理特征关系、长时间序列数据和挖掘重要传感器数据方面存在限制;为了提高预测准确性,提出一种基于MWCEN结合Informer的混合模型——MWCEN-Informer,MWCEN通过动态工况编码算法对设备时序数据进行工况编码,对设备传感器进行一维多尺度混合卷积充分提取特征信息,使用多分支通道注意力机制增强有效特征,增强后的传感器数据输入Informer用于分析设备传感器时序数据的关联性,以实现更准确的设备RUL预测;以基于C-MAPSS的通用涡扇发动机数据集进行验证,结果表明,该模型在4个子集上的RMSE平均减少了5.5%,S-Score平均减少了4.7%,能有效提高设备在复杂工况和复杂故障下的RUL预测精度。

一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.

基于多尺度卷积与Informer混合模型的非侵入式负荷监测方法

针对现有非侵入式负荷监测方法存在的负荷分解准确率低、模型泛化性能差的问题,提出一种多尺度卷积与Informer网络相结合的非侵入式负荷监测方法。采用数据分段优化方法对功率信号进行分段,利用多尺度卷积核获取不同时间尺度的特征序列以及自适应提取多维度功率特征,从而形成特征矩阵;基于Informer网络中的概率稀疏自注意力机制在高维空间中充分捕获特性序列的长期依赖关系,从而提高预测准确率;利用分解值修正方法消除功率分解值中的“虚假”激活状态,以进一步提高分解精度。算例结果验证了所提方法的可行性。

高速铁路日常客运量的EMD-Informer组合预测方法

铁路客流需求的科学预测是进行运输组织方案决策的重要依据。以高速铁路历史客票数据为基础,结合经验模态分解(empirical mode decomposition,EMD)与机器深度学习中的注意力机制,提出高速铁路日客流量的EMD-Informer组合预测方法。首先采用EMD方法分解高速铁路客流量序列,获得具有周期特征和线路客流内在特征的模态分量,再利用Informer模型分别训练和预测各模态分解分量,并通过多头注意力机制高效挖掘客流数据内在规律和捕捉数据序列中的关键特征,在此基础上重组各分量预测值,从而得到高速铁路日常客流的整体高精度预测值。同时,根据结合问题特征的大量实验,明确可供实际运用参考的超参数设置规则。基于京沪高速铁路全线的实例计算分析表明,相对对比预测方法,EMD-Informer组合预测方法在高速铁路客流的单步预测及超前预测上均具有明显更小的预测误差。

基于STL-Informer-BiLSTM-XGB模型的供热负荷预测

供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。

基于Informer神经网络的农产品物流需求预测分析——以华中地区为例

保障农产品物流稳定性即是保障民生问题的关键。对农产品物流需求的预测是合理规划农产品物流稳定性的重要保证。然而,农产品物流需求的预测实际较为复杂,预测过程中会受到各种因素影响。因此,为了保证对农产品物流需求预测的准确性,需要考虑多方面影响因素。本研究以农产品物流需求作为研究对象,利用Informer神经网络构建预测农产品物流需求的神经网络模型,以华中地区河南省、湖北省和湖南省为例,对三省的农产品物流需求进行预测。同时用长短时记忆(Long Short-Term Memory,LSTM)网络和Transformer神经网络对华中三省农产品物流进行需求预测,将三种模型预测结果进行对比。对比结果表明本研究构建的基于Informer神经网络模型预测测试误差平均百分比为3.39%,低于LSTM和Transformer神经网络模型的4.43%和4.35%。并且用该Informer神经网络模型对三省预测出的预测值与实际值结果较为接近,河南省2021年的预测值为4185.33,实际值为4048.1,误差为3.389%;湖北省2021年的预测值为2503.64,实际值2421.78,误差为3.380%;湖南省2021年的预测值,2933.31,实际值为2836.86,误差为3.340%。表明该模型对华中三省的农产品物流需求预测的结果较为准确。三省2023年的预测值高于2021年的预测值。因此,在2021年物流运输配套设施的基础上,必须保证物流运输效率,加强物流运输能力,以满足华中地区日益增长的物流需求。

基于GAT-Informer的采空区煤自燃温度预测模型

现有的煤自燃温度预测模型仅考虑监测数据前后的时间关联性,未考虑监测点之间的空间关系,并存在多步长煤自燃温度预测精度低的问题。针对上述问题,提出了一种基于图注意力网络(GAT)和Informer模型(GAT-Informer)的采空区煤自燃温度预测模型。首先,采用随机森林回归法和Savitzky-Golay滤波器对采空区沿空侧煤自燃监测数据中的异常值、缺失值和噪声进行处理,并使用Z-score方法对数据进行标准化。其次,采用GAT提取多个监测点煤自燃监测数据间的空间特征。然后,使用Informer模型的编码器对包含空间特征的数据进行编码,利用多头概率稀疏自注意力机制捕捉数据之间的长期依赖关系和时间特征;解码器通过交叉注意力机制与编码器交互,结合编码器提取的全局特征与目标序列的上下文依赖关系,生成特征矩阵并输入全连接层,得到煤自燃温度预测值。最后,对Informer模型输出的煤自燃温度预测值进行反标准化处理,恢复到原始数据尺度,得到最终的预测结果。实验结果表明,相较于循环神经网络(RNN)、长短期记忆网络(LSTM)、门控循环单元(GRU)和Informer模型,GAT-Informer模型在6个监测点上预测24步长煤自燃温度时,均方误差(MSE)分别平均降低了15.70%,22.15%,25.45%,36.49%,平均绝对误差(MAE)分别平均降低了16.01%,14.60%,20.30%,26.27%,表明GAT-Informer模型能有效提高煤自燃温度多步长预测精度。

基于KCR-Informer的长期风电功率预测研究

准确的长期风电功率预测对电网系统稳定运行至关重要,传统预测方法在处理长序列预测时效果并不理想,近期研究表明Informer模型在长序列预测领域取得良好效果。然而,该模型在捕捉数据的局部特征以及处理网络层数堆叠问题上还有待改进。文章提出一种基于卡尔曼滤波器-卷积神经网络-残差网络-Informer(Kalman filter-convolutional neural network-residual network-informer,KCR-Informer)模型的长期风电功率预测方法,首先分析气象数据对风电功率的影响,使用卡尔曼滤波器对风电气象数据进行数据平滑处理,以减轻噪声对数据的影响,然后基于Informer模型建立风电功率预测模型,根据气象数据以及历史功率数据进行长期功率预测;在此基础上,引入卷积神经网络和残差连接模块,使模型能够更好的捕捉到局部特征,同时加快模型收敛,解决模型网络退化问题。算例的结果表明,与长短期记忆网络(long short-term memory,LSTM)算法、Transformer算法、Informer算法相比,文章方法在不同预测步长下的平均绝对误差(mean absolute error,MAE)降低5.7%~30%,均方误差(mean square error,MSE)降低8.3%~35%,长期风功率预测的精度得到提升,验证了模型的有效性。

TimeGAN-Informer长时机场能见度预测

能见度的预测对机场的业务决策、保障飞机的安全起降具有重要的意义。针对现有能见度预测模型预测时间较短的问题,提出一种基于TimeGAN Informer(Time Generative Adversarial Network-Informer)的机场能见度预测方法。利用2018—2022年气象和污染物数据,通过相关系数法和递归特征消除法提取出能见度的主要影响因素,使用TimeGAN时间序列生成对抗网络对数据进行扩充,并将Informer长时间序列预测模型应用于能见度预测。结果显示:当预测步长为1 d、2 d、3 d时,TimeGAN Informer的绝对误差(Mean Absolute Error,MAE)分别为2.42、3.13、3.57,比Informer分别降低了0.29、0.27、0.28,比长短时记忆网络(Long Short-Term Memory,LSTM)分别降低了0.28、0.49、0.63;均方根误差(Root Mean Square Error,RMSE)分别为3.03、3.7、4.09,比Informer分别降低了0.38、0.22、0.24,比长短时记忆网络(LSTM)分别降低了0.3、0.5、1.04;百分误差小于30%的分别占测试样本集的78.07%、70.68%、63.84%。尽管随着步长的增加预测效果变差,但在预测步长为3 d时,多数样本的预测误差仍小于30%,实现了对机场区域较为准确的长时能见度预测。

基于Informer融合模型的油田开发指标预测方法

为解决油田开发指标的预测问题,提出了一种基于物质平衡方程和Informer的融合模型。首先,通过物质平衡方程领域知识建立油田开发产量递减前后的机理模型;其次,将所建机理模型作为约束与Informer模型损失函数进行融合建立符合油田开发物理规律的指标预测模型;最后,采用油田实际生产数据进行实验分析,结果表明相比于纯数据驱动的几种循环结构预测模型,本融合模型在相同数据条件下的预测效果更优。该模型的机理约束部分能引导模型的训练过程,使其收敛速度更快,且波峰波谷处的预测更准确。该融合模型具有更好的预测能力和泛化能力和比较合理的物理可解释性。

基于改进Informer的云计算资源负载预测

负载预测是云计算资源管理中的重要组成部分,准确预测云资源的使用情况可提高云平台性能及防止资源浪费,然而云计算资源使用的动态性和不确定性使得负载预测较为困难,尽管Informer在时序预测领域取得了较好的效果,但未对时间的因果依赖关系加以限制造成未来信息泄露,也未考虑网络深度的增加导致模型性能下降的问题。为解决上述问题,提出一种基于改进Informer的多步负载预测模型(Informer-DCR)。将编码器中各注意力块之间的正则卷积替换为扩张因果卷积,使深层网络中的高层能够接收更大范围的输入信息来提高模型预测精度,并保证时序预测过程的因果性。在编码器中添加残差连接,使网络中低层的输入信息直接传到后续的高层,解决了深层网络退化问题。实验结果表明,Informer-DCR模型在不同预测步长下的平均绝对误差比Informer、时间卷积网络等主流预测模型降低了8.4%~40.0%,并且在训练过程中表现出比Informer更好的收敛性。

基于Informer算法的网联车辆运动轨迹预测模型

自动驾驶汽车可以根据轨迹预测算法计算周边车辆的运动轨迹,并作出反应以降低行车风险,而传统的轨迹预测模型在长时间序列预测的情况下会产生较大的误差。为解决这一问题,提出了一种以Informer算法为基础的轨迹预测模型,并根据公开数据集NGSIM进行实验分析。首先通过对称指数移动平均法(sEMA)对原始数据进行滤波处理,并在原有的Informer编码器中加入了联合归一化层对不同车辆进行特征提取处理,减少了不同车辆之间的运动误差,通过考虑车辆的本身速度信息与周围环境的车辆运动信息,提高了预测精度,最后经过解码器得到未来时刻的车辆轨迹分布。结果表明,模型对车辆的轨迹预测误差在0.5 m以内;通过对轨迹预测的MAE与MSE结果分析可知,预测时间超过0.3 s以后,Informer模型的轨迹预测效果明显优于其他算法,验证了模型和算法的有效性。

基于聚合二次模态分解及Informer的短期负荷预测

针对区域级负荷的非平稳性及长序列预测精度低的问题,该文提出了一种基于聚合二次模态分解及Informer的短期负荷预测方法。首先,运用改进完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对负荷序列进行初步分解,削弱原始序列的随机性与波动性;其次,根据子序列的样本熵计算结果进行聚合,并通过比较不同的聚合方式选出最优重构方案;然后,利用变分模态分解对高复杂度的合作模态函数进行二次分解;充分考虑到电价、气象等因素对负荷的影响,采用随机森林(random forest,RF)算法进行相关性分析,从而为每个子序列构建不同的高耦合度特征矩阵并输入Informer进行建模,并通过其多层次编码及稀疏多头自注意力机制等方式提高对负荷序列的预测效率;最后采用巴塞罗那区域级负荷数据集进行实例验证,结果显示所提框架有效解决了模态分解过程中的模态混叠以及高频分量问题,并且其长序列预测均方根误差相比其他经典深度学习模型最高降低了65.28%。

DPCA-POA-RF-Informer在多情景光伏多步预测中的应用

针对光伏发电波动性与不确定性对电力系统稳定产生的影响,对多情景光伏发电功率的多步预测进行研究。首先通过密度峰值算法根据太阳辐射量、温度、湿度等气象数据对天气状况进行精确分类。其次,为了使模型表现出更好的性能,建立了鹈鹕算法优化随机森林(POA-RF)的因素筛选特征变量,模型用鹈鹕算法对随机森林的决策树数目和深度两个参数进行寻优,加强了因素筛选的有效性。最后,基于Informer模型对不同天气状况的光伏功率进行多步预测。实例计算结果验证了所提模型预测精准度的有效性与精准性。

基于MTCN-Informer的铁矿球团工艺预测模型

成品球团流量的预测是生产过程的关键,它决定着整个生产的效率和产量。铁矿球团链箅机—回转窑是生产铁矿石制备高品质铁合金的重要工艺过程之一,具有大时滞、参数庞杂、耦合关系复杂等特点,且成品球团流量波动剧烈,使球团流量难以预测。为此,该文使用移动平均滤波器来平滑波动的数据,互信息法对庞杂的参数做特征选择,再利用基于自注意力机制的Informer球团流量预测模型,其降低传统自注意力机制的时间复杂度,提高了模型训练效率。同时,针对Informer模型的概率稀疏自注意力机制难以把握长时间序列波动的问题,通过TCN时间卷积网络来提取长时间序列的扩展信息依赖,同时结合Informer编码解码网络来处理上下文的信息,从而完成球团流量的精确预测。通过对工厂实际数据进行实验分析可知,与循环神经网络这类传统的深度学习模型相比,所提集成模型在预测精度、稳定性方面均为最优。

基于神经网络模型的煤层气产能预测研究

目的煤层气产能主要受地质和工程因素影响,阐明这些因素对煤层气井产能的影响机制是实现储层精细改造和煤层气井提产的基础。方法本文以沁水盆地柿庄南区块为研究对象,综合考虑地质背景、储层物性和动态排采数据,利用神经网络算法开展煤层气产能预测。首先,利用灰色关联分析法遴选出10个地质参数作为煤层气产能预测的主控因素,在此基础上,运用模糊数学法实现研究区34口煤层气井富集区划分,最后,根据分类结果,结合实际排采数据,分别利用BP(back propagation)和LSTM(long short-term memory)神经网络算法实现煤层气井日产气量预测。结果结果表明:(1)渗透率、含气饱和度和储层压力梯度等10个参数是影响研究区煤层气产气性能的关键因素;(2)利用模糊数学评价方法评价煤层气的富集,可将研究区34口井产气效果划分为有利区、较有利区和不利区;(3)依托LSTM算法建立了煤储层日产气量预测模型,预测误差值为4.06%~14.79%,平均误差值为11.09%,预测精度明显高于BP神经网络模型,结论根据LSTM算法建立的煤储层日产气量预测模型稳定性好且预测精度高,可作为煤储层产能长程预测的一种有效手段,进而为煤层气开发工艺布施与排采方案制定提供科学依据。