基于融合注意力机制LSTM网络的地下水位自适应鲁棒预测

地下水水位是旱天污水管网地下水入渗量的重要影响因素,快速精准地预测地下水水位能有效提升旱天污水管网地下水入渗量估算准确度,辅助优化管网病害治理与维护策略。针对目前城市复杂水文预测存在的准确度低、灵敏度低、泛化能力弱等问题,本文提出了一种新的鲁棒自适应水位预测算法。首先,对水文数据进行预处理,解决了数据时间跨度大、噪声多、缺失及异常、非平稳等问题。其次,针对不同输入特征对预测指标的影响,在模型训练阶段提出一种新的空间变量注意机制,可快速识别与水位关联的关键变量,并对输入特征赋予不同的影响权重。然后,针对不同序列长度对预测效果的影响,还设计了自适应时间注意力机制,帮助网络自适应地找出与不同时间序列长度预测指标相关的编码器隐藏状态,以更好地捕捉时间上的依赖关系。在此基础上,以上下文向量作为输入,提出一种融合注意力机制的长短时记忆网络水文预测算法。最后,通过意大利Petrignano水文数据验证了所提算法的有效性,并与GRU、Elman、LSTM、VA–LSTM和S–LSTM等方法进行预测性能比较。结果表明,基于融合注意力机制的LSTM网络在面临大规模、噪点多的复杂数据时有优于其它几种算法的预测效果,表明该算法具有强自适应性和鲁棒性。本文研究结果可以为市政排水策略合理调整、及时控制提供参考。

基于LSTM网络的单台仪器地震烈度预测模型

烈度是地震预警系统的关键产出.如何实现快速预测目标场址的地震烈度是地震预警方法技术研究中的核心问题.本文提出了一种基于长短时记忆神经网络(Long Short-Term Memory,LSTM)的单台仪器地震烈度的预测模型(LSTM-Ⅰ).该模型以一个台站观测到地震动参数的时间序列特征为输入,实现动态预测该台站可能遭受的最大烈度.选取了日本K-NET台网记录的102次地震的5103条强震加速度记录训练了神经网络,利用89次地震的3781条数据检验了模型的泛化能力.利用准确率、漏报率以及误报率三个评价指标评价了LSTM-Ⅰ模型的性能.结果表明,当采用P波触发后3 s的序列进行预测时,模型出现漏报的概率为46.78%,出现误报的概率为1.25%;当采用P波触发后10 s的序列进行预测时,模型出现漏报的概率大幅降低到17.6%,出现误报的概率降低到1.14%.结果表明LSTM-Ⅰ模型很好把握住了时间序列中蕴含的特征.进一步基于LSTM-Ⅰ模型评估了Ⅵ度下台站所能提供的预警时间.本文模型能够提供的预警时间与P-S波到时差接近,说明LSTM-Ⅰ模型具有较高的时效性.

基于优化LSTM网络的巷道工作面矿压预测

冲击地压事故作为一种动力效应明显、破坏力强的矿井灾害,其预防方法一直是煤矿安全生产的难题。通过将LSTM神经网络技术与矿压规律进行结合,研究一种基于优化LSTM网络的巷道工作面矿压预测模型,通过对矿压历史数据进行标准化处理后进行LSTM网络训练的方法,实现工作面矿压的预测。现场试验结果显示:该模型对于定点矿压的预测准确率能够达到85%以上,并且能够对不同时段、不同测点的矿压数据进行预测,以表征巷道工作面未来某一时段内的矿压变化趋势,实现预防矿压事故的目的。

基于LSTM网络模型的光伏发电功率短期预测系统

光伏发电受天气因素影响,具有明显的间歇性和波动性特征。该文提出了一种基于LSTM网络模型的光伏发电功率短期预测方法,该方法以STM32单片机为控制核心,实时采集光照辐度、温度、相对湿度、风速等数据。利用相关系数法筛选相关度较高的因素,作为LSTM网络模型的输入变量,对未来光伏发电功率进行短期预测。MATLAB仿真实验结果表明,该文所提方法与其他预测模型相比具有较高的预测精度,在晴天与多云天气下预测的MAPE值分别为4.943%和4.997%,有利于我国电力系统的稳定运行和电网工作人员的调度。

基于迁移学习和LSTM网络的光伏系统负荷预测

由于受到太阳辐照度、温度和一些随机因素的影响,光伏发电功率具有较强的间歇性和波动性,很难精确预测。为了提高光伏负荷预测模型的准确性,提出一种基于迁移学习和LSTM网络结合光伏系统负荷预测方法。选择基于参数的迁移学习方式,并考虑到神经网络越到高层提取的信息越专有化,对基于LSTM的PV-DT提出固定第一层参数的迁移方式。研究结果表明,所提光伏系统负荷预测方式可以精确预测正常运行条件下的光伏发电量,并检测光伏系统中存在的故障,从而使检修维护人员可以在最短的时间内采取相应的措施,最大限度地减少由于故障而引起的功率损失,从而提高光伏系统的运行性能。

基于协整方法和LSTM网络的农林板块配对交易研究

以A股沪深两市的农林板块股票作为研究样本,以2021-2024年为实证研究区间,首先,运用协整方程选择在配对期的价格序列上具有共同移动趋势的农林板块股票,然后,对具有协整关系的股票价差序列进行平稳性检验,对于符合平稳性要求的资产对,计算其周度已实现波动率、已实现偏度和峰度,使用LSTM网络预测股票对在短期内的残差收敛水平,最后在测试期对符合条件的资产组合进行模拟交易,将收益率水平与基准收益率进行比较。研究发现,基于协整方法和LSTM网络构建的农林板块配对交易资产组合能够在风险得到控制的同时获得超额收益。

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。

基于Transformer-LSTM网络的轴承寿命预测

轴承是旋转机械设备中的重要部件,由于工况、材质、加工方式等原因,轴承寿命时长相差许多。传统的并行或串行神经网络预测方式,对数据集有一定要求。因此,需要一种能够适用于不同数据长短的轴承剩余使用寿命预测网络。为此提出了一种能够预测不同寿命时长的Transformer-LSTM串并行神经网络预测模型。通过将Transformer解码层进行重构,并与长短期记忆时序神经网络(long short-term memory,LSTM)网络结构融合,实现轴承寿命数据的串并行预测处理。试验结果表明Transformer-LSTM神经网络能够精准预测长、中、短不同寿命时长的轴承失效时间,具有较强的模型泛化能力,提升轴承寿命预测精度与模型的泛化能力。

基于改进狼群算法优化LSTM网络的舆情演化预测

为提高预测舆情演化趋势的能力,提出了一种基于改进狼群算法(IWPA)优化长短期记忆(LSTM)神经网络的舆情演化预测模型。采用Halton Sequence进行初始化,提高种群多样性;设计步长因子进行高斯-正弦扰动变换,提高狼群探索开发能力;结合鲸鱼优化算法中的螺旋改进围攻机制,增强狼群的局部搜索能力;引入记忆力机制,使用双向记忆种群增加狼群协同合作能力,将改进后的狼群算法应用到LSTM神经网络的超参数预测。采用“新冠疫情”和“食品安全”等关键词作为实例,证明了IWPA-LSTM神经网络舆情演化预测模型具有良好的准确性和普适性,适用于多种舆情演化的预测。

基于改进信息熵和LSTM网络的轴承故障诊断

针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy,IIE)的长短时记忆网络(long-short time memory network,LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition,EEMD)和变分模态分解(variational mode decomposition,VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions,IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明:该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。

基于无监督聚类与LSTM网络的航天器健康状态预测方法

健康状态预测是从系统层面保证航天器在轨安全稳定运行的关键技术.针对机电类关键部件存在性能退化过程的特点,提出一种基于无监督聚类与长短时记忆(LSTM)网络的航天器健康状态预测方法.该方法首先提取航天器单部件多维参数的高维时域特征,通过PCA方法将高维特征融合为反映部件运行状态的健康因子,再结合无监督聚类算法识别出故障的不同演化阶段,最后采用LSTM网络分别对各退化阶段构建其健康状态演化预测模型,实现对航天器部件健康状态预测.本文以控制系统关键部件控制力矩陀螺(CMG)为例对上述算法进行试验验证,验证了方法的有效性.

基于降噪重采样与LSTM网络的风力机断齿故障诊断

齿轮箱是风电机组传动链上的关键部件,若其发生断齿等故障,对风力机整体的运行有很大影响,维修不及时会导致损失增大,因此有必要对其进行健康状态监测。由于风力机具有工况不稳定、故障特征不明显、有效标签稀缺、风力机类别差异对分类结果影响大等问题,且常规方法预测精度低,分类模型难以有效推广。针对这些问题,本文提出了基于降噪重采样与LSTM网络的风力机断齿故障诊断方法,将单位周期内的样本点降噪处理后重采样到相同长度,输入到LSTM网络对处理后的数据进行分类,实现了较高精度的风力机断齿故障诊断。最后,通过某风场的实际数据验证了所提出方法的精确性和有效性。

基于滑动窗口动态输入LSTM网络的铁路运输系统碳排放量预测方法

铁路运输的低碳发展对交通系统实现“双碳”战略目标有着重要意义。针对当前铁路运输碳排放预测研究较少、预测精度不高的问题,考虑碳排放时间序列数据中历史信息和当前信息间的相关性,引入滑动窗口,结合长短期记忆(LSTM)网络,构建铁路运输碳排放量预测模型。采用灰色关联分析法计算铁路运输碳排放量各影响因素的关联度值,筛选铁路运输碳排放量的关键影响因素,使用高关联性数据作为预测模型的输入变量,提高预测精度;应用LSTM网络为基础预测模型,通过引入滑动窗口改进神经网络的数据输入;考虑未来减排政策变化对铁路运输碳排放量的影响,融合基于动态政策的情景分析,构建铁路碳排放预测模型,并利用多项式误差拟合方法进行误差修正,提高预测结果准确性。以1980—2019年铁路运输碳排放相关数据为例,从现有文献中总结出17个铁路碳排放影响因素,利用灰色关联分析法从中筛选出6个关键因素,通过滑动窗口对筛选出的数据进行子序列分割,测试不同长度窗口下的预测精度,选择最优窗口参数,建立改进LSTM模型进行预测,并将预测结果与原LSTM、BPNN和RNN模型进行对比,结果表明:改进LSTM模型将相对误差平均值降低至0.392%,而原LSTM模型为3.862%,BPNN模型为1.535%,RNN模型为0.760%,即改进LSTM模型具有更高预测准确性;根据历史趋势和发展政策设置基准情景和3种未来减排情景,利用改进LSTM模型预测未来10年铁路运输碳排放量,在4种模拟情景下,铁路运输2030年的碳排放量分别为9.83×10^(6) t、8.91×10^(6) t、8.62×10^(6) t和8.09×10^(6) t。综上所述,引入滑动窗口的改进LSTM模型能进一步提高铁路运输碳排放量预测准确性,融合动态政策的情景分析可为未来铁路运输低碳发展提供可行路径。

双向反射分布函数结合Bi-LSTM网络求解壁面发射率

壁面光谱发射率求解是飞行器红外隐身的关键技术之一。首先设计了壁面反射光路和光源,通过光谱辐射计获取壁面反射的辐射亮度序列,为尽可能地消除外界干扰对于光谱发射率求解精度的影响,基于双向长短期记忆网络,设计了Bi-LSTM亮度回归网络模型,并对测试样本进行训练学习。基于BRDF的壁面发射率求解模型及基于Bi-LSTM网络的亮度回归模型求解壁面的发射率。计算结果显示,提出的基于双向反射分布函数的壁面发射率求解方法的相对误差为12.21%,满足工程测试需求。

基于LSTM网络的矿山压力时空混合预测

矿山压力失衡引起的顶板事故是矿山重大事故之一,超前感知综采工作面矿山压力的变化对保证煤层安全高效具有重要意义。为了提高矿压预测准确性,文中提出了一种基于LSTM网络的时空混合预测模型。该模型采用两个独立的LSTM网络分别提取采空区侧和支架移架侧的压力特征,然后将得到的数据通过全连接层融合,从而实现对矿压的共同预测。文中以MSE和MAE来评估基于LSTM的时空混合模型的预测效果,实验结果表明MSE和MAE分别下降了24.49%和35.24%,说明基于LSTM的时空混合预测模型优于传统LSTM预测模型,且时空混合模型预测方法较传统模型具有更高的可靠性和准确性,能够实现工作面推进过程中对矿压变化的有效预测。

基于LSTM网络的洪家渡水库入库流量预报方法研究

针对传统基于物理过程驱动的预报模型在西南喀斯特地区存在较大局限性的问题,文章提出了一种基于长短期记忆(LSTM)网络的水库入库流量预报方法。该方法通过对水雨情各项监测要素与入库流量的相关性分析,构建入库流量预报数据集;通过参数配置与模型优化,建立了洪家渡水库入库流量预报模型。实验结果表明,模型的RMSE和NSE分别达到了0.045和0.713,该方法具有较好的水库入库流量预报能力。

基于无线通信和双向LSTM网络的有源低压台区线损率估测方法

针对现有估测方法在对有源低压台区线损率估测时,存在估测线损率与实际数值相差较大、估测效率低等问题,引入无线通信技术和双向LSTM网络,开展对有源低压台区线损率估测方法的设计研究。通过有源低压台区无线通信组网,实现台区数据交互。利用构建的通信网络环境,对有源低压台区原始数据采集,并完成预处理。利用双向LSTM网络,构建线损率估测模型。最后,为提高估测准确性,对模型进行梯度优化,实现对线损率的估测。通过对比实验证明,新的估测方法在实际应用中具备极高的估测准确性,且估测效率与现有估测方法相比也得到了显著提升。

基于LSTM网络汽轮机转子热应力预测及转子损伤在线评估研究

火电机组调峰过程中,频繁地启动和停机会导致转子内部温度分布不均,受到交变热应力影响,转子容易出现低周疲劳损伤。为解决这一问题,研究人员基于LSTM网络,对转子内部热应力进行预测,通过建立转子寿命模型的方式,对转子损伤进行在线评估,实时监控转子内部热应力分布情况,判断转子是否出现疲劳损伤,以期为保障火电机组安全运行提供技术保障。

基于匈牙利算法和LSTM网络的储粮害虫轨迹跟踪及行为研究

长期以来储粮害虫给粮食储物带来严重损失,为寻找一种安全高效、环境友好的储粮害虫防治方法替代化学防治,本研究采用计算机视觉技术对视频图像逐帧处理,运用匈牙利算法对多个储粮害虫目标轨迹跟踪,并结合长短期记忆网络(LSTM)与余弦相似度方法解决多个储粮害虫在运动过程中目标重叠的问题,研究储粮害虫的运动行为。实验结果表明,该方法在137个储粮害虫正常运动视频中达到98.5%的跟踪准确度,在58个含有目标重叠的视频中达到89.7%的准确度。最后计算实时运动行为指标,如行走距离、行走速度、行走方向等,这为分析在热处理、熏蒸、气调等杀虫过程中储粮害虫运动行为,推算其移动范围并依此调整杀虫强度,从而控制成本以达到最好的杀虫效果提供支持,为建立高效的储粮害虫防治方案提供一种策略参考。

基于LSTM网络的耙吸挖泥船能效分析评估模型

疏浚船的能耗排放和能耗成本极高,为准确预测疏浚船在挖泥工况下的能耗,减少能量损耗,降低营运成本,本文以耙吸挖泥船为研究对象,提出了一种基于长短期记忆(LSTM)网络的疏浚船能效分析预测方法,利用传感器采集的实船数据,将疏浚作业能效进行参数化表达,建立能效分析预测与评估模型,为疏浚作业能效提供评估理论。仿真结果表明,该方法可以准确地预测出疏浚船能耗的变化趋势。