基于数字孪生的清扫装置智能运维系统设计

为解决带式输送机清扫装置智能运维准确率低、可视化不足等问题,设计了一种基于数字孪生的清扫装置智能运维系统。结合实际工况,建立了基于数字孪生的智能运维系统框架,并构建融合物理模型、逻辑模式、功能模型的孪生模型,提出一种融合Dropout的LSTM-ELM轴承故障诊断模型,进一步结合WebGL等技术进行可视化展示。结果表明:该系统平均诊断精度达95.34%,可视化展示充分,达到实际运维需求。可为推动数字孪生技术落地提供参考。

不同降水降尺度方法在天山西部区域的适用性评估

为能更好地提高外源数据的可靠性与适用性,丰富基础资料匮乏地区可用的数据源,以天山西部区域的伊宁、尼勒克和昭苏站作为典型代表站,基于实测降水数据和NCEP/NCAR再分析数据,采用人工神经网络ANN、极限学习机ELM、长短期记忆神经网络LSTM、支持向量机SVM、组合简单平均CSAM和组合支持向量机CSVM方法建立统计降尺度模型,评估不同降尺度方法在降水降尺度方面的适用性。研究结果表明:①由于降水影响因素的多重性、实测站点降水的差异性,不同降尺度方法的优劣性存在一定的差异,且率定期与验证期最优降尺度方法可能出现不对应的情况;②实测站点降水量越大,降尺度效果越好;降水量年内变化越不均匀,降尺度效果越差;③由于实测站点冬季降雪事件的发生影响了降尺度的效果,总体降雪量越多,降尺度效果越差;④极端降水事件频发,影响到降尺度的效果,降低了降尺度结果的可靠性与精度。总体上,研究区ELM、LSTM和CSVM模型具有一定的优越性,其中CSVM组合模型在季节、年降水方面模拟效果最好,ELM模型在月降水分布方面模拟效果最好。

基于LSTM-RELM组合模型的电商GMV预测研究

随着互联网的发展,内容营销逐渐成为电商营销的主流,而该类营销的日商品交易总额(gross merchandise volume,GMV)直接关系到企业的库存优化控制与广告投放策略。为了提高预测精度,基于真实电商订单数据集,根据内容营销的指标,分析用户行为对于GMV的影响,提出了一种长短期记忆网络(long short-term memory network,LSTM)与正则化极限学习机(regularized extreme learning machine,RELM)的组合模型LSTM-RELM。实验结果表明,相比于传统单一模型与双LSTM、LSTM-SVR、GM(1,1)-BP等组合模型,LSTM-RELM模型具有更精确的预测效果与更快的运行速度,能为相关销售企业提供广告投放策略参考与库存优化建议。

基于EMD-ELM-LSTM的短期风电功率预测

风电出力的波动性和随机性较强,给电网功率调度带来了极大的困难.如何准确预测风电功率对电网的功率供需平衡和安全稳定运行具有重要的意义.本文提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)、极限学习机(Extreme Learning Machine,ELM)和长短期记忆网络(Long Short-Term Memory,LSTM)的风电功率预测组合模型.首先,对数据集进行预处理,识别并处理数据集中的异常数据,并对数据进行归一化处理以降低不同数据之间的差异性;其次对风电功率进行EMD分解以得到有限分量;然后将所有数据输入ELM-LSTM模型,并根据风电功率分量的特征选择ELM或LSTM对分量进行预测;最后叠加各子序列得到风电功率的最终预测结果.为验证所提模型的有效性和先进性,利用传统的BP神经网络、LSTM网络、CNN-LSTM网络、ELM以及本文所提模型,分别对我国西南某风电场的实测数据进行预测.测试结果表明,所提EMD-ELM-LSTM组合预测模型可以有效提高风电功率预测精度.

基于深度学习LSTM对交通流状态的预测

当今道路交通状态对城市管理和人们出行愈加重要,影响着人类生活的方方面面.以深圳交通为研究对象,由基础车辆数据和道路坐标构建了路网系统,从车辆速度和密度两个方面导出了交通流状态评价指数TSI.利用深度学习长短期记忆神经网络(LSTM)对车辆速度和密度两个指标进行预测,并通过对比极限学习机(ELM),时间序列(ARMA)和BP神经网络,进行仿真实验,结果表明相对于传统预测模型,所采用的LSTM网络具有更优的预测精确度和对远期预测的稳定性.最后利用预测结果计算出更能直观反映出道路交通拥堵情况的TSI指数,为人们提供了准确的交通状态预测.