基于优化VMD-SSA-LSTM算法的锂离子电池RUL预测

目的为了避免锂电池在使用的过程中可能会出现容量虚假回升现象,从而导致电池在超出退化标准后继续使用造成风险。方法提出基于鲸鱼优化算法(WOA)、分模态分解(VMD)、麻雀搜索算法(SSA)和长短时记忆神经网络(LSTM)的组合预测算法对锂离子电池剩余寿命(RUL)进行预测。首先对于变分模态分解模态数K和惩罚因子a以往需要凭经验确定的问题,提出使用WOA对VMD的两个参数进行寻优。其次将原始容量退化数据根据上一步确定的参数进行模态分解,得到有限个模态分量。由于经过分解过后得到的残差分量的起伏性较大,因此将其作为其中的一个分量。最后,使用SSA优化LSTM的超参数,并对得到的模态分量和残差分量进行预测,并将预测的各个分量重构得到预测结果。结果采用NASA PCoE实验室公开的锂电池失效数据集进行实验,验证了所提出的WOA-VMD-SSA-LSTM优化算法相较于其他2种优化算法,在平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分误差(MAPE)3项评价标准中都是最低,且MAPE小于1%。结论该优化算法对于锂电池RUL预测具有不错的精度和稳定性,为锂电池RUL预测提供了一种新的预测模型的同时,也为VMD超参数的选择和确定提供了一种新方法。

基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究

传统的切削过程功率获取需要基于复杂的切削功率模型且很少考虑刀具磨损的影响,针对此设计了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)、长短时记忆(LSTM)神经网络的考虑刀具磨损的数控铣床切削功率预测模型,该模型无需解构数控铣床运行过程的能耗机理,基于一次性的历史实验数据即可实现数控铣床切削过程功率的高精度预测。首先,采用人工智能机器视觉技术对刀具磨损图片进行分析处理,获取刀具磨损图像的数字化特征,从而得到刀具最大磨损量;然后,建立基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型,利用VMD对数控铣床运行数据进行分解,采用SSA算法对LSTM神经网络超参数进行寻优,并将分解出的铣床运行数据分量输入到LSTM神经网络中,接着将每个分量的预测值相加,得到切削功率预测值;最后以面铣加工为例,将所提出的预测模型与BP神经网络、LSTM神经网络和传统模型进行对比分析,验证了所提模型的有效性和优越性。

基于VMD-SSA-LSTM的架空输电导线覆冰预测模型

针对输电导线覆冰过程间断性强且波动性大而导致的现有模型预测精度不高的问题,从覆冰厚度数据的时序信息和气象信息出发,提出一种基于变分模态分解(variational mode decomposition,VMD)的麻雀搜索算法(sparrow search algorithm,SSA)优化长短期记忆网络(long short-term memory network,LSTM)的覆冰组合预测模型.该方法首先使用VMD分解覆冰厚度数据,降低了原始序列的不稳定性,得到具有不同中心频率的本征模态分量;其次,采用SSA算法对LSTM中的3个参数进行寻优;最后,对模态分量分别建立LSTM预测模型,将各个模态分量的预测值叠加为覆冰厚度的总预测值.通过实例仿真,对所提预测模型进行验证.结果表明:VMD-SSA-LSTM组合模型与其他模型相比,其预测精度有进一步提高,验证了所提方法的有效性.

基于SSA-LSTM模型的空气质量预测研究

为提高PM_(2.5)浓度的预测精度,提出了一种结合麻雀搜索算法(SSA)和长短期记忆神经网络(LSTM)的组合预测模型。以2023年5月至8月期间长沙市PM_(2.5)浓度数据为基础,构建了SSA-LSTM模型并与其他模型进行了对比实验。实验结果显示,SSA-LSTM模型的预测结果在拟合优度(R^(2))上相较于单一LSTM、PSO-LSTM和WOA-LSTM模型分别提升了45.93%、31.55%、19.12%,同样在均方根误差(RMSE)和平均绝对误差(MAE)的结果上也表现更优,表明该模型在PM_(2.5)浓度预测方面具有高准确性和有效性,可为制定PM_(2.5)相关预防措施提供一定的参考价值。

基于VMD-CSSA-LSTM组合模型的股票价格预测

针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题,建立一种基于变分模态分解(Variational Mode Decomposition,VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm,CSSA)-长短期记忆(Long Short-Term Memory,LSTM)神经网络的组合模型——VMD-CSSA-LSTM.首先,利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function,IMF)分量.然后,采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化,将最优参数拟合至LSTM网络中.最后,对每个IMF分量建模预测,将各分量预测结果叠加得到最终结果.实验结果表明,与其他模型相比,本文模型在多支股票数据集上的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)均达到最小,预测股票收盘价格误差在0附近波动,稳定性更优、拟合更佳、精确度更高.

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。

基于SSA-LSTM模型的黄河水位预测研究

黄河流域内的水资源分配和调度对于各个地区的经济发展和人民生活至关重要。为提高黄河水位预测精度,提出一种基于麻雀搜索算法(SSA)和长短期记忆(LSTM)网络融合的黄河水资源调度预测模型,即利用SSA算法优化LSTM模型的超参数后,对黄河水位进行预测。结果表明,SSA-LSTM模型的E_(MAP)(平均绝对百分比误差)、E_(RMS)(均方根误差)、E_(MA)(平均绝对误差)和R^(2)(拟合优度)分别为0.0063、0.0304、0.0247、0.9945。相较于层感知器(MLP)、LSTM对照模型,SSA-LSTM模型的E_(MAP)、E_(RMS)、E_(MA)明显减小,R^(2)有所提升。采用SSA算法自动进行参数选优的方式,可解决LSTM模型手动选择参数的难题。这种方法不仅大幅缩短模型训练时间,还能找到最优网络参数,从而发挥模型的最佳性能。利用SSA-LSTM模型预测黄河水位具有良好的准确性和鲁棒性,可以为黄河水资源调度提供依据。

基于SSA-LSTM神经网络的股票价格预测研究

利用SSA降噪技术对沪深300指数股票价格进行降噪并建立LSTM模型,发现在预测性能方面,奇异谱分析能够进一步提高模型预测的精度,优化算法对于模型的优化或许也能间接提高模型的预测性能。通过将原始时间序列构建轨迹矩阵,将轨迹矩阵进行奇异值分解、重构,由此提取出时间序列中代表不同成分的信号,有效、准确地运用数学模型预测股票价格。

基于PCA-SSA-LSTM的余热锅炉状态监测模型

为了实现对余热锅炉的状态监测,保证余热锅炉的健康运行,使用余热锅炉健康运行时的数据并结合主成分分析(PCA)、麻雀搜索算法(SSA)、长短期记忆网络(LSTM)3种方法建立余热锅炉三压力级主蒸汽温度和压力预测模型。使用PCA将模型输入参数从22维降到9维,并以再热蒸汽温度预测模型为例进行分析,发现经PCA降维的模型与未经PCA降维的模型相比缩减了11.3%的超参数寻优时间。使用SSA对LSTM超参数寻优之后分别建立6个主蒸汽温度、压力预测模型,与未使用SSA的模型相比,这些模型的决定系数有了显著的提升,平均绝对误差与均方根误差有了显著的下降。因此基于PCA-SSA-LSTM的余热锅炉状态监测模型训练时间短,预测精度高,同时该模型给燃气轮机联合循环电厂余热锅炉的故障监测与诊断提供了理论依据和技术支持。

基于SSA-LSTM模型的IGBT时间序列预测研究

针对绝缘栅双极型晶体管(IGBT)长工作周期导致的老化失效问题,提出一种基于麻雀搜索算法(SSA)优化长短期记忆(LSTM)网络的IGBT时间序列预测方法。首先分析IGBT疲劳失效的原因,选取某IGBT老化数据集中的集射极峰值电压为失效特征量,进行二次指数滤波以增大数据下降趋势。然后利用Matlab搭建LSTM模型,并采用SSA对网络模型中学习率、隐藏层节点数和训练次数进行寻优以得到最优网络。最后选取常用回归预测性能评估指标对LSTM模型与SSA-LSTM模型预测结果进行对比分析。结果表明,SSA-LSTM模型的预测结果平均绝对误差、均方根误差及平均绝对百分比误差分别降低了0.016%、0.022%和0.202%,证明所提方法预测精度高,可在一定程度上评估IGBT的寿命。

基于WT和SSA-LSTM的短期天然气负荷预测模型研究

天然气作为一种清洁、高效、稳定的能源,在实现“双碳”目标中发挥重要作用,如何对其负荷进行高精度预测尤为重要。首先,将原始数据进行预处理,将预处理之后的数据利用Coiflets小波进行分解并进行归一化;其次,将归一化后的数据代入经麻雀搜索算法(SSA)优化后的LSTM模型进行训练与预测;接下来,将预测结果进行反归一化并进行重构;然后,以MAPE、RMSE和MAE对模型的预测效果进行评价,指出最优预测结果;最后,实例验证结果表明:最优结果是经过Coiflets小波4阶6层分解之后的组合模型,其预测精度为99.1%,达到了预期效果。此结果可以为天然气工程的在线应用和小波变换在其他预测情景中时间序列分解提供参考。

基于SSA-LSTM模型的日水位预测——以涡河流域涡阳闸为例

水位的准确预测可以指导城市的防洪减灾举措及水利工程建设,提升城市洪涝灾害应急响应速度.基于数据驱动的水位预测模型,尤其是LSTM模型,在模拟自然界中水文要素的强非线性关系时展现出优势从而得到广泛应用.然而,自然界中水文数据的采集往往伴随着噪声以及人为干扰因素,这些问题影响了模型的预测性能.针对这一问题,本文开发了一种新的组合模型,即SSA-LSTM模型.该模型首先利用SSA方法将观测到的时间序列分解为周期、趋势和噪声分量,接着利用LSTM对SSA方法去噪后的序列进行模型训练并得到最终预测结果.本文选取涡河流域涡阳闸1971年5月至2020年12月的闸上水位为数据集,1)利用奇异谱分析方法将原始水位时序数据分解为多个趋势和噪声分量(RC_(1)–RC_(12)),选取分量(RC_(1)–RC_(10))为趋势项并重构为新的水位时序信号;2)利用LSTM模型对重构的信号进行了训练和验证,并将预测结果与LSTM模型的结果进行了对比;3)为得到最优的SSA-LSTM模型,针对不同的时间步长(7、14、21、28、35天)开展了单步预测性能评估实验,实验结果表明,在不同的时间步长下,SSA-LSTM水位预测模型的决定系数R^(2)、均方根误差RMSE、平均绝对误差百分比MAPE均优于LSTM模型.由此可见,采用SSA方法对涡阳闸水位的预处理可有效提高LSTM的预测效果,相比于传统LSTM模型,SSA-LSTM模型具有高可靠和低误差的特点,在水位预测应用中更具适应性,可以为城市防洪、灌溉、供水等水利措施的合理调度提供更优的决策依据.

基于改进SSA-LSTM的销量预测研究

为提高销量预测的准确率,提出一种基于改进麻雀搜索算法优化LSTM的销量预测模型。首先在算法迭代过程中通过重心反向学习对个体进行变异,以增强算法跳出局部最优的能力;其次利用改进的算法对LSTM神经网络的超参数进行优化,解决了依靠主观经验选取超参数时存在精度不佳的问题;最后在原始销售数据的基础上加入大量零售数据等多个特征变量进行辅助预测,提高模型预测准确性。实验结果表明,该模型相较于其他模型具有更好的预测效果。

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism,SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation,BP)、LSTM、LSTM-Attention等模型进行对比,结果表明,该方法得到的均方根误差、平均绝对误差和确定系数分别0.742 mm、0.553 mm和0.994,所提方法能较大幅度提高尾矿坝位移变形的预测精度。

基于SSA-LSTM模型的消费者信心指数预测研究

消费者信心指数(CCI)是反映居民消费意愿的宏观经济指标,具有非线性时变特征且发布时间存在滞后性。结合相关网络搜索数据,采用Lasso回归进行降维,引入麻雀搜索算法(SSA)对长短期记忆(LSTM)神经网络模型进行组合优化,通过构建SSA-LSTM模型对我国CCI进行一年期的预测,并基于预测性能评价指标与LSTM模型进行对比分析。研究表明:构建的SSA-LSTM模型预测效果和预测精度显著优于LSTM基准模型且转折点预测能力强;同时,结合网络搜索数据对CCI进行预测时效性强,预测值比官方发布数据领先半个月左右,能够及时为宏观经济决策和相关政策制定提供有价值的参考。

基于维度融合与SSA-LSTM的机翼结冰检测

高海拔、低温作业下的风电机组常伴有机翼结冰现象。针对风机数据纬度高,传统模型无法挖掘数据间时序关系、收敛速度慢、预测精度低等问题,提出一种基于维度融合优化与长短期记忆(LSTM)网络的结冰检测模型。结合特征消减算法筛选建模特征,通过主成分分析(PCA)降低数据耦合性并引入改进的麻雀搜索算法(ISSA)建立长短期记忆网络结冰检测模型。实验验证,维度融合与改进麻雀搜索算法优化的结冰检测模型判决准确率得到较好的改善,平均具有99.85%的判决准确率。

基于SSA-LSTM模型的短期电力负荷预测

电力负荷预测实质是时间序列预测问题,存在非平稳性和影响因素的复杂性。为了提高预测精度,解决长短期记忆神经网络(LSTM)参数选取随机性大、选取困难的问题,本文提出了一种利用麻雀搜索算法(SSA)优化长短期记忆神经网络参数的短期电力负荷预测模型(SSA-LSTM),通过历史用电负荷数据、相关影响因素数据对待预测日进行负荷预测。首先,对历史用电负荷数据、天气、节假日等影响因素进行预处理。其次,将处理好的数据用以训练模型,借助麻雀搜索算法对长短期记忆神经网络的参数进行寻优,使输入数据与网络结构更好地进行匹配。最后,进行负荷预测同时对比其他算法模型进行分析。算例结果表明,本文所提模型能够有效提高预测精度且在进行短期负荷预测中具有有效性。

基于WT+改进SSA-LSTM模型的短期天然气负荷预测算法

为提高天然气负荷的预测精度,提出一种改进麻雀搜索算法(Sparrow Search Algorithm,SSA)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的组合预测模型(即改进SSA-LSTM模型)。先利用Sobol序列产生高质量初始种群,再引入自适应权重和T分布变异以增加麻雀跳出局部最优、提高全局搜索能力,后通过12种测试函数验证改进SSA算法的性能,并将该组合预测模型应用于华北某城市燃气门站的天然气负荷预测。为进一步提高模型预测精度,引入小波变换(Wavelet Transform,WT),通过5种小波(Symlets小波、Coiflets小波、Fejer-Korovkin小波、Haar小波及Discrete-Meyer小波)对天然气负荷数据进行分解,将分解后的数据代入改进SSA-LSTM模型进行训练与预测,并将预测结果进行重构,以MAPE、RMSE、MAE为模型评价指标,结果表明:利用Discrete-Meyer小波7层分解方法的预测准确性最高,达到99.14%,相较于改进SSA-LSTM模型和传统LSTM模型的预测精度分别提高了3.55%、9.31%。该方法可为天然气区域内稳定供应提供参考。(图7,表4,参30)

基于SSA−LSTM的风速异常波动检测方法

针对传统统计方法对风门开闭导致传感器监测数据异常波动的漏报率和误报率高的问题,通过挖掘风速传感器中时间序列数据中的数据特征,提出了一种基于奇异谱分析法(SSA)与长短期记忆神经网络(LSTM)组合的SSA−LSTM风速异常波动检测方法。首先利用SSA对风速传感器监测数据进行预处理,将风速数据分解为趋势分量、周期分量和噪声分量,通过重组趋势分量和噪声分量去除因湍流脉动产生的数据噪声;然后对LSTM进行参数优化,利用优化后的LSTM模型对预处理数据进行预测并得到重构风速;最后以对数概率密度函数计算监测风速与重构风速的异常分数,通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测。试验结果表明:SSA去除因湍流脉动产生的数据噪声效果较好,在不影响数据波动情况下去除噪声分量,有助于提高风速重构效果和异常检测准确率;LSTM在无异常波动时能正确重构因湍流脉动导致的小幅波且与实际数据拟合效果较好,在有异常波动时根据历史波动趋势对异常波动段进行重构,可有效提高异常检测的准确率。通过对比分析,所提方法比ARIMA、BP、CNN模型的重构效果更好,异常检测准确率为99.2%,F1-Score为0.97,验证了所提方法的可靠性。表明本文所提方法在检测因风门开闭导致的风速异常波动上具有一定的应用价值。

基于长短期记忆网络汽轮机振动幅值预测

火电机组的主轴振动幅值具有非线性,非平稳,时序相关,且与当前历史状态密不可分的特点,而实际火电厂所提取数据往往呈现无规则,长时间,数据量庞大的特点。提出了由麻雀搜索算法(SSA)进行优化的的长短期记忆网络(LSTM)相结合构建深度学习预测模型,对汽轮机主轴的振动幅值进行更高精度的预测模拟。相较于非时序神经网络模型和无优化时序神经网络模型预测性能大大提高。