大坝渗压混合预测的STL分解-集成学习模型

针对目前大坝渗压预测研究大多未区分影响因素对渗压不同特征成分贡献的差异,降低了模型的可解释性,且现有的预测模型大多采用单一算法,存在难以区分具有高度非线性和非稳态混合特征的渗流压力序列模式等问题,本文提出一种基于STL分解和集成学习策略的渗压可解释混合预测模型。该模型首先通过时间序列分解(STL)将原始渗压时间序列分解为季节项、趋势项和余项,以避免现有模型在渗流压力预测中模式混淆的不足;然后,不同成分的变化特征可采用多策略改进麻雀搜索算法(MSISSA)优化的核极限学习机(KELM)和卷积神经网络组合门控递归单元(CNN-GRU)组成的集成学习模型来识别;此外,还采用单次单因子法(OFAT)分析影响因素对渗流压力不同特征成分的贡献,从而改变输入因素的权重,以提高模型的可解释性。案例分析结果表明,在确保模型可解释性的同时,所提出的混合模型与基于单一算法的模型相比,预测精度平均提高了48.44%;与其他集成预测模型相比,预测精度平均提高了11.42%,验证了所提模型的有效性,为大坝渗流安全监控提供了新的建模方法。

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STL-MIC-LSTM方法的最大电力负荷预测方法研究

随着经济社会的快速发展,对电网调度的安全稳定提出了更高的要求,准确的电网负荷预测将发挥更加重要的作用。文章运用STL方法提取气象负荷,利用MIC选取适当的气象因子,建立了基于LSTM网络和多气象因子特征、按季节分类的最大电力负荷预测模型并进行检验。利用模型预测了2023/2024年冬季银川市最大电力负荷,结果表明:STL方法能够有效地提取不同周期下的气象负荷;MIC可以较好地体现气象因子与气象负荷的非线性关系;在时间序列预测方面,LSTM网络能够较为准确地预测银川市日最大电力负荷;银川市2023/2024年冬季最大电力负荷为3161 MW,平均最大电力负荷较2022/2023年冬季偏高6%。

基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。

基于FFT-STL的大坝监测数据时效分量提取与分析算法

研判监测物理量的变化趋势是否向危险方向发展是大坝监测资料定量分析的主要目的,但传统方法易受人为因素的影响。为此,提出了一种基于FFT-STL的大坝监测数据时效分量提取与分析算法,该算法采用FFT算法计算监测数据的周期,并将其作为输入参数传递给STL分解算法,自动提取数据的时效分量,采用不同类型的时效分量模型分别回归拟合优选最佳模型,最后依据变化速率对时效分量的趋势进行研判。经实例分析证明,与传统算法相比,所提算法能准确可靠地反映大坝安全监测数据的变化和发展趋势,且具有更好的适应性。

基于STL-Holt-WOA-RF的拱坝位移预测模型

传统的混凝土拱坝位移预测模型主要关注水压、温度、时效等因素与拱坝位移之间的关系,未对拱坝位移数据中所包含的信息进行充分挖掘。为此,采用Seasonal and Trend decomposition using Loess算法(STL)将拱坝位移原始数据分解为趋势序列、周期序列及残差分量。在此基础上,采用鲸鱼优化算法(WOA)结合随机森林算法(RF)对三个分量进行预测,并使用Holt-Winters算法充分考虑趋势序列中的趋势信息对趋势序列的预测结果进行修正。最后将修正后的趋势序列预测结果和周期序列、残差分量预测结果相加,得出拱坝位移最终预测结果。工程实例表明,基于STL-Holt-WOA-RF的拱坝位移预测模型能够显著提高预测的准确性和稳定性,为拱坝位移预测提供了新的思路和方法。

基于STL-XGBoost模型的GNSS高程时间序列预测方法

为了更精确地预测GNSS高程时间序列,解决传统GNSS高程时间序列预测方法特征选取不完善、稳定性差的问题,本文提出一种基于STL-XGBoost组合模型的预测方法。该方法应用STL分解对GNSS数据进行分离得到趋势项,将其从原始GNSS数据中去除后的非趋势项作为以时间为特征的XGBoost模型的输入数据,利用其强大的非线性建模能力进行GNSS高程时间序列的预测。同时,利用STL分解对趋势项进行预测,将非线性预测值和趋势项预测值等权相加得到最终的组合模型预测值。通过多个GNSS数据集的分析验证,相较于单一的STL和XGBoost模型预测结果,STL-XGBoost模型预测结果的MAE均值降低了32%,RMSE均值降低了30%,预测结果具有更高的准确性,且与原始时间序列具有较强的相关性。本文提出的组合模型在预测精度和稳定性方面有显著提升,为GNSS高程时间序列分析提供了一种有效的预测方法。

基于k-shape_STL的用户短期用电负荷预测模型

为挖掘复杂环境因素对电力负荷预测效果的影响,提高电力负荷预测精确度,提出了一种基于k-shape时间序列聚类与STL季节趋势分解算法相结合的负荷曲线聚类预测模型(k-shape-seasonal and trend decomposition using loess-gradient boosting decision tree,k-shape-STL-GBDT)。首先分析用户用电时序特征,利用k-shape时间序列聚类算法根据负荷曲线划分用户聚类,其次,使用STL算法将不同簇的负荷数据划分为季节项、趋势项与随机项。然后,结合温度、湿度等影响因素搭建预测模型,以麻省大学smart*可再生能源项目的公开数据集为例进行分析,并与多种主流聚类分解预测模型进行对比。结果表明新提出的模型框架MAPE减少了4%以上,针对短期负荷预测表现出了较好的性能与预测精度。

基于STL算法的黄河下游水沙通量变化分析研究

本文采用了STL分解法的局部加权回归,捕捉局部变化规律和趋势,得出自2019年起,水沙通量因“调水调沙”出现大幅突变,2019—2021年突变点逐渐更密集且峰值逐渐减小,呈更平缓突变趋势;每年季节年性相差不大,分洪、枯两季;周季节性和突变性相似,均为变换系数逐年增大,呈更平缓波动趋势;周期性体现在枯季水沙通量在大时间尺度上先多后少,在小尺度上水沙通量的多-少循环,且变换系数远小于洪季。

基于STL模型的焊缝横截面提取方法

目的:针对线结构光视觉传感器获取的截面轮廓与焊缝主方向不垂直,不能完全反映焊缝横截面真实形貌的问题,提出一种基于STL模型的焊缝横截面提取方法。方法:以线结构光轮廓传感器采集的原始离散点数据为基础,通过RANSAC算法进行轮廓分割,提取特征点和焊缝边缘,确定焊缝主方向;利用分割后焊缝截面轮廓点拼接焊缝表面三维点云;在此基础上,采用泊松算法对点云进行曲面拟合构建STL模型;采用基于三角形面片位置信息对STL模型进行分层处理,获取焊缝横截面轮廓。结果:对有无缺陷焊缝表面点云数据进行处理,结果表明,所提方法能够准确地提取焊缝横截面轮廓。相较于传统方法,获取的有缺陷焊缝横截面轮廓偏差平均值减少46%,最大值降低28%,标准差减小41%。结论:本方法能够有效提取焊缝横截面,可以解决线结构光视觉传感器获取的截面轮廓与焊缝主方向不垂直,不能完全反映焊缝横截面真实形貌的问题,能够为后续焊缝缺陷识别、损伤评估和修复提供重要数据支撑。

保留STL模型特征细节的3D打印自适应分层算法

针对传统的3D打印自适应分层算法存在计算过程复杂、无法消除阶梯效应影响、不能保留模型特征以及特征容易丢失等问题,提出了一种改进的保留STL模型特征细节的自适应分层算法。该算法首先判断模型当前层是否含有显著特征边;然后针对当前层含有显著特征边的情况,通过相邻2个三角网格法矢量的夹角来适应性确定层厚,对不含显著特征边的情况,利用三角网格法矢量与成型方向的夹角来自适应确定层厚,对于模型存在特征偏移的情况,则通过相邻切平面封闭曲线个数变化来适应性地确定层厚;最后将上述3种情况下自适应层厚的最小值作为当前分层的依据。研究结果表明:对于所采用的恐龙模型,所提算法不仅很好地保留了模型的细节特征,而且显著提升了模型成型质量;与基于三角面片法的矢量自适应分层算法和仅保留模型特征的自适应分层算法相比,所提算法的模型精度分别提升了28.6%和31.7%。该算法减小了阶梯效应以及模型特征丢失和偏移对打印质量的影响,提高了模型的打印精度。

基于STL-LSTM-TCN模型的短期负荷预测方法

为提高模型的预测精度,引入STL算法将负荷序列分解为周期分量、趋势分量、残差分量,利用各分量训练LSTM和TCN模型。在得到LSTM和TCN模型的预测后,为进一步提高模型的预测精度,构建了集成模型对LSTM模型和TCN模型的预测值进行集成。以西班牙电力负荷数据集为例,对所提负荷预测方法进行了验证。实验结果表明,STL算法和集成模型的引入均提高了模型的预测精度,基于STL-LSTM-TCN的预测方法相较于LSTM、TCN、STL-LSTM、STL-TCN,其MAPE分别降低了2.8664%、2.1229%、0.37%、0.1%,所提负荷预测方法的预测误差最低,验证了所提预测方法的有效性与合理性。

基于局部简易拓扑结构的STL模型分层算法

为进一步提高3D打印切片效率,该文提出一种基于局部简易拓扑结构的STL模型分层算法。读取STL文件信息,确定模型坐标高度范围;依据高度信息和层切厚度确定每个切片层的高度;对三角形面片按高度进行排序。设计构造一种新型的简易半边数据结构,利用该数据结构对排好序的三角形在每个切片层分组建立并动态维护局部拓扑结构,通过拓扑结构快速得到切片轮廓。此方法不需要建立全局拓扑结构,并缩短了建立分组拓扑结构的时间,实验证明提高了切片的速度和效率。

基于STLS的姿态信息空间配准方法

针对无人车多源融合导航过程中数据预处理阶段的姿态信息配准问题,提出基于STLS的多源空间配准方法:建立基于姿态信息的相对姿态误差模型,利用STLS方法对误差模型迭代求解;通过STLS方法估计相对姿态参数,使用方向余弦阵作为中间变量对所估计出的相对姿态误差进行补偿。仿真实验结果表明,STLS方法估计相对姿态误差性能优于LS、TLS方法。半实物仿真结果表明,提出的基于STLS的空间配准方法降低姿态角的误差约60%,有利于提高后续多源融合导航精度。

改进STL分层算法在机械零件3D打印中的应用研究

为提高三维(Three dimensional,3D)打印机械零件生产方式的生产效率和产品质量,研究提出一个改进的光固化立体造型术(Stereolithography,STL)模型分层算法,该算法采用层厚关联方式对STL模型进行同步分块处理,并结合三角网格面片的顶点信息与法向量信息重构邻接拓扑关系,形成切片平面的网格面片环,并以此为基础对STL模型进行优化分层切片。实验结果显示,该算法在分层厚度为0.30mm条件下的分层算法轮廓算术平均偏差均值为0.77,平均计算耗时为2.45s,均明显优于目前行业内常用的分层算法。实验结果证明,此次设计的改进STL模型分层算法在复杂机械零件3D打印生产中具有一定的应用前景,并能起到加快零件生产速度、提高打印产品表面光滑度的作用。

STL Partners:2030年边缘计算潜在市场将增长至4450亿美元

国际电信咨询公司STL Partners近日发布了一份边缘计算关键数据统计,重点介绍了边缘计算相关统计数据,这些数据预测显示了边缘计算市场的增长潜力,以及边缘部署数量最多的垂直行业和地区。具体如下。

基于周期特征提取的DLnet预测模型研究

现有的预测方法很少独立分析能源消耗的周期性特征。本文提出了一个短期办公建筑能耗预测模型(DLnet),以解决周期性能耗数据利用效率低下的问题。首先,利用STL对能耗数据的周期成分进行分解,通过网格搜索算法寻找能耗数据的最优周期;然后,根据最优周期构建周期块;再根据周期块的数据形状构建时间序列块数据;之后,利用长短期记忆(LSTM)对时间序列块数据和周期块数据进行训练和学习;最后,通过线性回归将时间序列块数据和周期块数据的预测结果进行融合。事实证明,所提出的模型的4个预测精度指标分别比LSTM模型高7%,21%,25%和26%。

基于时序分解和SARIMA⁃DSR的台区可开放容量计算方法

合理地分析并准确计算台区可开放容量,能够优化配电系统的运行,提高线路利用率,保证台区配电变压器安全、经济、稳定运行。传统的可开放容量计算方法主要基于线路输电能力经验公式进行计算,未考虑高负荷运行台区的短时性及季节性,存在计算准确率和普适性低的问题。因此,提出一种基于局部加权周期趋势分解算法(STL)和季节性自回归滑动平均模型(SARIMA)与动态同时率(DSR)的台区可开放容量计算方法。该方法首先利用STL将历史台区负荷数据分解为趋势项、季节项和余项;其次,根据调整的历史台区负荷数据建立SARIMA台区负荷预测模型,预测未来台区负荷的变化及负荷峰值;同时,根据台区历史负荷数据建立台区DSR准则;最后,构建SARIMA‐DSR模型,合理调整可开放容量计算方法中的配置系数,实现台区的可开放容量的准确计算。

基于STL模型几何特征分类的快速分层处理算法研究

在分析了影响ＳＴＬ模型分层处理速度因素的基础上，提出了基于ＳＴＬ 模型几何特征分类的加快分层处理速度的算法，进一步提出了自适应分类算法和轮廓快速生成算法，并由此开发了快速分层软件．大量实际应用结果表明，该算法高效、稳定、可靠．

STL面片中冗余顶点的快速滤除算法及其应用

为了快速滤除STL面片数据中的冗余顶点，提出了一种高效的3轴分块排序算法，成功应用于3维真实感注塑模流动模拟软件Hsc3DRF的3D图形处理。