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STL-1DDCAE的轴承故障诊断研究

由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明:该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1780、1700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。

时序分解和CNN-LSTM相融合的月径流预报模型

针对常规模型无法充分提取径流序列复杂非线性特征信息的不足,提出一种基于局部加权回归周期趋势分解算法(STL)与卷积神经网络(CNN)和长短时记忆神经网络(LSTM)相融合的月径流预报模型。该模型首先利用STL将径流序列分解为趋势项、季节项和随机波动的余项,分解后的各分量序列输入CNN进行卷积运算和子采样层重采样,CNN输出的特征序列通过LSTM拟合时序关系后由全连接层输出径流预测值。以黑河流域讨赖河基准站的月径流数据为例,对比分析LSTM、STL-CNN、STL-CNN-LSTM三种模型的预测效果,验证结果表明:STL和CNN-LSTM相融合的模型预报误差最小、精度等级最高。该模型相较于直接对原始径流序列进行分析的常规模型,可以较为显著地提高月径流预测的能力。

基于局部加权周期趋势分解算法和注意力机制的变压器顶层油温多步预测

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),将变压器顶层油温分解成趋势、周期和残差分量;然后,使用一维卷积网络和编码器–解码器提取特征,生成特征矩阵;最后,引入注意力机制挖掘特征矩阵中对当前预测结果产生显著影响的信息,并随预测时间更新,最终得到多步预测结果。算例分析表明,与传统预测方法相比,该方法能够有效提取顶层油温数据特征并缓解预测时间增长带来的预测误差累积,具有更高的多步预测精度。