基于混合分解和PCG-BiLSTM的风速短期预测

为降低风速的随机性对风力发电的影响,提高风速短期预测的精准度,提出一种基于混合分解、双通道输入、多分支PCG-BiLSTM深度学习模型的短期风速预测方法。首先,将全年风速数据分为春、夏、秋、冬4个季度,选取春季作为主要实验对象;其次,利用奇异谱分解(SSD)和变分模态分解(VMD)以降低原始春季风速数据复杂度,生成具有不同模态且复杂度低的子分量,两种不同模式子分量组合为混合分量,实现不同模式分解算法的优势互补;最后,将混合分量以双通道的形式输入到多分支PCG-BiLSTM深度学习模型中,其模型的每个分支由卷积神经网络(CNN)与门控循环单元(GRU)并联组成时空特征提取模块,用于提取两种分解分量组合的混合分量的时空特征,各分支提取对应混合分量的时空特征经聚合后再由双向长短期记忆网络(BiLSTM)进一步提取风速信号的正向和反向双向波动规律,进而得到最终的风速预测结果。多组实验结果表明:提出的组合预测方法在短期风速预测中具有较高的精度和泛化能力,优于其他传统预测方法。

中国四大城市群碳排放驱动因素时空分解研究

城市群是中国经济发展和能源消耗的集聚区域,也是碳排放的主要来源。研究中国典型城市群碳排放的时空演变特征及其影响因素对实现“双碳”目标具有重要意义。文中应用ST-IDA模型(时空指数分解分析法)和LMDI(对数平均迪氏指数法)分解法,分析2000—2019年京津冀、长三角、珠三角和成渝城市群的碳排放驱动因素(人口规模、经济水平、产业结构、能源强度和能源结构)。研究发现:2000—2019年间,四大城市群能源活动碳排放总体趋势均由高速增长阶段步入平稳增长阶段,其中成渝城市群已基本实现碳达峰;能源强度效应是影响碳排放空间差异的主要因素;人口规模扩张、经济发展水平提高和能源强度上升是促进碳排放增长的主要因素,产业结构和能源消费结构优化起到抑制作用;四大城市群碳排放的时空演变主要取决于工业部门。鉴于四大城市群呈现出不同的碳排放特征,未来应探索差异化、多元化的城市群减排路径,促进城市群碳减排。

融合多小波分解的深度卷积神经网络轴承故障诊断方法

针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合,即设计多个一级多小波分解层以提取信号的低频分量和高频分量,再将多个一级多小波分解层与卷积层交替联接,使模型能够多尺度地提取并学习信号有用的时频域信息,信号分解和特征学习交替执行,进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试,结果表明:所提模型训练时能够快速达到稳定收敛,并且识别准确率均能达到99.9%以上;提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法,验证了其优秀的抗噪声干扰能力;在少训练样本测试中,提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。

分布式散射体相位估计奇异值分解法

常规的分布式散射体(DS)相位估计方法需要生成全组合干涉对以构建样本协方差矩阵(SCM),然后根据SCM的统计特性估计DS相位,这一过程不但计算耗时,而且占据大量存储空间。本文提出了一种基于奇异值分解技术的DS相位快速估计方法(SVDI)。该方法分析的对象是单主影像干涉对组成的干涉相位矩阵而非全组合干涉对组成的SCM,因而可以有效提高计算效率、节省存储空间。并且,理论上证明了在一定条件下SVDI的结果与常规的特征值分解方法(EVD)是一致的。模拟数据和真实SAR数据的结果表明,SVDI算法有更高的计算效率,并且其相位估计精度以及形变解算精度与常规算法是一致的。

中国碳排放影响因素分解及峰值预测研究

随着我国对2030年前达到碳排放峰值意愿的逐渐增强,首先,利用对数平均迪氏分解(Logarithmic Mean Divisia Index, LMDI)模型对我国2011—2019年人均碳排放量变化的影响因素进行分解,以明确各影响因素的贡献量、贡献率,并得出2011—2019年我国人均碳排放累积增长约为1.09 t。其中,经济发展起主要促进作用,累积贡献值约为5.61 t;能源结构优化和能源强度降低起抑制作用,累积贡献值分别约为-0.66 t和-3.86 t。其次,依据相关政策公布的经济社会发展预定目标,设定3种模拟情景下的指标变动量,并预测2022—2030年的CO_(2)排放量。结果显示:基准情景下CO_(2)排放量在2027年达到峰值,约为110.87亿t,人均CO_(2)排放量为7.69 t;低减排情景下CO_(2)排放量在2029年达到峰值,约为112.04亿t,人均CO_(2)排放量为7.75 t;高减排情景下CO_(2)排放量峰值出现在2023年,约为110.00亿t,人均CO_(2)排放量为7.74 t。

需求侧视角下数字经济拉动经济增长的因素分解

文章从需求侧角度研究数字经济对国民经济的影响,在此基础上运用国家统计局发布的数字经济核心产业分类标准,构建了2017年、2020年数字经济核心产业可比价非竞争型投入产出表,采用“假设抽取”调整的Leonti-ef模型测算了需求拉动作用下数字经济核心产业的产出效应,进一步地运用结构分解方法对各产业部门的产出增长因素进行分析。结果表明:数字经济核心产业对国民经济有显著的需求拉动效应,且通过后向关联效应对上游产业具有一定的带动作用,其产出量的变化是引起国民经济其他部门产出增长的主要原因。因此,发展数字经济需要在加强数字经济与传统产业融合的同时,特别要重视数字经济核心产业从需求侧“赋能”所引发的产出效应,并充分发挥其在需求侧产出效应的优势。

数据-知识融合的水利工程建设安全风险灰色因子分解机预测模型

【目的】已有的数据驱动的水利工程建设安全风险预测方法对领域知识的挖掘和利用不足,预测结果的准确性和可解释性有待进一步提高。为了构建数据-知识融合的水利工程建设安全风险预测模型,【方法】将灰色聚类与因子分解机相结合,提出了一种融合领域知识的灰色因子分解机。首先,引入基于可能度函数的灰色聚类表征水利工程建设领域专家有关安全风险的先验知识。然后,将先验知识以参数的形式嵌入到因子分解机中,构建出数据-知识融合的灰色因子分解机。最后,基于随机梯度下降构造模型参数的求解算法,并结合实例对模型的有效性进行验证。【结果】实例应用结果显示,与传统因子分解机相比,灰色因子分解机的准确率、精确率、召回率和F_(1)值均得到了不同程度的提升。与支持向量机、深度因子分解机等其他基准模型相比,灰色因子分解机同样具有更好的预测性能。【结论】这表明,数据-知识融合驱动的灰色因子分解机模型能够更加准确地预测出安全风险,从而为水利工程建设安全风险管控提供更好的决策支持。

融合图注意力网络和注意力因子分解机的服务推荐方法

为了解决服务推荐过程中的特征稀疏问题、提高服务的语义表示能力,进而提升推荐的准确性和有效性,提出基于图注意力网络(graph attention networks,GAT)研究服务推荐方法,引入服务的组合权重和组合的结构信息,综合利用多种服务特征,提高服务推荐质量。将GAT和注意力因子分解机(attention factorization machine,AFM)结合在一起,利用多头自注意力机制,学习每个节点在图邻域中的重要性;进行信息聚合,处理网络中的不同图结构,以适应服务动态变化的场景。实验结果显示,在数据平衡的情况下,提出的方法性能表现均好于对比方法;在数据不平衡的情况下,提出的方法大部分性能指标也表现良好,达到了提升服务推荐准确性和有效性的目标。

高速列车顶层设计指标分解研究现状与展望

顶层设计指标分解是决定高速列车正向设计周期长短和成功与否的首要环节.首先,在阐述运输能力、安全舒适、绿色环保、经济性等高速列车顶层设计指标的基础上,从系统结构组成、运行边界条件以及大系统耦合作用等角度提出高速列车顶层设计指标分解所面临的技术挑战;然后,论述设计指标分解方法、设计指标分解关联模型和设计指标分解协调策略3个方面研究现状,并分析现有方法的不足与新需求;最后,展望群落生态学在高速列车顶层设计指标分解中的适用性,剖析基于群落生态学的高速列车顶层设计指标分解将会面临的关键问题,并给出相应的解决技术路线,以期为高速列车顶层设计指标分解的深入研究和实践提供参考.

基于二次分解策略和BiLSTM的短期碳排放预测模型设计

针对现有短期碳排放预测模型残余噪声大、忽略全局信息的特性导致预测精度不高的问题,提出一种基于二次分解策略和双向长短期记忆神经网络(BiLSTM)的新的短期碳排放预测模型。利用改进的自适应噪声完全集成经验模态分解(ICEEMDAN)方法和二次分解思想,将原始时间序列分解为多个本征模态函数(imfs);利用鲸鱼优化算法(WOA)优化的双向长短期记忆神经网络(BiLSTM)对所有函数序列进行预测,并将每个函数序列的预测值累加得到最终结果。实验结果显示,该文提出模型的R2达到0.999,MAPE和RMSE分别为1.3×10-3和97.4,优于其他对比模型,有效降低了预测误差。

基于加速无约束张量隐因子分解模型的Web服务Qo S估计

针对基于张量非负隐因子分解模型的Web服务QoS估计方法过于依赖非负初始随机数据以及特意设计的非负训练方法,导致模型的兼容性和扩展性不高的问题,提出了加速无约束张量隐因子分解模型。其主要思想包括三部分:将非负性约束从决策参数转移到输出的隐因子,并通过单元素映射函数连接它们;运用结合动量方法的随机梯度下降算法,有效提高模型的收敛速度与估计精度;给出加速无约束张量隐因子分解模型的详细算法和结果分析。在实际工业应用中的2个动态QoS数据集上的实证研究表明,与最先进的QoS估计模型相比,所提模型具有较高的计算效率和估计精度。

工业园区碳排放多因素分解及其与经济发展的脱钩关系

综述分析了工业园区碳排放核算范围和基于一维或二维脱钩模型的工业园区碳排放与经济发展脱钩关系,并讨论了基于LMDI分解方法和Tapio脱钩模型构建的脱钩效应模型中各因素对脱钩关系的影响程度,为工业园区碳排放清单确立、脱钩程度分析、驱动因素识别和综合评估等方面提供参考。在此基础上,建议工业园区应合理制定碳排放清单,多维度考量碳排放驱动因素,构建更为全面的指标体系。

中国城市PM_(2.5)污染暴露不平等及其驱动因素——基于Theil指数和LMDI分解

聚焦大气污染物PM_(2.5),对2015~2021年污染物浓度进行人口规模赋权,构建中国城市PM_(2.5)污染暴露水平指标,基于GINI系数和Theil指数测度污染暴露不平等,并按城市行政层级、省份进行差异分解;基于对数平均迪氏指数分解法(LMDI),分别对污染暴露水平、不平等程度进行驱动因素分解,探究其变化背后的社会经济因素.结果表明:中国城市PM_(2.5)污染暴露不平等总体温和,GINI系数保持在0.2以内且呈递减趋势.不同行政级别城市间未表现出污染暴露不平等,而省际差异对污染暴露不平等的贡献达68.4%;总体上能源的污染暴露乘数、政府绿色支出能耗强度是PM_(2.5)污染暴露水平的主要抑制因素,对污染暴露水平的驱动贡献超过60%.政府支出结构、支出规模、经济发展和人口因素对PM_(2.5)污染暴露起促增作用,但各因素在不同层级的城市间具有异质性;能源的污染暴露乘数、绿色支出能耗强度对不平等的动态抑制作用弱化,主要依靠能源绿色化的治污策略面临挑战.据此提出更好发挥政府作用,持续降低中国PM_(2.5)污染暴露水平,实现环境公共服务更加均等化的政策启示.

基于EEMD分解法对北武当观测站形变资料受气压干扰特征分析

本文通过选取北武当观测站的水平摆、伸缩仪,对观测数据受气压干扰明显的典型事件进行分析,研究气压变化如何对观测数据变化产生的影响,并对原始观测数据采用EEMD分解出含有干扰信息的IMF分量;对IMF分量进行Hilbert变换得出Hilbert时频图。结果表明,水平摆和伸缩仪受气压干扰明显,且气压干扰具有延时性。总之,通过EEMD方法对北武当观测站测向资料的分析,说明这种方法对气压干扰的研究有较好的效果,提高了识别干扰信息的能力。

居民财产分配差异测度研究——基于基尼系数群组和来源的二维分解方法

本文提出一个新的基尼系数二维分解方法,该方法可以同时进行基尼系数的按群组和按来源分解操作,从而避免了不平等的群组分解和来源分解因使用方法不同而难以融合的缺陷。基于此方法,本文使用CFPS数据测算了2012—2020年我国城乡居民财产分配差距,发现这一时期居民财产分配差距呈波动上升态势。其中,城乡内部特别是城镇内部居民持有住房资产的差异是这一时期财产分配不平等扩大的重要原因,但如果考虑扣除房贷后的净资产,则其对差距扩大贡献明显缩小;而城乡间差异不是导致居民总体财产差距扩大的原因,其中,土地资产在这一时期起到扩大城乡组间差距的效果,而住房资产及住房净资产起到缩小组间差距的作用。因此,十八大以来,农村居民住房条件和住房财产明显提高对于缓解城乡差异起到积极作用,但不可忽视的是,城乡间住房资产和住房条件的绝对差距仍然很大,缩小城乡间居民住房条件差距仍然任重道远。

融合多重分解和差值修正的海浪波高预测研究

为了提升海浪波高预测精度,提出了融合多重分解和差值修正的海浪波高预测模型(J-DE-LSTM)。该模型采用自适应噪声完备集合经验模态分解,对波高数据进行一重分解,以及对分解后的残差分量进行二重分解;采用亲和力传播算法进行聚类降维并输人到长短期记忆网络进行预测获取初步预测值。建立波高观测值与初步预测值形成的差值序列进行三重分解,采用样本熵重构为趋势项和周期项并进行权重计算,构建粒子群算法优化极限学习机和LSTM的组合预测模型进行双轨并行预测;最后将预测结果与权重加权融合进行差值修正未来点位波高预测值。实验结果表明J-DE-LSTM模型较LSTM、TCN模型平均绝对误差提升约4.1%~11.5%,均方误差提升6.5%~15.2%。

基于分解集成方法的小宗农产品价格预测研究

针对小宗农产品价格序列波动特征中呈现出的非平稳、非线性等问题,提出了一种基于“分解与集成”的WOA-VMD-LSTM组合预测模型。首先利用样本熵作为鲸鱼优化算法(WOA)的适应度函数,对变分模态分解方法(VMD)的两个自由参数进行全局寻优;再使用优化后的变分模态分解方法对价格序列进行分解;最后将得到的多模态分量及残差作为输入特征集成到长短期记忆网络(LSTM)中,构建组合模型。将该方法应用于马铃薯、莲藕、白萝卜、大白菜、西兰花、卷心菜的日均价格数据进行预测,实验结果表明,WOA-VMD-LSTM组合模型的均方根误差分别为0.292,0.381,0.129,0.125,0.782和0.142,且与EMD-LSTM组合模型以及ARIMA模型进行对比,WOA-VMD-LSTM组合模型在多种农产品价格的预测上具有更明显的优势。本研究提出的组合预测模型有助于相关产业对市场进行合理配置。

基于TT-Tucker分解的无预训练LC卷积神经网络压缩方法

张量训练(TT)分解和Tucker分解是两种有效的卷积神经网络压缩方法。然而,TT和Tucker分解分别面临空间结构信息丢失与计算复杂度高等问题。为解决上述问题,文中考虑了网络结构的信息保留率和资源占用情况,采用学习-压缩(LC)算法的约束型压缩框架,提出了一种基于TT-Tucker分解的无预训练LC卷积神经网络压缩方法(TTLC)。TT-LC方法包括学习步骤和压缩步骤两个部分。学习步骤不需要预训练过程,采用了指数循环学习率方法以提高训练准确率。而在压缩步骤,文中根据TT和Tucker分解的优点以及贝叶斯规则选取全局最优秩的特性,运用经验变分贝叶斯矩阵分解(EVBMF)和贝叶斯优化(BayesOpt)选出合理的秩以指导张量分解,采用TT-LC方法压缩训练后的模型。TT-LC方法既降低了空间结构信息丢失率和计算复杂度,又解决了张量的秩选取不合理导致模型准确率显著下降的问题,可实现模型的双重贝叶斯选秩和双重压缩,获得最优的压缩模型。最后,采用ResNets和VGG网络在CIFAR10与CIFAR100数据集上进行实验。结果表明:对于ResNet32网络,相比于基准方法,文中方法在准确率为92.22%的情况下,获得了69.6%的参数量压缩率和66.7%的浮点计算量压缩率。

基于二次分解双向门控单元新型电力系统超短期负荷预测

在新型电力系统中,电力负荷随机性和波动性较强,现有预测方法难以对其实现高精度预测。为此,提出一种基于二次分解和双向门控循环单元的超短期负荷预测模型。首先,针对电力负荷的强随机性和强波动性,利用自适应噪声完备经验模态分解对电力负荷历史序列进行初步分解,使负荷序列更加平稳。随后,对初步分解得到的强非平稳分量运用连续变分模态分解进行二次分解,降低其预测难度。最后,为充分学习电力负荷的时序特征,在预测过程构建基于双向门控循环单元的超短期电力负荷预测模型。实验结果表明,该模型相较于现有优秀预测模型有更高的预测精度。

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

能源互联网背景下的电能质量问题越来越凸显,针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(successive variational mode decomposition,SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform,HHT),分析得到多尺度时频图。其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力。不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高。