基于TCN-LSTM模型的电网电能质量扰动分类研究

随着新能源发电和众多电动汽车充电桩等非线性设备并网运行,电网电能质量问题日渐凸显。现有解决方案在电能质量扰动分类上流程复杂,且在处理扰动信号时分类准确率偏低。为应对这一挑战,引入了TCN-LSTM混合模型,融合了时域卷积网络(temporal convolutional network,TCN)和长短时记忆网络(longshort-term memory,LSTM)。其中,TCN专注于捕捉时序数据的局部特性,而LSTM负责挖掘长期依赖关系,两者结合能够有效捕捉信号的局部特征和全局关系。为验证模型性能,对14种加入不同信噪比白噪声的电能质量扰动信号进行分类测试。结果表明,TCN-LSTM模型展现出较强的抗噪性能,并在与现有深度网络模型的对比中展现了更高的分类准确度。

基于多维可预知特征的TCN-LSTM城轨短期客流预测

地铁客流量波动受众多因素影响,准确的客流预测数据有利于制定更高效的行车控制方案和客流管控方案。为提高客流预测精度,提出一种基于多维可预知特征的时序卷积神经网络-长短期记忆神经网络模型(TCNLSTM)地铁短期客流预测方法。考虑外部因素的影响,引入Spearman相关系数分析并提取日期、天气等可预知特征及其状态集,以提升预测精度,缩小特征空间,克服了冗余特征数据导致的模型过于复杂问题;通过融合时序卷积神经网络(TCN)提取的客流时间序列特征和可预知特征状态集构建了长短期记忆神经网络(LSTM)层输入,组合模型学习客流与外部影响因素的长短期依赖,从而实现常规日、节假日、不同天气等多场景下的短期客流预测。基于某西南城市地铁刷卡交易数据,对比差分整合移动平均自回归模型(ARIMA)、TCN、LSTM及TCN-LSTM模型的短期客流预测结果,得出组合模型的总体平均绝对误差(MAE)值比其他方法低27%~48%,均方误差(MSE)值低13%~35%,平均绝对百分比误差(MAPE)值低2.8%~6.7%,上述3项指标均表明TCN-LSTM模型的客流预测效果更好。此外,对比实验表明通过融入提取的可预知特征数据,TCN-LSTM模型在测试集上的预测误差评价指标明显降低,所提方法能有效提高地铁短期客流预测精度。

基于Bi-TCN-LSTM的滚动轴承剩余使用寿命预测方法

由于时间卷积网络(temporal convolutional networks, TCN)感知场不足,轴承的关键退化信息常常被忽略,导致轴承剩余使用寿命(remaining useful life, RUL)预测结果不佳;而长短期记忆网络(long short-term memory, LSTM)随着数据量及序列长度的增加,长期依赖问题仍可能得不到很好解决。因此,课题组提出了一种基于双向时间卷积网络和长短期记忆(Bi-TCN-LSTM)的滚动轴承寿命预测方法。首先对多传感器数据进行归一化并做融合处理,然后采用Bi-TCN-LSTM进行数据特征提取与深度学习,其中对TCN模块引入卷积注意力机制(convolutional attention module, CAM),将LSTM的3个门简化为1个门,有效加快了预测模型学习的速度并提高了预测模型的精确度;采用IEEE PHM 2012轴承数据集作为实验数据集,进行了RUL预测实验。结果表明:与其他先进的预测模型相比,Bi-TCN-LSTM方法预测结果的误差相对较低,预测性能较好。

基于融合FCN-TCN-LSTM的工业大用户可调节潜力分析模型

综合考虑调控成本和价格激励的影响,开展工业大用户双向可调节潜力的分时段分析是提升新型电力系统负荷管理能力的关键。建立一种基于融合全卷积网络、时域卷积网络、长短期记忆网络的模型,以分析工业大用户可调节潜力。建立全卷积网络数据集重构模型,并基于典型负荷特性指标实现对具有高可调节潜力负荷数据的工业大用户的遴选;以高可调节潜力数据集为基础,建立改进时域卷积网络模型,对工业大用户进行调控成本影响下的可调节潜力分析测算。基于实际数据对所提模型进行验证,算例结果表明,所提模型可分析出工业大用户典型设备的可调节潜力,且模型的稳定性与精确度较高。

基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测

随着新能源在电力系统中的占比逐渐提高,新能源功率预测成为一个研究热点。但对于新建的风电场的功率预测则面临历史数据不足和特征迁移困难的问题。因此提出了一种基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测方法。首先,将目标风电场的少量数据根据与源风电场的相关性大小分为两组,然后利用源风电场历史数据训练含有误差补偿模块的复合模型,最后以梯级迁移学习策略进行建模。相关算例分析表明基于TCN-LSTM的补偿梯级迁移模型预测精度相比同类直接预测模型提升1.23%。相关算例证明了所提出的方法的有效性。

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network,TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明:所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合(TCN-LSTM)和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。

飞控系统多元数据融合虚拟试验仿真模型验证

为提高飞控系统虚拟试验仿真模型的有效性与可信性,解决虚拟试验中多元冗余与强耦合数据的问题,提出了一种基于多元数据融合的仿真模型验证方法。首先,通过多元仿真数据融合,减少噪声和误差;其次,运用皮尔逊相关系数分析多元输出数据的相关性,并结合时域卷积神经网络-长短期记忆(TCN-LSTM)方法融合数据特征,深入挖掘数据的时空关联性;最后,通过概率分布分析评估仿真数据与参考数据的差异,转化为可信度等级,实现仿真模型的有效验证。实验结果表明,80%的输出数据达到仿真模型可信标准,其中有50%的输出数据达到完全可信标准,该方法显著提升了仿真模型的验证精度与可靠性。

基于注意力机制的TCN-BiLSTM船舶轨迹预测

针对现有船舶轨迹预测模型预测准确度低的问题,提出一种基于注意力机制的时域卷积网络和双向长短时记忆网络结合的船舶轨迹预测模型;首先搭建TCN网络提取船舶轨迹的序列特征,之后将注意力机制引入网络调整不同属性特征的权值,突出对轨迹预测影响更大的特征,最后搭建Bi-LSTM网络学习轨迹序列的前后状况来提取序列中更多的信息,实现对船舶未来轨迹的预测;通过实际船舶AIS数据对网络进行训练与测试实验,实验结果表明,TCN-ABiLSTM模型相比LSTM、Bi-LSTM和BiLSTM-Attention模型船舶轨迹预测精度更高,拟合程度更好,验证了所设计的TCN-ABiLSTM模型在船舶轨迹预测方面的的有效性和实用性。

基于LSTM_TCN模型的降雨型滑坡时间概率预测及气象预警建模

如果滑坡发生时间信息不完备则会导致滑坡与降雨时序关系错误,以至于降雨阈值模型精度偏低。以重庆市万州区1995-2015年所发生的降雨型滑坡为研究对象,将区内严重缺失历史滑坡时间信息的恒合乡作为验证区,提出了一种基于长短时记忆网络(LSTM)融合时域卷积网络(TCN)的模型方法。该方法通过模拟降雨型滑坡发生时间与降雨量间的非线性关系,重建降雨型滑坡事件在某日发生的时间概率。将重建时间信息后的滑坡事件进行了验证与筛选,应用于累积有效降雨量-降雨历时曲线的合理划分,构建了滑坡气象预警模型。结果表明,本方法所预测滑坡时间概率平均值达到90.33%,高于人工神经网络(ANN)(71.17%)、LSTM(72.75%)和TCN(86.91%)的概率。利用预测概率高于90%的滑坡,将验证区18个时间信息扩充至201个。基于扩充时间信息后的滑坡数据所构建的气象预警模型比仅利用历史滑坡事件具有更合理的预警分级,在严重警告级别上有效预警率提升了42.86%。结果说明该方法可弥补野外调查中灾害数据时间信息不足的问题,为降雨型滑坡气象预警工作提供数据支撑,由此提高气象预警准确率。

基于改进LSTM-TCN模型的分布式光伏功率预测研究

光伏发电受天气因素的影响,造成供电的稳定性降低,使得光伏功率预测准确性不高。为保证供电服务质量,提出一种基于改进LSTM-TCN的预测模型。利用灰色关联度算法选取光伏功率影响因素,通过相似度计算,获取分布式光伏功率值,组成训练样本数据。将LSTM与TCN结合,构建改进LSTM-TCN预测模型,并通过模型训练,得到成熟的预测模型。实验结果表明,所研究模型预测结果的平均平方差和平均绝对误差率分别为0.562 6 kW和2.653 2%,远低于另外两种对比方法,表明所提方法的功率预测准确性高。

基于深度学习的车辆碰撞乘员伤害预测方法研究

为更快捷、更精确地预测车辆碰撞事故中乘员的伤害情况,基于正面100%重叠刚性壁障实车碰撞试验数据建立了深度学习模型训练数据库,并对数据进行了预处理和特征提取,分别基于长短时记忆(LSTM)神经网络、卷积神经网络-长短时记忆(CNN-LSTM)神经网络、时域卷积网络(TCN)建立了深度学习模型对乘员伤害进行预测训练,验证结果表明,3种模型预测精度分别达到0.8579、0.8209和0.9674,证明了所提出方法的可行性。

基于BiLSTM-SA-TCN时间序列模型在股票预测中的应用

针对股票预测模型存在时效性和预测功能单一化的问题,本文在长短期记忆网络(LSTM)的基础上,提出了融合自注意力机制(SA)和时间卷积网络(TCN)的双向长短期记忆(BiLSTM)神经网络(BiLSTM-SA-TCN)股票预测模型.BiLSTM-SA-TCN模型中的学习单元和预测单元可以有效学习重要的股票数据,同时能够抓取长时间的依赖信息,输出次日股票收盘价预测值.实验结果表明,BiLSTM-SA-TCN模型在多个数据集上的预测结果更加稳定,模型泛化能力较高,在对比实验中,BiLSTM-SA-TCN模型在大部分数据集上均方根误差最小,平均绝对值误差最小,拟合度R^(2)最优.

基于K-means分层聚类的TCN-GRU和LSTM动态组合光伏短期功率预测

为了提高电网运行的稳定性和改善电网的节能调度,针对目前单一模型处于不同天气状况时,预测精度难以达到最优的状况,文章提出了一种基于K-means分层聚类的TCN-GRU和长短期记忆网络(LSTM)动态组合光伏短期功率预测。利用K-means算法进行二次聚类,将天气类型分为晴天(A_(1))、多云(A_(2))、阴天(A_(3))、雨天(A_(4));通过时间卷积网络(TCN)提取数据的时序特征,并结合门控循环单元(GRU)建立出融合提取时序特征模块的TCN-GRU结构;TCN-GRU与LSTM神经网络动态组合后,通过弹性网络(ElasticNet)回归选择最佳输出权重得到最终预测值;基于江苏某地区的光伏发电功率数据及对应的气象数据对文章所提出的方法进行验证。在4种天气状况下,通过与其他模型预测结果进行比较,文章提出的动态组合模型预测精度更高。

基于深度学习的无线通信信号检测与识别研究

现有的无线电监测系统中信号检测和信号识别是分开研究的,缺乏将二者结合起来实现智能监测的文献报道。基于此,实现了分别将卷积注意力模块(Convolution Block Attention Module,CBAM)与长短期记忆(Long Short-Term Memory,LSTM)网络和时间卷积网络(Temporal Convolutional Network,TCN)结合起来通过二分类进行信号检测,以及基于多分类进行信号识别的级联方法,分类模型为CBAMLSTM和CBAMTCN。对于RadioML2016.10a数据集,仿真结果表明,与能量检测(Energy Detection,ED)、深度神经网络(Deep Neural Network,DNN)、卷积神经网络(Convolutional Neural Network,CNN)、LSTM和TCN比较,二分类模型在低信噪比下的检测性能有所改善;在高信噪比下多分类模型比基线模型的识别准确度提高5%~9%。表明分类算法在信号类型和噪声特性已知的前提下,可用于无线信号检测和识别。

基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害,降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统(AWOS)收集的降水时序数据进行预处理,为深度学习提供训练和测试的样本集,然后分别构建长短期记忆模型(LSTM)和时序卷积网络(TCN)模型,实现对未来1~3 h降水量的预测,并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中,对未来1~3 h降水量的预测中,TCN模型的R 2分别为0.96、0.91和0.86。

基于多元时间序列分析的控制系统执行器故障诊断方法研究

为提高控制系统执行器故障实时诊断的准确率,该文提出一种基于多元时间序列分析的控制系统执行器在线故障诊断方法。首先分析了控制系统执行器故障机理,确定了表征执行器故障的关键信号;其次采用执行器历史数据,建立了时间卷积网络(TCN)在线预测模型,对执行器多通道信号进行在线预测;随后通过长短期记忆网络(LSTM)对多通道残差信号建立了故障分类模型;最后以燃气轮机控制系统执行器半物理试验平台中的电液执行器为例进行了多次重复试验验证。结果表明,基于TCN网络的在线预测模型相比传统循环神经网络(RNN)预测误差较小;基于LSTM网络的故障分类模型准确率较高;通过LSTM网络对多通道残差信号进行故障分类,比对原始故障数据分类故障准确率更高。

基于时间卷积网络改进的自动数学应用题解算器

在传统的seq2seq模型的基础上,加入时间卷积网络TCN设计了一种自动数学应用题解算器模型seq2seq+TCN.在数据预处理部分采用FoolNLTK分词工具和ELMo词嵌入方法,以保证较高质量的数据输入;利用LSTM和GRU的不同组合构成seq2seq模型的编码器和解码器;在seq2seq模型中加入TCN,以扩大解码器的感受野,保证应用题文本的时序性.在数据集Math23K和AI2上进行实验,结果表明,由BiLSTM-LSTM构成的seq2seq+TCN模型性能最优,答案准确率分别达到70.3%和87.5%,高于现有的2个集成seq2seq的解算器.

基于并行双向时间卷积网络和双向长短期记忆网络的轴承剩余使用寿命预测方法

在基于深度学习的轴承剩余使用寿命(RUL)预测方法中,时间卷积网络(TCN)忽略了振动数据中未来时间信息的重要性,长短期记忆网络(LSTM)难以有效地学习振动数据的长时间序列特征.针对以上问题,提出一种基于并行双向时间卷积网络(Bi-TCN)和双向长短期记忆网络(Bi-LSTM)的轴承RUL预测方法.首先,对多传感器数据进行归一化处理,并将每个传感器数据进行通道合并,实现多传感器数据的高效融合;然后,采用Bi-TCN和Bi-LSTM构建并行的双分支特征学习网络,其中Bi-TCN提取数据的双向长时间序列特征,Bi-LSTM提取数据的时间相关特征;同时,设计一种特征融合注意力机制,该机制分别计算Bi-TCN和Bi-LSTM的输出权重,以实现两种网络输出特征的自适应加权融合;最后,融合特征通过全连接层并输出轴承RUL的预测结果.利用西安交通大学轴承数据集和PHM 2012轴承数据集进行RUL预测实验,实验结果表明,与其他先进的预测方法相比,所提出方法可以准确预测更多类型轴承的RUL,同时具有更低的预测误差.

基于GWO-LSTM-TCN混合模型的锂电池荷电状态估计研究

针对锂电池荷电状态(SOC)具有非线性、时变特性而无法直接测量的问题,提出了一种基于灰狼优化算法混合模型的锂电池SOC估计方法,利用长短期记忆网络(LSTM)和时序卷积网络(TCN)挖掘SOC特征信息,构建锂电池电压、电流与SOC的映射网络模型,引入灰狼优化算法(GWO)确定网络模型最佳超参数,采用马里兰大学公开的INR 18650-20R数据集对SOC混合模型进行实验验证。结果表明,GWO-LSTM-TCN网络模型对锂电池荷电状态的估计精度相较于GWO-LSTM网络以及GWO-TCN网络能更好拟合锂电池电压、电流与SOC之间的非线性映射关系,具有较好的模型准确性和泛化能力。