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.

面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明:本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%~19.80%,均方根误差降低了11.20%~17.99%,决定系数提升了8.62%~12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%~13.81%,均方根误差降低了4.23%~10.67%,决定系数提升了3.50%~7.01%,且本文模型运行时间最短。说明与对比模型相比,本文所建立的预测方法在面向动态交通分配的交通需求预测中具有更高的预测精度。

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与MMoE多任务学习的区域多光伏电站超短期功率联合预测方法

随着光伏并网容量的不断增加,准确的光伏功率预测对电网安全稳定运行意义重大。本文提出一种基于季节性分解与MMoE多任务学习的区域多光伏电站超短期功率联合预测方法。首先,通过季节性分解获得光伏功率的周期分量、剩余分量与趋势分量。其次,提出MMoE-LSTM-Attention网络来挖掘同一区域内不同光伏电站剩余分量与趋势分量之间的相关性,进行剩余分量与趋势分量的预测。最后,将分量进行汇总,得到光伏电站超短期功率预测结果。相较于传统基于硬共享机制的多任务学习模型,MMoE模型能够自动调整任务目标和任务间关系的参数权重。注意力机制能够进一步优化子任务的特征提取能力。在DKASC数据集上进行了算例实测,分别验证了季节性分解、MMoE多任务学习模型及注意力机制在区域多光伏电站功率预测问题上的有效性。

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。

Multi-output Gaussian Process Regression Model with Combined Kernel Function for Polyester Esterification Processes

In polyester fiber industrial processes,the prediction of key performance indicators is vital for product quality.The esterification process is an indispensable step in the polyester polymerization process.It has the characteristics of strong coupling,nonlinearity and complex mechanism.To solve these problems,we put forward a multi-output Gaussian process regression(MGPR)model based on the combined kernel function for the polyester esterification process.Since the seasonal and trend decomposition using loess(STL)can extract the periodic and trend characteristics of time series,a combined kernel function based on the STL and the kernel function analysis is constructed for the MGPR.The effectiveness of the proposed model is verified by the actual polyester esterification process data collected from fiber production.

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。

数据报告:一种信息史学新实践

通信、大数据和物联网信息技术的高速发展对史学理论界提出了全新要求,在传统以人为中心的历史之外,以“物”为中心、以有关“物”的监测数据为材料的数据处理和报告编制过程也要求被纳入史学理论视野;现有的信息史学定义修正后方可回应这种要求。秉持信息史学的理论融合自觉、以跨学科的视野审视传统史学理论与数据处理领域的概念和理论,可以为两个领域带来具有启发意义的新观点。

滇池水质时间序列变化趋势识别及特征分析

应用STL(Seasonal-Trend Decomposition using LOESS)方法对1998—2010年滇池外海8个监测站点、10个水质指标的时间序列数据进行递归迭代,分解出低频率的趋势项、高频率的周期项及随机残差项.在此基础上计算稳态变化指数(RSI),对水质趋势的时、空变化特征进行识别和判定.结果表明,在分析的13年间,滇池外海8个监测站点各指标变化趋势总体一致;BOD5总体呈下降趋势,高锰酸盐指数(COD Mn)总体趋势显著上升,说明有机物可生化性下降;富营养化状态加剧,总氮(TN)总体趋势上升,并逐渐成为藻类的限制性营养盐,总磷(TP)浓度为劣V类,氨氮在氮元素形态中的主导地位正逐渐降低.研究结果表明,"十二五"期间滇池应重点控制氮磷、兼顾有机物污染.