融合CNN与BiLSTM模型的短期电能负荷预测

针对卷积神经网络(CNN)在捕捉预测序列间历史相关性方面的不足以及在变量复杂情况下出现的无法精准提取预测关键信息的问题,提出一种将双向长短期记忆网络(BiLSTM)与卷积神经网络结合的CNN-BiLSTM模型.首先,采用数据预处理方法保证数据的正确性和完整性,并对数据进行分析以探究多变量之间的相关性;其次,通过CNN与L1正则化对多维输入特征进行特征筛选,选取与预测相关的重要性特征向量;最后,使用BiLSTM对CNN输出的关键特征信息进行保存,形成向量与预测序列,并通过分析时序特征的潜在特点,提取用户的内在消费模式.实验比较了该模型与其他时序模型在不同时间分辨率下的预测效果,实验结果表明,CNN-BiLSTM模型在不同的回望时间间隔下表现出了最佳的预测性能,能够实现更好的短期负荷预测.

丽水市长效型花境植物的选择与应用分析

长效型花境是花境发展的重要方向,文章对丽水市长效型花境植物的选择与应用现状进行调查,统计花境植物的种类、类型,作出花境植物长效性综合评价,指出存在的问题,并提出要将适应性好、观赏期长、维护成本低作为丽水市长效型花境植物选择与应用的关键条件。

长效型花境植物配置分析——以丽水市处州公园为例

长效型花境是今后花境发展的主要方向,主要体现在可持续发展的理念和科学合理的植物配置。提出了长效型花境植物配置要以种类丰富、群落稳定、观赏期长、季相丰富、养护简便、经济低碳为原则。以丽水市处州公园西侧入口处花境改造方案为例,从主题设计、季相设计、植物群落设计3个方面进行了分析,指出了植物配置中存在的地域特色不够明显、乡土植物使用不多的问题,并且要进一步优化植物种类选择、进一步创新植物配置手法的建议,以期为今后的长效型花境植物配置提供一定的参考。

基于RF-BiLSTM模型的河流水质预测

水环境中过量的氮、磷和高锰酸盐会对流域造成严重污染,准确预测这三类指标的含量对流域污染治理具有重要意义。然而,现有的模型预测精度低,输入因子的选择缺乏数理依据。基于此,以邕江为研究区域,提出一种RF-BiLSTM的混合网络模型。该模型具有利用RF算法提取水质指标最优特征和利用BiLSTM模型提取输入数据的时间特征的优势,采用先降维后预测的方式对TN、TP和COD Mn进行预测,并将深度学习中的CNN、LSTM、BiLSTM和RF-LSTM作为基准模型与本研究所提模型作对比研究。研究结果表明,本研究模型预测TN、TP和COD Mn的平均绝对百分比误差(MAPE)分别达到了4.330%、6.781%和7.384%,均低于其他基准模型,预测结果具有较高的准确性和实用性,可为水环境的污染治理提供有效的技术支持。

基于卫星遥感的辐照度时空关联映射与预测建模

常规光伏电站仅能依赖局地地表气象观测信息进行辐照度预测,难以挖掘电站周边广域光伏资源的时空关联特性,限制了光伏电站辐照度以及发电功率的预测精度。针对上述问题,该文提出基于卫星遥感的光伏电站广域辐照度空间分布映射方法,并建立基于图卷积网络(GCN)的地表辐照度超短期时空关联预测模型,在充分利用多通道卫星数据的同时,考虑时空关联特性提高地表辐照度超短期预测精度。通过某光伏场站实例仿真分析,验证地表辐照度反演模型的可行性以及在此基础上所构建的辐照度时空关联预测模型的先进性。

基于变分模态分解和复合变量选取的短期负荷预测

精准的短期负荷预测是实现电网精益化运行和管理重要保障,但存在短期负荷波动性强、负荷预测关键影响因素选取困难等精准预测难题。利用变分模态分解将原始电力负荷数据分解为多个子序列,挖掘短期负荷波动特征的同时避免模态混叠问题,提出复合变量选取算法分析筛选影响负荷波动的关键因素,有效去除预测干扰信息并进一步简化预测模型的复杂度,通过兼顾数据短期依赖和长期依赖的长短时记忆神经网络对各子序列进行预测,并将各子序列预测结果进行叠加实现最终的短期负荷预测,据此建立基于变分模态分解和复合变量选取的短期负荷预测方法。选取2019年整年长沙市实际数据验证结果表明,提出算法在复杂外部影响因素下,能准确筛选负荷预测的关键影响因素,相比传统预测模型,提出模型结构更简单、预测精度更高。

基于特征选择及ISSA-CNN-BiGRU的短期风功率预测

针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD)将原始功率分解为一组包含不同信息的子分量,以降低原始功率序列的非平稳性,提升可预测性,同时通过观察中心频率方式确定模态分解数。其次,对每一分量采用随机森林(RF)特征重要度的方法进行特征选择,从风速、风向、温度、空气密度等气象特征因素中,选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后,建立各分量的CNN-BiGRU预测模型,针对神经网络算法参数难调、手动配置参数随机性大的问题,利用ISSA对模型超参数寻优,自适应搜寻最优参数组合。最后,叠加各分量的预测值,得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验,与多种单一及组合预测方法进行对比,结果表明,本文所提方法相比于其他方法具有更高的预测精度,其平均绝对百分比误差值达到2.644 0%;在其他4个数据集上进行的模型准确性及泛化性验证结果显示,模型平均绝对百分比误差值分别为4.385 3%、3.174 9%、1.576 1%和1.358 8%,均保持在5.000 0%以内,证明本文所提方法具有较好的预测精度及泛化能力。

基于集成机器学习模型的短期光伏出力区间预测

为全面深挖影响光伏出力因素之间的关联信息,进一步提高机器学习模型在短期光伏出力区间预测的精度,提出一种基于集成机器学习模型的短期光伏出力区间预测方法。首先,利用快速相关性过滤(FCBF)的特征选择算法对多维的历史光伏数据及气象数据进行最优特征的提取;然后,在集成多个机器学习模型的基础上,收集训练过程中的预测误差,通过最大似然估计获取预测误差的概率分布,得到预测区间的上下限;最后,结合集成学习模型预测得到光伏出力曲线,进而得到最终的日前光伏出力预测区间。最后通过算例验证了所提模型的可靠性与优越性。

基于LSTM-文本分析的量化选股模型

随着国民生活水平的提高,越来越多的人投身于股票市场.为了科学有效地量化选股,通过将量化投资、深度学习及文本分析进行有机结合,来建立量化选股模型.首先,通过文本分析筛选出基本面利好的股票;然后,通过长短期记忆(long-short term memory,LSTM)选出预测准确度良好的股票;最后,预测所选出的股票在未来几天的股价趋势.在实证分析方面,通过本模型对部分股票进行运算,选取预测效果较好的股票:赢合科技.

基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测

为提高光伏功率的预测精度,提出一种变分模态分解(VMD)、模糊熵(FE)、卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)的光伏功率组合预测模型。该方法首先采用VMD将原始光伏序列数据分解成多个子序列,从而减少随机波动分量和噪声干扰对预测模型的影响,通过FE对每个子序列进行重组,使用一维CNN的局部连接及权值共享提取不同分量的特征,将CNN输出的特征融合并输入到BiLSTM模型中;利用BiLSTM模型建立历史数据之间的时间特征关系,得到光伏发电功率预测结果。与BiLSTM、CNN-BiLSTM、EEMD-CNN-BiLSTM、VMD-CNN-BiLSTM这4种模型进行比较,该文提出的VMD-FE-CNN-BiLSTM模型在光伏发电功率预测中具有较高的精确度和稳定性,满足光伏发电短期预测的要求。

基于变量选择与Transformer模型的中长期电力负荷预测方法

准确且有效的负荷预测对于电力系统的实时运行和调度非常重要。提出了一种融合变量选择与稀疏Transformer模型的预测方法,将静态变量和时序变量作为输入,充分发挥静态变量在全局时间范围内的信息增强作用,基于门控机制设计变量分权组件,根据变量与预测结果的相关性,赋予变量不同的权重。设计了双层编码结构,进行时序特征提取,对注意力进行稀疏处理,通过多变量输入对未来时刻负荷进行预测。基于真实电力负荷数据的实验表明,本文模型能够提高中长期负荷预测精度和效率。

社会网络下基于在线评论的旅游供应商优选研究

在线旅游平台上评论规模庞大,信息量浩如烟海,平台如何依据他人评论信息为游客提供最优旅游供应商,从而使游客得到满意的服务体验是亟待解决的问题。在社会网络视角下,基于在线评论和概率语言提出一种旅游供应商的优选方法。首先,采集旅游平台上的游客评论数据,运用TF-IDF方法提取各供应商相关评论的关键词,通过筛选整理形成主题并计算其权重;然后,分析每条评论的情感值,并将其转换成概率语言术语集的形式;最后,构建游客群体社会网络,将游客群体意见与在线评论信息相结合,运用PROMETHEE-Ⅱ方法对旅游供应商进行优选排序。结果表明,本文方法推荐结果与旅游平台数据基本一致,但能在相似评分的供应商中做出优劣比较,精准有效地提供最优供应商,且简单可靠。

煤矿巷道支护方案智能设计研究

目前煤矿巷道支护方案设计仍以人工设计、工程类比、FLAC模型模拟为主,存在主观性强、普适性低、未充分利用煤矿支护大数据等问题,而基于专家系统的设计方法规则设定程序繁琐,工程量大,智能化程度较低。将案例推理(CBR)和深度学习技术引入巷道支护方案设计领域,基于煤矿支护规程、支护规范及煤矿巷道地质报告等文本大数据,提出了一种煤矿巷道支护方案智能设计方法。获取346份不同煤矿的巷道支护资料,抽取结构化数据并划分为输入、输出参数,通过常属性变量滤波和高相关性滤波方法对输入、输出参数进行优化。建立CBR模型,并将抽取的结构化数据导入CBR模型,形成支护方案比选案例库,计算新的巷道支护方案与历史方案的相似度,输出相似度最高的3条历史方案进行对比,实现相似案例比选。分别采用BP神经网络和基于长短期记忆(LSTM)网络建立煤矿巷道支护方案自动生成模型,通过对比预测指标,确定采用基于LSTM模型与CBR模型结合,建立煤矿巷道支护方案智能设计系统。将该系统用于不连沟煤矿掘进F6226工作面辅运巷支护方案设计,通过试验验证了系统生成方案下巷道两帮变形量和顶板最大位移均小于人工设计方案,巷道顶板及两帮完整性较好,围岩承载能力增强,支护效果明显。

基于多特征筛选的双频指数预测算法

双频指数(Bispectral Index,BIS)是根据脑电信号得到的衍生指数,是目前镇静深度监测应用最广泛的指标。但是根据脑电信号计算得到BIS存在20 s~30 s的更新延迟,影响麻醉医师对患者镇静状态的判断,增大患者术中知晓的风险,影响患者术后恢复。论文结合脑电信号子参数、历史BIS和患者术中生命体征预测BIS值,为麻醉医师提供患者最新的镇静状态的变化趋势,进而方便其准确地调整麻醉用药。论文构造基于多特征筛选的BIS预测模型。首先通过经验模态分解算法对脑电信号噪声滤除,并对处理后的脑电信号进行子参数提取。然后采用随机森林算法筛选镇静特征参数,得到与BIS相关度最高的5个特征。最后将筛选的特征和对应的BIS值输入长短期记忆网络中进行预测。实验结果表明,该模型预测的BIS值与患者真实BIS值拟准确度达到0.93。与多层感知器和时间卷积网络进行比较,该算法预测的准确率分别提升了17.7%和12.9%。同时该算法预测30 s内BIS耗时0.32 s,比多层感知器多用了0.2 s,比时间卷积网络节省了2.12 s。

自适应图嵌入和非凸正则特征自表达的无监督特征选择

针对传统的无监督特征选择不能充分兼顾样本及特征的局部结构,以及没有考虑非凸正则项带来更稀疏的解并能够选择出更具判别性特征等问题,提出了自适应图嵌入和非凸正则特征自表达的无监督特征选择方法。通过图嵌入降低特征维度,获得样本相似度矩阵,引导特征选择;引入特征自表达策略,用其余特征线性表示每一个特征,考虑特征间的相似性关系,保持特征局部结构;在特征自表达中添加非凸正则项,获得行更稀疏的权重矩阵,实现特征选择;在特征选择过程中执行自适应图嵌入对数据局部结构进行学习,选择最优特征子集;为求解非凸稀疏问题,使用交替迭代方法优化求解模型,设计了一种新的无监督特征选择算法。在6个数据集上与其他算法进行实验对比分析,实验结果表明所提算法是有效的。

基于麻雀搜索算法优化的BiLSTM建筑能耗预测模型

建筑能耗的准确预测对建筑能源的合理规划至关重要,为了在建筑能耗预测过程中选择重要的影响因子并提高建筑能耗预测模型的预测精度,提出基于熵加权K-means与随机森林相结合的特征选择方法和麻雀搜索算法,优化双向长短时记忆网络的预测模型(SSA-BiLSTM)进行建筑能耗预测。结果表明,能耗影响因子经过特征选择后,预测模型的计算精度显著提高,与单一的BiLSTM预测模型相比,SSA-BiLSTM预测模型在不同季节的能耗预测中均展现出良好的预测效果。

基于CWT-CNN-LSTM的配电网单相接地故障选线方法分析

阐述配电网单相接地故障特征提取难点,分析现有选线方法、选线精度不高的问题,提出一种连续小波变换(Continuous wavelet transform,CWT)和CNN-LSTM的故障选线方法。首先对零序暂态电流进行连续小波变换获取对应的时频灰度图像,然后CNN自适应提取时频灰度图像的局部特征,LSTM层从CNN层学到的局部特征中学习上下文依赖关系,最后通过SoftMax层实现故障选线。仿真结果表明,所提方法的选线精度为99.65%,与CWT-CNN等方法相比,具有较强的鲁棒性。

基于编解码网络UNet3+的遥感影像建筑变化检测

遥感影像建筑变化检测需解决两个重要问题:一是双时相影像本身存在的时间依赖性问题;其二是由于建筑物密集分布,阴影效应及各对象之间的相似性导致的特征鉴别问题.该文分析现有处理方案,提出了基于UNet3+网络的边缘引导变换检测网络(Edge-Guided Change Detection Base on UNet3+,EGCD-UNet3+).UNet3+利用全尺度的跳跃连接把来自不同尺度特征图中的深层语义与浅层语义直接结合,从多尺度聚合的特征图中学习层次表示,但是在特征提取时忽略了对象尺度规模,导致感受野与尺度不匹配.因此EGCD-UNet3+首先设计了一种具有自适应感受野的选择性核Block(Selective Kernel Block,SKB)代替UNet3+原始的Block,使影像对在提取深、浅层特征时具有自适应感受野属性.EGCD-UNet3+由编码与解码两部分构成,在编码端利用长短期记忆网络(Long Short-Term Memory,LSTM)捕捉长期依赖关系,建模像素之间的关系上下文,设计差分增强模块(Difference Enhance Module,DEM),分析影像对之间的时间相关性,解决双时相本身存在的时间依赖性问题.在解码端,EGCD-UNet3+提出边缘引导上下文模块(Edge-Guided Context Module,EGCM)进一步改善建筑检测边界的性能,在更细粒度水平上有效提取多尺度空间边缘信息.最后,EGCD-UNet3+利用同时具备像素分割误差和边缘分割误差的复合损失函数,使网络能够充分学习有效的特征进行准确的标签预测.所提模型在LEVIR-CD与WHU-CD数据集上验证,精准率(P)分别达到90.75%、91.75%,召回率(R)可分别增长到96.68%、92.42%,F1-score(F1)分别增加到93.15%、92.08%,总体分割精确度(OA)分别达到99.12%、98.96%,且交并比(IoU)分别增加到83.96%、74.91%.

采用特征变量选择和长短期记忆网络的高速公路交通事件检测研究

为提升高速公路交通事件检测效果,依据交通事件发生时上、下游交通流参数的变化特性,构建一组相对全面的交通事件检测初始特征变量集,使用随机森林-交叉验证递归特征消除(RF-RFECV)算法筛选出重要特征变量。利用重要特征变量作为输入训练长短期记忆网络(LSTM),通过贝叶斯优化算法(BOA)优化LSTM网络的超参数。使用真实高速公路数据进行验证和对比分析,采用Borderline-SMOTE解决交通数据集的不平衡问题。实验结果表明:筛选出对交通事件检测更为敏感的重要特征变量,可以提高检测精度,LSTM的检测效果也明显优于随机森林(RF)和支持向量机(SVM)。

基于遗传算法的特征选择方法在短时强降水预报中的应用

利用江苏省13个气象观测站历史上短时强降水观测资料,用遗传算法进行特征选择,选定影响短时强降水的950 hPa假相当位温、700 hPa比湿、500 hPa比湿、对流有效势能(Convective Available Potential Energy,CAPE)等14个特征为主要因素,将是否为短时强降水抽象成二元分类问题。借助机器学习中CART决策树算法进行分类分析,构建便于使用的短时强降水预报规则集。实验部分,随机选择5816条样本进行训练模型,得到适合江苏地区的短时强降水规则集,利用剩余的1454条数据进行实际检验,模型的短时强降水预报准确率为91.35%,非强降水预报准确率为97.11%,较特征选择之前分别提升了8.66%和1.05%。