为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方...为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方法对地铁应急处置流程的文本资料进行命名实体识别,完成文本资料的知识抽取;其次,选用TransD模型对识别后实体数据进行知识推理,从而完成以实体和属性对为节点、关系对为边的知识图谱构建;最后,利用Neo4j图数据库对构建的地铁应急处置流程知识图谱进行了可视化展示和案例分析。研究结果表明,基于BiLSTM-CRF的知识抽取模型的精确率、召回率和F1值均达到了90%以上,且基于BiLSTM-CRF的TransD模型的推理结果准确率提升了22.92%,保证了知识图谱构建的准确性,可为地铁应急管理提供决策支持。展开更多
针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(sin...针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(singular spectrum analysis,SSA)双重分解的双向长短时记忆网络(bidirectional long and short time memory,BiLSTM)预测模型。首先,采用CEEMDAN对历史负荷进行分解,以得到若干个周期规律更为清晰的子序列;再利用多尺度熵(multiscale entropy,MSE)计算所有子序列的复杂程度,根据不同时间尺度上的样本熵值将相似的子序列重构聚合;然后,利用SSA去噪的功能,对高度复杂的新序列进行二次分解,去除序列中的噪声并提取更为主要的规律,从而进一步提高中长序列预测精度;再将得到的最终一组子序列输入BiLSTM进行预测;最后,考虑到天气、节假日等外部因素对电力负荷的影响,提出了一种误差修正技术。选取了巴拿马某地区的用电负荷进行实验,实验结果表明,经过双重分解可以将均方根误差降低87.4%;预测未来一年的负荷序列时,采用的BiLSTM模型将拟合系数最高提高2.5%;所提出的误差修正技术可将均方根误差降低9.7%。展开更多
准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法...准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。展开更多
文摘为解决文本类地铁应急处置流程存在的流程顺序关系不明确、流程执行人员模糊等问题,提出了基于BiLSTM-CRF(Bidirectional Long Short-Term Memory-Conditional Random Field)的地铁应急处置知识抽取与推理方法。首先,利用BiLSTM-CRF方法对地铁应急处置流程的文本资料进行命名实体识别,完成文本资料的知识抽取;其次,选用TransD模型对识别后实体数据进行知识推理,从而完成以实体和属性对为节点、关系对为边的知识图谱构建;最后,利用Neo4j图数据库对构建的地铁应急处置流程知识图谱进行了可视化展示和案例分析。研究结果表明,基于BiLSTM-CRF的知识抽取模型的精确率、召回率和F1值均达到了90%以上,且基于BiLSTM-CRF的TransD模型的推理结果准确率提升了22.92%,保证了知识图谱构建的准确性,可为地铁应急管理提供决策支持。
文摘针对中长期电力负荷序列噪声含量高、难以直接提取序列周期规律从而影响预测精度的问题,提出了一种基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和奇异谱分析(singular spectrum analysis,SSA)双重分解的双向长短时记忆网络(bidirectional long and short time memory,BiLSTM)预测模型。首先,采用CEEMDAN对历史负荷进行分解,以得到若干个周期规律更为清晰的子序列;再利用多尺度熵(multiscale entropy,MSE)计算所有子序列的复杂程度,根据不同时间尺度上的样本熵值将相似的子序列重构聚合;然后,利用SSA去噪的功能,对高度复杂的新序列进行二次分解,去除序列中的噪声并提取更为主要的规律,从而进一步提高中长序列预测精度;再将得到的最终一组子序列输入BiLSTM进行预测;最后,考虑到天气、节假日等外部因素对电力负荷的影响,提出了一种误差修正技术。选取了巴拿马某地区的用电负荷进行实验,实验结果表明,经过双重分解可以将均方根误差降低87.4%;预测未来一年的负荷序列时,采用的BiLSTM模型将拟合系数最高提高2.5%;所提出的误差修正技术可将均方根误差降低9.7%。
文摘准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。
文摘准确预测台区的电力负荷,能够促使电力企业合理安排调度计划,保障台区电力安全和经济稳定运行。为了充分挖掘电力负荷数据的特征,提高预测的精度,提出一种基于自适应辛几何模态分解(adaptive symplectic geometry mode decomposition,ASGMD)、多元线性回归(multiple linear regression,MLR)和卷积长短时记忆(convolutional long short-term memory,CLSTM)网络的电力负荷预测方法。首先,应用ASGMD将台区负荷数据分解为弱相关和强相关两种分量;然后,利用MLR和CLSTM分别对上述两种分量分别进行预测;最后,组合各模型结果,得到最终负荷预测值。实例分析结果表明,所提模型较其他模型具有更高的预测准确度。
