受自然环境、计量仪器等影响,量测数据会出现异常,导致调度人员错误决策,威胁电力系统安全稳定运行。为保障电力系统安全稳定运行,提出了一种基于双向长短期记忆(bidirectional long short-term memory,Bi-LSTM)神经网络的配网电压无监...受自然环境、计量仪器等影响,量测数据会出现异常,导致调度人员错误决策,威胁电力系统安全稳定运行。为保障电力系统安全稳定运行,提出了一种基于双向长短期记忆(bidirectional long short-term memory,Bi-LSTM)神经网络的配网电压无监督异常数据检测方法。利用Bi-LSTM神经网络处理时序数据的双向特性,建立时序预测模型,通过对比预测值和实际值的误差检测异常数据。最后,基于某实际配网电压数据进行仿真验证,仿真结果表明:所提方法在准确率、F1分数等指标方面均优于决策树、K近邻、支持向量机、长短期记忆(long short-term memory,LSTM)神经网络。展开更多
针对现有小麦条锈病预测方法没有利用病害发生因素之间的语义信息,存在预测难度大、准确率低等问题,利用知识图谱(Knowledge Graph,KG)和双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)处理多源异构复杂数据的各...针对现有小麦条锈病预测方法没有利用病害发生因素之间的语义信息,存在预测难度大、准确率低等问题,利用知识图谱(Knowledge Graph,KG)和双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)处理多源异构复杂数据的各自优势,提出一种基于KG与Bi-LSTM结合的小麦条锈病预测方法。首先,构建小麦条锈病知识图谱,将与小麦条锈病发生相关的环境信息转换为特征向量;其次,利用特征向量训练Bi-LSTM模型,得到基于Bi-LSTM的小麦条锈病预测模型;最后,利用小麦条锈病数据库数据进行试验。结果表明,KG丰富了进行病害预测所描述的语义信息,提升了Bi-LSTM提取高层病害预测特征的能力,从而提高了病害预测的准确率。在小麦条锈病数据库上的预测准确率达到93.21%,比基于Bi-LSTM的病害预测方法提高了4.5个百分点。该方法能较好预测小麦条锈病,为小麦条锈病的预报预警和综合防治提供科学依据。展开更多
锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电...锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。展开更多
文摘针对现有小麦条锈病预测方法没有利用病害发生因素之间的语义信息,存在预测难度大、准确率低等问题,利用知识图谱(Knowledge Graph,KG)和双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)处理多源异构复杂数据的各自优势,提出一种基于KG与Bi-LSTM结合的小麦条锈病预测方法。首先,构建小麦条锈病知识图谱,将与小麦条锈病发生相关的环境信息转换为特征向量;其次,利用特征向量训练Bi-LSTM模型,得到基于Bi-LSTM的小麦条锈病预测模型;最后,利用小麦条锈病数据库数据进行试验。结果表明,KG丰富了进行病害预测所描述的语义信息,提升了Bi-LSTM提取高层病害预测特征的能力,从而提高了病害预测的准确率。在小麦条锈病数据库上的预测准确率达到93.21%,比基于Bi-LSTM的病害预测方法提高了4.5个百分点。该方法能较好预测小麦条锈病,为小麦条锈病的预报预警和综合防治提供科学依据。
文摘锂电池的荷电状态(state of charge,SOC)是电池管理系统的重要参数,但其与电池内部复杂的电化学特性高度关联,无法直接测量。近年来,基于数据驱动的方法在SOC估计领域展现了极大的潜力,然而其对输入数据的精确性有较高要求。磷酸铁锂电池因存在电压平台问题,其电压波动和噪声会严重影响SOC估计的精度,本文针对这一问题,通过实验和数据驱动结合的方法,引入电池膨胀力作为新的输入维度,融合电池的电化学特性与机械特性,有效补偿了电压平台问题对SOC估计结果的影响。本研究在4种环境温度和2种动态电流测试工况下进行了实验,利用所得数据对神经网络模型进行训练和测试,以评估SOC估计精度并验证本方法的可行性和普适性。此外,本文还提出了一种基于卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short-term memory,Bi-LSTM)的混合模型,兼顾序列数据的局部模式与长期依赖关系,进一步提升SOC估计的可靠性。结果表明,本文提出的方法可以显著提高磷酸铁锂电池SOC估计精度,相比未引入膨胀力信号,均方根误差(root-mean-square error,RMSE)平均下降了43.82%。同时,CNNBiLSTM模型相比其他常规神经网络模型,RMSE最多降低了53.88%。本研究为高精度SOC估计提供了新的思路,对提升电池管理系统的性能具有重要意义。
