传统时序预测模型通常仅关注捕捉复杂时序中的趋势和模式,而忽略了变量间的相互作用,限制了该模型在复杂时序预测中应用.提出一种Dualformer双模型并联方案,该模型并联iTransformer(inverted transformer)和PatchTST(patch time series ...传统时序预测模型通常仅关注捕捉复杂时序中的趋势和模式,而忽略了变量间的相互作用,限制了该模型在复杂时序预测中应用.提出一种Dualformer双模型并联方案,该模型并联iTransformer(inverted transformer)和PatchTST(patch time series transformer),通过激活函数替代前馈神经网络,并通过多层感知机计算输出结果.Dualformer利用注意力机制同时捕捉复杂时序中的时间维度和变量维度信息,关注时间趋势与多变量交互.实验结果显示,Dualformer在复杂时序预测效果上显著优于对比模型iTransformer、PatchTST和DLinear(decomposition linear),在实际应用中可显著提高复杂时序预测的准确度,具有广泛应用前景.展开更多
隐层节点数是确定人工神经网络模型结构的重要参数,但目前尚无通用的确定方法。以水库中长期优化调度规则提取为例,选择了四种典型的隐层节点数经验确定公式,将合格率、确定性系数、平均绝对误差、指标综合占优数等作为评价指标,以全年...隐层节点数是确定人工神经网络模型结构的重要参数,但目前尚无通用的确定方法。以水库中长期优化调度规则提取为例,选择了四种典型的隐层节点数经验确定公式,将合格率、确定性系数、平均绝对误差、指标综合占优数等作为评价指标,以全年、汛期、非汛期为统计时段,评价了各经验公式对四项评价指标的拟合和检验效果,并进行了摄动分析。结果表明,Lippmann R P公式应用效果、适应性及稳定性均较好,更适合建立水库优化调度规则提取模型。展开更多
文摘随着电力市场的发展,水电厂维护的自动化是提高水电厂整体经济效益的必然要求。在 ICMMS 框架下,提出了一种水电厂预知维护系统的多智能体模型。该模型由数据采、诊断与预诊断层以及维护决策层组成,从信号采集到维护决策的所有维护活动都集成到这个模型中。利用这个模型,建立了一个水电厂预知维护系统的原型系统,并应用 ANN 技术成功地解决了原型系统动态特性的在线监测、识别和故障诊断。
文摘传统时序预测模型通常仅关注捕捉复杂时序中的趋势和模式,而忽略了变量间的相互作用,限制了该模型在复杂时序预测中应用.提出一种Dualformer双模型并联方案,该模型并联iTransformer(inverted transformer)和PatchTST(patch time series transformer),通过激活函数替代前馈神经网络,并通过多层感知机计算输出结果.Dualformer利用注意力机制同时捕捉复杂时序中的时间维度和变量维度信息,关注时间趋势与多变量交互.实验结果显示,Dualformer在复杂时序预测效果上显著优于对比模型iTransformer、PatchTST和DLinear(decomposition linear),在实际应用中可显著提高复杂时序预测的准确度,具有广泛应用前景.
基金The National High Technology Research and Development Program of China(2007AA12Z162)the Natural Science Foundation of China(40871195)the Specialized Research Fund for the Doctoral Program of Higher Education(20070290516)
文摘隐层节点数是确定人工神经网络模型结构的重要参数,但目前尚无通用的确定方法。以水库中长期优化调度规则提取为例,选择了四种典型的隐层节点数经验确定公式,将合格率、确定性系数、平均绝对误差、指标综合占优数等作为评价指标,以全年、汛期、非汛期为统计时段,评价了各经验公式对四项评价指标的拟合和检验效果,并进行了摄动分析。结果表明,Lippmann R P公式应用效果、适应性及稳定性均较好,更适合建立水库优化调度规则提取模型。
