期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于EEMD-CBAM-BiLSTM的牵引负荷超短期预测
被引量：
1
1
作者
钟吴君
李培强
涂春鸣
《电工技术学报》
EI
CSCD
北大核心
2024年第21期6850-6864,共15页
针对电气化铁路牵引负荷难以预测的问题,构建了一种由集合经验模态分解(EEMD)、改进型卷积块注意力模块(CBAM)和双向长短期神经网络(BiLSTM)组合成的EEMD-CBAM-BILSTM预测方法,有效地降低了牵引负荷超短期预测误差与计算成本。首先,通过...
针对电气化铁路牵引负荷难以预测的问题,构建了一种由集合经验模态分解(EEMD)、改进型卷积块注意力模块(CBAM)和双向长短期神经网络(BiLSTM)组合成的EEMD-CBAM-BILSTM预测方法,有效地降低了牵引负荷超短期预测误差与计算成本。首先,通过EEMD将牵引负荷数据分解为多个稳定、有规律的时序模态函数,突出负荷数据的时序特征;其次,将分解后的各分量整体通入由卷积神经网络(CNN)和改进型CBAM组成的特征提取模块提取全局时序特征;最后,利用贝叶斯优化(BO)搜寻BiLSTM最优参数,并将全局特征通入优化后的神经网络进行超短期时序预测。仿真算例表明,该文所提预测框架在各预测步长下均能很好地把握牵引负荷变化趋势,显著提升了牵引负荷预测的精度。
展开更多
关键词
牵引负荷预测
集合经验模态分解
双向长短期神经网络
贝叶斯优化
卷积块注
意力模块
卷积神经网络
在线阅读
下载PDF
职称材料
题名
基于EEMD-CBAM-BiLSTM的牵引负荷超短期预测
被引量：
1
1
作者
钟吴君
李培强
涂春鸣
机构
湖南大学电气与信息工程学院
出处
《电工技术学报》
EI
CSCD
北大核心
2024年第21期6850-6864,共15页
基金
国家重点研发计划项目(2021YFB2601504)
国家自然科学基金项目(52377097)资助。
文摘
针对电气化铁路牵引负荷难以预测的问题,构建了一种由集合经验模态分解(EEMD)、改进型卷积块注意力模块(CBAM)和双向长短期神经网络(BiLSTM)组合成的EEMD-CBAM-BILSTM预测方法,有效地降低了牵引负荷超短期预测误差与计算成本。首先,通过EEMD将牵引负荷数据分解为多个稳定、有规律的时序模态函数,突出负荷数据的时序特征;其次,将分解后的各分量整体通入由卷积神经网络(CNN)和改进型CBAM组成的特征提取模块提取全局时序特征;最后,利用贝叶斯优化(BO)搜寻BiLSTM最优参数,并将全局特征通入优化后的神经网络进行超短期时序预测。仿真算例表明,该文所提预测框架在各预测步长下均能很好地把握牵引负荷变化趋势,显著提升了牵引负荷预测的精度。
关键词
牵引负荷预测
集合经验模态分解
双向长短期神经网络
贝叶斯优化
卷积块注
意力模块
卷积神经网络
Keywords
Traction load forecasting
ensemble empirical mode decomposition(EEMD)
bidirectional long
分类号
TM922.3 [电气工程—电力电子与电力传动]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于EEMD-CBAM-BiLSTM的牵引负荷超短期预测
钟吴君
李培强
涂春鸣
《电工技术学报》
EI
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
