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
3
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
基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测
被引量：
3
1
作者
陈晓梅
肖徐东
《现代电力》
北大核心
2024年第1期106-115,共10页
为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力...
为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先,将用电模式和天气作为影响因素,基于二阶聚类算法对区域内的负荷节点进行集群辨识,再从每个集群中挑选代表特征作为深度学习模型的输入,这样既能减少输入特征维度,降低计算复杂度,又能综合考虑预测区域的整体特征,提升预测精度。然后,针对区域电力负荷时序性的特点,用CNN-BiLSTM-TPA模型完成训练和预测,该模型能提取输入数据的双向信息生成隐状态矩阵,并对隐状态矩阵的重要特征加权,从多时间步上捕获双向时序信息用于预测。最后,在美国加利福尼亚州实例上分析验证了所提方法的有效性。
展开更多
关键词
短期电力负荷预测
双向长短期记忆网络
时序模式注意力机制
集群辨识
卷积神经网络
在线阅读
下载PDF
职称材料
基于并行混合模型的滚动轴承剩余寿命预测
被引量：
1
2
作者
唐友福
李澳
+2 位作者
刘瑞峰
姜佩辰
丁涵
《石油机械》
北大核心
2025年第1期10-19,共10页
准确地跟踪和预测滚动轴承剩余使用寿命,对于保障工业设备的安全性和可靠性具有重要的现实意义。针对现有模型在变工况下滚动轴承剩余寿命预测精度低、鲁棒性差的问题,提出一种基于并行混合模型的滚动轴承剩余寿命预测方法。引入添加SE...
准确地跟踪和预测滚动轴承剩余使用寿命,对于保障工业设备的安全性和可靠性具有重要的现实意义。针对现有模型在变工况下滚动轴承剩余寿命预测精度低、鲁棒性差的问题,提出一种基于并行混合模型的滚动轴承剩余寿命预测方法。引入添加SENet的多尺度卷积神经网络,提取滚动轴承退化阶段的深层特征;通过变分模态分解将所提特征分解为趋势项和随机项,分别输入到相关向量机和添加时序模式注意力机制的长短时记忆网络中进行预测,并选用瞪羚优化算法对预测模型的未知参数寻优;将所建模型应用于滚动轴承加速退化试验数据集。研究结果表明,相较于传统模型,该方法具有更高的预测精度和鲁棒性。研究结果可为滚动轴承的剩余寿命预测提供一种新的有效途径。
展开更多
关键词
滚动轴承
剩余寿命预测
瞪羚算法
时序模式注意力机制
长短时记忆网络
相关向量机
在线阅读
下载PDF
职称材料
基于变分非线性调频模态分解及TCN-TPA-LSTM的短期电力负荷组合预测模型
3
作者
王博宇
文中
+3 位作者
周翔
赵迪
闫文文
覃治银
《现代电力》
北大核心
2025年第5期891-900,共10页
随着新型电力系统的发展,电力负荷“双高双峰”特性愈发明显,可靠准确的负荷预测对电力系统运行规划至关重要。为更精准地预测电力负荷,提出基于MICVNCMD-TCN-TPA-LSTM的短期电力负荷组合预测模型。采用最大信息系数(maximal informatio...
随着新型电力系统的发展,电力负荷“双高双峰”特性愈发明显,可靠准确的负荷预测对电力系统运行规划至关重要。为更精准地预测电力负荷,提出基于MICVNCMD-TCN-TPA-LSTM的短期电力负荷组合预测模型。采用最大信息系数(maximal information coefficient, MIC)理论对负荷与气象信息进行非线性耦合分析,选取关键信息。引入变分非线性调频模态分解(variational nonlinear chirp mode decomposition, VNCMD)处理非线性非平稳负荷数据,将其分解为相应分量。在此基础上,构建TCN-TPALSTM组合预测模型,根据各分量预测评价指标选取对应的预测模型,重组得到总体预测结果。基于某地实际电力负荷数据集的对比实验表明,所提预测方法相较于其他模型具有显著的性能优势,其预测精度和泛化能力均优于对比基准,充分验证了所提方法的有效性和技术优越性。
展开更多
关键词
短期电力负荷预测
最大信息系数
变分非线性调频模态分解
时间卷积网络
时序模式注意力机制
长短期记忆网络
在线阅读
下载PDF
职称材料
题名
基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测
被引量：
3
1
作者
陈晓梅
肖徐东
机构
华北电力大学电气与电子工程学院
出处
《现代电力》
北大核心
2024年第1期106-115,共10页
文摘
为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先,将用电模式和天气作为影响因素,基于二阶聚类算法对区域内的负荷节点进行集群辨识,再从每个集群中挑选代表特征作为深度学习模型的输入,这样既能减少输入特征维度,降低计算复杂度,又能综合考虑预测区域的整体特征,提升预测精度。然后,针对区域电力负荷时序性的特点,用CNN-BiLSTM-TPA模型完成训练和预测,该模型能提取输入数据的双向信息生成隐状态矩阵,并对隐状态矩阵的重要特征加权,从多时间步上捕获双向时序信息用于预测。最后,在美国加利福尼亚州实例上分析验证了所提方法的有效性。
关键词
短期电力负荷预测
双向长短期记忆网络
时序模式注意力机制
集群辨识
卷积神经网络
Keywords
short-term power load forecasting
bi-directional long short-term memory network
temporal pattern attention
cluster identification
convolutional neural network
分类号
TM715 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
基于并行混合模型的滚动轴承剩余寿命预测
被引量：
1
2
作者
唐友福
李澳
刘瑞峰
姜佩辰
丁涵
机构
东北石油大学机械科学与工程学院
出处
《石油机械》
北大核心
2025年第1期10-19,共10页
基金
东北石油大学青年科学基金项目“齿轮齿条钻机起升系统与受压钻柱非线性耦合动力机理研究”(2018QNL-28)。
文摘
准确地跟踪和预测滚动轴承剩余使用寿命,对于保障工业设备的安全性和可靠性具有重要的现实意义。针对现有模型在变工况下滚动轴承剩余寿命预测精度低、鲁棒性差的问题,提出一种基于并行混合模型的滚动轴承剩余寿命预测方法。引入添加SENet的多尺度卷积神经网络,提取滚动轴承退化阶段的深层特征;通过变分模态分解将所提特征分解为趋势项和随机项,分别输入到相关向量机和添加时序模式注意力机制的长短时记忆网络中进行预测,并选用瞪羚优化算法对预测模型的未知参数寻优;将所建模型应用于滚动轴承加速退化试验数据集。研究结果表明,相较于传统模型,该方法具有更高的预测精度和鲁棒性。研究结果可为滚动轴承的剩余寿命预测提供一种新的有效途径。
关键词
滚动轴承
剩余寿命预测
瞪羚算法
时序模式注意力机制
长短时记忆网络
相关向量机
Keywords
rolling bearing
RUL prediction
GOA
TPA
LSTM
RVM
分类号
TE832 [石油与天然气工程—油气储运工程]
在线阅读
下载PDF
职称材料
题名
基于变分非线性调频模态分解及TCN-TPA-LSTM的短期电力负荷组合预测模型
3
作者
王博宇
文中
周翔
赵迪
闫文文
覃治银
机构
三峡大学电气与新能源学院
出处
《现代电力》
北大核心
2025年第5期891-900,共10页
基金
国家自然科学基金项目(51807110)。
文摘
随着新型电力系统的发展,电力负荷“双高双峰”特性愈发明显,可靠准确的负荷预测对电力系统运行规划至关重要。为更精准地预测电力负荷,提出基于MICVNCMD-TCN-TPA-LSTM的短期电力负荷组合预测模型。采用最大信息系数(maximal information coefficient, MIC)理论对负荷与气象信息进行非线性耦合分析,选取关键信息。引入变分非线性调频模态分解(variational nonlinear chirp mode decomposition, VNCMD)处理非线性非平稳负荷数据,将其分解为相应分量。在此基础上,构建TCN-TPALSTM组合预测模型,根据各分量预测评价指标选取对应的预测模型,重组得到总体预测结果。基于某地实际电力负荷数据集的对比实验表明,所提预测方法相较于其他模型具有显著的性能优势,其预测精度和泛化能力均优于对比基准,充分验证了所提方法的有效性和技术优越性。
关键词
短期电力负荷预测
最大信息系数
变分非线性调频模态分解
时间卷积网络
时序模式注意力机制
长短期记忆网络
Keywords
short-term power load forecasting
maximal information coefficient
variational nonlinear FM mode decomposition
temporal convolutional network
temporal pattern attention mechanism
long short-term memory network
分类号
TM715 [电气工程—电力系统及自动化]
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
基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测
陈晓梅
肖徐东
《现代电力》
北大核心
2024
3
在线阅读
下载PDF
职称材料
2
基于并行混合模型的滚动轴承剩余寿命预测
唐友福
李澳
刘瑞峰
姜佩辰
丁涵
《石油机械》
北大核心
2025
1
在线阅读
下载PDF
职称材料
3
基于变分非线性调频模态分解及TCN-TPA-LSTM的短期电力负荷组合预测模型
王博宇
文中
周翔
赵迪
闫文文
覃治银
《现代电力》
北大核心
2025
0
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
