基于ALIF-VMD二次分解的NGO-CNN-LSTM电力负荷短期组合预测模型 被引量：1

1

作者 张琳 高胜强 +2 位作者 宋煜 卜帅羽 余伟 《科学技术与工程》 北大核心 2025年第11期4583-4597,共15页

针对电力负荷预测过程中普遍存在的负荷波动变化趋势明显、随机性强,以及预测模型的参数取值不合理导致的精度偏低问题,提出了一种基于ALIF-VMD(adaptive local iterative filtering-variational mode decomposition)二次分解和北方苍... 针对电力负荷预测过程中普遍存在的负荷波动变化趋势明显、随机性强,以及预测模型的参数取值不合理导致的精度偏低问题,提出了一种基于ALIF-VMD(adaptive local iterative filtering-variational mode decomposition)二次分解和北方苍鹰优化算法(northern goshawk optimization, NGO)优化CNN-LSTM(convolutional neural networks-long short-term memory)的电力负荷组合预测模型,在使用交叉映射收敛方法(convergent cross-mapping, CCM)准确识别电力负荷的关键影响因素的基础上,创新性地联合使用ALIF、基于NGO的VMD和模糊熵(fuzzy entropy, FE)对原始负荷序列进行组合分解和必要的重组;针对分解和重组后生成的模态分量,结合NGO确定的CNN-LSTM模型最优超参数组合,建立预测精度高、训练时间短、收敛速度快的NGO-CNN-LSTM日前电力负荷组合预测模型。与其他基准模型的对比结果表明,该模型具有更好的适应性和预测精度,可为电力系统的安全、可靠、经济运行提供重要的技术支撑。 展开更多

关键词 负荷预测 序列分解与重组 北方苍鹰算法 卷积神经网络-长短期记忆神经网络模型

在线阅读 下载PDF 职称材料

融合流-热场耦合仿真与EEMD-LSTM网络的油浸式变压器热点温度快速预测方法

2

作者 杨子坚 司马文霞 +3 位作者 杨鸣 黎文浩 袁涛 孙魄韬 《高电压技术》 北大核心 2025年第3期1220-1232,共13页

快速准确地预测变压器热点温度是实现变压器状态检测、故障预测以及动态增容的重要前提,其关键是实现变压器热点温度动态预测以及提高热点温度预测模型的抗噪性能。该文通过流-热场耦合仿真计算,获取不同环境温度和负载变化工况的热点... 快速准确地预测变压器热点温度是实现变压器状态检测、故障预测以及动态增容的重要前提,其关键是实现变压器热点温度动态预测以及提高热点温度预测模型的抗噪性能。该文通过流-热场耦合仿真计算,获取不同环境温度和负载变化工况的热点温度训练样本,采用长短期记忆网络(long short-term memory network,LSTM)构建深度学习模型,从而实现热点温度动态预测。采用集成经验模态分解(ensemble empirical mode decomposition,EEMD)降低输入数据中的噪声干扰,提高深度学习模型抗噪性能。以20 MVA/110 kV油浸式变压器为对象进行分析,并搭建变压器热点温升试验平台进行模型有效性验证,EEMD-LSTM网络预测的热点温度相比试验结果的平均误差仅有1.35℃,引入幅值为5℃的随机噪声后,最大误差仅增大0.47℃。结果表明:基于EEMD-LSTM网络的深度学习模型能够实现变压器热点温度动态预测,同时具有良好的抗噪性能,对变压器负荷能力动态评估与动态增容的研究具有重要意义。 展开更多

关键词 热点温度 流-热场耦合仿真 长短期记忆网络 集成经验模态分解 油浸式变压器

在线阅读 下载PDF 职称材料

CEEMDAN改进的CNN-LSTM短期电离层TEC预测模型

3

作者 焦迎香 李克昭 岳哲 《导航定位学报》 北大核心 2025年第3期107-115,共9页

针对电离层总电子含量(TEC)值的时序变化通常呈现非线性和随机性的问题,提出一种结合完全集合经验模态分解(CEEMDAN)和基于卷积神经网络和长短时记忆网络的时空网络(CNN-LSTM)神经网络的TEC预测模型:采用分解、预测和重构的方法,结合CEE... 针对电离层总电子含量(TEC)值的时序变化通常呈现非线性和随机性的问题,提出一种结合完全集合经验模态分解(CEEMDAN)和基于卷积神经网络和长短时记忆网络的时空网络(CNN-LSTM)神经网络的TEC预测模型:采用分解、预测和重构的方法,结合CEEMDAN在时间序列分解上和CNN-LSTM在预测精度上的优势,对电离层TEC值进行短期预测;然后利用国际全球卫星导航系统服务组织(IGS)中心发布的2019和2023年4个季节,以及分布在中高低纬度的6个格网点的TEC格网数据进行实验分析。实验结果表明,CEEMDAN-CNN-LSTM组合模型的预测结果能很好地反映电离层TEC的时间变化特性,在2019年太阳活动低年和2023年太阳活动高年的预测精度均方根误差(RMSE)相较于长短时记忆(LSTM)网络模型可分别平均提升2.62总电子含量单位(TECU)和10.44TECU,相较于CNN-LSTM模型可提升1.85TECU和7.23TECU。 展开更多

关键词 电离层总电子含量(TEC) 长短期记忆(LSTM)神经网络 卷积神经网络(CNN) 完全集合经验模态分解(CEEMDAN) 预测模型

在线阅读 下载PDF 职称材料

基于EMD-CNN-LSTM混合模型的短期电力负荷预测 被引量：52

4

作者 徐岩 向益锋 马天祥 《华北电力大学学报（自然科学版）》 CAS 北大核心 2022年第2期81-89,共9页

为了更有效地提取电力负荷数据中的潜藏特征与隐藏信息,提高电力负荷预测精度,针对负荷具有较强非线性、非平稳性和时序性特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)、卷积神经网络(convolutional neural networ... 为了更有效地提取电力负荷数据中的潜藏特征与隐藏信息,提高电力负荷预测精度,针对负荷具有较强非线性、非平稳性和时序性特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)、卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long-term and short-term memory network,LSTM)的混合模型短期电力负荷预测方法,将海量过往负荷数据、温度和历史电价信息以滑动窗口方式构造串联特征向量作为输入,先利用EMD将数据重构成多个分量,将高、中和低频分量各自叠加组合,再运用CNN提取高、中分量的潜藏特征,减少权值数量,并以特征向量的方式输入LSTM网络进行负荷预测,最后叠加各分量预测结果得到最终负荷预测值。实验结果表明,相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine,SVM)、LSTM模型和EMD-LSTM模型,此模型具有更高的负荷预测精度。 展开更多

关键词 短期负荷预测 经验模态分解 卷积神经网络 长短期记忆网络 经验模态分解-卷积网络-长短期记忆网络混合模型

在线阅读 下载PDF 职称材料

基于REMD-CNN-Transformer-LSTM组合模型的碳排放交易价格预测

5

作者 乔松博 孙瑜 +2 位作者 胡海 俞静 王伟 《西安理工大学学报》 北大核心 2025年第2期186-196,共11页

精确预测碳排放交易价格有助于政府制定相关政策和完善市场机制,对确保电碳耦合交易的稳定性和效率具有关键作用。因此如何运用深度学习技术来提高碳排放权价格的预测能力是一个重要问题。本文提出了一种REMD-CNN-Transformer-LSTM多因... 精确预测碳排放交易价格有助于政府制定相关政策和完善市场机制,对确保电碳耦合交易的稳定性和效率具有关键作用。因此如何运用深度学习技术来提高碳排放权价格的预测能力是一个重要问题。本文提出了一种REMD-CNN-Transformer-LSTM多因素碳排放交易价格预测的组合模型。通过对2022年1月至2024年10月的全国碳市场的碳排放交易价格进行实例分析,REMD-CNN-Transformer-LSTM模型较Transformer-LSTM模型和REMD-LSTM模型在MAPE上分别降低了0.6948%和0.4129%,表明该模型的预测更准确,评价指标表现更好。 展开更多

关键词 碳排放交易价格 鲁棒经验模态分解 卷积神经网络 长短期记忆网络 组合模型

在线阅读 下载PDF 职称材料

CEEMDAN-CNN-BiLSTM混合模型矿区地表沉降预测 被引量：2

6

作者 王凯 肖星星 +2 位作者 余永明 贾庆磊 赵思仲 《导航定位学报》 CSCD 北大核心 2024年第5期156-163,共8页

为了进一步发挥全球卫星导航系统(GNSS)实时监测优势,对时序数据中的潜藏特征与隐藏信息进行深度挖掘,提高地表沉降预测精度,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CEEMDA... 为了进一步发挥全球卫星导航系统(GNSS)实时监测优势,对时序数据中的潜藏特征与隐藏信息进行深度挖掘,提高地表沉降预测精度,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CEEMDAN-CNN-BiLSTM混合地表沉降预测方法:以皖北某大型煤矿开采工作面与工业广场区域为验证对象,对比分析稳定区域和重点监测区域数据形态;然后基于CEEMDAN重构监测站高程数据分量,输入CNN模型提取分量隐含信息;最后构建BiLSTM模型,实现对沉降监测点位数据的短期预测。实验结果表明,相较于传统的CNN和长短期记忆模型,CEEMDAN-CNN-BiLSTM混合模型可有效降低预测误差,其中平均绝对百分比误差(MAPE)的降低范围为40%~90%,而均方根(RMS)误差的降低范围为52%~87%;该模型在时空特征捕捉和泛化能力方面表现性能较好,可为GNSS时间序列短期预测提供更为精准和可靠的解决方案。 展开更多

关键词 沉降预测 自动化监测 时序数据 混合模型 自适应噪声完备集合经验模态分解(CEEMDAN)-卷积神经网络(CNN)-双向长短期记忆网络(BiLSTM)

在线阅读 下载PDF 职称材料

基于LSTM-SAFCN模型的生物质锅炉NO_(x)排放浓度预测 被引量：1

7

作者 何德峰 刘明裕 +2 位作者 孙芷菲 王秀丽 李廉明 《高技术通讯》 CAS 北大核心 2024年第1期92-100,共9页

针对生物质锅炉燃烧过程的动态特性,提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NO_(x)排放浓度。首先利用完全自适应噪声集合经验模态分解法(CEEMDAN)对数据进行预处理,消除数据噪声对NO_(x)排放浓... 针对生物质锅炉燃烧过程的动态特性,提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NO_(x)排放浓度。首先利用完全自适应噪声集合经验模态分解法(CEEMDAN)对数据进行预处理,消除数据噪声对NO_(x)排放浓度预测的影响;其次融合自注意力机制与长短时记忆-全卷积神经网络(LSTM-FCN)进行特征提取与预测建模,该拓展方法能够同时兼顾时间序列数据的局部细节与长期趋势特征;最后,利用生物质热电联产系统的实际运行数据验证了所提算法的有效性。 展开更多

关键词 生物质锅炉 NO_(x)排放浓度预测 经验模态分解 长短时记忆-全卷积神经网络(LSTM-FCN) 自注意力机制

在线阅读 下载PDF 职称材料

考虑不确定性量化的质子交换膜燃料电池剩余使用寿命混合预测 被引量：1

8

作者 余晓然 谢长君 +2 位作者 杨扬 朱文超 郭冰新 《中国电机工程学报》 北大核心 2025年第17期6804-6816,I0016,共14页

老化模型是评估质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)健康状态(state of health,SoH)和剩余使用寿命(remaining useful life,RUL)的关键,然而,其因诸多原因导致的不确定性降低了模型精度和可信度。因此,提出... 老化模型是评估质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)健康状态(state of health,SoH)和剩余使用寿命(remaining useful life,RUL)的关键,然而,其因诸多原因导致的不确定性降低了模型精度和可信度。因此,提出一种模型不确定度和SoH同时量化(model uncertainty and SoH simultaneous quantification,MUSQ)算法,用于指导和修正卷积神经网络-长短期记忆(convolutional neural networks-long short-term memory,CNN-LSTM)神经网络混合模型的长期预测,构建全新的RUL混合预测框架。采用动态负载循环耐久性实验数据,将该混合预测方法与扩展卡尔曼滤波算法、自适应扩展卡尔曼滤波算法、MUSQ算法、LSTM神经网络、CNN-LSTM混合模型等进行对比,该方法具有最优的长期预测性能和RUL估计精度。在负载电流为14.85 A的工况下,该方法累计误差分别降低49.64%、61.33%、30.65%、57.00%和52.90%。 展开更多

关键词 质子交换膜燃料电池(PEMFC) 模型不确定性 卷积神经网络-长短期记忆(CNN-LSTM)神经网络混合模型 剩余使用寿命 混合预测

在线阅读 下载PDF 职称材料

InSAR监测数据的地表沉陷深度学习预测模型研究

9

作者 李刚 支梦辉 +3 位作者 李斌 杨帆 彭志伟 李东亮 《中国安全科学学报》 北大核心 2025年第S1期107-113,共7页

为研究地下采矿引发的地面沉降预测问题,以山西省晋城市阳城县为背景开展地表沉降监测与预测方法研究。首先,获取2018年1月至2020年12月期间的Sentinel-1 SAR影像(81景),结合数字高程模型(DEM)、大气校正在线服务(GACOS)及精密轨道数据... 为研究地下采矿引发的地面沉降预测问题,以山西省晋城市阳城县为背景开展地表沉降监测与预测方法研究。首先,获取2018年1月至2020年12月期间的Sentinel-1 SAR影像(81景),结合数字高程模型(DEM)、大气校正在线服务(GACOS)及精密轨道数据,采用小基线集干涉合成孔径雷达(SBAS-InSAR)技术精细化监测区域地表形变情况,揭示其时序演化与空间分布特征(最大沉降速率达27.84 mm/a);然后,构建基于变分模态分解(VMD)与反向传播(BP)神经网络相结合的混合预测模型(VMD-BP);最后,将该模型预测性能与传统长短期记忆网络(LSTM)模型及变分模态分解与长短期记忆网络(VMD-LSTM)模型进行对比分析。结果表明:VMD-BP模型显著提升了预测精度,在测试点位(点位a)的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别低至0.27801 mm、0.23429 mm和0.39%,远优于LSTM及VMD-LSTM模型。 展开更多

关键词 地面沉降 形变预测 小基线集干涉合成孔径雷达(SBAS-InSAR)技术 长短期记忆网络(LSTM)模型 变分模态分解-长短期记忆网络(VMD-BP)模型

在线阅读 下载PDF 职称材料

基于手写-印刷混合字符的口算题识别

10

作者 纪睿哲 程艳云 《计算机工程与设计》 北大核心 2021年第11期3271-3276,共6页

针对小学生口算题中印刷体与手写体字符同时存在以及手写体字符不规范的问题,提出`一种基于编码器-解码器模型的整体识别方法。引入多分支改进的Densenet网络对图片进行特征提取,在此基础上引入基于多分支改进后的联合CTC-Attention模... 针对小学生口算题中印刷体与手写体字符同时存在以及手写体字符不规范的问题,提出`一种基于编码器-解码器模型的整体识别方法。引入多分支改进的Densenet网络对图片进行特征提取,在此基础上引入基于多分支改进后的联合CTC-Attention模型的编码器-解码器模型进行处理以充分利用多分支特征。基于真实样本数量不足、分布不均的问题,提出一种样本生成方法。以实例验证该模型与样本生成方法的可行性。 展开更多

关键词 手写-印刷混合字符识别 口算题识别 密集卷积网络 长短期记忆网络 联合模型

在线阅读 下载PDF 职称材料

基于EEMD和LSTM的轴承故障识别模型 被引量：1

11

作者 黄聪 周军晖 董晋明 《机械设计》 CSCD 北大核心 2024年第8期96-102,共7页

滚动轴承作为列车走行部的核心组成部分,其工作状态直接决定着整个列车的安全性。车辆轴承的异常振动信号多为非平稳非线性信号,针对传统时频分析方法对该类信号处理的局限性,文中提出了一种基于集合经验模态分解(EEMD)和长短期记忆神... 滚动轴承作为列车走行部的核心组成部分,其工作状态直接决定着整个列车的安全性。车辆轴承的异常振动信号多为非平稳非线性信号,针对传统时频分析方法对该类信号处理的局限性,文中提出了一种基于集合经验模态分解(EEMD)和长短期记忆神经网络(LSTM)的故障识别模型。针对传统HHT中经验模态分解EMD的模态混叠等问题,提出了采用一种改进的集合经验模态分解方法(EEMD),有效地分解原始振动数据,并通过相关系数法剔除趋势项分量,从而更好地识别轴承故障,并有效地预测轴承的故障情况。通过小波阈值法对高频含噪分量去噪,对去噪后的高频分量和低频信息分量进行加权重构,采用Hilbert-Huang变换来优化处理流程,计算出时间-瞬时频率-瞬时能量之间的相互关系。将Hilbert谱输入至长短期记忆神经网络(LSTM)中提取特征,判断车辆轴承的故障模式。文中试验结果表明:该模型可有效实现对轨道车辆轴承振动的特征提取,并对其故障形式给出高置信度的诊断。 展开更多

关键词 车辆轴承 故障诊断 经验模态分解 希尔伯特-黄变换 长短期记忆网络 小波阈值降噪

在线阅读 下载PDF 职称材料

基于信号分解和深度学习的农产品价格预测 被引量：21

12

作者 王润周 张新生 王明虎 《农业工程学报》 EI CAS CSCD 北大核心 2022年第24期256-267,共12页

农产品价格的稳定对社会经济与农业发展有重要意义,但农产品价格的波动具有非平稳、非线性、波动性大的特性,较难精确预测。该研究基于信号分解和深度学习,提出一种分解-重构-提取-关联-输出的农产品价格预测模型(CT-BiSeq2seq),并且加... 农产品价格的稳定对社会经济与农业发展有重要意义,但农产品价格的波动具有非平稳、非线性、波动性大的特性,较难精确预测。该研究基于信号分解和深度学习,提出一种分解-重构-提取-关联-输出的农产品价格预测模型(CT-BiSeq2seq),并且加入平均气温、养殖成本(大猪配合饲料与尿素价格)、群众关注度等多维度数据来提高模型的预测精度。首先,采用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法把复杂的原始价格序列分解为简单序列。其次,分析皮尔逊相关系数及分解后的子序列,把原始价格序列重构为高频项、低频项、残差项。再经过时间卷积网络(Temporal Convolutional Network,TCN)提取重构序列的数据特征。随后,构建Biseq2seq模型,解码器引入双向长短期记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)加强序列数据间的全局关联。最后,通过解码器的LSTM网络输出预测值。以北京丰台区批发市场的白条猪肉价格进行实证分析,该研究提出的CT-BiSeq2seq模型的预测性能显著优于其他价格预测基准模型,在滞后天数为11 d达到最优效果。在其他数据集也有精确和稳定的预测效果,菠菜、苹果,鸡蛋的均方误差分别为0.6277、0.4632、0.5526元^(2)/kg^(2),平均绝对误差分别为0.5431、0.4425、0.5339元/kg,平均绝对百分比误差分别为3.2047%、2.2361%、2.2314%。同时根据不同数据集的结果发现,价格波动大的农产品适合采用较大的滞后天数,价格波动小的农产品适合采用较小的滞后天数。该模型可以为预测农产品的价格波动提供参考。 展开更多

关键词 农产品 价格预测 互补集合经验模态分解 时间卷积网络 双向序列到序列模型 长短期记忆网络

在线阅读 下载PDF 职称材料

基于NRBO-Transformer-BiLSTM的柔性薄壁轴承细粒度故障诊断

13

作者 郭明军 陈昕昀 +2 位作者 石淇 李鑫 赵学智 《现代制造工程》 2025年第11期136-145,34,共11页

针对现有柔性薄壁轴承的细粒度故障识别及其现有诊断方法特征提取不足等问题,提出一种基于牛顿-拉夫逊优化(Newton-Raphson-Based Optimizer,NRBO)算法优化的Transformer编码层与双向长短期记忆(Bi-directional Long Short-Term Memory,... 针对现有柔性薄壁轴承的细粒度故障识别及其现有诊断方法特征提取不足等问题,提出一种基于牛顿-拉夫逊优化(Newton-Raphson-Based Optimizer,NRBO)算法优化的Transformer编码层与双向长短期记忆(Bi-directional Long Short-Term Memory,BiLSTM)神经网络解码层相结合的故障诊断方法。该方法首先使用时变滤波经验模态分解(Time-Varying Filter Empirical Mode Decomposition,TVFEMD)柔性薄壁轴承振动加速度信号,同时采用NRBO算法对其时变滤波带宽和B样条阶数等参数进行优化,依据互相关系数准则筛选主要本征模态分量(Intrinsic Mode Function,IMF),计算其时频域特征,结合振动加速度信号的时域、频域特征构建多域特征数据集,并按比例划分为训练集和测试集;其次将训练集输入模型,通过NRBO算法对模型初始学习率、BiLSTM神经网络的隐藏层节点数以及Transformer模型的正则化系数进行优化;通过测试集对优化模型进行测试,并与其他细粒度故障诊断模型对比。结果表明,所提方法准确率达99.60%,高于其他模型。该方法可为柔性薄壁轴承细粒度的智能诊断提供一种新的研究思路,对其他相关领域的智能化健康管理亦可提供有益借鉴。 展开更多

关键词 柔性薄壁轴承 故障诊断 牛顿-拉夫逊优化算法 双向长短期记忆网络 Transformer模型 时变滤波经验模态分解

在线阅读 下载PDF 职称材料

一种基于混沌理论和LSTM的GPS高程时间序列预测方法 被引量：15

14

作者 李世玺 孙宪坤 +1 位作者 尹玲 张仕森 《导航定位学报》 CSCD 2020年第1期65-73,共9页

为了进一步提高全球定位系统(GPS)进行噪声分析或形变监测的可靠性,根据高程时间序列的特点,提出1种基于混沌理论和长短期记忆神经网络(LSTM)的混合预测模型:对时间序列进行经验模态分解(EMD)并降噪,去除序列包含的白噪声部分;求取时间... 为了进一步提高全球定位系统(GPS)进行噪声分析或形变监测的可靠性,根据高程时间序列的特点,提出1种基于混沌理论和长短期记忆神经网络(LSTM)的混合预测模型:对时间序列进行经验模态分解(EMD)并降噪,去除序列包含的白噪声部分;求取时间序列的延迟时间,嵌入维数以及李雅普诺夫指数,证明GPS高程站心坐标时间序列具有混沌特性;然后重构序列相空间;最后将相空间每1维特征向量作为LSTM的时间步输入网络进行训练,建立预测模型。实验结果表明,该方法能够提高预测的可靠性,且模型具有一定的泛化能力。 展开更多

关键词 全球定位系统 高程时间序列 经验模态分解 混沌分析 长短期记忆神经网络 混合预测模型

在线阅读 下载PDF 职称材料