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
2
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
基于模态分解和RIME-CNN-BiLSTM-AM的风速预测方法
1
作者
朱婷
颜七笙
《科学技术与工程》
北大核心
2025年第20期8514-8525,共12页
作为一种清洁的可再生能源,风能在缓解日益严重的能源危机方面充当着重要作用。然而,风速的波动性和随机性给电力系统的稳定运行带来了严峻的挑战。针对该问题,提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical...
作为一种清洁的可再生能源,风能在缓解日益严重的能源危机方面充当着重要作用。然而,风速的波动性和随机性给电力系统的稳定运行带来了严峻的挑战。针对该问题,提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与霜冰优化算法(rime optimization algorithm,RIME)-卷积神经网络(convolutional neural network,CNN)-双向长短期记忆网络(bidirectional long short-term memory network,BiLSTM)-注意力机制(attention mechanism,AM)的短期风速预测组合模型CEEMDAN-RIME-CNN-BiLSTM-AM。首先,对初始风速序列采用CEEMDAN算法,得到一系列较平稳的子模态,以降低风速序列的波动性;然后,采用RIME霜冰优化算法优化CNN超参数,建立CNN-RIME模型,对风速数据进行自适应提取和挖掘;接着,采用BiLSTM-AM模型对处理后的数据进行预测;最后,将各子序列的预测结果叠加,得到最终预测结果。以某地实际风速数据集进行对比试验,该模型在单步与多步预测中均展现出良好的预测性能,可以为制定调度计划提供参考,以最大程度地提高能源利用率和供电。
展开更多
关键词
风速预测
自适应
噪声
完备
集合
经验
模态
分解
(
ceemdan
)
霜冰优化算法(RIME)
卷积
神经网络
(
cnn
)
双向
长短期
记忆
网络
(
bilstm
)
注意力机制(AM)
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
2
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
题名
基于模态分解和RIME-CNN-BiLSTM-AM的风速预测方法
1
作者
朱婷
颜七笙
机构
东华理工大学经济与管理学院
东华理工大学理学院
出处
《科学技术与工程》
北大核心
2025年第20期8514-8525,共12页
基金
国家自然科学基金(71961001)。
文摘
作为一种清洁的可再生能源,风能在缓解日益严重的能源危机方面充当着重要作用。然而,风速的波动性和随机性给电力系统的稳定运行带来了严峻的挑战。针对该问题,提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与霜冰优化算法(rime optimization algorithm,RIME)-卷积神经网络(convolutional neural network,CNN)-双向长短期记忆网络(bidirectional long short-term memory network,BiLSTM)-注意力机制(attention mechanism,AM)的短期风速预测组合模型CEEMDAN-RIME-CNN-BiLSTM-AM。首先,对初始风速序列采用CEEMDAN算法,得到一系列较平稳的子模态,以降低风速序列的波动性;然后,采用RIME霜冰优化算法优化CNN超参数,建立CNN-RIME模型,对风速数据进行自适应提取和挖掘;接着,采用BiLSTM-AM模型对处理后的数据进行预测;最后,将各子序列的预测结果叠加,得到最终预测结果。以某地实际风速数据集进行对比试验,该模型在单步与多步预测中均展现出良好的预测性能,可以为制定调度计划提供参考,以最大程度地提高能源利用率和供电。
关键词
风速预测
自适应
噪声
完备
集合
经验
模态
分解
(
ceemdan
)
霜冰优化算法(RIME)
卷积
神经网络
(
cnn
)
双向
长短期
记忆
网络
(
bilstm
)
注意力机制(AM)
Keywords
wind speed prediction
complete ensemble empirical mode decomposition with adaptive noise(
ceemdan
)
rime optimization algorithm(RIME)
convolutional neural network(
cnn
)
bidirectional long short
-
term memory network(
bilstm
)
attention mechanism(AM)
分类号
TM614 [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
CEEMDAN-CNN-BiLSTM混合模型矿区地表沉降预测
被引量：
2
2
作者
王凯
肖星星
余永明
贾庆磊
赵思仲
机构
北京城建勘测设计研究院有限责任公司/城市轨道交通深基坑岩土工程北京市重点实验室
北京建筑大学测绘与城市空间信息学院
出处
《导航定位学报》
CSCD
北大核心
2024年第5期156-163,共8页
文摘
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。
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
)
Keywords
ground subsidence prediction
automated monitoring
time series data
mixed model
complete ensemble empirical mode decomposition with adaptive noise(
ceemdan
)
-
convolutional neural networks(
cnn
)
-
bi
-
directional long shortterm memory(
bilstm
)
分类号
P228 [天文地球—大地测量学与测量工程]
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
基于模态分解和RIME-CNN-BiLSTM-AM的风速预测方法
朱婷
颜七笙
《科学技术与工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
CEEMDAN-CNN-BiLSTM混合模型矿区地表沉降预测
王凯
肖星星
余永明
贾庆磊
赵思仲
《导航定位学报》
CSCD
北大核心
2024
2
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
