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
共找到658篇文章
< 1 2 … 33 >
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：
改进灰狼优化算法优化CNN-LSTM的PEMFC性能衰退预测 被引量：1
1
作者 高锋阳 刘庆寅 +2 位作者 赵丽丽 齐丰旭 刘嘉 《电力系统保护与控制》 北大核心 2025年第13期175-187,共13页
为进一步提高车用质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)电堆性能衰退预测与剩余使用寿命预测精度,提出一种改进灰狼优化算法优化卷积神经网络-长短期记忆(convolutional neural network-long short-term memo... 为进一步提高车用质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)电堆性能衰退预测与剩余使用寿命预测精度,提出一种改进灰狼优化算法优化卷积神经网络-长短期记忆(convolutional neural network-long short-term memory, CNN-LSTM)的车用PEMFC性能衰退预测方法。首先,通过稳定小波变换对数据集去噪重构,使用改进灰狼算法对实测PEMFC电堆衰退数据进行分析,获得CNN-LSTM最优超参数。其次,利用最优超参数训练CNN-LSTM网络模型进行PEMFC性能衰退预测,并计算PEMFC电堆剩余使用寿命。最后,在电堆静态和动态工况下,将所提方法与传统长短期记忆循环网络、门控循环单元循环网络和未经优化的CNN-LSTM等模型预测进行比较。结果表明:在静态工况中,当训练集占比为60%时,所提方法相比传统CNN-LSTM预测结果均方根误差缩小59.02%,当训练集占比为70%时,PEMFC剩余使用寿命预测与实际相差1.16 h;在动态工况中,当训练集占比为40%时,平均绝对误差缩小18.78%。 展开更多
关键词 质子交换膜燃料电池 改进灰狼优化算法 卷积神经网络-长短期记忆 衰退预测 剩余使用寿命
在线阅读 下载PDF
基于MC2DCNN-LSTM模型的齿轮箱全故障分类识别模型
2
作者 陈蓉 王磊 《机电工程》 北大核心 2025年第2期287-297,共11页
针对轧机齿轮箱结构复杂、故障信号识别困难、故障部位分类不清等难题,提出了一种基于多通道二维卷积神经网络(MC2DCNN)与长短期记忆神经网络(LSTM)特征融合的故障诊断方法。首先,设计了一种三通道混合编码的二维样本结构,以达到故障识... 针对轧机齿轮箱结构复杂、故障信号识别困难、故障部位分类不清等难题,提出了一种基于多通道二维卷积神经网络(MC2DCNN)与长短期记忆神经网络(LSTM)特征融合的故障诊断方法。首先,设计了一种三通道混合编码的二维样本结构,以达到故障识别与分类目的,对齿轮箱典型故障进行了自适应分类;其次,该模型将齿轮箱的垂直、水平和轴向三个方向的振动信号融合构造输入样本,结合了二维卷积神经网络与长短时记忆神经网络的优势,设计了与之对应的二维卷积神经网络结构,其相较于传统的单通道信号包含了更多的状态信息;最后,分析了轧制过程数据和已有实验数据,对齿轮故障和齿轮箱全故障进行了特征识别和分类,验证了该模型的准确率。研究结果表明:模型对齿轮箱齿面磨损、齿根裂纹、断齿以及齿面点蚀等典型故障识别的平均准确率达到95.9%,最高准确率为98.6%;相较于单通道信号,多通道信号混合编码方式构造的分类样本极大地提升了神经网络分类的准确性,解调出了更丰富的故障信息。根据轧制过程中的运行数据和实验台数据,验证了该智能诊断方法较传统方法在分类和识别准确率上更具优势,为该方法的工程应用提供了理论基础。 展开更多
关键词 高精度轧机齿轮箱 智能故障诊断 多通道二维卷积神经网络 长短期记忆神经网络 数据分类
在线阅读 下载PDF
基于声发射及CNN-LSTM方法的松散材料剪切过程预测研究
3
作者 吴鑫 刘永红 +2 位作者 张婷婷 刘馨圯 文俊川 《安全与环境学报》 北大核心 2025年第9期3514-3522,共9页
为揭示松散材料剪切过程的声学特征,通过构建一种结合空间注意力机制的卷积神经网络(Convolution Neural Network,CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络模型,预测松散体所处剪切阶段及稳定性。首先,开展8种不同加载速率... 为揭示松散材料剪切过程的声学特征,通过构建一种结合空间注意力机制的卷积神经网络(Convolution Neural Network,CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络模型,预测松散体所处剪切阶段及稳定性。首先,开展8种不同加载速率下的松散颗粒剪切试验并获取其物理力学特性和声发射信号(Acoustic Emission,AE),揭示常规特征参数、时域参数和频域参数的演化特征;基于剪切过程参数变化,将其分别划分为剪密阶段、弹性阶段、应变硬化阶段和稳定阶段;然后开展AE信号特征的识别与提取,经对比与筛分后确定了11个特征参数的输入组合,用以预测松散体所处的剪切阶段。结果表明:该模型对松散材料剪切阶段的预测准确率达到94.52%,该研究预计能为声发射技术在松散体边坡稳定性分析的参数选取和预测预警提供一定理论依据。 展开更多
关键词 安全工程 松散体 卷积神经网络-长短时记忆网络 声发射 演化特征
在线阅读 下载PDF
基于SSA-CNN-LSTM的蛋鸡舍二氧化碳排放量预测研究 被引量：1
4
作者 王聆汐 李丽华 +4 位作者 贾宇琛 于尧 李民 谢紫开 付安楠 《中国家禽》 北大核心 2025年第6期88-98,共11页
为准确预测蛋鸡舍二氧化碳排放量,评估和控制集约化养殖对环境的影响,以制定有效的减排措施,研究提出一种基于麻雀搜索算法(SSA)、卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的混合神经网络模型。该模型以华北地区典型的叠层笼养鸡... 为准确预测蛋鸡舍二氧化碳排放量,评估和控制集约化养殖对环境的影响,以制定有效的减排措施,研究提出一种基于麻雀搜索算法(SSA)、卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的混合神经网络模型。该模型以华北地区典型的叠层笼养鸡舍为研究对象,综合考虑二氧化碳、通风量、大气压、温度和湿度等环境因素。研究通过预处理环境数据并计算每小时二氧化碳排放量,构建相应的数据集。利用SSA和CNN对LSTM模型进行特征提取和超参数优化,有效提升模型性能。结果显示:SSA-CNN-LSTM模型的平均绝对误差(MAE)为0.15 kg,R²值稳定在0.95以上,并预测出2024年某蛋鸡舍的二氧化碳排放量,MAE为0.2 kg。研究表明,SSA-CNN-LSTM模型能够较为准确地预测蛋鸡舍二氧化碳排放量,为蛋鸡养殖系统碳排放核算提供更为简单有效的预测方法。 展开更多
关键词 蛋鸡舍 二氧化碳排放量 卷积神经网络 麻雀搜索算法 长短期记忆神经网络
在线阅读 下载PDF
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
5
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
基于CNN-LSTM算法的电力系统气象灾害故障预测方法 被引量：2
6
作者 赵建伟 林雨场 +5 位作者 陈升 李琦 李更丰 张理寅 陆旭 辛正堃 《电工电能新技术》 北大核心 2025年第3期109-118,共10页
近年来,日益频发的台风、冰灾、地震、高温等气象灾害事件严重威胁电力系统的安全可靠运行,极端气象灾害下的大规模电网事故导致极高的社会经济损失,因此,对电力系统灾害故障进行精准有效预测具有重要意义。然而,传统方法考虑的故障影... 近年来,日益频发的台风、冰灾、地震、高温等气象灾害事件严重威胁电力系统的安全可靠运行,极端气象灾害下的大规模电网事故导致极高的社会经济损失,因此,对电力系统灾害故障进行精准有效预测具有重要意义。然而,传统方法考虑的故障影响因素类型较为单一,未能同时考虑气象、地理、电网等多种因素对系统故障的影响。同时,考虑极端气象灾害的空间分布和时序演变特性,故障的时空相关性也是预测中的关键因素。因此,本文提出一种基于卷积-长短期记忆神经网络的电力系统气象灾害故障预测方法,建立包含气象、地理、电网多源数据的电力系统故障预测数据集,提出基于卷积神经网络的多源数据融合分析方法,实现故障空间相关性的高效提取;基于长短期记忆算法设计了具有双层网络结构的故障时序预测方法,实现了故障时间相关性的有效刻画,最终形成卷积-长短期记忆神经网络统一框架,提升气象灾害故障预测的准确度。所提方法的有效性和准确性通过台风“米卡拉”、“卢碧”的历史气象数据以及中国东南沿海某区域地理、电网数据进行验证。 展开更多
关键词 深度学习 卷积神经网络 长短期记忆神经网络 电力系统故障预测 气象灾害
在线阅读 下载PDF
融合注意力机制的CNN-LSTM模型预测蒸发皿蒸发量 被引量：1
7
作者 李少恒 严新军 +2 位作者 韩克武 王旭 杨怡民 《人民长江》 北大核心 2025年第2期75-81,共7页
蒸发量数据对于水循环机制理解、水资源规划和农业灌溉管理等领域至关重要。基于新疆吐鲁番地区1973~2022年的逐日气象数据,按各气象因素重要性进行分组,以卷积神经网络(CNN)和长短期记忆神经网络(LSTM)模型为基础模型,融入注意力机制(A... 蒸发量数据对于水循环机制理解、水资源规划和农业灌溉管理等领域至关重要。基于新疆吐鲁番地区1973~2022年的逐日气象数据,按各气象因素重要性进行分组,以卷积神经网络(CNN)和长短期记忆神经网络(LSTM)模型为基础模型,融入注意力机制(Attention)以增强模型对关键气象因素的识别和处理能力,构建了一种CNN-LSTM-Attention组合模型来预测蒸发皿蒸发量。将该组合模型与单一模型CNN、LSTM进行对比分析,并采用吐鲁番地区气象站蒸发皿观测数据验证模型的预测精度。研究表明:无论是单一模型还是组合模型,预测精度随输入气象因素增多而提升;组合模型在预测蒸发量方面显著优于传统单一模型,决定系数达到了0.96,相较于传统单一模型CNN、LSTM分别提高了5.4%和6.4%。研究成果可为水资源管理提供数据驱动解决方案。 展开更多
关键词 蒸发皿蒸发量 卷积神经网络 长短期记忆神经网络 注意力机制 斯皮尔曼相关系数
在线阅读 下载PDF
基于CNN-LSTM模型的燃烧烟气CO_(2)浓度预测研究
8
作者 李倬毅 孟骏 +4 位作者 杨晓冬 马钢 刘少俊 郑成航 高翔 《燃烧科学与技术》 北大核心 2025年第4期406-414,共9页
在“碳达峰”和“碳中和”目标下,燃烧装置的低碳化改造是减少CO_(2)排放的重要途径.为了预估碳排放水平,指导碳捕集装置的设计,以燃烧装置运行参数、燃料参数和已有烟气参数等特征变量作为输入,提出了一种卷积-长短期记忆神经网络模型(... 在“碳达峰”和“碳中和”目标下,燃烧装置的低碳化改造是减少CO_(2)排放的重要途径.为了预估碳排放水平,指导碳捕集装置的设计,以燃烧装置运行参数、燃料参数和已有烟气参数等特征变量作为输入,提出了一种卷积-长短期记忆神经网络模型(CNN-LSTM),用于烟气出口CO_(2)浓度的预测.与长短期记忆神经网络模型(LSTM),随机森林模型(Random Forest)和极限梯度增强模型(XGBoost)相比,CNN-LSTM具有更好的准确性.CNN-LSTM的决定系数R^(2)和均方根误差RMSE分别为0.971和0.122,相比前述模型R^(2)提高了0.93%~6.23%,RMSE降低了11.59%~41.3%.进一步优化特征变量后,CNN-LSTM的R^(2)和RMSE分别提升至0.975和0.116. 展开更多
关键词 燃烧烟气 CO_(2)浓度预测 卷积神经网络 长短期记忆神经网络
在线阅读 下载PDF
一种基于CNN-LSTM的改进CGAN光伏短期出力场景生成方法
9
作者 秦卫民 唐昊 +3 位作者 任曼曼 梁肖 王涛 陈韬 《太阳能学报》 北大核心 2025年第4期263-272,共10页
该文考虑新能源机组出力数据的时空特征,设计一种带有卷积神经网络和长短期记忆网络的判别器网络结构,并使用推土机(EM)距离作为判别器的损失函数,提出一种基于条件对抗生成网络的新能源短期场景生成方法。该方法让模型中的判别器与生... 该文考虑新能源机组出力数据的时空特征,设计一种带有卷积神经网络和长短期记忆网络的判别器网络结构,并使用推土机(EM)距离作为判别器的损失函数,提出一种基于条件对抗生成网络的新能源短期场景生成方法。该方法让模型中的判别器与生成器进行对抗并不断优化,使生成器网络更加准确地提取到条件值及噪声分布与样本分布之间的映射关系,从而更好地生成新能源机组出力场景。该文使用开源的光伏出力数据对模型进行验证和测试,相对于传统的生成式对抗网络方法,所提模型能更加准确地生成契合历史数据特征的新能源出力场景集。 展开更多
关键词 光伏发电 场景生成 生成式对抗网络 长短期记忆网络 卷积神经网络 不确定性
在线阅读 下载PDF
基于CNN-LSTM的船体板架损伤位置检测研究
10
作者 王文婷 叶星宏 夏利娟 《舰船科学技术》 北大核心 2025年第19期87-93,共7页
船舶结构庞大且复杂,简单的分类模型难以满足船体损伤检测的全面需求。本文提出一种基于卷积神经网络和长短期记忆网络的船体板架损伤位置检测方法。通过Abaqus脚本对带有裂纹的船体板架进行参数化建模和响应计算,建立不同损伤位置板架... 船舶结构庞大且复杂,简单的分类模型难以满足船体损伤检测的全面需求。本文提出一种基于卷积神经网络和长短期记忆网络的船体板架损伤位置检测方法。通过Abaqus脚本对带有裂纹的船体板架进行参数化建模和响应计算,建立不同损伤位置板架的加速度响应数据集。然后,构建CNN-LSTM神经网络代理模型,直接以多通道加速度响应作为输入,避免了传统机器学习方法需要人工设计损伤敏感特征的问题,以裂纹中心坐标作为输出,避免了分类方法对损伤位置覆盖不充分的问题。结果显示,预测裂纹位置与实际位置的误差不超过板架尺寸的5%,噪声水平越低、裂纹越严重,此方法的预测精度越高,为船舶结构健康监测提供了较好的思路和方案。 展开更多
关键词 卷积神经网络 长短期记忆 结构损伤检测 动力学响应
在线阅读 下载PDF
基于CNN-LSTM的高频地波雷达海流方向校正方法
11
作者 许毅 韦骏 +1 位作者 魏春雷 杨凡 《热带海洋学报》 北大核心 2025年第3期24-35,共12页
高频地波雷达对近岸区域进行探测时,雷达电磁波往往容易受到海岸线以及岛屿等地形因素的干扰,从而导致雷达探测数据合成的海流方向出现较大的误差,而传统的高频地波雷达反演算法并未将物理因素的影响纳入其中。为了解决这个问题,结合卷... 高频地波雷达对近岸区域进行探测时,雷达电磁波往往容易受到海岸线以及岛屿等地形因素的干扰,从而导致雷达探测数据合成的海流方向出现较大的误差,而传统的高频地波雷达反演算法并未将物理因素的影响纳入其中。为了解决这个问题,结合卷积神经网(convolutional neural networks,CNN)和长短期记忆(long short-term memory,LSTM)神经网络的特点,本文提出了一种基于CNN-LSTM的组合模型,将海面风、潮汐以及海拔数据输入到模型中,对雷达探测数据合成的海流方向进行校正。实验结果表明,CNN-LSTM模型结合物理海洋因子后能够有效提高受地形影响区域的雷达探测海流数据质量,使合成的海流方向准确性显著提升。经过模型校正后,相较原始雷达数据,经验正交函数椭圆的方向角误差由77.10°降为23.06°,椭圆的长短轴误差由0.0896降为0.0538,海流的平均流方向角误差由20.82°降为6.21°。 展开更多
关键词 高频地波雷达 海流方向 卷积神经网络 长短期记忆神经网络
在线阅读 下载PDF
基于表面肌电信号的CNN-LSTM模型下肢动作识别
12
作者 周智伟 陶庆 +3 位作者 苏娜 刘景轩 李博文 裴浩 《科学技术与工程》 北大核心 2025年第7期2841-2848,共8页
为了提高对下肢运动的分类准确度,提出了一种基于表面肌电信号(surface electromyography, sEMG)的卷积神经网络与长短期记忆网络融合识别模型(convolutional neural network and long short-term memory network, CNN-LSTM)。首先,采集... 为了提高对下肢运动的分类准确度,提出了一种基于表面肌电信号(surface electromyography, sEMG)的卷积神经网络与长短期记忆网络融合识别模型(convolutional neural network and long short-term memory network, CNN-LSTM)。首先,采集了20名受试者进行上楼、下楼、行走和蹲起4种步态动作的sEMG;接着,对采集到的sEMG数据进行预处理,并提取了两种时域和频域特征,用作机器学习识别模型的特征输入;最后,基于预处理后肌电信号数据,构建了CNN-LSTM的下肢动作识别模型,并与CNN、LSTM和支持向量机(support vector machine, SVM)模型的性能进行对比。结果显示,CNN-LSTM模型在下肢动作识别准确率上分别比CNN、LSTM和SVM模型高出2.16%、8.34%、和11.16%,证明了其优越的分类性能。研究结论为康复医疗器械与助力器械提供了一个有效的下肢运动功能改善方案。 展开更多
关键词 表面肌电信号 下肢动作识别 cnn-lstm 卷积神经网络 长短时记忆网络
在线阅读 下载PDF
基于无阈值递归图和CNN-LSTM的人体活动识别算法 被引量：3
13
作者 史立宇 孙杨帆 +2 位作者 谢溢翀 黄旭萍 周彪 《传感器与微系统》 北大核心 2025年第3期130-133,共4页
人体活动识别(HAR)可为智慧生活、医疗监护、虚拟现实等上下文感知系统提供重要的基础信息,是模式识别领域的热门研究方向。针对现有基于惯性传感器的活动识别深度学习算法对于多维时间序列特征的提取效果欠佳的问题,提出了一种基于无... 人体活动识别(HAR)可为智慧生活、医疗监护、虚拟现实等上下文感知系统提供重要的基础信息,是模式识别领域的热门研究方向。针对现有基于惯性传感器的活动识别深度学习算法对于多维时间序列特征的提取效果欠佳的问题,提出了一种基于无阈值递归图(URP)和卷积神经网络—长短期记忆(CNN-LSTM)的活动识别算法。首先,使用SMOTE-ENN算法对惯性数据集进行增强,平衡各个类别样本数量比例;然后,使用URP方法将多维惯性传感时序波形构造为对应多个二维递归矩阵;最后,构建CNN-LSTM组合的分类模型。通过在UCI-HAR、WISDM公开数据集上的实验结果表明:所提算法在测试集上4种分类指标均得到提高,其中准确率分别达到98.32%和98.97%,性能优于现存的其他深度学习算法。 展开更多
关键词 人体活动识别 数据增强 深度学习 无阈值递归图 卷积神经网络 长短期记忆神经网络
在线阅读 下载PDF
融合时序知识图谱与CNN-LSTM的流程生产工艺质量预测
14
作者 阴彦磊 唐进 顾文娟 《计算机集成制造系统》 北大核心 2025年第10期3773-3784,共12页
针对流程生产工艺知识的强时序性和关联耦合特征,提出一种融合时序知识图谱与CNN-LSTM的工艺质量预测模型。首先利用知识嵌入技术提取多源异构数据、工艺标准、规范要求等知识图谱语义特征,根据实体和关系表示将复杂工艺标准建模为复合... 针对流程生产工艺知识的强时序性和关联耦合特征,提出一种融合时序知识图谱与CNN-LSTM的工艺质量预测模型。首先利用知识嵌入技术提取多源异构数据、工艺标准、规范要求等知识图谱语义特征,根据实体和关系表示将复杂工艺标准建模为复合的三元组间的隐含关联关系;在此基础上,将子图三元组集映射至低维向量空间以间接捕获语义,通过特征融合强化时序特征作为输入,构建基于注意力机制的组合神经网络模型以提取显著时序特征,最终实现面向流程生产工艺的质量预测。实验结果表明,基于时序知识图谱与CNN-LSTM的流程生产工艺质量预测方法精确率优于其他方法,验证了所提模型的有效性与高效性。 展开更多
关键词 知识图谱 TransH模型 特征融合 cnn-lstm神经网络 质量预测
在线阅读 下载PDF
基于双流CNN-LSTM的UUV电机故障诊断方法
15
作者 陈雪倩 沈钧戈 +2 位作者 白俊强 谭浩声 黄浩然 《导弹与航天运载技术(中英文)》 北大核心 2025年第4期59-66,共8页
针对水下无人航行器(Unmanned Underwater Vehicle,UUV)电机故障诊断中现有方法依赖人工特征提取、智能诊断潜力无法充分发挥的问题,提出一种基于双流CNN-LSTM的故障诊断模型。该模型采用卷积神经网络作为特征提取器,无需复杂的预处理步... 针对水下无人航行器(Unmanned Underwater Vehicle,UUV)电机故障诊断中现有方法依赖人工特征提取、智能诊断潜力无法充分发挥的问题,提出一种基于双流CNN-LSTM的故障诊断模型。该模型采用卷积神经网络作为特征提取器,无需复杂的预处理步骤,能够自动并行地学习原始信号的低频趋势与高频细节特征,从而实现实时电机状态监测。随后,基于长短期记忆网络的分类器利用提取的特征深入挖掘时序依赖关系,以识别电机故障。试验基于自主搭建的UUV电机故障模拟平台,设置了多种转速与负载工况以验证模型性能。结果表明,该方法能够高效诊断UUV电机中的六种典型状态,平均诊断准确率达到97.22%。试验证明,该模型在UUV电机故障诊断领域具有良好的有效性和鲁棒性。 展开更多
关键词 水下无人航行器 电机 人工智能 故障诊断 卷积神经网络 长短期记忆网络
在线阅读 下载PDF
基于GSS的RIME-CNN-LSTM-Attention光伏出力组合预测模型
16
作者 黄毅 马一力 +1 位作者 苗安康 袁越 《太阳能学报》 北大核心 2025年第10期250-258,共9页
针对传统气象学天气分型的局限性,同时考虑到优化算法的场景匹配度,提出基于广义场景划分(GSS)的RIMECNN-LSTM-Attention光伏出力组合预测模型。首先,以科学性、典型性为导向,提出基于广义场景划分指标的场景划分方法,为解决传统分类聚... 针对传统气象学天气分型的局限性,同时考虑到优化算法的场景匹配度,提出基于广义场景划分(GSS)的RIMECNN-LSTM-Attention光伏出力组合预测模型。首先,以科学性、典型性为导向,提出基于广义场景划分指标的场景划分方法,为解决传统分类聚合方法存在的日气象相似性和耦合性问题提供解决思路,有效支撑高精度预测模型的构建;其次,结合长短期记忆网络(LSTM)时序特征提取能力以及卷积神经网络(CNN)的空间特征提取优势,引入注意力机制,构建光伏出力基础预测模型,在增强模型的关键信息捕捉能力的同时有效提升预测的整体精度;此外,考虑到强不确定性条件下光伏出力的非线性特点,引入一种基于霜冰物理现象的优化算法,有效提升优化算法对复杂场景的适应能力。仿真结果显示,基于GSS的RIMECNN-LSTM-Attention组合预测模型能有效提高光伏出力预测的准确性,在光伏出力波动性较强的场景下展现出较高的预测精度和实用性。 展开更多
关键词 光伏发电 功率预测 卷积神经网络 长短期记忆网络 场景划分 优化算法
在线阅读 下载PDF
基于CNN-LSTM风光荷预测的主动配电网双层扩展规划方法 被引量：1
17
作者 朱夏 陈颂 +1 位作者 袁明瀚 刘扬洋 《高压电器》 北大核心 2025年第5期218-227,共10页
随着大量可再生能源接入配电网,由于其出力的不确定性,需要对配电网进行扩展规划。为此,首先提出一种基于卷积神经网络与长短期记忆网络方法预测风光荷出力,然后构建主动配电网双层扩展规划模型。上层规划模型,以年综合成本最低为优化目... 随着大量可再生能源接入配电网,由于其出力的不确定性,需要对配电网进行扩展规划。为此,首先提出一种基于卷积神经网络与长短期记忆网络方法预测风光荷出力,然后构建主动配电网双层扩展规划模型。上层规划模型,以年综合成本最低为优化目标,同时考虑线路的改造升级与各项成本。下层运行模型,以年综合运行成本最低与节点电压偏移量最小为优化目标,考虑运行状况、分布式电源与储能的规划。在经过上下层关联建模后,将双层模型转化为多目标优化问题,然后采用归一化法向约束法进行求解,以获得分布均匀的帕累托前沿,最后通过算例验证了方法的有效性。 展开更多
关键词 主动配电网 卷积神经网络 长短期记忆网络 双层规划模型 归一化法向约束法
在线阅读 下载PDF
基于综合相似日选取的SO-CNN-LSTM光伏功率预测模型研究 被引量：1
18
作者 宋煜 许野 +2 位作者 刘锋平 王旭 李薇 《太阳能学报》 北大核心 2025年第4期301-312,共12页
针对当前光伏发电功率预测的相似日选取标准单一、形状相似判定结果有误、组合预测模型的参数选取不合理导致的预测精度偏低问题,创新性地提出一种利用综合相似度选取相似日、蛇优化算法(SO)优化卷积神经网络-长短期记忆网络(CNN-LSTM)... 针对当前光伏发电功率预测的相似日选取标准单一、形状相似判定结果有误、组合预测模型的参数选取不合理导致的预测精度偏低问题,创新性地提出一种利用综合相似度选取相似日、蛇优化算法(SO)优化卷积神经网络-长短期记忆网络(CNN-LSTM)模型关键参数组合的日前光伏发电功率组合预测模型。首先使用皮尔逊相关系数法选取关键气象因素,然后使用欧式距离相似和孪生图形相似的综合相似日选取法选定待预测日的相似日和生成高质量的模型训练样本集,最终构建基于蛇优化算法的CNN-LSTM日前光伏出力组合预测模型。以春季为例,相较于单一的欧式距离相近和孪生形状相似的相似日选取方法,基于综合相似日选取的SO-CNN-LSTM预测模型的平均绝对误差(MAE)分别降低0.15和0.13;另外,与基于综合相似日选取的LSTM和CNN-LSTM两种模型相比,SO-CNN-LSTM模型在夏季、秋季和冬季的MAE值分别降低0.73和0.15、0.36和0.24,以及0.42和0.15。 展开更多
关键词 综合相似度 蛇优化算法 卷积神经网络 长短期记忆网络 光伏发电
在线阅读 下载PDF
CEEMDAN改进的CNN-LSTM短期电离层TEC预测模型
19
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
基于CNN-LSTM-SA的玉米地上生物量估算
20
作者 王毅 薛蓉 +3 位作者 韩文霆 邵国敏 侯艳巧 崔茜彤 《智慧农业(中英文)》 2025年第4期159-173,共15页
[目的/意义]玉米地上生物量(Above Ground Biomass,AGB)反映了玉米的生长状况,但其形成受多种动态因素的影响,导致AGB在空间和时间上的变化较为复杂。因此,本研究引入卷积神经网络(Convolutional Neural Network,CNN)、长短期记忆网络(L... [目的/意义]玉米地上生物量(Above Ground Biomass,AGB)反映了玉米的生长状况,但其形成受多种动态因素的影响,导致AGB在空间和时间上的变化较为复杂。因此,本研究引入卷积神经网络(Convolutional Neural Network,CNN)、长短期记忆网络(Long Short-Term Memory,LSTM)和自注意力机制(Self-Attention,SA)结合的模型架构,用于估算田间尺度的玉米AGB。[方法]首先,利用该架构构建CNN-LSTM-SA优化模型。分析影响因子与玉米AGB之间的皮尔逊相关系数,并通过递归特征消除法确定模型的最佳输入特征。其次,使用局部可解释模型无关解释方法对单个样本进行解释。最后,通过消融实验,探讨引入CNN和SA对CNN-LSTM-SA模型的影响,并与随机森林(Random Forest,RF)和支持向量机(Support Vector Machine,SVM)模型进行对比。[结果和讨论]CNN-LSTM-SA模型的决定系数(R^(2))为0.92,均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)为107.53和55.19 g/m^(2),优于单一类型的LSTM模型、CNN-LSTM模型和LSTM-SA模型。同时,在各项指标上比RF模型和SVM模型效果更好。[结论]该模型从时空角度出发,提升了玉米AGB估算的准确性,具有可解释性。该研究为作物AGB的动态建模提供了思路与方法,具有一定参考价值。 展开更多
关键词 玉米 地上生物量 卷积神经网络 长短期记忆网络 自注意力机制
在线阅读 下载PDF
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 2 … 33 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部