基于TCN-LSTM模型的实车电池健康状态评估方法

1

作者 胡杰 王浩杰 +4 位作者 魏敏 王志红 陈琳 黄文涛 康涵锐 《汽车工程》 北大核心 2025年第6期1060-1071,共12页

为解决当前实车数据质量差导致的电池健康状态评估结果精度不足的问题,提出了一种基于TCNLSTM模型的电池健康状态评估方法。首先提出了基于随机搜索算法的恒流充电电压片段提取方法;然后提出了局部加权回归与3阶多项式回归加权融合的方... 为解决当前实车数据质量差导致的电池健康状态评估结果精度不足的问题,提出了一种基于TCNLSTM模型的电池健康状态评估方法。首先提出了基于随机搜索算法的恒流充电电压片段提取方法;然后提出了局部加权回归与3阶多项式回归加权融合的方法来拟合电池容量的整体与局部衰减趋势。接着构建并提取与电池老化相关的特征,创新性地提出了经容量保持率修正的累充容量以及满充电压、电池一致性等特征;最后构建了基于TCN-LSTM的动力电池健康状态评估模型,从多维度来提取特征与电池老化之间的关系。结果表明,TCN-LSTM模型可以准确地评估出实车数据下动力电池复杂的容量衰减变化关系,RMSRE仅为0.002 1。 展开更多

关键词 电动汽车 SOH tcn-lstm 电池一致性

在线阅读 下载PDF 职称材料

结合增量学习和大猩猩优化算法的GVMD-TSNE-TCN-LSTMre光伏发电功率短期预测方法

2

作者 张益鸣 张一竞 +2 位作者 杨子阳 李佳 钱晶 《太阳能学报》 北大核心 2025年第7期690-700,共11页

光伏短期发电数据维数高,特征复杂,数据特征的分解提取和预测模型的构建是影响预测效果的关键,该文提出一种结合增量学习的嵌入元启发大猩猩参数优化的光伏发电短期预测方法 GVMD-TSNE-TCN-LSTMre,第一层的特征提取采用变分模态分解(VMD... 光伏短期发电数据维数高,特征复杂,数据特征的分解提取和预测模型的构建是影响预测效果的关键,该文提出一种结合增量学习的嵌入元启发大猩猩参数优化的光伏发电短期预测方法 GVMD-TSNE-TCN-LSTMre,第一层的特征提取采用变分模态分解(VMD)和T分布随机近邻嵌入(TSNE)模型,二者结合获得光伏数据中的有效特征,其中VMD涉及惩罚因子和分解模态数两个关键参数的选择,采用元启发大猩猩优化算法(GTO)对其参数进行优化,获得优化特征提取方法(GVMD);第二层的预测模型构建,结合时序卷积神经网络(TCN)和长短期记忆网络(LSTM)建立TCN-LSTM预测模型,完成各特征的学习、叠加和重构,在此基础上采用增量学习的方法(GVMD-TSNE-TCN-LSTMre),基于参数冻结和全链接层更新的增量设计方法不断修改预测模型。最后,采用甘肃省某光伏场功率数据进行仿真验证,验证GVMD-TNSE数据处理的必要性、GTO参数优化算法对所选模型的时效性,以及整体模型的有效性。 展开更多

关键词 光伏发电 短期功率预测 增量学习 大猩猩优化算法 GVMD-TSNE特征分解提取 tcn-lstm预测模型

在线阅读 下载PDF 职称材料

基于TCN-LSTM模型的页岩气产量预测

3

作者 史峥峥 李道伦 +1 位作者 付宁 张康 《合肥工业大学学报(自然科学版)》 北大核心 2025年第9期1259-1264,1275,共7页

准确预测页岩气产量有助于提前规划生产计划、优化生产方案。现有研究在进行产量预测时,往往需要长时间的生产数据或大量特征数据,当生产时间较短或特征数据较少时,难以准确预测产量。为此,文章提出一种具有注意力机制的时间卷积网络-... 准确预测页岩气产量有助于提前规划生产计划、优化生产方案。现有研究在进行产量预测时,往往需要长时间的生产数据或大量特征数据,当生产时间较短或特征数据较少时,难以准确预测产量。为此,文章提出一种具有注意力机制的时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network,TCN-LSTM)模型。该模型使用3口井生产数据联合训练,其中TCN和LSTM模块分别提取局部和全局特征,然后用全连接网络融合;并使用注意力机制聚焦关键信息,从已有井生产数据中学习流动规律,提高了对初期数据匮乏的新井的预测精度。结果表明,多井联合预测模型在精度和趋势预测方面均优于单井预测模型,基于平均绝对误差(mean absolute error,MAE)评估指标的预测精度提高了约4倍,并且减少了对长周期数据和多特征的依赖,在油藏开发中具有重要意义。 展开更多

关键词 时间卷积网络(TCN) 长短期记忆网络(LSTM) 注意力机制 产量预测 多井

在线阅读 下载PDF 职称材料

基于TCN-LSTM模型的电网电能质量扰动分类研究 被引量：16

4

作者 王义国 林峰 +3 位作者 李琦 刘钰淇 胡贵洋 孟祥宇 《电力系统保护与控制》 EI CSCD 北大核心 2024年第17期161-167,共7页

随着新能源发电和众多电动汽车充电桩等非线性设备并网运行,电网电能质量问题日渐凸显。现有解决方案在电能质量扰动分类上流程复杂,且在处理扰动信号时分类准确率偏低。为应对这一挑战,引入了TCN-LSTM混合模型,融合了时域卷积网络(temp... 随着新能源发电和众多电动汽车充电桩等非线性设备并网运行,电网电能质量问题日渐凸显。现有解决方案在电能质量扰动分类上流程复杂,且在处理扰动信号时分类准确率偏低。为应对这一挑战,引入了TCN-LSTM混合模型,融合了时域卷积网络(temporal convolutional network,TCN)和长短时记忆网络(longshort-term memory,LSTM)。其中,TCN专注于捕捉时序数据的局部特性,而LSTM负责挖掘长期依赖关系,两者结合能够有效捕捉信号的局部特征和全局关系。为验证模型性能,对14种加入不同信噪比白噪声的电能质量扰动信号进行分类测试。结果表明,TCN-LSTM模型展现出较强的抗噪性能,并在与现有深度网络模型的对比中展现了更高的分类准确度。 展开更多

关键词 电能质量 扰动分类 tcn-lstm模型 时序数据 抗噪性能

在线阅读 下载PDF 职称材料

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法 被引量：40

5

作者 刘辉 凌宁青 +1 位作者 罗志强 孙志媛 《智慧电力》 北大核心 2022年第8期30-37,共8页

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合(TCN-LSTM)和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关... 为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合(TCN-LSTM)和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。 展开更多

关键词 气象相似日集 TCN LSTM网络 电网短期负荷预测

在线阅读 下载PDF 职称材料

基于融合FCN-TCN-LSTM的工业大用户可调节潜力分析模型 被引量：9

6

作者 李彬 明雨 +2 位作者 郝一浩 陈宋宋 王隗东 《电力自动化设备》 EI CSCD 北大核心 2023年第7期151-157,166,共8页

综合考虑调控成本和价格激励的影响,开展工业大用户双向可调节潜力的分时段分析是提升新型电力系统负荷管理能力的关键。建立一种基于融合全卷积网络、时域卷积网络、长短期记忆网络的模型,以分析工业大用户可调节潜力。建立全卷积网络... 综合考虑调控成本和价格激励的影响,开展工业大用户双向可调节潜力的分时段分析是提升新型电力系统负荷管理能力的关键。建立一种基于融合全卷积网络、时域卷积网络、长短期记忆网络的模型,以分析工业大用户可调节潜力。建立全卷积网络数据集重构模型,并基于典型负荷特性指标实现对具有高可调节潜力负荷数据的工业大用户的遴选;以高可调节潜力数据集为基础,建立改进时域卷积网络模型,对工业大用户进行调控成本影响下的可调节潜力分析测算。基于实际数据对所提模型进行验证,算例结果表明,所提模型可分析出工业大用户典型设备的可调节潜力,且模型的稳定性与精确度较高。 展开更多

关键词 需求响应 可调节潜力 工业设备调控 全卷积网络 时间卷积网络 长短期记忆网络

在线阅读 下载PDF 职称材料

基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测 被引量：5

7

作者 宋技峰 彭小圣 +4 位作者 杨子民 段睿钦 周彬彬 陈凯 王有香 《南方电网技术》 CSCD 北大核心 2023年第12期71-79,共9页

随着新能源在电力系统中的占比逐渐提高,新能源功率预测成为一个研究热点。但对于新建的风电场的功率预测则面临历史数据不足和特征迁移困难的问题。因此提出了一种基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测方法。首先,将... 随着新能源在电力系统中的占比逐渐提高,新能源功率预测成为一个研究热点。但对于新建的风电场的功率预测则面临历史数据不足和特征迁移困难的问题。因此提出了一种基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测方法。首先,将目标风电场的少量数据根据与源风电场的相关性大小分为两组,然后利用源风电场历史数据训练含有误差补偿模块的复合模型,最后以梯级迁移学习策略进行建模。相关算例分析表明基于TCN-LSTM的补偿梯级迁移模型预测精度相比同类直接预测模型提升1.23%。相关算例证明了所提出的方法的有效性。 展开更多

关键词 时间卷积网络-长短时记忆网络 短期风电功率预测 偏差补偿 梯级迁移策略

在线阅读 下载PDF 职称材料

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测 被引量：30

8

作者 赵星宇 吴泉军 朱威 《科学技术与工程》 北大核心 2023年第4期1557-1564,共8页

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了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)和时间卷积网络-长短期记忆网络(temporal convol... 针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了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)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network,TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明:所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。 展开更多

关键词 自适应噪声的完备集合经验模态分解(CEEMDAN) 排列熵 时间卷积网络(TCN) 长短期记忆网络(LSTM) 短期电力负荷预测

在线阅读 下载PDF 职称材料

时间卷积长短时记忆网络煤矿平硐变形多步预测 被引量：1

9

作者 冀汶莉 淡新 +6 位作者 马晨阳 柴敬 吴玉意 秋风岐 刘文涛 雷武林 刘永亮 《煤炭科学技术》 北大核心 2025年第4期176-190,共15页

煤矿主平硐易受到外界因素的干扰,对其变形进行监测和预测十分重要。在光纤光栅监测平硐变形工程应用的基础上,提出了集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的时间卷积网络(Temporal Convolutional Network,TCN... 煤矿主平硐易受到外界因素的干扰,对其变形进行监测和预测十分重要。在光纤光栅监测平硐变形工程应用的基础上,提出了集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的时间卷积网络(Temporal Convolutional Network,TCN)结合长短时记忆神经网络(Long Short-Term-Memory Network,LSTM)的EEMD-TCN-LSTM平硐变形多步预测模型。首先,通过集成经验模态分解方法将包含有噪声的监测数据分解成若干本征模态函数(Intrinsic Mode Functions,IMF)分量。然后,计算IMF分量的模糊熵并选择有效IMF分量。最后,对不同有效分量序列利用TCN网络提取长时间维度特征,利用LSTM网络捕获非线性特征,叠加各分量预测结果。在预测模型的训练过程中采用多输出策略的多步预测方法,输出为未来多个时刻的光纤监测值。在不同光纤光栅传感器的监测数据上进行试验。结果表明:通过EEMD分解结合模糊熵法处理光纤监测数据,能在保留平硐变形信息的同时,过滤掉更多的噪声。与已有方法相比,预测方法在单步预测时,其评价指标决定系数(Coefficient of Determination,R^(2))可达到0.99,平方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)分别降低3.0%~10.0%和5.0%~20.0%,预测结果更准确。多输出策略下预测方法超前3步预测的R2平均为0.95,应变计的RMSE和MAE值至少降低了75.0%和31.5%,位移计的RMSE和MAE值至少降低了50.0%和66.7%,压力计的RMSE和MAE值至少降低了85.7%和62.3%,误差积累最低。集成经验模态分解的TCN-LSTM平硐变形多步预测方法,能够为巷道围岩变形预测提供技术基础。 展开更多

关键词 平硐变形 多步预测 tcn-lstm预测模型 集成经验模态分解 煤矿智能化

在线阅读 下载PDF 职称材料

基于TCN-LSTM-Attention模型的TBM掘进速度预测

10

作者 李磊 侍克斌 +3 位作者 毛启勇 张建明 姜海波 严新军 《人民长江》 2025年第11期213-223,共11页

为了更准确地预测隧道掘进机(TBM)的掘进速度(PR),在分析常见机器学习模型优劣的基础上,提出了一种基于时空特征提取的TCN-LSTM-Attention模型。首先利用孤立森林(IF)和集合经验模态分解(EEMD)对TBM掘进的原始数据进行预处理,剔除异常... 为了更准确地预测隧道掘进机(TBM)的掘进速度(PR),在分析常见机器学习模型优劣的基础上,提出了一种基于时空特征提取的TCN-LSTM-Attention模型。首先利用孤立森林(IF)和集合经验模态分解(EEMD)对TBM掘进的原始数据进行预处理,剔除异常值并消除高频噪声;其次使用时序卷积神经网络(TCN)提取空间特征,再利用长短期记忆网络(LSTM)提取时间特征;最后通过注意力机制(Attention)对时空特征进行加权,实现非线性关系的精准拟合。实例应用表明:(1)与未经处理的数据相比,经过IF和EEMD预处理后,模型预测性能显著提升,在Ⅱ、Ⅲ_(a)、Ⅲ_(b)、Ⅳ、Ⅴ级围岩中,其决定系数(R^(2))分别提高了47.69%,43.77%,42.79%,42.25%和36.88%;(2)所提出的模型在各级围岩上的预测精度均优于RF、SVR和LSTM等模型,并且注意力机制能有效提升模型性能;(3)注意力权重分析显示,时空上相近的历史信息对未来信息的预测具有更大的影响;(4)在各级围岩组合的数据集中,该模型同样取得了较好的表现,均方误差(MSE)为3.743 3 (mm/min)^(2),R^(2)为96.22%。 展开更多

关键词 TBM掘进速度 时空特征 时序卷积神经网络 长短期记忆网络 注意力机制 隧洞

在线阅读 下载PDF 职称材料

双参数驱动的高层宿舍火源信息反演预测研究

11

作者 孟晓静 王玮丹 +1 位作者 李为君 陈磊 《中国安全生产科学技术》 北大核心 2025年第5期157-164,共8页

为了提升高层宿舍火灾中火源位置与强度的反演预测精度,基于温度与CO体积分数双参数传感器探测数据,结合数值模拟与深度学习方法,逆向反演火源信息,利用火灾动力学软件FDS对某校高层宿舍楼进行火灾模拟仿真,得到温度与CO体积分数双参数... 为了提升高层宿舍火灾中火源位置与强度的反演预测精度,基于温度与CO体积分数双参数传感器探测数据,结合数值模拟与深度学习方法,逆向反演火源信息,利用火灾动力学软件FDS对某校高层宿舍楼进行火灾模拟仿真,得到温度与CO体积分数双参数传感器数据,建立火灾场景数据库,结合时间卷积网络(TCN)与长短期记忆网络(LSTM)算法优势,构建1种基于双参数的高层宿舍火灾位置与强度实时预测模型。研究结果表明:火源信息显著影响温度与CO体积分数变化,利用双参数数据能够准确反演预测火源信息。模型对火源位置、火源强度预测准确率均超过95%,火源位置与强度联合预测准确率可达90.50%;当传感器损失率小于30%时,联合预测准确率仍能达82.1%以上。研究结果可为高层宿舍火源信息预测提供参考。 展开更多

关键词 高层宿舍 火灾源强 反演预测 深度学习 TCN LSTM

在线阅读 下载PDF 职称材料

基于TCN模型的航空器四维航迹预测

12

作者 陈兴琳 任艳丽 +1 位作者 姜博文 王平 《现代电子技术》 北大核心 2025年第17期1-6,共6页

针对航空器四维航迹预测精度不高的问题,提出使用遗传算法(GA)优化时序卷积网络(TCN)的航空器四维航迹预测模型。该模型旨在捕捉航迹数据的时序特征以及空间的连续性,实现对航空器在未来一段时间内三维空间位置及对应时间的准确预测。... 针对航空器四维航迹预测精度不高的问题,提出使用遗传算法(GA)优化时序卷积网络(TCN)的航空器四维航迹预测模型。该模型旨在捕捉航迹数据的时序特征以及空间的连续性,实现对航空器在未来一段时间内三维空间位置及对应时间的准确预测。为了提高预测精度和模型性能,采用遗传算法对TCN模型的超参数如卷积滤波器数量、批大小等进行优化。通过实际的广播式自动相关监视(ADS-B)数据对模型进行训练与测试。实验结果表明,使用遗传算法优化的TCN模型的预测性能均超过对比模型,与LSTM模型相比,平均绝对百分比误差降低66.84%,与TCN模型相比,平均绝对百分比误差降低16.24%,预测精度高于其他对比模型,验证了所提方法的有效性。 展开更多

关键词 航空器 四维航迹预测 时序卷积网络 长短期记忆网络 遗传算法 ADS-B

在线阅读 下载PDF 职称材料

基于深度学习模型的混凝土坝变形预测研究

13

作者 苏晓军 许增光 +4 位作者 张野 康心语 周涛 杨淘 黎康平 《人民黄河》 北大核心 2025年第7期144-149,155,共7页

为提升混凝土坝变形预测的准确性,保障坝体结构的安全性,针对现有预测模型在提取复杂变形特征和捕捉长期依赖关系方面的不足,提出一种结合时间卷积网络(TCN)和长短期记忆网络(LSTM)的混凝土坝变形预测模型。TCN用于提取变形数据的时序特... 为提升混凝土坝变形预测的准确性,保障坝体结构的安全性,针对现有预测模型在提取复杂变形特征和捕捉长期依赖关系方面的不足,提出一种结合时间卷积网络(TCN)和长短期记忆网络(LSTM)的混凝土坝变形预测模型。TCN用于提取变形数据的时序特征,LSTM则捕捉长期依赖关系,两者结合可有效提升模型对大坝复杂变形的预测能力。实例应用结果表明,与多种智能预测模型相比,该模型能够准确模拟坝体变形过程,具有较高的预测精度。该模型在捕捉混凝土坝变形复杂特征方面具有明显优势,可作为大坝安全监测的新方法。 展开更多

关键词 混凝土坝 变形监测 变形预测 LSTM TCN

在线阅读 下载PDF 职称材料

基于跳跃连接策略和TCN-BiLSTM的光伏功率预测

14

作者 王俊 欧阳福莲 周杭霞 《计算机应用与软件》 北大核心 2025年第6期119-126,185,共9页

针对光伏功率预测过程中,数据的短期非线性规律和长周期性捕获不充分的问题,提出一种基于跳跃连接策略和TCN-BiLSTM模型的光伏功率预测方法。通过灰色关联度寻找相似样本,构成当日的预测数据集;使用时间卷积网络(TCN)进行局部特征提取,... 针对光伏功率预测过程中,数据的短期非线性规律和长周期性捕获不充分的问题,提出一种基于跳跃连接策略和TCN-BiLSTM模型的光伏功率预测方法。通过灰色关联度寻找相似样本,构成当日的预测数据集;使用时间卷积网络(TCN)进行局部特征提取,以保持特征的时序性;采用跳跃连接策略的双向长短时记忆网络(BiLSTM)充分学习光伏序列的长期和短期序列模式特征,并结合注意力机制自适应地关注更重要的历史状态。通过某电站的实测数据进行实验,结果表明,该方法能有效预测光伏发电功率,且相较于通用模型,具有更小的预测误差和更高的鲁棒性。 展开更多

关键词 跳跃连接 时间卷积网络 长短期记忆 注意力机制 光伏功率预测

在线阅读 下载PDF 职称材料

基于时间卷积网络和长短期记忆网络的混合模型海面温度预测研究

15

作者 赵煜 王律钧 +1 位作者 姚志刚 陈文凯 《中国海洋大学学报(自然科学版)》 北大核心 2025年第9期147-157,共11页

本研究提出了一种基于时间卷积网络(TCN)和长短期记忆网络(LSTM)的混合模型——TCN-LSTM,以提高海表温度(SST)的预测精度。通过在四个海洋站的敏感性实验,分析了超参数对模型稳定性的影响。通过控制迭代次数、TCN卷积核数量和LSTM神经... 本研究提出了一种基于时间卷积网络(TCN)和长短期记忆网络(LSTM)的混合模型——TCN-LSTM,以提高海表温度(SST)的预测精度。通过在四个海洋站的敏感性实验,分析了超参数对模型稳定性的影响。通过控制迭代次数、TCN卷积核数量和LSTM神经元数量等关键参数,并运用方差分析(ANOVA)方法,本文发现所有p值均大于0.05,这表明不同参数对平均绝对百分比误差(MAPE)的影响不显著,支持了模型的相对稳定性。TCN-LSTM模型结合了TCN在局部特征提取和LSTM在捕获长期依赖关系方面的优势,使其能够有效学习SST数据中的重要特征。在未来7 d的海面温度预测中,TCN-LSTM模型展现出优越的适应性和泛化能力,其相关评价指标表现优异。此外,通过比较不同超参数组合下的预测性能,验证了模型的一致性与可靠性。本研究为SST预测提供了一种新颖的方法论框架,尽管主要集中于单变量时间序列模型,但未来研究将考虑多变量模型和时空特征提取,以进一步提升整体预测精度。 展开更多

关键词 海温预测 深度学习模型 时间卷积网络 长短期记忆网络

在线阅读 下载PDF 职称材料

基于地基云图与气象因素多模态融合的光伏功率预测方法

16

作者 邓芳明 刘涛 +3 位作者 王锦波 高波 韦宝泉 李泽文 《中国电机工程学报》 北大核心 2025年第18期7193-7205,I0014,共14页

现有地基云图与气象因素融合方法难以充分利用地基云图和气象因素两种模态之间的相关性和互补性,导致无法有效提升辐照度变化剧烈天气下的光伏功率预测准确度。该文提出一种基于地基云图与气象因素多模态融合的光伏功率预测方法。采用... 现有地基云图与气象因素融合方法难以充分利用地基云图和气象因素两种模态之间的相关性和互补性,导致无法有效提升辐照度变化剧烈天气下的光伏功率预测准确度。该文提出一种基于地基云图与气象因素多模态融合的光伏功率预测方法。采用一种改进Transformer网络,通过将气象数据输入部分的位置编码替换为时序卷积网络(time series convolutional network,TCN),提升网络对气象数据的特征提取能力;通过将网络解码器部分的多头注意力机制模块替换为长短时记忆网络(long short-term memory networks,LSTM),提升网络对时序序列的预测能力。分别引入引导注意力机制和低秩多模态融合算法对云图特征和气象特征进一步特征提取和融合,以充分利用不同源数据之间的相关性和互补性。结果表明,上述方法的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)和拟合优度(R^(2))分别为0.294、0.248和0.866,可以提升辐照度变化剧烈天气下的光伏功率预测准确度,从而提高电力系统运行的稳定性和可靠性。 展开更多

关键词 地基云图 多模态融合 光伏功率预测 时序卷积网络-Transformer-长短时记忆网络 气象因素

在线阅读 下载PDF 职称材料

基于LSTM_TCN模型的降雨型滑坡时间概率预测及气象预警建模 被引量：9

17

作者 赵玉 陈丽霞 梁梦姣 《地质科技通报》 CAS CSCD 北大核心 2024年第2期201-214,共14页

如果滑坡发生时间信息不完备则会导致滑坡与降雨时序关系错误,以至于降雨阈值模型精度偏低。以重庆市万州区1995-2015年所发生的降雨型滑坡为研究对象,将区内严重缺失历史滑坡时间信息的恒合乡作为验证区,提出了一种基于长短时记忆网络(... 如果滑坡发生时间信息不完备则会导致滑坡与降雨时序关系错误,以至于降雨阈值模型精度偏低。以重庆市万州区1995-2015年所发生的降雨型滑坡为研究对象,将区内严重缺失历史滑坡时间信息的恒合乡作为验证区,提出了一种基于长短时记忆网络(LSTM)融合时域卷积网络(TCN)的模型方法。该方法通过模拟降雨型滑坡发生时间与降雨量间的非线性关系,重建降雨型滑坡事件在某日发生的时间概率。将重建时间信息后的滑坡事件进行了验证与筛选,应用于累积有效降雨量-降雨历时曲线的合理划分,构建了滑坡气象预警模型。结果表明,本方法所预测滑坡时间概率平均值达到90.33%,高于人工神经网络(ANN)(71.17%)、LSTM(72.75%)和TCN(86.91%)的概率。利用预测概率高于90%的滑坡,将验证区18个时间信息扩充至201个。基于扩充时间信息后的滑坡数据所构建的气象预警模型比仅利用历史滑坡事件具有更合理的预警分级,在严重警告级别上有效预警率提升了42.86%。结果说明该方法可弥补野外调查中灾害数据时间信息不足的问题,为降雨型滑坡气象预警工作提供数据支撑,由此提高气象预警准确率。 展开更多

关键词 降雨型滑坡 时间概率 E-D有效降雨阈值模型 TCN LSTM 滑坡气象预警

在线阅读 下载PDF 职称材料

基于GWO-LSTM-TCN混合模型的锂电池荷电状态估计研究 被引量：5

18

作者 李豪磊 赵升 +2 位作者 谢喜龙 张正江 李泉坊 《电源技术》 CAS 北大核心 2024年第11期2195-2200,共6页

针对锂电池荷电状态(SOC)具有非线性、时变特性而无法直接测量的问题,提出了一种基于灰狼优化算法混合模型的锂电池SOC估计方法,利用长短期记忆网络(LSTM)和时序卷积网络(TCN)挖掘SOC特征信息,构建锂电池电压、电流与SOC的映射网络模型... 针对锂电池荷电状态(SOC)具有非线性、时变特性而无法直接测量的问题,提出了一种基于灰狼优化算法混合模型的锂电池SOC估计方法,利用长短期记忆网络(LSTM)和时序卷积网络(TCN)挖掘SOC特征信息,构建锂电池电压、电流与SOC的映射网络模型,引入灰狼优化算法(GWO)确定网络模型最佳超参数,采用马里兰大学公开的INR 18650-20R数据集对SOC混合模型进行实验验证。结果表明,GWO-LSTM-TCN网络模型对锂电池荷电状态的估计精度相较于GWO-LSTM网络以及GWO-TCN网络能更好拟合锂电池电压、电流与SOC之间的非线性映射关系,具有较好的模型准确性和泛化能力。 展开更多

关键词 锂电池 荷电状态SOC估计 GWO-LSTM-TCN 混合模型

在线阅读 下载PDF 职称材料

基于多头自注意力机制的LSTM-TCN基站流量预测算法 被引量：1

19

作者 李维烨 贾海蓉 +1 位作者 申陈宁 吴永强 《现代电子技术》 北大核心 2024年第23期125-130,共6页

基站流量预测对于蜂窝网络的规划、资源分配和用户体验优化至关重要。为提高基站流量预测精度,文中设计一种结合多头自注意机制(MHSA)的LSTM-TCN基站流量预测算法。其中:MHSA能够从多个角度强化基站流量数据的内在关联,增强了模型对流... 基站流量预测对于蜂窝网络的规划、资源分配和用户体验优化至关重要。为提高基站流量预测精度,文中设计一种结合多头自注意机制(MHSA)的LSTM-TCN基站流量预测算法。其中:MHSA能够从多个角度强化基站流量数据的内在关联,增强了模型对流量数据重要特征的表达能力;LSTM-TCN模型中长短期记忆(LSTM)网络捕捉流量数据中的长短时依赖性;时间卷积网络(TCN)进一步捕捉流量数据中的全局特征,使得模型能够提取基站流量数据在不同时间尺度上的变化模式和时间依赖关系,提高基站流量预测模型的拟合能力和预测精度。实验结果表明,该流量预测算法与其他算法相比,在运营商基站流量数据的预测中有效降低了均方根误差和平均绝对误差,提高了决定系数,验证了该流量预测算法的有效性,从而为基站休眠节能提供决策支持。 展开更多

关键词 5G流量 基站 流量预测 混合神经网络 多头自注意 LSTM-TCN

在线阅读 下载PDF 职称材料

基于Time2Vec-LSTM-TCN-Attention的天然气负荷组合预测 被引量：4

20

作者 王可睿 邵必林 《南京信息工程大学学报》 CAS 北大核心 2024年第6期801-809,共9页

针对天然气负荷序列的复杂性和非线性,本文提出一种基于Time2Vec-LSTM-TCN-Attention的天然气负荷组合预测模型.首先,采用皮尔逊相关系数进行相关性分析,提取出相关性强的气象特征;其次,引入时间向量嵌入层Time2Vec,将时间序列转换为连... 针对天然气负荷序列的复杂性和非线性,本文提出一种基于Time2Vec-LSTM-TCN-Attention的天然气负荷组合预测模型.首先,采用皮尔逊相关系数进行相关性分析,提取出相关性强的气象特征;其次,引入时间向量嵌入层Time2Vec,将时间序列转换为连续向量空间,提取相应的时间特征,提高了模型对时间序列信息的计算效率;然后,将Time2Vec提取的时间特征、皮尔逊相关系数选取出的气象特征和原始负荷序列输入到长短期记忆网络(LSTM)和时间卷积网络(TCN)中进行负荷预测,充分利用LSTM的长期记忆能力和TCN的局部特征提取能力;最后,将LSTM和TCN通过注意力(Attention)机制组合起来,并根据其重要程度分别赋予不同的权重,得到最终预测结果.实验结果表明,本文所提出的组合预测模型具有更强的适应性和更高的精度. 展开更多

关键词 Time2Vec 注意力 长短期记忆网络 时间卷积网络 组合预测 负荷预测

在线阅读 下载PDF 职称材料