基于AF-BiTCN的弹道中段目标HRRP识别

1

作者 王晓丹 王鹏 +2 位作者 宋亚飞 向前 李京泰 《北京航空航天大学学报》 北大核心 2025年第2期349-359,共11页

针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为... 针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为双向序列;构建BiTCN逐层提取HRRP的双向深层时序特征,并将双向时序特征采用加性策略融合;利用更加稳健的融合特征实现对弹道中段目标的识别,并使用Adam算法优化AF-BiTCN的收敛速度和稳定性。实验结果表明:所提的基于AF-BiTCN的弹道中段目标HRRP识别方法较堆叠选择长短期记忆网络(SLSTM)、堆叠门控循环单元(SGRU)等6种时序方法具有更高的准确率和更快的识别速度,在测试集上达到了96.60%的准确率,并且在噪声数据集上表现出更好的鲁棒性。 展开更多

关键词 双向时间卷积神经网络 弹道目标识别 特征融合 高分辨距离像 滑窗算法

在线阅读 下载PDF 职称材料

土石坝渗流预测的BiTCN-Attention-LSSVM模型研究

2

作者 傅蜀燕 杨石勇 +2 位作者 陈德辉 王子轩 欧斌 《水资源与水工程学报》 北大核心 2025年第1期118-128,共11页

为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN... 为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN从前、后两个方向捕获时序数据中的长期依赖关系,引入Attention机制帮助模型专注于与预测相关的关键局部特征,并将BiTCN-Attention深度处理后的特征输入LSSVM模型中进行预测,最后以2个不同的数据集分析了模型的预测效果。案例分析表明:与LSSVM、CNN-LSSVM和TCN-LSSVM相比,BiTCN-Attention-LSSVM模型预测的各项评价指标均为最优,在土石坝测压管水位预测中展现出更高的模型精度和稳定性;BiTCN与Attention的相互结合能够更好地提取时序数据中的相互依赖关系,将BiTCN-Attention提取的特征输入LSSVM中进行预测可获得良好的预测性能,数据集扩充处理后有效提高了模型的学习能力。 展开更多

关键词 土石坝测压管水位 渗流预测 双向时序卷积神经网络 注意力机制 最小二乘支持向量机

在线阅读 下载PDF 职称材料

基于二次模态分解重构及BiTCN-BiGRU模型的光伏短期发电功率预测

3

作者 文斌 章学勤 +2 位作者 付文龙 丁弈夫 封宣宇 《电力系统保护与控制》 北大核心 2025年第18期74-87,共14页

针对光伏功率序列具有非平稳性和波动性的特点导致预测模型预测精度偏低的问题,提出一种基于二次模态分解重构、双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)-双向门控循环单元(bidirectional gated recircul... 针对光伏功率序列具有非平稳性和波动性的特点导致预测模型预测精度偏低的问题,提出一种基于二次模态分解重构、双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)-双向门控循环单元(bidirectional gated recirculation unit,BiGRU)组合模型及与多策略改进沙猫群优化算法(multi-strategy improved sand cat swarm algorithm,MSCSO)相结合的光伏短期发电功率预测方法。首先,利用Spearman相关系数选取气象特征作为模型输入,并采用模糊C均值聚类方法进行相似日分类。其次,采用改进完全集合经验模态分解、变分模态分解对光伏功率序列进行分解并采用样本熵对分量进行重构。最后,建立Bi TCN-Bi GRU组合预测模型进行预测并通过MSCSO优化模型参数,将各分量预测结果叠加得到最终光伏功率预测值。通过与多种预测模型在不同天气条件和不同地区的对比分析,验证了所提模型具有更高的预测精度和良好的适应性。 展开更多

关键词 二次模态分解重构 沙猫群算法 双向时序卷积网络 双向门控循环单元 光伏功率预测

在线阅读 下载PDF 职称材料

利用混合深度学习算法的时空风速预测 被引量：1

4

作者 贵向泉 孟攀龙 +2 位作者 孙林花 秦三杰 刘靖红 《太阳能学报》 北大核心 2025年第3期668-678,共11页

风速预测的准确性始终不理想,为解决风速复杂的时空相关性和非线性问题,提出一种新颖的混合深度学习模型。首先,采用二次分解法将输入序列分解为具有不同频率振动模式的模态分量(IMF);使用图卷积神经网络(GCN)和双向长短期记忆网络(BiLS... 风速预测的准确性始终不理想,为解决风速复杂的时空相关性和非线性问题,提出一种新颖的混合深度学习模型。首先,采用二次分解法将输入序列分解为具有不同频率振动模式的模态分量(IMF);使用图卷积神经网络(GCN)和双向长短期记忆网络(BiLSTM)来预测高频分量;使用自适应图时空Transformer网络(ASTTN)来预测低频分量,以充分考虑输入序列的时空相关性。最后将高频分量和低频分量合并叠加,得到最终的预测结果。将该模型应用于甘肃省某风电场进行风速预测,实验结果表明,所提出混合深度学习模型能有效提高风速预测的准确性。 展开更多

关键词 风速 预测 深度学习 图卷积神经网络 双向长短期记忆网络 自适应图时空Transformer

在线阅读 下载PDF 职称材料

基于特征交叉注意力机制融合的轴承故障诊断方法

5

作者 赵国超 刘崇德 +2 位作者 宋宇宁 金鑫 李伟华 《振动与冲击》 北大核心 2025年第12期228-237,共10页

为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convo... 为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convolutional neural network,CNN)和双向时间卷积网络(bidirectional temporal convolutional network,BiTCN)提取时频特征,通过交叉注意力机制(cross-attention mechanism,CA)融合时频特征的能力,充分提取原始信号故障特征,利用全连接层实现滚动轴承故障类型的精确诊断。试验研究表明:在含信噪比为9.32 dB、标准差为2.98的高斯白噪声的环境下,使用CNN-BiTCN-CA模型轴承故障分类准确率为99.88%,相较于使用CNN、BiTCN和结合自注意力机制的卷积神经网络(CNN with self-attention mechanism,CNN-SA)诊断轴承故障,准确率分别提升约22.79%、4.85%和4.19%;在引入信噪比为3.31 dB、标准差为5.96的高斯白噪声时,该模型仍然可以达到96.12%的诊断准确率。CNN-BiTCN-CA模型能够深入提取轴承信号中的故障特征,有效提高故障分类准确性。 展开更多

关键词 滚动轴承 故障诊断 双向时间卷积网络(bitcn) 时频融合 交叉注意力机制(CA)

在线阅读 下载PDF 职称材料

基于模态分解和误差修正的短期电力负荷预测

6

作者 鄢化彪 李东丽 +2 位作者 黄绿娥 张航菘 姚龙龙 《电子测量技术》 北大核心 2025年第5期92-101,共10页

针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大... 针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大信息系数筛选出与负荷高度相关的特征集,以削弱特征冗余;通过改进的自适应白噪声完全集合经验模态分解将高波动性的负荷分解为频率各异的本征模态分量和残差,以降低非平稳性;引入样本熵将复杂度相近的分量重构成新子序列,以降低计算量;然后,结合并行双向时间卷积网络提取不同尺度的特征,利用双向长短期记忆网络对负荷序列初步预测,使用麻雀优化算法对神经网络超参数调优;最后,误差序列通过误差修正模块对初始预测值进行修正。经实验验证,与其他预测模型相比,RMSE最多降低51.42%,最少降低34.26%,验证了模型的准确性和有效性。 展开更多

关键词 电力负荷 短期预测 自适应经验模态分解 样本熵 双向时间卷积网络 双向长短期记忆 麻雀搜索算法

在线阅读 下载PDF 职称材料

基于BWO优化VMD和TCN-BiGRU的短期风电功率预测

7

作者 逯静 张燕茹 王瑞 《工程科学与技术》 北大核心 2025年第3期31-41,共11页

针对风力发电过程中出现的不平稳、波动性大等特点,为了更好地提高风力发电的预测精度,提出一种基于白鲸优化算法(BWO)的变分模态分解(VMD)和时序卷积网络(TCN)-双向门控循环单元(BiGRU)联合构建的短期风力发电功率预测模型。首先,由于... 针对风力发电过程中出现的不平稳、波动性大等特点,为了更好地提高风力发电的预测精度,提出一种基于白鲸优化算法(BWO)的变分模态分解(VMD)和时序卷积网络(TCN)-双向门控循环单元(BiGRU)联合构建的短期风力发电功率预测模型。首先,由于风电功率受多方面气象因素的共同影响,采用随机森林(RF)方法来确定气象因素特征的重要性,对特征进行排序并提取出最优的特征。其次,利用VMD将原始功率数据由不平稳序列分解成较平稳的子序列,为解决VMD的两个参数即模态数和惩罚因子难以人工确定的问题,使用BWO对VMD的参数进行寻优,利用优化后的VMD对非平稳电力信号进行有效分解。然后,将分解后的各平稳子序列加上提取出的最优特征进行TCN-BiGRU组合模型预测。最后,将各子序列的预测值进行叠加得到最终的结果。以中国的某风电场的实际数据为例,通过多种单一模型与组合模型对所提出的预测模型进行了仿真对比。仿真结果表明,所提出的基于BWO优化VMD和TCN-BiGRU联合预测方法具有较高的预测精度,其均方根误差、平均绝对误差及平均百分比误差的指标精度均比其他模型有所提高。本文方法在风电功率预测中具有显著优势。 展开更多

关键词 短期风功率预测 变分模态分解 随机森林 时序卷积网络 双向门控循环单元 白鲸优化算法

在线阅读 下载PDF 职称材料

基于融合通道与时间注意力的TCN-BLSTM模型的混装作业车间在制品库存实时预测

8

作者 庄泓 唐秋华 +2 位作者 成丽新 余淑均 齐航 《计算机集成制造系统》 北大核心 2025年第9期3174-3186,共13页

混装作业车间加工和装配两阶段间的在制品库存水平,可能直接导致装配生产中断或引起错装漏装,故需预测不同时刻库存水平,实现精准控制。提出了融合通道与时间注意力机制(CATA)的TCN-BLSTM模型。首先,利用去噪自动编码器进行特征降维,去... 混装作业车间加工和装配两阶段间的在制品库存水平,可能直接导致装配生产中断或引起错装漏装,故需预测不同时刻库存水平,实现精准控制。提出了融合通道与时间注意力机制(CATA)的TCN-BLSTM模型。首先,利用去噪自动编码器进行特征降维,去除数据噪声和冗余信息;通过时间卷积网络(TCN)捕获工件流在加工机器装配工位间的传递机制,并将通道注意力嵌入时间卷积网络中,挖掘关键特征;通过双向长短时记忆网络(BLSTM)模拟推拉时刻双向信息流的传递,设计含多个模块的时间注意力网络,增强所有时刻特征间关联关系,挖掘影响库存的关键时刻;通过反向传播更新注意力网络参数,实现精准预测。实验结果表明所提出的CATA-TCN-BLSTM模型有效挖掘了关键特征和时刻,大幅提高了预测准确率;并实现了不同生产场景下的预测模型迁移,预测准确率达98%以上。 展开更多

关键词 在制品库存预测 时间卷积网络 通道注意力 双向长短期记忆网络 时间注意力

在线阅读 下载PDF 职称材料

融合机理模型与深度学习的加热炉钢坯温度预测

9

作者 冯旭刚 杨克 +5 位作者 安硕 王正兵 唐得志 王伟 柳传武 潘磊 《中南大学学报(自然科学版)》 北大核心 2025年第7期2719-2730,共12页

数据驱动模型在加热炉钢坯温度预测中存在机理模糊性与参数敏感性的局限,导致预测精度降低。为此,本文提出一种结合机理模型与深度学习的钢坯温度模型预测算法。首先,基于对流与辐射传热的一维非稳态传热模型(convection-radiation heat... 数据驱动模型在加热炉钢坯温度预测中存在机理模糊性与参数敏感性的局限,导致预测精度降低。为此,本文提出一种结合机理模型与深度学习的钢坯温度模型预测算法。首先,基于对流与辐射传热的一维非稳态传热模型(convection-radiation heat transfer model,CRHT),初步计算钢坯出段温度,并将其与加热炉工况参数进行融合,实现机理知识的整合;其次,采用tent混沌映射和动态自适应权重改进差异创意搜索(differentiated creative search,DCS)算法,实现双向时间卷积网络(bidirectional temporal convolutional networks,BITCN)与双向长短期记忆网络(bidirectional long short-term memory,BILSTM)融合模型的超参数协同优化;最后,通过加热炉实际生产数据,系统地验证了该模型的准确性。研究结果表明:在加热炉均热段的钢坯温度预测中,与常规BITCN-BILSTM模型的预测结果相比,所提出的预测算法所得结果的平均绝对误差、均方根误差的相对误差分别降低了52.8%和28.9%,模型预测精度得到明显提升。 展开更多

关键词 钢坯温度预测 机理模型 双向时间卷积神经网络 双向长短期记忆 差异创意搜索

在线阅读 下载PDF 职称材料

基于序列成分重组与时序自注意力机制改进TCN-BiLSTM的短期电力负荷预测

10

作者 易雅雯 娄素华 《电力系统及其自动化学报》 北大核心 2025年第4期78-87,共10页

针对区域级电力负荷预测精度较低的问题,提出一种基于序列成分重组与时序自注意力机制改进时间卷积网络-双向长短期记忆网络(TCN-BiLSTM)的短期负荷预测方法。首先,通过中心频率法确定最佳初始分解数目,进而采用变分模态分解算法将原始... 针对区域级电力负荷预测精度较低的问题,提出一种基于序列成分重组与时序自注意力机制改进时间卷积网络-双向长短期记忆网络(TCN-BiLSTM)的短期负荷预测方法。首先,通过中心频率法确定最佳初始分解数目,进而采用变分模态分解算法将原始负荷序列分解为多个不同频率的成分序列;其次,基于各成分序列的样本熵对多个成分序列进行K均值聚类,以获得最佳聚类数量的重组负荷序列分量;接着,将各重组分量输入所提出的负荷预测模型,获得各重组分量预测结果;最终,线性叠加各重组成分序列预测结果以获得最终负荷预测结果。算例分析表明,该方法与其他相关对比模型相比,预测均方根误差降低46.37%、模型拟合效果平均提升3.24%,表明该方法负荷预测精度高、模型拟合效果好,适用于区域级电力负荷预测。 展开更多

关键词 负荷预测 变分模态分解 样本熵 K均值聚类 时序自注意力机制 时间卷积网络 双向长短期记忆网络

在线阅读 下载PDF 职称材料

矿用电机车混合储能系统功率分配控制

11

作者 尹昊 祝龙记 《工矿自动化》 北大核心 2025年第5期114-119,154,共7页

单一蓄电池供电的矿用电机车存在续航里程不足、充电时间长、重载启动困难等问题,导致运行效率低,难以满足安全性与稳定性要求。提出在矿用电机车上采用铅酸蓄电池与超级电容的混合储能技术,设计了矿用电机车混合储能系统,以满足重载启... 单一蓄电池供电的矿用电机车存在续航里程不足、充电时间长、重载启动困难等问题,导致运行效率低,难以满足安全性与稳定性要求。提出在矿用电机车上采用铅酸蓄电池与超级电容的混合储能技术,设计了矿用电机车混合储能系统,以满足重载启动时高瞬时功率要求,增加续航时间。针对混合储能系统中储能元件的功率分配问题,通过仿真分析低通滤波与小波分解的优缺点,设计了低通滤波与小波分解相结合的功率分解方法,从矿用电机车总负载功率中分解出高低频分量;再根据储能元件的荷电状态(SOC),引入动态协调机制,对储能元件功率分配进行二次调控,得到蓄电池和超级电容的目标功率。仿真结果表明:应用组合分解方法得到的矿用电机车总负载功率的低频分量与原始功率的吻合度较高,瞬态响应性能优越;基于SOC的二次调控策略可动态调整混合储能系统的功率分配,减少了超级电容放电次数,增加了超级电容有效放电时间,使蓄电池稳定放电。 展开更多

关键词 矿用电机车 混合储能 功率分配 铅酸蓄电池 超级电容

在线阅读 下载PDF 职称材料

基于超参数优化的重质碳酸钙粉体粒度预测研究

12

作者 黄何 邹帅 +1 位作者 杨靖 黄福川 《电子测量技术》 北大核心 2025年第4期51-61,共11页

重质碳酸钙粉磨系统中,粒度是衡量产品质量的关键指标之一,准确预测粒度有助于控制产品质量并指导立磨(VRM)进行参数调节。因此,该研究提出了一种基于常春藤算法(IVYA)的双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)相结合的重钙... 重质碳酸钙粉磨系统中,粒度是衡量产品质量的关键指标之一,准确预测粒度有助于控制产品质量并指导立磨(VRM)进行参数调节。因此,该研究提出了一种基于常春藤算法(IVYA)的双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)相结合的重钙粉体粒度预测模型。首先对特征和标签数据进行预处理,利用时变滤波经验模态分解联合小波阈值去除分级机电流中的高频噪声;然后通过BiTCN从前后两个方向挖掘时间序列中多维特征间的关联性,在BiGRU输出端融入注意力模块赋予每一个位置不同的权重,从而有效关注序列中的的关键数据。其次,在整个模型上引入IVYA寻找神经网络中关键超参数的最优解。最后,以某碳酸钙粉磨工厂实测数据为例进行模型实验。实验表明,IVYA优化后的模型相比较于其他单一模型和组合模型具有更高的预测性能,其均方根误差、平均绝对误差、平均相对百分误差和决定系数分别为:0.8244、0.4230、1.2954%、98.95%。 展开更多

关键词 双向时间卷积网络 双向门控循环单元 超参数优化 粒度预测

在线阅读 下载PDF 职称材料

基于自优化神经网络的船舶运动模型辨识

13

作者 张浩晢 杨智博 +2 位作者 焦绪国 吕成兴 朱齐丹 《智能系统学报》 北大核心 2025年第3期571-583,共13页

精确的船舶运动模型是船舶自主系统的核心。为提高船舶运动建模精度,引入了改进的雪融优化器(improved snow ablation optimizer,ISAO);提出一种结合双向时间卷积网络(bidirectional temporal convolutional network,Bi-TCN)与注意力机... 精确的船舶运动模型是船舶自主系统的核心。为提高船舶运动建模精度,引入了改进的雪融优化器(improved snow ablation optimizer,ISAO);提出一种结合双向时间卷积网络(bidirectional temporal convolutional network,Bi-TCN)与注意力机制(attention mechanism,AM)的网络模型,即BITCA。进一步地,将ISAO与BITCA相结合,建立ISAO-BITCA船舶运动辨识混合模型。该模型利用Bi-TCN深度挖掘船舶运动序列在双向时间及空间维度下的隐藏特征,并引入AM以减少信息损失;基于ISAO,自主搜索并优化了BITCA模型的超参数组合。仿真实验结果表明,经过ISAO优化的BITCA模型在船舶航向角、偏航角速度、横摇角和总速度预测上的均方根误差(root mean square error,RMSE)分别降低了54.1%、28.21%、5.88%和40%,为船舶运动模型的准确辨识提供了一种有效手段。 展开更多

关键词 船舶运动建模 改进雪融优化器 双向时间卷积网络 注意力机制 优化 超参数 预测 辨识

在线阅读 下载PDF 职称材料

基于EMVMD-GPSAO的短期风电功率网络预测模型

14

作者 陈万志 杜超 王天元 《电工电能新技术》 北大核心 2025年第7期90-98,共9页

针对风电时间序列数据的非线性、非平稳特征而导致的短期风电功率预测精度低问题,本文提出一种基于多频解构特征优选方法与改进的雪消融优化器(EMVMD-GPSAO)的短期风电功率网络预测模型。首先,采用多频解构特征优选方法(EMVMD)从原始风... 针对风电时间序列数据的非线性、非平稳特征而导致的短期风电功率预测精度低问题,本文提出一种基于多频解构特征优选方法与改进的雪消融优化器(EMVMD-GPSAO)的短期风电功率网络预测模型。首先,采用多频解构特征优选方法(EMVMD)从原始风电功率及气象数据中分解、筛选得到关键模态特征,提升训练数据质量;其次,构建融合双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)的网络模型,采用改进的雪消融优化器(GPSAO)优化模型超参数,并通过多头注意力机制(MHA)实现时序特征的自适应加权;最后,对模型输出的预测序列进行反归一化处理,获得预测结果。场景数据集实验结果表明,所提模型的MAE降低超过58.02%,MAPE降低超过4.52%,RMSE降低超过46.59%,跨数据集R2维持在0.99以上。四种评价指标均优于对比模型,具有更高的预测精度与泛化能力。 展开更多

关键词 短期风电功率预测 多元变分模态分解 雪消融优化器 双向时间卷积网络 双向门控循环单元

在线阅读 下载PDF 职称材料

基于多头注意力机制和TCN-BiLSTM的IGBT剩余寿命预测方法

15

作者 田源 高树国 +2 位作者 邢超 朱瑞敏 姜士哲 《电气工程学报》 北大核心 2025年第3期69-77,共9页

针对电力电子设备精准运维和半导体功率器件的态势感知需求,提出一种基于多头注意力机制(Multi-head attention mechanism,MA)和时域卷积网络(Temporal convolutional network,TCN)-双向长短时记忆(Bidirectional long short-term memor... 针对电力电子设备精准运维和半导体功率器件的态势感知需求,提出一种基于多头注意力机制(Multi-head attention mechanism,MA)和时域卷积网络(Temporal convolutional network,TCN)-双向长短时记忆(Bidirectional long short-term memory,BiLSTM)网络融合的IGBT剩余寿命预测方法。首先,基于IGBT封装模块老化机理的深入分析,设计并搭建加速老化试验平台,通过控制功率循环过程中的结温波动,施加电流加速IGBT模块的老化进程,采用高精度数据采集系统获取特征参量集-射极饱和压降Vce(sat)老化数据。其次,以TCN模型为基础,引入MA和BiLSTM神经网络构建预测模型,对IGBT劣化特征序列进行预测验证。结果表明,在相同条件下,所提模型相对于传统时序预测模型,在不显著增加模型复杂度和计算负担的情况下,具有更高的精度,充分验证了该模型在工程实践中应用于IGBT剩余寿命在线预测的可行性与高效性。 展开更多

关键词 IGBT 时域卷积网络 双向长短时记忆网络 多头注意力机制 老化预测

在线阅读 下载PDF 职称材料

基于DDTW聚类和SK TCN-GC BiGRU的分布式光伏短期功率预测

16

作者 段宏 郭成 +1 位作者 孙海东 王嵩岭 《智慧电力》 北大核心 2025年第4期71-80,共10页

针对分布式光伏短期功率的准确预测问题,提出了一种基于导数动态时间规整算法(DDTW)聚类和复合注意力预测网络(SK TCN-GC BiGRU)的短期光伏功率预测方法。首先,应用DDTW对历史数据进行相似日分析以构建针对性的训练集。其次,结合选择性... 针对分布式光伏短期功率的准确预测问题,提出了一种基于导数动态时间规整算法(DDTW)聚类和复合注意力预测网络(SK TCN-GC BiGRU)的短期光伏功率预测方法。首先,应用DDTW对历史数据进行相似日分析以构建针对性的训练集。其次,结合选择性内核网络(SKNet)和全局上下文模块(GC Block)优化TCN与BiGRU模型,分别增强提取多尺度特征和全局信息的能力。仿真结果验证了所提模型的优越性,尤其在气象条件数据波动较大的情况下,表现出较强的鲁棒性。 展开更多

关键词 短期光伏功率预测 时间卷积神经网络 双向门控循环单元 导数动态时间弯曲聚类

在线阅读 下载PDF 职称材料

基于多模态深度学习的充电硐室锂电池健康状态预测

17

作者 赵应华 陈安碧 +2 位作者 张增誉 李文中 韩宇 《工矿自动化》 北大核心 2025年第5期120-128,共9页

在井下多尘、潮湿且易爆的环境中,锂电池的退化过程往往呈现非线性、多阶段的特点,传统的单一模型难以全面捕捉其动态变化。针对该问题,提出一种基于多模态深度学习的充电硐室锂电池健康状态预测方法。构建了多模态深度学习网络模型TCN−... 在井下多尘、潮湿且易爆的环境中,锂电池的退化过程往往呈现非线性、多阶段的特点,传统的单一模型难以全面捕捉其动态变化。针对该问题,提出一种基于多模态深度学习的充电硐室锂电池健康状态预测方法。构建了多模态深度学习网络模型TCN−BiLSTM−Transformer。该模型通过多层级特征提取机制实现时序信号的高效处理:时间卷积网络(TCN)采用具有指数扩展率的空洞卷积核,在保持时序完整性的同时捕获多尺度局部特征;双向长短期记忆网络(BiLSTM)通过双向门控循环单元(GRU)建立时序双向依赖关系,有效识别电池退化过程中的正反向退化特征;Transformer层则通过多头自注意力机制动态分配特征权重,实现全局退化模式的关键特征聚焦。通过锂电池工作过程中的多源传感数据(电压、电流和温度等)作为健康状态表征指标,通过Pearson相关性分析评估健康指标与电池容量的关联性,确定5个间接健康因子并作为预测模型的输入。实验结果表明,该方法的相关度均在98%以上,且均方误差、均方根误差、平均绝对误差、平均绝对百分比误差均较小。在煤矿防爆锂电池模拟工况应用验证中,该方法的相关度达99.47%,与传统方法的预测结果相比,波动幅度更小,精度更高。 展开更多

关键词 防爆锂电池 健康状态预测 多模态深度学习 时间卷积网络 双向长短期记忆网络 TCN−BiLSTM−Transformer

在线阅读 下载PDF 职称材料

基于TCN-BiLSTM-Attention-ESN的光伏功率预测 被引量：8

18

作者 时培明 郭轩宇 +3 位作者 杜清灿 许学方 贺长波 李瑞雄 《太阳能学报》 EI CAS CSCD 北大核心 2024年第9期304-316,共13页

针对光伏发电功率随机性强、难以准确预测的问题,提出一种基于时间卷积网络(TCN)、双向长短期记忆网络(BiLSTM)和回声状态网络(ESN)的组合预测方法。首先,使用自适应噪声完备集合经验模态分解(CEEMDAN)将功率数据分解为一系列相对平稳... 针对光伏发电功率随机性强、难以准确预测的问题,提出一种基于时间卷积网络(TCN)、双向长短期记忆网络(BiLSTM)和回声状态网络(ESN)的组合预测方法。首先,使用自适应噪声完备集合经验模态分解(CEEMDAN)将功率数据分解为一系列相对平稳、不同波动模式的子功率序列;再将分解重构后的功率序列和其他特征序列输入到TCN-BiLSTM-Attention-ESN组合模型中,其中TCN-BiLSTM-Attention用于提取光伏序列波动特征并构建时空特征向量;最后,将所提取的时空特征向量输入ESN获得预测结果。采用新疆某光伏电站的光伏功率数据进行验证,结果表明与时下先进的预测方法相比,所提方法具有更高的预测精度,有助于提升光伏发电占比,保障电力系统平衡和运行安全。 展开更多

关键词 光伏发电功率 预测 神经网络 回声状态网络 时间卷积网络 双向长短期记忆网络

在线阅读 下载PDF 职称材料

基于双向时间卷积网络的半监督日志异常检测 被引量：4

19

作者 尹春勇 孔娴 《计算机应用研究》 CSCD 北大核心 2024年第7期2110-2117,共8页

由于日志解析准确率不高以及标记样本不足降低了异常检测的准确率,所以提出了一种新的基于日志的半监督异常检测方法。首先,通过改进字典的日志解析方法,保留了日志事件中的部分参数信息,从而提高日志信息的利用率和日志解析的准确率;然... 由于日志解析准确率不高以及标记样本不足降低了异常检测的准确率,所以提出了一种新的基于日志的半监督异常检测方法。首先,通过改进字典的日志解析方法,保留了日志事件中的部分参数信息,从而提高日志信息的利用率和日志解析的准确率;然后,使用BERT对模板中的语义信息进行编码,获得日志的语义向量;接着采用聚类的方法进行标签估计,缓解了数据标注不足的问题,有效提高了模型对不稳定数据的检测;最后,使用带有残差块的双向时间卷积网络(Bi-TCN)从两个方向捕获上下文信息,提高了异常检测的精度和效率。为了评估该方法的性能,在两个数据集上进行了评估,最终实验结果表明,该方法与最新的三个基准模型LogBERT、PLELog和LogEncoder相比,F 1值平均提高了7%、14.1%和8.04%,能够高效精准地进行日志解析和日志异常检测。 展开更多

关键词 日志解析 异常检测 半监督学习 双向时间卷积网络 上下文相关性

在线阅读 下载PDF 职称材料

融合距离阈值和双向TCN的时空注意力行人轨迹预测模型 被引量：2

20

作者 王红霞 聂振凯 钟强 《计算机应用研究》 CSCD 北大核心 2024年第11期3303-3310,共8页

为解决因缺乏部分行人建模思想、缺少时间维度的全局视野和忽略行人交互模式多样性,而导致交互建模不充分、低预测精度等问题,提出基于Social-STGCNN(social spatio-temporal graph convolutional neural network)的改进模型STG-DTBTA(s... 为解决因缺乏部分行人建模思想、缺少时间维度的全局视野和忽略行人交互模式多样性,而导致交互建模不充分、低预测精度等问题,提出基于Social-STGCNN(social spatio-temporal graph convolutional neural network)的改进模型STG-DTBTA(spatio-temporal graph distance threshold Bi-TCN attention)。首先,构建PPM(partial pedestrian module)模块,对不满足距离阈值等约束条件的行人交互连接剪枝以去噪。其次,引入时空注意力机制,空间注意力动态分配交互权重,并设置多个注意力头以处理交互多样性问题;时间注意力捕捉时序数据的时间依赖关系。最后,采用双向TCN增加全局视野以捕捉轨迹数据中的动态模式和趋势,并采用门控机制融合双向特征。在ETH和UCY数据集上的实验结果表明,与Social-STGCNN相比,STG-DTBTA在维持参数量与推理时间接近的情况下,ADE平均降低8%,FDE平均降低16%。STG-DTBTA具有良好的交互建模能力、模型性能和预测效果。 展开更多

关键词 行人轨迹预测 部分行人建模 距离阈值 时空注意力机制 双向TCN 门控机制

在线阅读 下载PDF 职称材料