期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于QWCIFGLSTM的综合能源系统多元负荷短期预测模型研究
1
作者 宋朋 张智晟 《电气工程学报》 CSCD 北大核心 2024年第4期308-315,共8页
精确高效的多元负荷短期预测对于综合能源系统的运行控制与调度具有重要意义。为了改善负荷预测效果,提出一种量子加权遗忘门与输入门结合的长短期记忆(Quantum weighted coupled input and forget gate long short-term memory,QWCIFGL... 精确高效的多元负荷短期预测对于综合能源系统的运行控制与调度具有重要意义。为了改善负荷预测效果,提出一种量子加权遗忘门与输入门结合的长短期记忆(Quantum weighted coupled input and forget gate long short-term memory,QWCIFGLSTM)神经网络模型。在模型结构方面,将长短期记忆(Long short-term memory,LSTM)神经网络中的遗忘门和输入门结合起来,形成遗忘门与输入门结合长短期记忆(Coupled input and forget gate long short-term memory,CIFGLSTM)神经网络,从而减少了网络参数,优化了网络结构;在模型构成方面,采用量子加权神经元替代传统神经元,构建了QWCIFGLSTM神经网络预测模型。量子加权神经元具有较强的数据处理能力和并行计算能力,可以有效提高负荷预测的精度。通过算例仿真验证,所构建的模型相较于基于反向传播(Back propagation,BP)的神经网络预测模型、传统LSTM神经网络预测模型和遗忘门与输入门结合的长短期记忆神经网络预测模型,具有更好的预测效果。 展开更多
关键词 综合能源系统 多元负荷短期预测 长短期记忆神经网络 量子加权神经元
在线阅读 下载PDF
基于量子加权长短时记忆神经网络的状态退化趋势预测 被引量:18
2
作者 李锋 陈勇 +2 位作者 向往 王家序 汤宝平 《仪器仪表学报》 EI CAS CSCD 北大核心 2018年第7期217-225,共9页
提出基于量子加权长短时记忆神经网络(QWLSTMNN)的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到... 提出基于量子加权长短时记忆神经网络(QWLSTMNN)的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到隐层以获取额外的梯度信息;利用隐层权值量子位的反馈信息以获取输入序列的全部记忆,改善了原长短时记忆神经网络(LSTMNN)的非线性逼近能力和泛化性能,使所提出的状态退化趋势预测方法具有较高的预测精度;另外,采用新型的基于量子相移门和量子梯度下降法的学习算法以实现QWLSTMNN的网络量子参数(即权值量子位和活性值量子位)的快速更新,提高了网络收敛速度,使所提出的预测方法具有较高的计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。 展开更多
关键词 量子加权长短时记忆神经网络 量子计算 小波包能量熵误差 趋势预测 旋转机械
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部