基于LSTM神经网络的复合变量电动汽车充电负荷预测方法技术研究

随着电动汽车并网容量的不断增加,面向电动汽车充电负荷准确地开展功率预测对于并网电力系统的经济调度和优化运行意义重大。基于计算机交叉学科的深度学习领域算法不断进步,为准确构建电动汽车充电负荷模型提供高效工具。该文研究一种基于LSTM(long short-term memory)神经网络的复合变量电动汽车充电负荷预测方法,将电动汽车充电负荷历史数据进行预处理,采用LSTM网络对降维后的时间序列进行动态建模,完成电动汽车充电负荷预测。采用实际数据进行验证,结果证明所提方法的有效性。     

基于CNN和LSTM的自然场景文本检测应用

针对自然场景的文本检测,构建了一种基于卷积神经网络(CNN)和长短时记忆网络(LSTM)的自然场景文本识别框架,运用CNN网络对图像中的静态特征进行提取,LSTM提取上下文特征信息。在解码上,提出了一种混合的CTC-Attention机制对输出层的编码进行解码。     

42CrMo钢精密切削的刀具磨损量预测研究

针对42CrMo钢精密切削刀具磨损量预测研究小样本、非线性的特点,将量子粒子群算法(QPSO)、卷积神经网络(CNN)及长短期神经网络(LSTM)相结合,构建了QPSO-CNN-LSTM组合预测模型。采用QPSO算法对CNN-LSTM模型的隐藏层单元数、学习率、卷积核等进行优化,结合CNN网络特征提取能力强、LSTM网络具备记忆能力的特点,对实际加工实验的刀具磨损量进行预测,并通过误差评价指标分析,与CNN、LSTM、BP等单一模型以及PSO-GRNN组合模型进行预测效果对比研究。研究结果表明,本文构建的组合预测模型相对于单一预测模型,其预测值与真实值吻合程度更高;相对于PSO-GRNN组合模型,三种误差评价指标的误差值至少降低了27%,其泛化性和稳定性较好,预测精度与非线性拟合能力更强。     

基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测

及时准确的交通流信息对于智能交通系统的实现至关重要。针对现有预测方法不能充分利用交通流的时空特征,进而不能很好地提取交通流序列内在规律的问题,提出了一种结合卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的深度学习预测模型(C-BiLSTM),在网络底层利用一维CNN来捕获观测点交通流数据的空间特征,然后输入到双向LSTM网络提取时间周期特征,最后由全连接层输出预测结果。使用美国交通研究数据实验室的实测交通数据进行验证,结果表明,所提出的C-BiLSTM组合模型具有更高的准确性,其性能相比双向LSTM网络预测模型提升了1. 6%,相比单向LSTM网络预测模型提升了6. 6%,是一种高精度的交通流预测模型。     

基于转子端数据驱动LSTM-CNN模型的高速旋转系统运行状态识别方法

针对复杂结构高速转轴运行状态难以准确实时监测与识别的问题,提出了一种基于转子系统数据驱动的复合神经网络转轴工况识别方法。首先,提出了一种基于长短期记忆网络(Long short-term memory,LSTM)和卷积神经网络(Convolutional neural networks,CNN)的复合神经网络模型(LSTM-CNN)。然后,建立双盘转子动力学仿真模型,并利用Newmark-β法对转子系统进行数值求解,获得转子系统关键固定节点动力学响应特征;同时基于有限元仿真获得关键旋转节点的动力学响应特征,并将两类数据分别导入LSTM-CNN模型中进行工况识别,并对其准确率和效率进行比较分析。最后,设计搭建高速转子实验平台,获取转子端和固定端数据分别对模型进行训练与验证,比较不同模型对高速转轴运行状态的识别能力。仿真数据与实验验证分析结果均表明基于转子端数据驱动的LSTM-CNN模型识别比传统的基于固定端数据驱动的识别方法具有更优的识别精度和效率。     

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。     

结合CNN和LSTM的滚动轴承剩余使用寿命预测方法

针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM)神经网络的滚动轴承RUL预测方法。首先,对滚动轴承原始振动信号作快速傅里叶变换(fast Fourier transform,简称FFT);其次,将预处理所得到的频域幅值信号进行归一化处理后,将其作为CNN的输入,并利用CNN自适应提取局部内在有用信息,学习并挖掘深层特征,避免传统算法需要专家大量经验的弊端;然后,再将深层特征输入到LSTM网络中,构建趋势性量化健康指标,同时确定失效阈值;最后,运用移动平均法进行平滑处理,消除局部振荡,再利用多项式曲线拟合,预测未来失效时刻,实现滚动轴承RUL预测。实验结果表明,所提方法构建的趋势性量化健康指标在两种故障模式下都具有良好的单调趋势性,预测结果能够较好地接近真实寿命值。     

基于ASOS-ELM的湿式球磨机负荷软测量方法

针对湿式球磨机在磨矿过程中内部负荷靠专家经验难以准确预测的问题,提出一种基于改进的共生生物搜索(ameliorated symbiotic organisms search,简称ASOS)-极限学习机(extreme learning machine,简称ELM)的磨机负荷软测量方法。首先,利用ELM算法建立磨机负荷软测量模型,运用ASOS算法优化软测量模型的隐含层参数;其次,以筒体振动与振声信号的特征信息构建磨机负荷特征向量,并将其作为软测量模型的输入,将磨机负荷参数作为输出;最后,通过磨矿负荷检测实验和对比分析表明,磨机负荷软测量模型的负荷参数预测准确率较高,泛化能力较强,为磨机磨矿效率的提高及控制优化提供了有益的指导。     

基于多相似度局部状态辨识的集成学习自适应软测量方法

鉴于流程工业过程的非线性、多时段、多模式、时变性等复杂过程特性，导致传统的全局和集成学习软测量方法预测性能不佳，提出一种基于多相似度局部状态辨识的集成学习自适应软测量建模方法。该方法在离线建模阶段，从不同相似度准则出发辨识局部过程状态，进而生成多样性的局部模型；在线预测阶段，通过双层集成策略实现模型的在线动态选择、模型权重自适应确定、局部预测结果融合；在线更新阶段，通过KL散度评价当前与相邻状态数据分布的差异性以实现概念漂移的实时检测，进而决定是否在线添加局部模型。将新获取的离线检测值添加入建模数据库。通过工业金霉素发酵过程和脱丁烷塔过程验证了所提方法的有效性和优越性。     

实时工况仿真场景下蒸汽发生器液面智能预测模型的实现与验证

本文使用基于深度学习方法的长短期记忆(Long Short-Term Memory,LSTM)模型来预测核电站蒸汽发生器的液面工况,以有效地解决蒸汽发生器液面控制过程中的参数预测问题。该模型在SIMULINK环境下,实现并且构建了一个使用传统PID控制器的实时工况验证平台,对其进行功能和性能验证。PID控制回路的反馈信号为LSTM模型提供实时在线的输入更新,从而获得LSTM模型对于液面变化的实时预测结果。通过与传统RNN模型的对比实验证明,LSTM模型所具有的长时间序列数据处理优势对于蒸汽发生器核心参数的预测非常有效而且精准。LSTM模型对液面的预测误差可低至-1.1887×10~(-4),预测过程的损失值可低至1.4130×10~(-8)。而且实验结果显示,LSTM模型在预测过程中具有较快的收敛能力,可以在更短的时间内输出准确的预测结果,这对于及时而准确地判断蒸汽发生器的工作状况,维持核电站正常运行具有重要意义。利用LSTM模型的快速准确预测能力,还可以在未来对传统的PID控制方法实行智能化改造,提升蒸汽发生器液面控制的快速响应能力。     

融合一维卷积神经网络和双向门控循环单元的APM车辆轮胎径向载荷识别方法

针对轮胎载荷直接测量昂贵复杂及传统载荷识别方法精度低、鲁棒性差的现实,提出了一种融合一维卷积神经网络(1D CNN)和双向门控循环单元(BiGRU)的胶轮车辆轮胎径向载荷识别方法。充分考虑轮胎径向载荷数据的先验信息,以车辆振动响应、车体位姿、运行状态等多源信息构建特征集并经特征选择保留有效的特征子集,构造多时间步输入-单时间步输出的样本用以网络训练。运用1D CNN提取信号的多维度空间特征并输入BiGRU中双向捕获时序特征,得到载荷预测的结果,结合预测精度、泛化性能、鲁棒性能修正理论模型。以APM300型车辆为例进行载荷识别,与传统算法相比,所提方法有效降低了载荷识别的误差,适用于不同运行工况,且能克服不同程度的测量噪声,在工程领域有现实应用价值。     

基于 SSA-LSTM 的海上风电功率预测

针对海上风电功率预测精度差的问题,提出一种改进的 SSA-LSTM 模型。 选择在时间序列问题处理上具有良好性能的长短期记忆(LSTM)神经网络,通过寻优能力强、收敛速度快的麻雀搜索算法对 LSTM 网络隐含层神经元个数、学习率和训练次数等超参数进行优化,得到 SSA-LSTM 模型。 采用江苏省盐城市某 400 MW 风电场功率数据进行算例分析,在不同条件变量下分别使用 SSA-LSTM 模型、LSTM 模型预测,仿真结果表明,SSA-LSTM 模型具有更高的预测精度、更好的预测稳定性。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时，数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测，提出了一种基于并行多通道卷积长短时记忆网络（PMCCNN-LSTM）的剩余使用寿命预测模型。该模型主要由两部分组成：前端为并行多通道卷积网络（PMCCNN），提取信号特征，挖掘数据的时序特性，并采用逐层训练和微调的方式提升参数的收敛性；后端为长短时记忆（LSTM）网络，基于特征进行剩余使用寿命预测，并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性，实验结果表明：所提模型的平均误差与最大误差分别比传统的卷积神经网络（CNN）低23.38%和15.84%，比传统的LSTM低24.14%和19.01%，比卷积长短时记忆网络（CNN-LSTM）低30.32%和23.09%。     

基于多头注意力的CNN-LSTM的换道意图预测

自动驾驶车辆与传统车辆混行的交通环境中,车辆的换道意图预测能够为自动驾驶车辆安全行驶提供有效保证。为了更准确地预测车辆的换道意图,将多头注意力与卷积神经网络(Convolution neural network,CNN)和长短时记忆(Long-short term memory,LSTM)网络结合,提出一种新型车辆换道意图预测算法。首先对NGSIM(Next generation Simulaion)数据集进行处理,提取车辆横向位置信息和周围环境信息。然后输入基于多头注意力(Multi-headattention)的CNN-LSTM模型,提高对输入序列特征的提取能力和预测精度。最后在NGSIM数据集验证该模型的有效性。试验结果表明,该模型能够从大量数据中提取到重要特征,同时通过特征对比试验发现,横向位置信息作为预测的主要特征,而周围环境信息作为预测的辅助特征。最后通过模型的对比试验得出,该模型的换道意图预测准确率在换道前1s、2s、3s相比于LSTM、CNN、CNN-LSTM模型具有更好的预测精度,可以为自动驾驶汽车设计先进的意图预测算法提供帮助和参考。     

基于频谱分析和卷积神经网络的高速轴向柱塞泵空化故障诊断

针对高速轴向柱塞泵不同空化故障等级诊断依赖人工特征提取、识别准确率低的问题,提出了一种融合振动信号频谱分析和卷积神经网络的诊断方法。采集不同空化等级情况下柱塞泵壳体振动信号,对连续的振动数据进行切片并作频谱分析,获得频谱图作为数据集;利用二维卷积神经网络对不同空化等级的信号频谱图进行分类。为提高所提方法的鲁棒性,采用带通滤波的方法抑制频谱图中的噪声频率。试验结果表明:对于不同信噪比的振动信号输入,均能准确地识别出柱塞泵的空化故障等级。     

基于GRU-XGBoost的风电场功率短期预测

随着风电技术的不断发展,更多的风电机组并入电网运行。考虑到电网的安全性与稳定性,精确的风电场发电短期预测技术越发重要。在利用自适应噪声的完备经验模态分解(CEEMDAN)风电原始序列信号的基础上,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提高模型的预测能力和泛化能力。首先利用CEEMDAN将风电功率原始序列分解为一系列不同时间尺度的分量,将分解后的信号输入GRU神经网络输出预测信号,再输入XGBoost进行校正。通过与多种预测模型进行比较证明此模型拥有更好的预测精度。     

基于多源异构数据的数控铣削表面粗糙度预测方法

针对传统数控铣削表面粗糙度预测模型泛化性差、精度较低等问题,提出了一种基于多源异构数据的数控铣削表面粗糙度预测方法.获取变工艺条件下数控铣削的工艺参数、刀具直径及工件材料等静态数据和振动信号、力信号及功率信号等动态数据;采用粒子群优化算法(PSO)优化卷积神经网络(CNN)的网络结构参数得到PSO-CNN;运用PSO-...     

基于 CNN-GRU 的遥操作机器人操作者识别与自适应速度控制方法

传统空间遥操作系统中从端机械臂的运动速度完全取决于操作者的操作速度。为了提高空间遥操作系统的安全性,提出了一种基于操作者操作速度识别的自适应速度控制方法。结合深度学习的理论,提出了一种基于卷积神经网络(CNN)和门控循环单元(GRU)神经网络的融合模型来对操作者的速度进行识别分类。选取了九位受试者构建操作者速度样本库,将操作者的操作速度分为3类,最终识别准确率达到92.71%;并且在此基础上使用串级PID实现从端机械臂的自适应速度控制。实验表明:该模型对新操作者也可以准确识别,同时该模型准确性优于卷积神经网络和循环神经网络(RNN)的融合模型,实时性优于卷积神经网络和长短期记忆(LSTM)神经网络的融合模型;基于该模型的自适应速度控制可以在保证从端机械臂运动轨迹不变的前提下,降低机械臂的末端线速度,有助于提高空间遥操作系统的安全性。     

基于神经网络的热气机功率预测

为了有效地分析热气机的输出功率与运行条件的，介绍了人工神经网络BP模型、多元回归模型及基于神经网络的组合模型，并将各模型用于热气机的设计阶段预测其输出性能，由实例给出了各模型计算机仿真试验结果，比较了BP算法和组合模型算法的收敛速度，结果表明基于BP网络的组合模型的预测精度最高。     

基于GRU网络的风功率短期预测模型

随着大容量风机并网需求的急速增长,现有电网的安全可靠运行面临着巨大挑战。为解决这个难题,提出一种基于深度学习的风功率预测模型。该模型以GRU网络为核心,将风电场的历史功率数据及功率相关的天气数值数据输入到模型中进行预测。鉴于风功率预测模型输入数据维度高、高波动性等特点,为了让GRU网络模型得到更精准的预测结果,在数据处理阶段引入CNN网络,降低输入数据维度。为了克服训练后的预测模型过拟合,引入了dropout技术。最后,通过实验验证该预测模型在预测速度和精度方面均有良好的表现。