融合IndRNN和PSO的随钻测井数据反演方法

针对传统的反演方法过于其依赖初始模型, 导致结果不稳定与计算效率低的问题, 提出一种融合独立循环神经网络和粒子群优化算法的随钻测井实时反演方法. 首先, 通过地层模型正演模拟产生的序列数据, 建立独立循环神经网络模型, 并引入注意力机制强调关键特征在随钻测井反演中的作用; 其次, 在粒子群优化算法中引入随机惯性权重提高粒子群算法的全局和局部搜索能力, 利用粒子群优化算法对神经网络模型进行超参数优化; 最后, 在正演模拟测试集与某油田1931–2132 m段的测井数据测试集上分别进行消融实验与对比实验, 结果证明, 粒子群算法与注意力机制可以有效提高预测精度, 且该方法在各个方面的反演性能均优于长短期记忆神经网络、双向长短期记忆神经网络以及门控循环单元网络模型, 满足随钻测井数据实时反演的需要.     

18650型锂电池荷电状态的估计

锂电池状态的准确估计,能够延长电池的使用寿命和减少安全事故的发生。为提高BP神经网络估计锂电池荷电状态的精度,提出一种使遗传粒子群算法有目的性的优化BP神经网络初始权值的改进方法。该算法引入K均值算法优化遗传粒子群算法初始粒子分布的随机性带来的误差问题,寻找BP神经网络算法初始权值的权重分配与输出误差的关系,在遗传粒子群算法随机产生的粒子群中进行最优粒子群选优,以降低误差。通过对采集到的18650型锂电池的充放电数据和未改进遗传粒子群算法优化的BP神经网络训练产生的200组BP神经网络的初始权值数据的研究分析,得到具有锂电池特性的BP神经网络的初始权值特征公式。并用MATLAB和FPGA联合仿真验证了改进BP神经网络方法的可行性。该方法也优化了遗传粒子群算法,减小了初值不确定带来的误差。     

基于LSTM-Attention的锂电池SoC预测

电池荷电状态（State of Charge,SoC）对新能源汽车安全行驶非常重要。文章提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）和注意力机制（Attention）的锂电池SoC预测方法。该方法将电池放电电流、电压、温度等电池工作历史参数作为输入，通过在LSTM神经网络中训练，并在LSTM神经网络中引入注意力机制，聚焦对当前SoC影响更大的历史参数，实现更为精确的锂电池SoC预测。实验证明，本方法比LSTM神经网络具有更好的预测性能，有较好的应用前景。     

基于模型的锂离子电池健康状态预测

健康状态预测对于锂离子电池安全高效的使用至关重要。提出并建立了一种锂离子电池集总参数模型,在对模型的适应性验证的基础上,设计了一种粒子滤波算法来预测锂离子电池健康状态。通过对放电终止时间的仿真和实验表明,粒子滤波算法能对锂离子电池健康状态给出正确的预测。     

基于自注意力和GRU的锂电池健康状态估计

为了解决锂离子电池使用中特征提取数据不足和模型需要大量历史数据的问题,通过分析锂离子电池使用中的数据,提出了放电过程中基于Self-Attention-GRU的锂离子电池健康状态估计方法。在没有历史数据的锂电池上使用相同型号锂电池历史数据训练的模型估计电池健康状态;拥有一定量老化数据后,使用锂电池自身的老化数据训练模型估计电池健康状态。提取放电过程的等压降放电时间、电压均方根和放电功率作为健康因子,利用融合自注意力机制的门控循环单元建立健康因子和健康状态(SOH)之间的映射关系。使用4组CALCE电池老化数据进行实验验证。模型在20%老化数据作为训练集时MAE和RMSE分别达到1.03%和1.25%;在30%,40%老化数据和相同型号电池全部老化数据作为训练集时模型的MAE和RMSE都小于等于1%。说明该方法在估计锂离子电池健康状态估计方面具有较高的精确性和可靠性。     

基于CNN_BiLSTM网络的入侵检测方法

网络攻击事件频发,正确高效地检测攻击行为对网络安全至关重要.该方法基于一维卷积神经网络和双向长短期记忆网络引入自注意力机制来检测恶意行为.首先借助随机森林来选择重要的特征作为模型输入以减少输入数据的冗余问题,之后利用一维卷积神经网络和双向长短期记忆网络分别提取空间特征和时间特征,将二者提取的特征"并联"得到融合特征,为...     

基于注意力机制的DDoS攻击检测方法

针对传统DDoS攻击检测中存在准确率低、误报率高、低速率攻击流量难以检测等问题,提出一种基于注意力机制的双向长短期记忆网络的DDoS攻击检测方法.将根据领域知识所提取的明显攻击特征向量与数据预处理后的数据流矩阵进行向量拼接,构成基于注意力机制的双向长短期记忆网络数据输入格式,实现从原始流量的复杂级特征快速聚焦于DDoS攻击的隐含信息.通过CAIDA-2007数据集训练模型,实验结果表明,所提模型与传统机器学习模型相比准确率达到98.9％,检测效果优于其它算法,能够有效实现DDoS攻击检测.     

基于间接健康指标与回声状态网络的航空锂电池剩余使用寿命预测

航空锂电池是飞机的重要组成部分,对其进行剩余使用寿命(RUL)预测至关重要。目前,一般采用锂电池容量作为RUL指标,但在飞机实际运行中,锂电池容量难以准确测量,同时面临长期寿命预测精度的问题。因此,提出一种基于间接健康指标和回声状态网络(ESN)的锂电池RUL预测方法,基于一阶偏相关系数分析方法提取最能代表电池寿命的间接健康指标来代替容量指标,建立间接健康指标预测模型。同时基于深度学习中的ESN,结合粒子群优化算法(PSO)对网络参数进行优化,建立退化预测模型,实现锂电池RUL预测,解决长期预测精度问题。使用NASA电池数据进行实验验证说明,该方法相较于其他方法具有更高的精度、稳定性以及良好的泛化能力。     

融合注意力LSTM的神经张量分解推荐模型

针对结合深度学习模型的协同过滤算法未考虑关联数据的多维交互随时间动态变化的问题,该文提出一种融合时间交互学习和注意力长短期记忆网络的张量分解推荐模型(LA-NTF).通过采用基于注意力机制的长短期记忆网络从项目文本信息中提取项目的潜在向量,然后使用融合注意力机制的长短期记忆网络来表征用户—项目关系数据在时间上的多维交互...     

RF-BiLSTM神经网络在海浪预测中的应用

由于风浪数据的随机性, 复杂性, 影响因素多, 多为时间序列的特点, 造成了传统预测模型预测难度大, 精确率低, 构建了基于随机森林的注意力机制与双向长短期记忆神经网络相结合的海浪预测模型. 该模型对输入进行优化, 可以使用过去和未来的数据信息进行预测, 提高了海浪波高的预测精度. 该模型利用随机森林对输入变量筛选优化, 降低网络复杂度, 然后将注意力机制与双向长短期记忆神经网络相结合建立预测模型, 并利用实际数据进行验证. 结果显示, 和BP, LSTM, BiLSTM模型比较, RF-BiLSTM模型的预测精度更高, 拟合程度更好, 在海浪数值的预测预报中有重要意义.     

基于免疫遗传算法的动力电池SOC估计研究

锂离子动力电池SOC（电池荷电状态）难以直接测量且由于高度非线性所导致估计误差较大。为了减少动力电池SOC估计误差,提高估算精度。在分析了锂离子动力电池电压、温度、电流和放电电量对电池SOC影响后,提出一种新颖的免疫遗传算法（Immune Genetic Algorithm,IGA）和BP神经网络相结合的锂离子动力电池SOC值联合估计方法,该方法首次使用在锂离子动力电池SOC值估计中,采用新颖的免疫遗传算法通过对BP神经网络进行参数寻优,优化网络结构模型,增强神经网络自适应学习效率。通过仿真和动力电池实际工况下实验,结果表明使用新颖的联合估计算法提高了网络的运行效率和电池SOC值估计精度,估计均方根误差控制在2%以内,验证了这一联合估计算法的可行性和有效性,解决了动力电池SOC值估计误差较大的问题。     

基于卷积神经网络与双向长短时融合的锂离子电池剩余使用寿命预测

针对锂离子电池剩余使用寿命（remaining useful life,RUL）传统预测方法的精确度与稳定性较低等问题,融合卷积神经网络（convolutional neural network,CNN）和双向长短期记忆（bidirectional long short-term memory,BiLSTM）神经网络的...     

改进PSO-RBF算法的锂电池额定容量实时估计

针对在实际工况下对锂离子电池额定容量进行估计时,数学建模困难、内部参数测量复杂、模型自适应性差等问题,提出一种对粒子群聚类算法的参数组合进行优选并结合优选结果对径向基函数(RBF)神经网络进行改进的方法,以实现对锂电池额定容量的实时估计。将电池额定容量的影响因素划分为内部退化因素和特性影响因素,通过分析电池内部退化规律的相关性,进行剩余寿命预测;结合电池健康状态影响因素(温度、充放电倍率),进行动态额定容量标定。实验结果表明,改进的RBF算法预测结果平均误差约为2.1%。     

基于改进神经网络算法的医疗锂电池PHM系统设计

针对医疗电子设备锂电池不确定性发生故障耽误病人救治的问题,提出了一套医疗电子设备锂电池故障预测与健康管理系统(Prognostics and Health Management-PHM);搭建了一套医疗电子设备锂电池数据测试与退化状态模拟的实验平台;为了反映医疗电子设备锂电池健康状态,将锂电池四个健康因子作为医疗电子设备锂电池退化状态的特征进行提取,并通过非线性自回归(Nonlinear Autogressive with Exogenous Inputs-NARX)神经网络,对四个健康因子的数据进行训练,训练后用于容量估计,得出等间隔放电时间序列能够较好地表征锂电池健康状态;为了提高基本粒子滤波算法(Particle Filter-PF)的精度从而更精确地预测锂电池剩余寿命(Remaing Useful Life-RUL),通过人工免疫粒子滤波算法(Artificial Immune Particle FilterAIPF)与经验模型对锂电池进行剩余寿命预测,并将PF预测的结果与AIPF预测的结果进行对比,发现AIPF预测更加准确,说明AIPF有效抑制了PF重采样过程中粒子退化问题,验证了医疗电子设备锂电池故障预测与健康管理系统的可行性与可实施性。     

锂离子电池剩余寿命预测方法研究综述

电池故障预测和健康管理(Prediction and Health Management, PHM)评价的主要方法是确定电池的健康状态和剩余使用寿命(Remaining Useful Life, RUL),以此保证锂离子电池安全可靠地工作和实现寿命优化。锂电池RUL预测不仅是PHM中的热点问题和挑战问题,其预测方法的准确性也会直接影响电池管理系统(Battery Management System, BMS)的整体性能。介绍了单体电芯测评标准,对影响锂电池循环寿命的主要因素进行详细分析。简述电池日历寿命和循环寿命。概括和总结了近几年锂离子电池剩余寿命预测方法,比较不同方法的优缺点。提出了当前实际应用中预测锂电池RUL仍存在的关键问题并进行探讨。     

基于卷积自编码神经网络的锂离子电池健康状况评估方法研究

目前锂离子电池已被广泛用作能量存储系统,在手机、电动汽车和飞机中均有广泛的应用。然而锂离子电池在使用过程中存在一定的危险性,若不能及时对电池健康状态评估（SOH）发现危险将会导致十分严重的后果。因此,研究一种基于卷积神经网络的锂离子电池健康状况评估方法,该方法通过使用卷积自编码神经网络对电池状态数据进行特征提取,有效提升了评估的准确率,并且神经网络能够在使用过程中不断进行学习,具有较高的灵活性,最后通过使用NASA公开的锂电池数据集测试,评估准确率达到93.6%,相比传统方法有较大提升。     

基于布谷鸟算法优化BP神经网络的锂电池健康状态预测

锂电池健康状态(SOH)的预测是电动汽车锂电池管理系统的最重要的关键技术之一;传统的误差逆向传播(BP)神经网络容易使权值和阈值陷入局部最优,从而导致预测结果不精确;结合布谷鸟搜索算法(CS)的全局优化能力,提出一种基于CS算法优化BP神经网络的锂电池SOH预测方法,该方法的核心在于优化BP神经网络的初始权值和阈值,从而减小算法对初始值的依赖;为了验证算法的泛化性,利用美国国家航空航天局开源锂电池数据集6号电池和7号电池进行仿真实验,仿真得到该算法预测SOH的均方根误差(RMSE)分别为0.2658和0.2620,平均绝对百分比误差(MAPE)分别为0.3319%和0.2605%;通过与BP神经网络、粒子群优化的BP神经网络(PSO-BP)、遗传算法优化的BP神经网络(GA-BP)对比,布谷鸟算法优化的BP神经网络(CS-BP)具有更小的预测误差。     

基于MSTSO算法的冷水机组负荷分配模型研究

为降低空调系统的运行能耗,优化冷水机组的负荷分配,首先提出了一种多策略改进的金枪鱼优化算法(MSTSO),引入黄金正弦觅食机制和非线性惯性权重来加强算法对最优解的全局定位能力;通过蜜獾随机搜索策略赋予算法更强的性能以跳出局部最优。接着利用双向长短期记忆网络(BiLSTM)搭建能效预测模型并用MSTSO算法对其初始参数进行寻优从而获得最佳训练效果。最后进一步提出BiLSTM-MSTSO负荷分配模型,对多台冷水机组的负荷进行合理分配与优化。实验结果表明,优化后的BiLSTM预测模型拥有更高的预测精度,MSTSO算法相较其他智能优化算法可以减少更多的能耗并最大化提升冷水机组的运行效率。因此BiLSTM-MSTSO智能模型适用于多冷水机组的能耗预测与优化。     

基于WOA优化概率分布参考点的锂电池故障诊断

锂离子电池凭借其优越的储能性能被广泛应用在许多领域,而随着使用时间增加,锂离子电池的老化加剧容易导致不同程度的故障,因此对锂离子电池进行在线故障诊断至关重要。为了进一步提高故障诊断的准确率和透明性,提出使用连续概率分布证据推理(ER)规则的故障诊断模型,并使用优化方法优化相关参数。首先,从充放电过程中提取能反映电池健康状态(SOH)的特征指标,采用Spearman相关系数分析特征指标与SOH之间的关联来提取健康因子;第二,考虑到电池的故障信息具有不确定性,提出一种基于ER规则的连续概率分布参考点的故障诊断方法,采用高斯分布描述参考点,实现在线故障诊断;第三,设计了一种带约束的鲸鱼优化算法(WOA)优化证据参数,构建GER-W故障诊断模型,使模型故障诊断准确率达到最优;最后,通过分析SOH对故障进行模糊划分,以NASA电池数据集为例验证GER-W模型的有效性,此外还将模型拓展到电池SOH估计中。验证结果表明,GER-W模型对比其他故障诊断方法具有更高准确率且诊断过程更加透明,在SOH估计中也有一定效果。     

基于流模型的缺失数据生成方法在剩余寿命预测中的应用

针对缺失数据生成模型精度低和训练速度慢的问题,本文基于流模型框架提出了一种改进非线性独立成分估计(Nonlinear independent components estimation, NICE)的缺失时间序列生成方法.该方法依靠流模型框架生成模型精度高、训练过程速度快的优势,并结合粒子群优化算法(Particle swarm optimization, PSO)优化NICE生成网络采样的退火参数,训练学习监测数据的真实分布,从而实现对数据缺失部分的最优填补.为进一步拓宽所提方法的应用范围,利用基于流模型的缺失数据生成方法得到的生成数据,通过建立融合注意力机制的双向长短时记忆网络(Bidirectional long shortterm memory with attention, Bi-LSTM-Att)的退化设备预测模型,实现设备剩余寿命的准确预测.最后,通过锂电池退化数据的实例研究,验证了该方法的有效性和潜在应用价值.