融合小波分解和LSTM的目标轨迹预测

随着目前空战武器装备的迅猛发展,对于高空高速大机动目标的轨迹预测越来越占据重要的战略地位。为了解决目前存在的目标轨迹预测不足的问题,本文提出了融合小波分解(wavelet decomposition, WD)和长短期记忆(long short term memory, LSTM)网络的模型来对机动目标的轨迹进行预测。首先,通过小波分解将输入的轨迹时间序列分解为1个低频分量(CD1)和3个高频分量(CA1,CA2,CA3)。然后,利用长短期记忆网络对时间序列处理的优势进行分量预测。最后,将分量预测结果进行重构并与原始轨迹进行对比验证,结果表明所提模型对于轨迹预测具有较高的精确度。为了排除实验结果的偶然性,本文用两组数据进行验证。通过对比实验显示,所提模型与其他两种模型相比预测误差更小。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

一种基于PMU降阶的系统受扰轨迹预测方法

提出了一种基于同步相量测量单元(PMU)量测数据的系统降阶受扰轨迹预测方法。利用正常状态下多个不同时刻的PMU量测数据,通过最小二乘法得到降阶系统的导纳矩阵;系统发生扰动后,在每个保留节点引入非机理负荷模型来反映系统降阶过程中除保留节点外其他各个元件模型参数改变和网络拓扑变化对降阶后网络的影响,修正降阶系统;将辨识出的系统导纳矩阵与虚拟负荷模型结合已知的发电机模型,实现局部时间内的系统受扰轨迹预测。通过对10机39节点系统的仿真研究,验证了该方法的有效性。     

基于门控循环单元神经网络的LED寿命预测方法

LED寿命预测仍存在预测结果准确性不高、预测速度不足等问题。本文提出了一种基于门控循环单元神经网络的LED寿命预测方法,提出利用门控循环单元简化神经网络预测模型,并将模型输入数据的长度设置为变量,使预测过程能够考虑更多的LED历史退化信息;再采集LED流明维持数据作为训练样本,训练寿命预测模型;最后利用训练好的模型对LED进行寿命预测实验,并与其他三种方法进行对比。实验结果表明,本文方法具有更高的预测准确度和更快的预测速度,且具有良好的鲁棒性。     

一种基于PMU降阶的系统受扰轨迹预测方法

提出了一种基于同步相量测量单元（PMU）量测数据的系统降阶受扰轨迹预测方法。利用正常状态下多个不同时刻的PMU量测数据,通过最小二乘法得到降阶系统的导纳矩阵;系统发生扰动后,在每个保留节点引入非机理负荷模型来反映系统降阶过程中除保留节点外其他各个元件模型参数改变和网络拓扑变化对降阶后网络的影响,修正降阶系统;将辨识出的系统导纳矩阵与虚拟负荷模型结合已知的发电机模型,实现局部时间内的系统受扰轨迹预测。通过对10机39节点系统的仿真研究,验证了该方法的有效性。     

基于神经网络的风电功率预测与模型优化方法

精准的风电功率预测是电力的合理调度的重要依据和电力系统的平稳运行的重要保证。本文提出了组合残差网络和门控循环单元的风电功率预测模型。该模型使用残差网络提取风电数据的多维非线性特征,之后将特征向量时序化并作为门控循环单元网络的输入。残差网络将前面的时序特征与当前时刻的特征相结合,可以取得比普通卷积网络更好的非线性时序特征。门控循环单元网络比传统的长短期记忆网络有更简单的结构和更高的预测精度。本文通过实验的方法优化了所提出的模型中残差块的个数和门控单元的个数。在法国La Haute Borne风电场的风电数据上的仿真实验表明,本文提出的方法具有令人满意的预测精度。     

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)、全连接神经网络(NN)的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量...     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于GPS的弹道修正弹落点预测算法误差分析

利用GPS进行弹道测量进而预测落点偏差是弹道修正弹采用的一种常用方法,GPS测量误差对基于GPS的落点预测算法精度有直接影响,该文以摄动落点偏差预测算法为例分析了GPS误差对弹道修正弹落点预测算法误差的影响,确定了GPS误差引起的落点预测算法误差标准差与极限误差求解方法,这可为合理利用基于GPS的落点预测算法提供参考。最后进行的仿真实验表明,GPS误差是落点预测算法误差的主要来源,落点预测算法随机误差分布在GPS误差引起的落点预测算法预测误差极限误差内。     

基于改进型LSTM的电力设备温度预测方法研究

实现电力设备温度的准确预测对于保障电力系统安全和提高维修效率具有重要意义.传统预测方法无法满足高精度的预测要求,提出一种基于改进型长短期记忆(long short-term memory,LSTM)神经网络的电力设备温度预测方法,利用去池化的卷积神经网络(convolutional neural networks,CN...     

基于时序分解与深度学习的堆石坝变形预测

堆石坝变形监测数据是一种时间序列数据,可以用时序预测模型挖掘其规律并进行预测。本文利用时序预测模型提出一种堆石坝变形预测方法,该方法首先采用时间序列分解（seasonal-trend decomposition procedure based on loess,STL）将堆石坝变形监测数据分解为趋势项、周期项和不规则波动三部分,再使用经验模态分解（empirical mode decomposition,EMD）对不规则波动平稳化处理,最后利用长短期记忆网络（long short-term memory,LSTM）预测分解后的序列,并利用贝叶斯优化方法进行超参数优化。为评估该方法的预测效果,以水布垭面板堆石坝为例,通过控制训练时长、预测时长、离群值数目等变量进行多组仿真实验,并与其他时序预测模型对比。结果表明该方法预测精度较高,适用性较广,对于堆石坝的性状评估具有一定的应用价值。     

基于LSTM的风矢量预测方法

从特征工程角度对风速与风向间的相关性进行分析,结果表明,风速与风向包含的特征信息不同,可以同时将其作为输入变量,用于训练模型。该结果也为输入变量时间长度的选择提供了依据。将风速分解为东西及南北方向2个正交的一维变量,以防止多维变量增加方法复杂度。采用长短时记忆神经网络(LSTM)分别对2个方向风速训练预测模型,并将预测结果还原为风速与风向预测数据。实验结果表明,所提方法能够更好地捕捉风速与风向中的信息量,在风速与风向的预测误差分别小于1.0 m/s和5°时,预测准确率可达到90%以上。     

基于GRU神经网络的脉搏波波形预测方法研究

随着生活水平的提高,人们对健康的关注度越来越高,尤其是适应快节奏生活的手环等便携式生理监测设备,备受人们青睐。光电容积脉搏波描记法(PPG)作为一种无创人体脉搏采集手段,被广泛应用于此类设备中。人体脉搏中包含很多生理信息,如血压、血糖、动脉硬化等,为了对这些信息进行提取和分析,目前主要采用机器学习的方法,通过提取脉搏波中的特征点计算特征参数进而建立生理参数模型。但此类方法需要大量且长期的脉搏数据,用于提高生理参数模型的精度,而长期的数据采集受环境限制较大且与便携式生理监测设备设计理念冲突,并且对脉搏波预测的研究存在空白。针对此问题,本文使用Colaboratory建立GRU神经网络模型与LSTM网络模型分别对脉搏波数据进行预测,并对影响模型性能的主要参数进行对比调参。而由自动化机器学习工具AutoML＿Alex针对脉搏波数据分析并择优建立的LightGBM网络可以作为具有参考价值的基线模型。通过以上3个模型针对从不同个体采集到的大量脉搏波数据进行建模,对比其平均绝对百分比误差MAPE,LSTM为0.879%,单层GRU为0.852%,LightGBM为0.842%,4层GRU模型为0....     

Detection in alpha-stable noise environments based on prediction

In this paper we consider detection of baseband signals in partial response signalling (PRS) systems in the presence of additive, coloured noise. The additive noise in the system is a mixture of Gaussian noise and impulsive noise modelled as an alpha-stable process. The dependence in observation samples results from the excess bandwidth in the matched filters of the receivers. The detectors proposed are based on a noise estimation–cancellation technique. In particular, by exploiting past decisions as well as past received samples, we estimate the noise and subsequently cancel it. We adopt two approaches for designing predictors: in the first we use a minimum mean square error (MMSE) criterion and we employ Volterra filters as predictors; in the second we use the minimum dispersion (MD) criterion and we limit our attention to linear predictors. The effects of the predictor order, the number of exploited samples and the filtering allocation on the system performance are examined through Monte Carlo simulations. It is demonstrated that the proposed detectors, while having simple structures, offer substantial performance improvements over conventional detectors. © 1997 John Wiley & Sons, Ltd.     

一种炮弹射程偏差预测方法的精度分析

射程预测精度是衡量弹道辨识系统的重要指标,直接影响弹道修正引信的工作性能。基于比较名义弹道与实际弹道在上升初始段的水平距离来实现对弹丸射程偏差的预测算法,为了评估其辨识精度并为辨识系统设计提供理论依据,本文提出一种利用Matlab/Simulink模块对其进行建模仿真的方法。建立弹道数学模型,获取仿真初始参数及随机测量误差,运用Simulink模块生成仿真模型。仿真结果表明该射程预测方法预测误差为0.838%,可以作为弹道修正引信的弹道辨识方法。     

基于LSTM神经网络的流域污染物通量预测

针对流域水文和污染物迁移转化过程模型受限于模型初始条件、边界条件、数值分辨率、参数敏感等及现有的深度学习模型对污染物通量时间序列数据解析缺少物理机制的问题,提出了基于长短时记忆神经网络(LSTM)的流域污染物通量预测模型。借助深度学习框架Keras,构建了多变量时间序列预测模型。选择气象数据作为流域产汇污过程的驱动因子、前期降雨量作为表征流域土壤干湿程度的指标,基于以上指标在不同降雨强度、月份、水文期的污染物通量的差异性分析,确定了模型的输入端特征;使用基于LSTM的时间模拟器识别了历史数据间的固有特征及输入特征间的复杂非线性关系;通过基于该模型的流域污染物日通量模拟值和实测值的比较,以及与流域分布式水文和污染物迁移转化过程模型(SWAT模型)的对比分析,评价了模型的预测性能,分析了不同输入特征的贡献率,验证了使用该模型预测流域污染物通量的可行性。该预测模型可为流域污染物通量预测提供一种新的思路。     

基于改进混沌时间序列的风电功率区间预测方法

风电功率区间预测是预测给定置信水平下风电功率的上限和下限,可以反映风电功率的变化范围,为调度提供有效的辅助信息。考虑风电功率的混沌特性,提出了基于改进混沌时间序列的风电功率区间预测方法。由于风电功率具有强间歇性和波动性,传统的混沌时间序列方法在风电功率区间预测中难以获得好的聚类效果和高的预测精度,影响了功率区间预测的结果。引入蚁群聚类算法和支持向量机,利用蚁群聚类算法的强搜索能力和支持向量机的强预测能力对传统方法进行改进,获得了更好的区间预测结果。将改进方法应用于英国和德国风电场的风电功率区间预测中,对比分析改进方法与基于神经网络的功率区间预测方法和传统方法在不同置信水平下的预测结果,验证了所提改进方法的有效性。     

基于模态级数法和轨迹灵敏度的励磁调节器参数优化

基于模态级数法及轨迹灵敏度分析的励磁调节器参数优化方法通过模态级数法得到较精确的系统状态轨迹的封闭解，利用数值微商算法得到系统的轨迹灵敏度，即目标函数的梯度信息，再应用共轭梯度技术优化励磁调节器参数。模态级数法考虑了系统非线性模式的影响，所得状态轨迹解逼近时域仿真结果，所以该方法能有效地阻尼系统受到大扰动后的振荡。通过算例可验证该方法的有效性。