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Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

基于CHHO优化LSTM的火场环境预测模型研究

准确预测火场环境变化有助于精准掌握火情的发展趋势,保障人员的安全。由于火场环境多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型,因此提出了一种基于改进哈里斯鹰算法的自注意机制长短期记忆网络模型,实现了对火场环境数据的精准预测。首先,将Logistic映射策略、余弦权重因子、高斯扰动策略引入哈里斯鹰优化算法,丰富算法的种群多样性、平衡其全局探索和局部开发能力、提高算法的收敛精度。然后,利用改进后的哈里斯鹰优化算法对自注意机制长短期记忆网络模型中的超参数进行优化,基于优化后的参数对火场环境进行预测。仿真结果表明,基于改进后的哈里斯鹰优化算法的自注意机制长短期记忆网络模型拟合效果更好,具有更高的预测精度。     

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...     

基于改进PSO优化LSTM网络的典型用电负荷模式识别

新能源发电的推广和使用加剧了用电高峰期电网供需矛盾,对电力用户的负荷模式进行识别可以为负荷参与调峰决策提供支持。为提高用电负荷模式辨识准确率,提出一种基于改进粒子群（IPSO）算法优化长短期记忆（LSTM）神经网络的用电负荷模式识别模型。通过引入多样化初始参数、动态非线性权重和淘汰机制等措施,改善了粒子群算法的寻优能力,实现对LSTM的关键参数寻优,确定LSTM神经网络的最优参数组合。实验结果表明,该方法可以有效提高模型的准确率,同时节省模型的训练时间。     

基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法

随着电动汽车的大规模发展,公共充电桩运行数量和充电量逐年增长。然而,充电桩运行始终存在故障频发、运维难度大和维修成本高等问题,并且传统故障检测方法效率低下。因此提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合网络电动汽车充电桩运行状态预测方法,可以实现对电动汽车充电桩运行状况的综合评估。在特征数据输入阶段,对充电桩运行状态的关键指标进行分析,通过CNN提取运行状态影响因素的特征量,再利用LSTM判断和预测充电桩运行状态,从而实现对充电桩潜在故障的预警。试验结果表明,该方法预测准确率高、实用性强,能较准确地反映和预测充电桩的运作状态,可实际用于充电桩故障预测与运维检修。     

融合EMD和LSTM的受热面积灰预测研究

针对锅炉受热面积灰将会降低传热效率和安全性,采用清洁因子作为健康指标来监测锅炉受热面健康状况,并且提出融合经验模态分解(EMD)和长短期记忆网络(LSTM)的模型来预测未来锅炉积灰。经验模态分解可以将时间序列分解为一系列频域稳定的本征模态函数,长短期记忆网络拥有记忆功能,它能够通过学习来挖掘时间序列之间隐藏的长期依赖关系,二者结合,增加了对于时间序列预测的准确度。通过仿真软件验证,该模型对锅炉受热面积灰状况的预测有较为满意的精度,并与两种常用模型进行对比发现,预测精度分别提升了67.7%与59.2%,验证了该模型的可行性与有效性。     

KPCA和改进LSTM在滚动轴承剩余寿命预测中的应用研究

提出了一种基于核主成分分析(KPCA)方法和运用了Dropout策略的长短时记忆神经网络(LSTM)的轴承剩余寿命预测方法.首先,提取了振动信号的有效值、最大值、峰峰值、峭度等14个时域特征指标.然后,利用KPCA方法融合轴承振动信号时域特征指标得到若干的主成分.提取若干主成分之中的第一主成分来评估研究对象的性能退化状...     

基于LSTM网络学习的电动汽车实时能量管理优化策略

对电动汽车负荷进行有序控制可以改善地区电网的负荷特性,降低充电成本.由于无法预测未来电动汽车的准确接入时间及充电需求,故无法对电动汽车的接入进行全局最优安排.针对该问题,提出基于深度长短期记忆神经网络的电动汽车实时能量管理系统及优化策略.首先构建了包括电网层、区域能量管理系统和充电站能量管理系统的电动汽车3层管理架构,对大规模电动汽车进行分层分区管理;然后提出了基于深度长短期记忆神经网络的区-站两级交互策略,利用历史负荷信息求解出的历史最优解训练学习网络,用以指导新的实时优化;提出的策略在保证用户充电需求的前提下,能够进一步降低充电成本,改善区域负荷峰谷特性.最后,通过仿真算例验证了提出的分层架构及管理策略的有效性及优越性.     

电力机器人的自主导航与视觉辅助定位融合方法

为了改进电力作业现场复杂环境下机器人定位精度,提出了一种自主导航与视觉辅助定位融合方法。在激光传感器即时定位与地图构建的基础上,基于视觉图像处理,对机器人位置进行校准,使其能够准确停靠在任务位置。应用结果表明,所提方法能够有效提高机器人定位精度,定位误差小于1 cm。     

基于模糊信息粒化和长短期记忆网络的短期风速预测

针对风速点预测无法对预测结果进行风险评估、区间预测难以满足电网精细化要求,以及现有静态预测方法难以描述风速序列长期相关性的现象,提出一种基于模糊信息粒化(Fuzzy Information Granulation,FIG)和长短期记忆(Long Short-Term Memory,LSTM)网络的动态预测模型。该方法先对风速序列进行模糊信息粒化,提取出粒化后数据的最大值(区间上界)、最小值(区间下界)和平均值。其次采用ADAM算法优化的LSTM网络对各粒化数据进行动态建模,得到能描述风速波动性的区间预测结果和点预测结果。算列表明,所提动态模型的预测效果比其它基本模型的预测效果更好。     

基于改进的LSTM的药品温湿度预测方法

针对医药冷链系统中药品温湿度数据不易诊断的问题,提出一种改进的长短期记忆(LSTM)预测药品温湿度的方法。首先通过插值扩充算法扩充湿度数据集,接着提出一种内含多个LSTM细胞元的LSTM结构,代替传统的迭代预测,随后通过Adam优化算法调整网络参数和改变网络层数降低预测误差,实现对药品温湿度的提前预判。最后在药店冷藏柜中采集到的药品温湿度数据集上进行测试,均方误差(MSE)为0. 036 9。与传统的BP神经网络预测方法和高斯过程混合模型预测方法对比,改进的LSTM药品温湿度预测方法预测更准确。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。     

基于LSTM的智能电网链路质量置信区间预测

为了提升智能电网无线通信的鲁棒性以及链路预测精度,提出了一种基于长短时记忆网络的智能电网链路质量置信区间下限预测方法.文中分析了智能电网的通信需求和无线链路的特点,根据分析结果,采用小波去噪算法将信噪比时间序列分解为确定性部分和随机性部分,将确定性部分输入到两层长短时记忆神经网络进行预测.计算随机部分的方差时间序列,作为另一个两层长短时记忆神经网络的输入进行预测,分别预测确定性部分和随机部分的方差,计算置信区间边界.实验结果表明提出方法具有更好的鲁棒性以及预测精度.     

基于LSTM模型的四川省建筑业电气化率预测研究

伴随着建筑总量的不断攀升,建筑电气化已经成为中国建筑业实现“双碳”目标的关键所在。针对现有文献较少关注建筑电气化率测算和预测的不足,结合建筑电气化率的定义,从建筑业终端电气化率和建筑业终端运行电气化率两个方面构建了测算公式。在完成2010—2020年四川省建筑电气化率测算的基础上,运用长短期记忆模型,对2021—2030年四川省建筑电气化率进行了预测。研究结果可为四川省建筑业电气化水平的评估及其“双碳”方案的实现提供有益参考。     

基于LSTM神经网络的风电场集电线路单相接地智能测距

为解决风电场多分支、混合短线路中难以查找故障点的问题,提出一种基于长短期记忆(LSTM)神经网络的风电场集电线路单相接地智能故障测距方法.首先,读取集电线路首端测量装置的电气量信息.其次,采用全相位快速傅里叶变换(apFFT)相位差校正法构建了风电场单相接地短路时的故障特征集合.然后,归一化风电场集电线路的故障数据,并...     

基于遗传算法的改进谐波平衡算法

针对标准谐波平衡算法存在迭代收敛慢,计算量大的问题,采用遗传算法所具有的隐含并行性、全局解空间搜索特性,以及其优化过程不受限制性条件约束的优点,提出了引入遗传算法加速其收敛过程的改进谐波平衡算法。通过将遗传算法的随机自适应优化过程与标准谐波平衡算法的迭代运算过程相结合,简化了标准谐波平衡算法迭代计算的过程,提高标准谐波平衡算法的收敛速度和计算精度。并采用该算法对Duffing-VanDerPol方程的进行了求解,得到了该方程的近似解析解,通过与Runge-Kutta法所得数值解相比较,两者的一致性较好,表明了该算法的有效性。     

二次分解组合 LSTM 的短期风电功率预测模型

随着风电在电力系统中的占比逐步提高,风电功率的精确预测对电力系统的安全稳定运行具有重要意义。然而,风电的随机性和间歇性极大地影响其功率的精确预测。为此,提出二次分解组合长短期记忆(LSTM)的短期风电功率预测模型。首先,采用经验模态分解(EMD)技术将原始风电序列分解为若干固有模态分量;再采用样本熵(SE)技术将各分量重组为高、中、低频3个序列,针对高频模态混叠再次采用麻雀搜索算法-变分模态分解(SSA-VMD)二次分解技术;最后,采用SSA算法对LSTM的参数进行寻优并完成风电功率预测。以湖北省某风电场对所提模型进行验证,并与其他模型进行对比。结果表明,所提模型的平均绝对误差(MAE)为5.79 kW,均方根误差(RMSE)为5.64 kW,平均百分比误差(MAPE)为17.38%,具有更好的预测精度。