基于长短期记忆神经网络的地表太阳辐照度预测

针对地表太阳辐照度(GHI)短期预测问题,提出一种基于长短期记忆神经网络的短期太阳辐照度预测模型.采用递归结构的训练样本,以保证训练样本内部的时间耦合性.为验证所提模型预测GHI的有效性,采用算例与传统人工神经网络模型预测结果进行对比分析.结果表明:基于长短期记忆神经网络预测模型将均方误差降低88.48％,表明所建模型...     

基于长短期记忆网络的船舶主柴油机性能预测

为预测船舶主柴油机的整体性能,提出一种结合马氏距离和长短期记忆网络(LSTM)的性能预测方法.选取20个常规热力参数作为柴油机的性能参数,引入马氏距离度量不同时刻柴油机的性能退化程度,并归一化为性能指标(PI)序列,以直观描述柴油机的性能退化过程.建立三层LSTM网络模型,分别采用单步法和多步法预测性能指标序列,从而实...     

基于随机森林与长短期记忆网络的电力负荷预测方法

电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型。首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果。使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。     

基于长短期记忆网络分位数回归的短期风电功率概率密度预测

针对风电功率确定性的点预测无法对预测结果进行风险评估以及现有静态预测模型难以描述风电功率长期相关性的现象,提出一种基于长短期记忆网络分位数回归(LSTMQR)的短期风电功率概率密度预测模型.该方法首先使用LSTMQR得到不同分位点下未来风电功率的预测结果;其次采用高斯核函数,将LSTMQR与核密度估计(KDE)相结合,...     

基于EMD和长短期记忆网络的短期电力负荷预测研究

针对电力负荷非线性、非平稳性、时序性等特点,提出了一种基于EMD-LN-LSTM的短期电力负荷预测模型。利用经验模态分解(EMD)将经数据预处理之后的原始电力负荷数据分解为有限个内涵模态分量(IMF)和一个残差分量,以降低负荷序列的非平稳性和复杂度。将分解后的各分量分别输入到长短期记忆网络(LSTM)中进行预测,同时利用层标准化(LN)对LSTM进行规范化处理,优化网络模型。对各分量预测值进行重组,求出最终的负荷预测结果。以多伦多真实数据为算例,分别使用EMD-LN-LSTM模型和其他模型进行预测,结果表明:EMD-LN-LSTM模型24 h平均绝对百分比误差相较于RNN模型、LSTM模型分别降低了3.600%、1.864%,而拟合优度均高于RNN模型、LSTM模型,表明该模型能够更好地拟合负荷曲线,具有较高的预测精度。     

基于卷积长短期记忆神经网络的短期风功率预测

提出一种基于卷积长短期记忆神经网络(CNN-LSTM)的短期风功率预测模型.该模型以风电场风功率历史数据以及风速风向等数值天气预报(NWP)数据为输入对风功率进行预测.首先,利用主成分分析法(PCA)对原始多维气象数据变量进行预处理,然后将处理过的气象数据和历史风功率数据通过卷积网络实现对数据的特征提取和进一步的数据降...     

基于多尺度卷积双向长短期记忆网络与注意力机制的滚动轴承剩余寿命预测

通过卷积神经网络(Convolutional Neural Network, CNN)处理轴承一维时域或频域信号,难以提取具有代表性的非线性特征信息,且易忽略低层次信息。针对这一问题,基于多尺度特征提取,引入一种特征注意力机制,提出一种基于卷积双向长短期记忆网络(MSAM CNN BiLSTM)的轴承剩余寿命预测方法。基于西安交通大学（Xi′an Jiao Tong University,XJTU）轴承数据集中的3组数据对MSAM CNN BiLSTM、LSTM、CNN LSTM和MSAM CNN LSTM 4种方法的预测误差进行对比分析。结果表明：MSAM CNN BiLSTM方法在3组数据集中的预测误差均小于其他3种方法,说明该模型能同时学习数据中的低层次与高层次信息,可有效提高轴承的剩余寿命预测精度。     

基于遗传算法—优化长短期记忆神经网络的柴油机瞬态NOx排放预测模型研究

为实现选择性催化还原系统（selective catalytic reduction,SCR）尿素喷射量的精确控制,构建并评估了一套利用遗传算法（genetic algorithm,GA）优化长短期记忆（long short term memory,LSTM）神经网络的柴油机瞬态NO_x排放预测模型。针对柴油机瞬态运行特点,选择柴油机NO_x排放的主要影响因素进行相关性分析,确定模型的输入变量;为避免人为选取参数对神经网络预测性能的不良影响,采用遗传算法优化LSTM神经网络的参数,建立预测柴油机瞬态NO_x排放的GA-LSTM模型;最后对预测模型进行了性能测试。结果表明,该模型具有较好的预测能力。     

基于双向长短期记忆深度学习模型的短期风功率预测方法研究

风功率的准确预测对电力系统的规划、调度运行等方面均具有重要意义。该文以风功率预测误差最小为目标,提出了一种基于双向长短期记忆深度学习模型的短期风功率预测方法,包括3层（输入层、隐含层和输出层）网络结构的详细设计以及网络训练过程。输入层负责对原始数据进行预处理以满足网络输入要求,隐含层采用双向长短期记忆单元构建以提取输入数据的非线性特征,输出层提供预测结果,网络训练采用Adam优化方法。在此基础上,基于实际风电场采集数据为算例,对该文所提出模型进行训练与测试,验证了该文所提方法的可行性与优越性。     

基于残差-密集连接-双向长短期记忆融合网络的光伏出力短期预测

光伏出力受随机气象因素的影响而具有极大的不确定性,预测不准将影响配电网系统运行的安全性和稳定性。提出基于残差-密集连接-双向长短期记忆融合网络的光伏出力短期预测模型,按天气类型分类进行模型训练。算例结果表明,所提模型在时间序列预测能力及峰值准确性方面都具有良好的性能。     

基于反演的LS-SVM及其在土石坝沉降中的应用

仿效BP神经网络在反演分析中的应用,利用神经网络模拟LS-SVM参数与计算结果间的关系,提出了反演参数的方法,并将其应用于陆浑水库沉降预测中.通过与神经网络的沉降预测值比较,表明该方法具有较好的可行性以及较高的预测精度,适合于解决土石坝沉降预测问题.     

基于神经网络的土石坝沉降组合模型

采用自适应模糊神经网络建立了土石坝的沉降组合模型,并以某土石坝为实例进行了具体分析应用,将神经网络预测模型与各个子模型进行了对比分析研究。结果表明,该组合模型具有较好的拟合和预报精度。采用模糊神经网络进行组合预报,可以避免常规组合模型难以确定权系数的困难。     

三板溪面板堆石坝主坝沉降资料分析

三板溪水电站大坝监测系统已经正常运行13年,主要采用人工几何水准测量了解大坝变形量和运行状况,对大坝进行沉降变形监测是为了及时掌握大坝的运行状态,如有发现异常情况,及时做出有效措施,确保大坝安全运行.利用沉降观测资料,分析三板溪水库大坝多年的沉降数据,绘制沉降过程线,沉降分布图及测点沉降回归拟合曲线.通过沉降资料分析,...     

基于灰色理论的高面板堆石坝沉降预测研究

基于灰色系统理论,建立了进行高面板堆石坝坝体沉降预测的GM（1,1）模型,并用该模型对公伯峡面板坝的坝体沉降进行了灰色预测,结果表明,运用该模型对高面板堆石坝的坝体沉降进行预测是可行的,预测结果也是较为合理的。     

基于LS-SVM—马尔科夫模型的大坝变形预测

针对单一模型在大坝变形预测中精度不高的问题,提出一种基于LS-SVM—马尔科夫模型的预测方法,即基于LS-SVM模型的预测结果,利用马尔科夫模型对其进行误差修正,从而提高了预测精度。通过对某拱坝变形的预测分析,并与LS-SVM模型预测结果进行对比,发现LS-SVM—马尔科夫模型的预测结果较符合实际情况,该模型具有更高的预测精度和优越性。     

基于遗传和声算法的考虑实际压实质量的土石坝沉降预测模型

鉴于通常采用统计方法预测土石坝沉降时往往假定同一分区的坝料为均质同密度的,但却忽略了实际压实质量差异导致的坝料密度空间分布的不均性问题,利用数字大坝系统实时采集的各坝料分区的压实密度和填筑进度,建立了考虑各坝料分区实际压实质量的土石坝施工期沉降预测回归模型,并利用遗传和声算法对模型的回归系数进行寻优重估,以提高模型的精度。实例应用结果表明,基于遗传和声算法的考虑实际压实质量的土石坝沉降预测模型的计算结果与实际情况更为接近,为土石坝施工期沉降预测提供了一种新途径。     

改进的非等间距GM(1,1)模型在大坝沉降分析中的应用

由于影响大坝监测数据因素多,且数据存在非等间距离散的情况,利用传统非等间距GM(1,1)模型的建模原理,分析了数据拟合与预测精度低的原因,提出了优化背景值的改进非等间距GM(1,1)模型,根据两种模型对施工期堆石坝心墙的沉降观测数据进行拟合和预测。实例表明,改进模型精度较高,更接近观测值,可应用于工程实际中。     

基于RBF-BP组合神经网络模型的特高拱坝混凝土浇筑仓最高温度预测

鉴于混凝土浇筑仓最高温度对特高拱坝温控防裂的重要性,为了实现对混凝土大坝最高温度的有效控制,将BP神经网络、RBF神经网络相结合,选取浇筑温度、施工现场环境气温、浇筑仓层厚、水管布置、通水的水温和流量作为输入矢量,浇筑仓最高温度作为输出矢量,建立一种基于RBF-BP组合神经网络的浇筑仓最高温度预测模型,并将其应用于溪洛渡特高双曲拱坝中。结果表明,基于RBF-BP组合神经网络预测模型可行、有效,且精度较高、收敛速度快。     

基于优化果蝇算法和统计模型的混凝土坝变形预测模型及应用

鉴于构建大坝安全监测模型时传统统计模型拟合精度受样本系列长度、资料可靠性、拟合方法等多种因素影响,提出一种基于优化果蝇算法和统计模型的混凝土坝变形预测模型,利用优化果蝇算法对统计模型各项系数进行优化,以提高统计模型的预测精度。对某混凝土拱坝变形的拟合和预测结果表明,相比于统计模型,基于优化果蝇算法和统计模型的变形预测模型预测精度更高,拟合效果更好。     

基于粒子群-高斯过程回归的高拱坝变形预测模型及其应用

针对高拱坝变形问题,提出应用粒子群算法优化高斯过程回归参数的高拱坝变形预测模型,基于高斯过程回归可将低维非线性关系通过核函数投射到高维线性空间的特点,利用高斯过程回归模型来表征水压、温度、时效等因素与坝体变形之间的非线性关系;同时针对迭代求解高斯过程回归模型的超参数效率低的问题,采用粒子群优化算法全局搜索模型超参数,提高了求解效率。对某高拱坝径向位移的拟合预测结果表明,粒子群优化高斯过程回归模型能较好地表征输入因子与变形之间的关系,预测坝体变形,误差在工程允许范围内,可应用于坝体变形预测分析中。