CEEMD-WT和CNN在短期风速预测中的应用研究

由于风速存在随机性和不稳定性,为了提高短期风速预测的精度,提出了一种基于完备总体经验模态分解（CEEMD）、小波变换（WT）和卷积神经网络（CNN）的短期风速预测混合模型。首先,CEEMD算法把原始风速序列分解成一些相对平稳的固有模态函数和一个残差序列;然后,WT算法对每个固有模态函数进行二次去噪,进一步消除噪声对固有模态函数的影响;最后,卷积神经网络对每个固有模态函数、残差序列和影响风速的5个属性训练预测得到各自的预测结果,对所有的预测结果重构得到最终的预测结果。通过实验与其他4个风速预测模型进行比较,所提出的模型预测的绝对平均百分比误差（MAPE）最小,为2.484%,表明在短期风速预测方面CEEMD-WT-CNN模型有较好的性能。     

基于特征分解的短期电负荷组合预测模型研究北大核心

针对现有模型对于电力数据特征挖掘的不够全面,导致预测精度较低等问题,提出基于特征分解的短期电负荷组合预测模型。先深入挖掘电负荷变化的影响因素,运用小波分解(Wavelet Decomposition, WD)将单一信号分解为多频信号使特征多样化,经过相关度分析进行特征筛选,在分解中引入“影响因子”捕捉影响因素变化,引入“残差”降低分解造成的误差;根据筛选后子序列和残差序列特点分别使用带循环滑窗的时间卷积网络(Time Convolution Network, TCN)和长短时记忆网络(Long Short Term Memory, LSTM)模型预测,并对预测结果分权求和,最终得到组合预测结果。实验结果表明,上述模型有效提高了预测精度,降低了误差;在不同数据集下均表现出良好的优越性,证明了模型具有泛化能力。     

基于WOA-BiLSTM模型的空气质量指数预测

空气质量预测工作对于人们的生活日常出行具有非常重要的意义.长短时记忆网络作为一种新型的深度学习循环神经网络,对于时间序列数据表现出良好的预测能力.但是针对神经网络模型在训练过程中一般凭借经验进行参数选择,训练周期长,预测精度低,结果不可靠的问题,本文提出了一种基于鲸鱼优化算法的双向长短时记忆网络模型,即WOA (whale optimization algorithm)-BiLSTM (bidirectional long short-term memory)模型.双向长短时记忆网络凭借其前向和后向的双向网络结构,能够加强序列数据信息的记忆能力,而WOA算法可以依据鲸鱼捕食时气泡网捕食的方法,协助BiLSTM模型在训练过程中找到最优的网络参数.将该模型用于陕西省AQI (air quality index)预测,并分别和BiLSTM、LSTM模型进行对比,发现本文提出的模型预测结果最好, MAE值为6.543 3,R2值达0.989 9.将该模型用于空气质量预测领域具有良好的理论和实践意义.     

基于CNN和MC的水文时间序列预测组合模型

对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。     

时序神经网络算法的短期风速预测研究

采用神经网络对风速进行短期预测,研究BP型短期风速预测网络中BP算法、BP网络构建以及网络训练方法.结合时间序列法和神经网络法提出了时序神经网络预测方法,对短期风速预测网络中输入变量数量和隐舍层节点数量的选择方法进行了探讨.仿真实验结果表明,时序神经网络法建立的网络,训练时间明显缩短,网络输出的预测值与真实的观察值之间...     

深度残差网络结合长短期记忆的脑电波情感识别

针对传统情感识别方法中脑电信号特征提取与辨识困难的问题,本文提出一种基于深层残差网络和长短时记忆网络的情感识别方法。首先,将DEAP生理数据信号进行连续小波变换得到相应的时频谱图;然后对时频谱图进行灰度化和归一化,再将灰度图降维至适当大小;最后将压缩后的时频谱图作为深层残差网络的输入,将DRN学习到的顶层特征进行向量化,并输入长短时记忆网络网络实现情感识别。实验结果表明:提出的CWT-DRN-LSTM模型情感识别准确率达99.23%,标准差仅0.27,相比于其它组合模型在识别准确率方面具有较大优势。     

基于EMD-TCN的云资源预测研究

云计算资源的负载预测有助于数据中心灵活智能地配置资源,保障数据中心安全平稳运行。该文提出一种基于经验模态分解和时间卷积网络的云资源组合预测模型,使用历史的资源负载预测未来的资源需求。对负载进行经验模态分解,以降低原云资源负载序列的复杂度,得到反映原负载序列趋势和变化信息的本征模态分量和残余分量;将这些分量构造后输入到时间卷积网络中进行建模预测。以Google集群数据集中的CPU负载序列为例,将该模型与常用的云资源预测模型进行对比验证。实验结果发现,相比于长短时记忆网络和时间卷积网络,该模型在平均绝对百分比误差指标上降低了36.32%和35.37%,预测精度有了明显提升。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

融合字符结构特征的多任务老挝语文字识别研究

老挝语属于资源稀缺型语言,直接从互联网中获取老挝语文本语料较为困难,老挝语文字识别研究可在有限的图片文本资源中获取更多的老挝语文本语料。在开展老挝文字光学字符识别的研究工作中,针对老挝单字符误切分、上/下位元音以及音调识别位置存在偏差和相似老挝字符的识别问题,该文研究了老挝字符书写等级和下位辅音,提出一种有效融合老挝字符结构特征的多任务字符识别方法。首先,利用深度残差网络提取字符图片中的老挝字符结构特征,通过边框回归矫正单字符包围框;其次,将已矫正切分结果和提取的字符特征作为联合输入,通过双向长短时记忆网络预测老挝字符序列,利用连接主义时间分类对预测结果进行序列对齐;最后,根据老挝字符固定组合优化模型预测结果。实验结果表明：该方法可以精确识别已切分的老挝字符序列,字符错误率指标低至13.06%。     

改进鲸鱼算法构建混合模型的建筑能耗预测

建筑能耗数据具有非平稳和非线性特征,单一预测模型很难对其进行精准预测,提出一种用于建筑能耗短期预测的新型混合模型。利用互补集合经验模态分解方法(CEEMD)将波动性较大的能耗数据分解为一组本征模态函数和一个残差序列;基于反向学习、差分进化算法并引入控制参数对鲸鱼优化算法(WOA)进行改进,有效解决算法早熟收敛与陷入局部最优等问题,提出改进算法UWOA(upgraded whale optimization algorithm);利用UWOA优化Elman神经网络的权值与阈值,优化后的Elman神经网络对本征模态函数和残差序列进行预测并集成,得到能耗预测值。应用CEEMD-UWOA-Elman混合模型对上海某大型公共建筑能耗进行短期预测,结果显示混合模型获得很好的预测效果。     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

基于mRMR和VMD-AM-LSTM的短期风功率预测

为了提高模型预测风功率的准确率,提出了一种基于最大相关-最小冗余筛选、变分模态分解、注意力机制和长短期记忆神经网络的短期风功率预测方法.首先使用变分模态分解算法将风功率序列分解成几个中心频率不同的分量;再对各个分量结合最大相关-最小冗余筛选出的气象特征分别建立注意力机制和长短期记忆混合预测模型;最后将各个分量的预测结果...     

VMD和混合深度学习框架融合的短期风速预测

风速预测是影响风电场效率和稳定性的重要因素.文中基于风速的时空特征,融合变分模态分解(VMD)和混合深度学习框架进行短期风速预测,即VHSTN (VMD-based hybrid spatio-temporal network).其中,混合深度学习框架由卷积神经网络(CNN)、长短时记忆网络(LSTM)以及自注意力机制(SAM)组成.该算法对原始数据清洗后,采用VMD将多站点风速的时空数据分解为固有模态函数(intrinsic mode functions, IMF)分量,去除风速数据的不稳定性;然后针对各IMF分量,应用底部的CNN抽取空域特征;再用顶层LSTM提取时域特征,之后用SAM通过自适应加权加强对隐藏特征的提取并得到各分量的预测结果;最后合并获得最终预测风速.在数据集WIND上进行实验,并和相关典型算法对比,实验结果表明了该算法的有效性和优越性.     

基于CNN-LSTM及深度学习的风电场时空组合预测模型

为了更好地预测风电场的风电功率,提取风电场相邻站点之间时空信息和潜在联系,提出了一种基于卷积神经网络(CNN)、互信息(mutual information, MI)法、长短时记忆网络(LSTM)、注意力机制(AT)和粒子群优化(PSO)的短期风电场预测模型(MI-CNN-ALSTM-PSO)。CNN用于提取不同站点的空间特征,LSTM则用于获取多个站点的风电数据的时间依赖信息,据此设计CNN-LSTM时空预测模型,并结合深度学习算法,如MI特征选择、 AT注意力机制、 PSO参数优化,对模型进一步改进。通过两个海岛风电场的实验数据分析可知,所提模型具有最优的统计误差,CNN-LSTM模型可以高效提取风电场时空信息并进行时间序列预测,而结合深度学习算法(MI、 AT和PSO)后的组合模型能进一步提高风电功率预测精度和稳定性。     

基于LSTM-Prophet非线性组合的时间序列预测模型

目前采用单一预测模型对于复杂的非线性时间序列具有预测精度较低,且不能很好地捕捉时间序列的复合特征的问题,因此本文提出一种基于BP神经网络组合的长短期记忆网络-Prophet(LSTM-Prophet)时间序列预测模型。模型将长短期记忆网络及Prophet这2种预测模型得到的预测值通过BP神经网络进行非线性组合,得出最终的预测值。随后设计实现本文模型与3个单项模型的对比实验,使用3个不同领域的数据集验证本文模型的准确性和有效性。实验结果表明提出的预测模型具有较高的预测精度、较好的通用性和应用前景。     

改进果蝇算法优化CIAO-LSTM网络的时序预测模型

为了提高时间序列的预测精度,提出了一种基于改进果蝇算法优化直连长短期记忆网络的时间序列预测方法。将长短期记忆网络的多个时间步输入与输出进行全连接(CIAO-LSTM,直连长短期记忆网络),增强了对目标系统中线性成分的表征。提出了一种改进的果蝇优化算法(IFOA),通过动态改变果蝇的搜索半径和对适应度函数增加逃脱系数,提高了果蝇优化算法的全局寻优能力和局部收敛速度。使用IFOA优化CIAO-LSTM网络参数并构建预测模型(IFOA_CIAO-LSTM)。实验结果表明,优化后的时序预测方法相比传统的长短期记忆网络泛化能力更强、预测精度更高,对于波动较大的数据可以实现更好的拟合。     

短时公交客流的弦不变量预测方法

短时公交客流预测是智能公交系统动态调度的基础.文中根据短时公交客流数据特性,提出基于弦理论的短时公交客流预测方法,模拟弦结构建立弦不变量客流预测模型(SI-PFPM),并采用遗传算法优化SI-PFPM中各参数.提出基于动态时间弯曲距离的仿射传播(AP)聚类算法,对短时公交客流时间序列进行聚类分析.利用SI-PFPM预测聚类子集数据,并分析预测残差,验证SI-PFPM可以预测短时公交客流的假设成立.最后将SI-PFPM的预测性能与现有方法进行对比分析,验证SI-PFPM对短时公交客流预测的有效性.     

基于多元时间序列分析的控制系统执行器故障诊断方法研究

为提高控制系统执行器故障实时诊断的准确率,该文提出一种基于多元时间序列分析的控制系统执行器在线故障诊断方法。首先分析了控制系统执行器故障机理,确定了表征执行器故障的关键信号;其次采用执行器历史数据,建立了时间卷积网络(TCN)在线预测模型,对执行器多通道信号进行在线预测;随后通过长短期记忆网络(LSTM)对多通道残差信号建立了故障分类模型;最后以燃气轮机控制系统执行器半物理试验平台中的电液执行器为例进行了多次重复试验验证。结果表明,基于TCN网络的在线预测模型相比传统循环神经网络(RNN)预测误差较小;基于LSTM网络的故障分类模型准确率较高;通过LSTM网络对多通道残差信号进行故障分类,比对原始故障数据分类故障准确率更高。     

计及光伏及风电并网的电力系统短期负荷预测

为提升光伏、风电等分布式能源大量接入电网后短期电力负荷的预测精度,促进电网消纳能力提升,本文对光伏出力及短期用电负荷采用小波——径向基函数(RBF)神经网络预测方法;对风力发电首先利用总体平均经验模态分解(EEMD)方法对其功率数据分解,再采用BP神经网络、RBF神经网络、小波神经网络、ELMAN神经网络四种神经网络预测方法进行预测,并用粒子群算法(PSO)和灰色关联度(GRA)修正。最后,利用等效负荷的概念,分析光伏、风力发电并网对于短期电力负荷预测的影响,并将三种模型有效结合,得到了考虑光伏及风力发电并网的电力系统短期负荷预测的等效负荷预测模型。实例分析表明,本文所提方法相较于其他方法在该预测项目上具有相对更高的预测精度。