融合多元时空信息的Informer-AD大坝变形预测模型

针对大坝变形时间序列预测问题，考虑多测点变形相关性，建立变形量时空多维输入矩阵，提出一种基于K-means聚类融合多元时空信息的Informer-AD大坝变形预测模型。首先，采用K-means聚类对变形测点进行分区；其次，引入面板数据回归模型分析分区结果；最后，提出融合多元时空信息的Informer-AD大坝变形预测模型。利用该模型对空间特征序列进行学习，通过全连接层整合空间特征，输出预测的大坝变形值。将上述预测模型运用于CT混凝土重力坝，结果表明，本文所提出的考虑时空关联性的预测方法充分挖掘大坝变形整体性态与测点空间分布特性的关系，能够更好地捕捉变形时空特性，进而提高预测精度。     

耦合时空相关特性的大坝变形动态监控模型

大坝变形性态是多种因素长期共同作用的结果,其演变模式包括时间和空间两个维度。然而,当前大坝变形智能建模较少综合考虑时空二维特征,原型观测资料中蕴含的大量时空信息亟待进一步挖掘。针对该问题,本文从单测点时序相关性和多测点空间关联性出发,提出构建一种耦合时空两个维度相关特性的大坝变形动态监控模型。该模型将门控循环单元（gated recurrent unit,GRU）神经网络作为核心层,建模学习历史变形数据内在时变规律,通过迭代提取有效变形因子来构造空间维度特征,并引入软注意力机制改进GRU隐藏状态的概率权重分配规则,实现对关键信息的自适应学习。以丰满混凝土重力坝多测点变形监测数据为例,验证了该模型的有效性。结果表明,所提出的监控模型能准确模拟大坝变形动态演变过程,且与常规监控模型相比,其外推预测精度更高,为大坝安全监控提供了新的方法和手段。     

NGO-GPR与投影寻踪联合驱动的大坝变形预测模型

建立准确可靠的变形预测模型对保证大坝安全运行至关重要，然而现有监控模型难以兼顾海量监测数据的多维度时空关联特性，不能有效反映大坝整体和区域性变形性态。为此，引入考虑测点综合距离的层次凝聚聚类和投影寻踪法，深入挖掘坝体位移场海量监测数据中的关联信息，得到反映分区多测点变形特征的融合变形序列；提出一种由北方苍鹰算法优化的高斯过程回归，以此建立分区多测点融合变形预测模型，并依据拉依达准则构建预测结果的置信区间。结合工程实例，探究了不同核函数对模型预测精度的影响；通过对比分析，验证了本文方法对比几种常规模型具有更高预测精度和适用性，且能对预测结果的可靠程度进行估计，对大坝变形性态的安全监测具有一定工程应用价值。     

大坝变形预测的最优因子长短期记忆网络模型

面对海量的大坝安全监测数据,快速合理地确定大坝变形预测模型的变量因子能够有效提高模型预测的效率和精度。为此,本文提出一种基于最小绝对值收缩和选择算子（least absolute shrinkage and selection operation,LASSO）变量选择和长短期记忆（long short-term memory,LSTM）网络的大坝变形预测模型。首先,通过大坝变形机理分析确定影响大坝变形的相关影响因子集。然后,通过LASSO算法剔除不显著的因子,筛选出最优影响因子作为模型输入变量,并利用LSTM网络建立大坝变形预测模型。最后,以皂市水利枢纽工程的碾压混凝土重力坝为例,对本文方法进行了验证和讨论。结果表明,本文方法具有较高的预测精度,其平均绝对误差（MAE）、均方误差（MSE）与均方根误差（RMSE）均相对较小;与常规预测模型相比,基于LASSO算法的变量选择使模型建立过程更加简单高效,有利于海量监测数据的处理分析。     

基于时间注意力机制的大坝动态变形预测模型

构建高精度的变形预测模型对于大坝风险评估及防治措施制定具有极其重要的意义。传统的大坝变形预测模型鲜有针对大坝的变形滞后性特点以及变形特征因子的影响性分析与评估,这会对模型的预测精度造成较大的影响,并导致模型缺乏可解释性。针对上述问题,本文提出一种结合时间注意力机制的门控循环单元神经网络（GRU）架构。首先通过卡尔曼滤波（Kalman Filter）对原始大坝变形数据中由于监测器异常导致的随机噪声与异常值进行处理。其次,利用随机森林（RF）对各变形特征因子的重要性进行分析和评估,筛选模型输入的特征因子。最后,针对大坝变形的滞后性,利用时间注意力机制进一步提高GRU模型对时间维度上的动态特征关注度,增强模型对时间维度信息的自适应学习能力,且对时间注意力进行可视化进一步提高了大坝变形预测模型在隐藏状态阶段上的可解释性。通过工程实例研究结果表明,卡尔曼滤波在大坝变形监测中确实存在一定适用性,同时本文所提出的耦合时间注意力机制的变形预测模型有着较高的预测精度,对于预测过程中的隐藏状态层级有较强的解释性,并揭示了温度与水位因素对大坝变形的长期影响,为大坝变形安全监测提供了一种新的有效方法。     

大坝监测数据多维度LSTM异常检测与恢复

大坝安全监测是大坝安全的重要保障，对监测数据进行异常检测与恢复可有效避免对大坝状态的错误估计和判断，具有重要现实意义。近年来基于深度学习方法的大坝监测数据异常检测受到广泛研究，但现存方法存在数据利用不足、信息挖掘不充分等问题。因此，本文提出一种多维度LSTM异常检测与恢复方法，该方法用LSTM输入多个测点的大坝监测数据对单测点数据进行预测，有效利用了不同测点间的相关信息；最后利用拉依达准则对目标测点进行异常检测。本文利用大渡河瀑布沟水电站真空激光准直监测数据进行案例验证，通过与单维度的LSTM异常检测与恢复方法相比较，验证了所提方法能有效地检测数据异常和预测恢复正常数据，是一种有效的大坝监测数据异常检测与恢复方法。     

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CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于CNN-LSTM混合神经网络模型的NOx排放预测

为了充分挖掘电站锅炉NO_(x)排放数据中时序性特征联系,提高NO_(x)排放预测精度,提出一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的NO_(x)排放预测方法。以某300 MW电站锅炉历史数据为样本,采用K-means聚类方法对NO_(x)排放训练样本集进行分组,再基于CNN网络的卷积层和池化层提取NO_(x)排放变量的高维映射关系,构造高维时序特征向量,将抽象化的特征集输入到LSTM网络,通过训练LSTM网络参数建立基于CNN-LSTM的NO_(x)排放预测模型。通过某电站锅炉实际数据验证,所提预测模型对训练和测试样本的平均相对百分比误差分别为1.76%和3.85%,远低于其他模型。结果表明所提模型在预测精度和泛化能力方面具有显著优势。     

基于观测点遴选与时空信息的短时交通流预测

针对高速公路短时交通流预测问题中待测站点上下游的交通流量时空信息利用不充分,且上下游观测点选择不合理的问题,提出了基于观测点遴选并充分挖掘时空信息的短时交通流预测方法.首先使用KNN算法对待测站点的上下游节点进行遴选,将与待测站点欧氏距离较小的上下游节点历史数据组织成包含时空信息的二维矩阵;然后使用卷积神经网络提取空间特征,将所得的特征向量送入双向LSTM模型进行时间信息的提取并完成最终预测.结果 表明,经过观测点遴选后的KNN-CNN-BiLSTM预测模型准确率较遴选前提升了19.3％,实现了交通流时空信息的充分挖掘,是一种有效精准的短时交通流预测模型.     

并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

基于长短期记忆神经网络的火电厂NO_x排放预测模型

火电厂燃煤锅炉产生的NO_x是大气污染物的重要来源之一,建立有效的NO_x排放预测模型是降低NO_x排放的基础。针对火电厂控制系统数据的海量化和高维化及燃煤锅炉多参数多变量相互耦合的特点,首先利用主成分分析法对火电厂分布式控制系统(DCS)数据进行特征提取,消除各特征变量间的耦合性;然后将提取的特征作为长短期记忆(LSTM)神经网络的输入,得到火电厂NO_x排放预测模型。将该模型与传统循环神经网络(RNN)模型、最小二乘支持向量机(LSSVM)模型应用于某超超临界660 MW机组燃煤锅炉对NO_x排放质量浓度进行预测。结果表明:LSTM神经网络和RNN模型预测效果均优于LSSVM模型;本文提出的LSTM神经网络模型预测准确率达到79%,均方根误差为0.398,优于其他2种模型;LSTM神经网络模型数据跟踪效果明显优于RNN模型,预测结果波动较小,模型稳定性和准确率较高。     

SSA-XGBoost与时空特征选取的大坝变形预测模型

针对目前部分单测点模型未考虑大坝监测数据空间关联性、难以描述大坝变形整体响应特性的问题,以及传统回归模型未考虑环境量与变形量的非线性关系导致预测精度较低的问题,本文提出了一种预测模型,包括对监测数据进行基于自适应噪声完备集合经验模态分解-小波包降噪,结合弹性网络对考虑了空间关联性的变形效应量因子进行特征选取,辅以交叉验证特征因子的有效性,并使用麻雀搜索算法提高计算效率。基于锦屏一级拱坝实测变形数据,探究了考虑空间关联性的最优因子集,并通过对比多种模型的MSE、RMSE等参数验证了本文方法的有效性,在大坝变形性态分析中具有一定应用价值。     

基于LSTNet模型的配电台区短期电力负荷预测研究

短期电力负荷预测作为电力系统运行规划的重要依据，对电力系统的安全经济运行有重要意义。提出一种长期和短期时间序列网络（LSTNet）模型对配电台区的短期负荷变化进行预测。该模型用卷积神经网络（CNN）提取负荷数据间的局部依赖关系，用长短时记忆（LSTM）神经网络提取负荷数据长期变化趋势，再融合传统自回归模型解决神经网络对负荷数据极端值的不敏感问题，最后将某一配电台区的电力负荷数据用于网络的训练和预测过程中。通过仿真实验案例发现，相较于以往LSTM、双向长短时记忆神经网络（Bi-LSTM）和CNN-LSTM的预测模型，LSTNet模型在短期负荷预测方面更具优势、预测精度更高。     

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTM-Attention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征;其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力;最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTM-Attention模型具有更高的预测精度,证明了该方法的有效性。     

考虑时间影响的神经网络组合模型对心墙堆石坝变形的预测研究北大核心CSCD

大坝变形通常是由于多种复杂耦合因素而致,并且是具有高度的灰色性和模糊性的不确定性系统。由于多因素影响下的大坝变形问题没有确定性数学物理关系公式解决,而组合模型能够充分利用各子模型的有用信息,较单一模型更能够反映大坝变形的复杂性和不确定性,是更为科学预测分析大坝变形的方法。目前国内外学者缺乏对于大坝变形的组合预测模型的研究并且没有考虑时间因素对组合模型权重影响;针对此问题,本文以灰色模糊模型(ANFIS-GM模型)和遗传神经网络模型(GA-BP模型)作为子模型,采用考虑时间影响的神经网络模型作为组合模型权重的求解方法,对大坝变形进行预测。通过西南某心墙堆石坝的实例分析表明:该模型能综合其子模型的优势,获得更高的精度,同时也比未考虑时间影响的最小误差平方和组合模型具有更高的精度,它比最小预测误差平方和组合模型精度平均高10.50 mm。     

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。     

考虑时间影响的神经网络组合模型对心墙堆石坝变形的预测研究

大坝变形通常是由于多种复杂耦合因素而致,并且是具有高度的灰色性和模糊性的不确定性系统。由于多因素影响下的大坝变形问题没有确定性数学物理关系公式解决,而组合模型能够充分利用各子模型的有用信息,较单一模型更能够反映大坝变形的复杂性和不确定性,是更为科学预测分析大坝变形的方法。目前国内外学者缺乏对于大坝变形的组合预测模型的研究并且没有考虑时间因素对组合模型权重影响;针对此问题,本文以灰色模糊模型(ANFIS-GM模型)和遗传神经网络模型(GA-BP模型)作为子模型,采用考虑时间影响的神经网络模型作为组合模型权重的求解方法,对大坝变形进行预测。通过西南某心墙堆石坝的实例分析表明:该模型能综合其子模型的优势,获得更高的精度,同时也比未考虑时间影响的最小误差平方和组合模型具有更高的精度,它比最小预测误差平方和组合模型精度平均高10.50 mm。     

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, CNN)对时间序列进行局部特征提取,然后利用 LSTM 设计的循环递归层对时间 序列进行长期特征提取,实现电气设备温度预测。 在首都国际机场的供电设备运行状态监测数据集的实验结果表明,温度预测 值在 20 ~ 60 min 内预测精度优于 1 ℃ ,且均方根误差(RMSE) 0. 12 均小于其他温度预测模型,可以有效实现电气设备温度 预测。     

基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测

采用传统的回归拟合进行发电厂存煤量单变量单步预测已无法满足电网优化调度的需求,针对该问题,提出卷积神经网络(CNN)与长短期记忆(LSTM)神经网络相结合的CNN-LSTM神经网络预测模型,利用CNN良好的特征提取能力以及LSTM神经网络特殊的记忆预测功能实现对未来电厂存煤量的精准预测.为了使预测结果更符合实际存煤量,在已有预测结果的基础上进行进一步优化.实例验证结果表明,相较于传统差分自回归移动平均(ARIMA)模型和单一LSTM神经网络模型,所提模型取得的效果更好,且经过优化后的预测精度得到了进一步提高.