短期风力发电负荷预测的新方法

以陆上风力发电负荷数据作为研究对象,将注意力机制引入双向长短期记忆与卷积神经网络（CNN）的混合模型来预测短期电力负荷．结果显示:1）注意力机制通过对不同时步的输入进行加权,能够显著提升双向长短期记忆网络的预测性能;2）双向长短期记忆网络-CNN结构比CNN-双向长短期记忆网络结构更适用于短期负荷预测,前者相较后者能够充分利用时序信息,不会在输入初期就丢失关键信息;3）基于注意力机制的双向长短期记忆网络-CNN混合模型的均方根误差（RMSE）、平均绝对百分比误差（MAPE）分别达到了575.35和7.02%,比次佳模型（基于注意力机制的双向长短期记忆网络-CNN混合模型）分别降低了2.75%和9.65%,其在风电短期负荷预测方面有很好的应用前景．      

基于模糊物元分析的变桨系统状态评估方法

针对现有风电机组状态评估方法实时可靠性差和过多人为因素影响的问题,提出了模糊物元分析评估方法,以实现对机组状态的准确评估.选择故障率较高的变桨系统为研究对象,分两步构建了变桨系统状态评估模型:1)分别以3σ准则和四分位分析法对变桨参数分类处理,避免对参数分布的主观评判;用ANFIS算法对数据进行训练来减小极端值影响,获得多特征参数故障检测结果.2)基于模糊物元分析理论,将上一步多特征参数检测结果作为模糊量值代入物元评估模型中,实现了检测结果模糊值与等级评价指标的统一.应用该方法对风电机组实际运行状态进行了测试,结果表明:与传统二元决策方法相比,能够明显反映变桨系统的运行状态,具有更好的评估效果.从定性角度对比分析,该方法较模糊综合评判方法、传统物元分析方法在变桨系统状态评估方面更有优势.     

基于Attention机制和ResNet的CNN-BiLSTM短期电力负荷预测模型研究

短期电力负荷预测有利于电力系统的高效运行,对电力市场实现有效调度有重要意义。短期电力负荷受多种因素影响,波动性大、随机性强,使得其预测准确率低。双向长短期记忆网络和卷积神经网络难以在短期负荷序列中提取足够多的信息,本文提出了一种结合注意力机制和残差网络的卷积神经网络-双向长短期记忆网络短期负荷预测方法。首先利用基准模型卷积神经网络-双向长短期记忆网络对输入特征进行信息提取,然后利用注意力机制突出提取到的关键信息,最后通过残差网络创建残差层以充分学习时序特征。通过某公开数据集进行实验,结果表明该方法的平均绝对百分比误差达到2.80%,均方根误差达到2.15,并与常用的五种模型预测结果对比,验证了所提模型的准确性及有效性。     

基于深度学习的地铁短时客流量预测

为了对地铁短时客流流量进行准确预测,建立了一种基于深度学习的地铁短时客流预测方法。通过分析地铁的客流数据,发现周一至周四、周五以及周末的发展模式存在一定的差异。依据该发现,基于深度学习的理论框架,建立了双向长短期记忆网络的地铁短时客流量预测模型。最后以广州体育西路地铁站数据为例进行预测分析,并将预测结果与决策树模型、支持向量机算法以及长短期记忆网络的预测结果进行对比分析。结果表明,双向长短期记忆网络全面优于其他预测算法,且该算法的平均预测精度超过90%,对地铁运力的合理配置等有一定的应用价值。     

结合双向LSTM和注意力机制的车辆轨迹预测

为提升智能交通、自动驾驶等系统的管理和服务质量,提出一种双向长短期记忆网络结合注意力机制的车辆轨迹预测模型。采用道格拉斯-普克压缩算法对轨迹数据进行压缩预处理,减少数据中的冗余;在编码器中使用双向长短期记忆网络充分捕获时间相关性特征,并采用自注意力机制获得与邻近车辆之间的全局空间相关性特征;通过解码器的全连接层获取车辆的未来位置,并通过模型迭代获得完整的预测轨迹路线。实验结果表明,提出的模型预测性能优于对比模型。此外,消融实验结果表明,引入轨迹压缩算法与改进的长短期记忆网络结合注意力机制对预测准确度均有积极贡献。     

基于LSTM的塔架振动状态监测研究

针对风电机组塔架受到外部环境引起的复杂动载荷作用以及风机内部控制动作的激励而产生异常振动问题,本文提出了一种基于长短期记忆网络的塔架振动状态监测方法。首先,以风电机组监督控制和数据采集系统数据为基础,引入灰色关联度系数和最小角回归算法,分析各状态参量对塔架振动的影响;其次,采用长短期记忆网络建立塔架振动预测模型,通过对比分析预测值与实际值之间的残差判断风电机组的塔架振动状态;最后,利用某风电场的实际采集数据进行验证分析,结果表明所提方法能提前对风电机组的异常情况做出预警,可以有效避免机组因故障恶化导致的紧急停机,提高机组运行的可靠性。     

基于多特征参量的回转支承智能健康状态评估

为了提高回转支承运行可靠性,及时发现其潜在的失效,实施良好的设备维护与管理,有必要对其进行健康状态评估。选取表征回转支承健康状态的温度和扭矩作为特征参量,建立了一种采用遗传算法优化动态递归Elman神经网络的回转支承多参量健康状态评估模型,并利用3 MW变桨回转支承疲劳寿命实验数据对该模型进行了网络训练和测试。结果表明,该模型评估结果与实验值相符,可准确地对回转支承进行健康状态评估。     

采用小波变换和双向长短期记忆网络的脑电睡眠分期模型

针对睡眠生理信号采集难度大、睡眠分期精度低的问题,提出一种采用小波变换和双向长短期记忆网络的脑电睡眠分期模型。首先使用连续小波变换提取睡眠脑电的时频图;然后使用卷积神经网络从脑电信号的时频图中提取睡眠相关的脑电特征,作为单个睡眠片段的分期依据,再使用双向长短期记忆网络进一步提取睡眠片段之间的状态转换规则;最后利用深度学习方法建立特征、规则与睡眠阶段的映射,使用数据扩充和两步训练法训练模型,削弱数据不均衡的影响,完成连续片段的睡眠分期。采用SHHS公开数据库的5 793名被试者的睡眠脑电数据对该模型进行验证,实验结果表明,睡眠分期准确率达到85.82%,整体F1达到78.39,Kappa系数达到0.799,和现有方法相比性能明显提升。     

基于BiLSTM-CapsNet混合模型的社交文本情感分析

社交文本的情感分析主要存在结构不规则、特征稀疏和分类效果不理想等问题。针对这些问题,提出了一种双向长短期记忆网络(Bi-directional long short-term memory, BiLSTM)和胶囊网络(Capsule network, CapsNet)混合模型(BiLSTM-CapsNet)。该模型先使用胶囊网络提取单个特征词在整个句子中的位置语义信息,再使用双向长短期记忆网络提取社交文本的上下文词语之间的关系,最后通过softmax分类器,进行情感倾向的分类。试验结果表明,该模型在粗粒度和细粒度情感分类中都有优势。     

基于双向长短期记忆神经网络的风电预测方法

风电受天气条件的影响具有间歇性和波动性的特点,随着风电在电网中渗透率的提高,电网面临着新的挑战.对风电进行预测并根据预测值进行合理调度,可在一定程度上缓解风电的不确定性对电网的影响.本文提出了基于双向长短期记忆神经网络的风电预测方法,该模型可以同时利用过去和未来的数值天气预报信息,提高了风力发电的预测精度.首先,文章阐述了单向长短期记忆神经网络的原理和结构,在此基础上,添加反向隐含层成为双向长短期记忆神经网络;其次,基于双向长短期记忆神经网络,构建了风电预测架构,并分析了风电预测的评价指标;最后,利用实际数据进行了仿真验证,结果表明,相对于长短期记忆模型,以均方根误差、希尔不等系数和对称均值绝对值百分比误差三个指标衡量,双向长短期记忆神经网络的预测精度分别提高了10.25%、6.71%和12.18%.     

面向机电系统状态监测与故障诊断的现代技术

以现代技术为主线综述了机电系统运行状态监测与故障诊断技术的进展,阐述了机电系统运行状态监测与故障诊断方法及系统的发展;从技术流程的角度归纳了信号采集技术、信号分析与处理方法、故障诊断方法和机电系统状态趋势预测的先进技术;展望了基于网络的异地设备运行状态的远程监测与诊断技术以及基于虚拟仪器的监测与诊断仪器系统的新兴技术发展前景.     

基于注意力机制和CNN-GRU组合网络的海底电缆运行状态预测方法

海底电缆作为各类海上平台能源供给的生命线,一旦发生故障将产生巨大的经济及战略影响,准确预测海底电缆运行状态有助于提前把握其运行风险,从而实现预防性维护。本文在充分挖掘海底电缆运维数据中的动、静态特征的基础上,提出一种基于注意力机制和卷积神经网络-门控循环神经网络（CNN-GRU）海底电缆运行状态预测方法。首先,考虑在线监测、巡检指标、静态试验三类关键影响因素,建立海底电缆运行状态评估指标体系;然后,基于改进层次分析法及多层次变权评估思想构建海底电缆运行状态评估模型;最后,建立基于注意力机制和CNN-GRU组合神经网络模型,将历史运行参数及状态量化结果作为输入特征参量,实现海底电缆运行状态的演化趋势预测。算例分析表明,所提方法可有效预测海底电缆的运行状态,平均百分数误差低至1.04%,与全连接神经网络、CNN、CNN-长短期记忆神经网络(LSTM)等算法相比均具备更优的预测精度。     

结合时间注意力机制的Bi-GRU-Atten的短时交通流预测

为使用深度学习模型预测未来高速公路交通流的情况,利用双向门控循环单元算法（Bi-GRU）从双向传播中提取信息,充分学习到历史交通流的时间相关特征,同时采用注意力机制通过正确分配权重来区分交通时间序列的重要性,进一步提高预测的计算效率。采用开源高速公路数据集对模型进行验证,结果表明：与递归神经网络算法、长短期记忆网络算法、双向长短期记忆网络算法,以及没有结合注意力机制的双向门控循环单元算法相比,本文所提算法在计算效率和预测精度方面更优,可以用于短时交通流的预测。     

基于mcODM-STA的风电机组变桨系统故障诊断

针对风力发电机组变桨系统故障诊断模型参数难以优化问题,提出了基于状态转移算法优化多类最优间隔分布机(multi-class Optimal Margin Distribution Machine optimized by the State Transition Algorithm,mcODM-STA)的风电机组变桨系统故障诊断方法.该方法选择风电机组功率输出作为主要状态参数,利用Pearson相关系数对风电数据采集与监视控制系统中风电机组历史运行数据进行相关性分析,剔除与功率输出状态参数相关性较低的特征,对余下特征进行二次分析,减少样本特征.将数据集分为训练集和测试集,训练集用来训练所提故障诊断模型,测试集用来进行测试.利用国内风电场实际运行数据进行实验验证.实验结果表明,与其他多种参数优化方法相比,所提方法故障诊断准确率和Kappa系数更高.     

一种输油泵机组故障诊断与健康评估方法

输油泵机组是长距离油品传输的关键设备,有效预防其出现突发故障、减小故障造成的损失至关重要。然而目前针对输油泵的故障诊断方法在现场应用时普适性不佳,且缺乏针对机组一体的监测诊断研究,不利于计划性维修。此外,受现场可提供数据的限制,现有的输油泵状态评估方法在很多现场无法使用。针对上述问题,提出一种输油泵机组故障诊断与健康评估方法,利用迁移学习提高输油泵故障诊断在工业现场应用时的准确率;通过搭建实验台并对电机运行状态进行监测、分析,构建电机机械类故障诊断模型;构建基于卷积-长短期记忆神经网络(CNN-LSTM)的状态评估模型,并以此为基础利用时序卷积网络(TCN)结合注意力机制进行状态趋势预测。在现场试运行的结果表明,本文提出的故障诊断及状态评估方法可以及时发现设备的早期故障,为设备运维提供有效的数据参考。     

基于注意力机制和双向长短期记忆网络的电能质量扰动识别

提出一种基于深度学习的电能质量扰动信号分类新方法.该方法应用注意力机制和双向长短期记忆网络构建分类模型,并利用Matlab仿真产生训练数据集与验证数据集.考虑了7种常见的复合扰动信号,并将其作为序列数据直接输入到网络中进行训练和验证.实验结果表明,本方法能准确地识别不同的扰动信号,在验证集上模型的识别准确率可以达到99...     

基于双向长短期记忆网络的流体高精度识别新方法

碳酸盐岩储层的储集空间类型多样、储层性质复杂,导致流体的测井响应受到强非均质性的影响,给流体识别工作带来极大困难.针对该问题,提出基于测井序列信息的双向长短期记忆网络(Bi-LSTM)流体识别模型,从测井响应特征差异性分析及相似性分析两方面出发,确定敏感曲线,结合Bi-LSTM网络的输入要求,建立流体识别样本库,并获得...     

基于LSTM的舰船软件运行健康状态预测

针对舰船任务系统的复杂环境,综合考虑舰船软件自身性能、外在环境和运行工况等数据的影响,采用长短期记忆网络模型(LSTM)预测软件运行健康状态,并针对样本类别分布不均衡导致的预测效果不佳等问题,提出了一种加权焦点损失函数(WFL).实验结果表明:基于WFL与包含三个隐含层的LSTM模型(LSTM3-WFL)不仅比传统的机器学习算法能够更好地学习到特征在时间维度上的变化规律;而且相较于基于交叉熵损失函数的LSTM模型,该模型更容易学习到样本个数较少的类别信息,并最终在测试集上达到98.2%的准确率与0.947的宏平均F1-Socre值,在舰船软件运行健康状态的预测问题上有很高的应用价值.     

基于混合生成网络的软件系统异常状态评估

针对现有软件系统异常状态评估方法过度依赖数据标注、对时序数据的时间依赖性关注较低和系统异常状态难以量化等问题,提出一种基于混合生成网络的软件系统异常状态评估方法.首先,通过对长短期记忆网络（long short-term memory network, LSTM）与变分自动编码器（variational auto-encoder, VAE）的融合,设计一种LSTM-VAE混合生成网络,并以该网络为基础构建基于LSTM-VAE混合生成网络的系统异常状态检测模型,由LSTM对系统数据的时序特征进行提取并由VAE对系统数据的分布进行建模.然后,由LSTM-VAE异常状态检测模型处理系统关键特征参数,获取系统关键特征参数的异常度量值.最后,利用耦合度方法对传统的线性加权和方法进行优化,通过加权耦合度优化方法计算得到软件系统异常状态的量化值,从而实现对软件系统的异常状态评估.实验结果表明,本文模型对软件系统的异常时序数据具有较好的检测能力,其对系统异常状态的评估结果更为合理、有效.     

基于数据特征提取和SSA-BiLSTM的短期风电功率预测

为提高风电功率预测的准确性，提出了一种基于数据特征提取和麻雀算法优化双向长短期记忆网络（sparrow search algorithm optimised bi-directional long and short-term memory network,SSA-BiLSTM）短期风电功率预测模型。首先根据皮尔逊相关系数（Pearson correlation coefficient,PCC）分析风电数据中各影响因素与风电功率之间的相关性，根据计算结果将功率无关的因素去除。然后，采用自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）将原始风电功率序列进行分解，得到一系列子序列分量。再将所有子序列输入麻雀算法（sparrow search algorithm,SSA）优化的双向长短期记忆（bi-directional long short-term memory,BiLSTM）模型中进行预测，根据所得预测值对风速序列进行修正。将修正所得的风速序列与风电功率...