-
题名基于PSO-GRU的锂电池SoC预测
被引量：1
- 1
-
-
作者
蒋永辉
-
机构
海南师范大学信息科学技术学院
-
出处
《信息与电脑》
2023年第11期109-111,共3页
-
基金
海南省重点研发计划项目(项目编号:ZDYF2021GXJS023)。
-
文摘
电池荷电状态(State of Charge,SoC)是预防新能源汽车电池过充或过放的重要指标。文章提出一种基于粒子群优化算法-门循环单元(Particle Swarm Optimization-Gate Recurrent Unit,PSO-GRU)的锂电池SoC预测方法。该方法使用粒子群优化算法优化GRU神经网络的超参数,可避免超参数使GRU神经网络训练产生局部最优问题。实验证明,设计方法比只使用GRU神经网络具有更好的预测性能。
-
关键词
荷电状态(SoC)预测
门循环单元(gru)神经网络
粒子群优化算法(PSO)算法
-
Keywords
State of Charge(SoC)prediction
Gate Recurrent Unit(gru)neural network
Particle Swarm Optimization(PSO)algorithm
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于RF-GRU风速预测的风电MPPT控制
被引量：7
- 2
-
-
作者
金俊喆
武鹏
董祥祥
葛传九
陈蓓
-
机构
上海工程技术大学电子电气工程学院
-
出处
《传感器与微系统》
CSCD
北大核心
2021年第5期38-41,共4页
-
基金
上海市自然科学基金资助项目(18ZR141670)。
-
文摘
针对风能最大功率点跟踪(MPPT)的问题,提出了一种基于风速预测的改进粒子群优化(IPSO)算法的MPPT控制策略。该策略包含两部分:基于门控循环单元(GRU)神经网络的风速预测和IPSO算法的MPPT控制。首先,建立GRU风速预测模型,并通过随机森林(RF)算法进行特征提取,作为模型的输入,实现风速预测;然后,以预测的风速作为基础,从粒子群优化(PSO)算法的粒子分布、种群规模、惯性权重等多个方面进行优化,实现风能MPPT;最后,使用MATLAB/SIMULINK软件对所提策略进行仿真。仿真结果表明:基于RF-GRU预测的风速较为精确,基于风速预测的IPSO算法可以快速搜索到最大功率点,避免了局部最优和在风速突变时最大功率点滑落的问题。
-
关键词
最大功率点跟踪(MPPT)
随机森林
门控循环单元(gru)神经网络
风速预测
粒子群优化算法
-
Keywords
maximum power point tracking(MPPT)
random forest(RF)
gated recurrent unit(gru)neural network
wind speed prediction
particle swarm optimization(PSO)algorithm
-
分类号
TM315
[电气工程—电机]
-
-
题名耦合人工神经网络模型在径流预测中的应用综述
- 3
-
-
作者
王语浠
曹青
SHAO Quanxi
-
机构
南京信息工程大学龙山书院
南京信息工程大学水文与水资源工程学院
南京信息工程大学水利部水文气象灾害机理与预警重点实验室
联邦科学与工业研究组织
-
出处
《海洋气象学报》
2024年第3期152-161,共10页
-
基金
国家自然科学基金青年科学基金项目(42201025)
高端外国专家引进计划项目(G2023014051L)
+1 种基金
宁夏回族自治区重点研发计划项目(2023BEG02054)
水利部水文气象灾害机理与预警重点实验室开放基金项目(HYMED202210,HYMED202301)。
-
文摘
人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。
-
关键词
径流预测
反向传播(BP)神经网络模型
循环神经网络(RNN)模型
长短期记忆(LSTM)神经网络模型
门控循环单元(gru)神经网络模型
卷积神经网络(CNN)模型
-
Keywords
runoff prediction
back propagation(BP)neural network model
recurrent neural network(RNN)model
long-short term memory(LSTM)neural network model
gated recurrent unit(gru)neural network model
convolutional neural network(CNN)model
-
分类号
TV11
[水利工程—水文学及水资源]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名采用多任务学习预测短时公交客流
- 4
-
-
作者
张鹏祯
左兴权
黄海
-
机构
北京邮电大学计算机学院
可信分布式计算与服务教育部重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第24期360-366,共7页
-
基金
国家自然科学基金(61873040)。
-
文摘
现有公交线路短时客流预测方法主要依赖于单条线路的信息,忽略了多条线路之间的相关关系对客流预测的提升效果。针对这一问题,提出一种基于相关度分析和多任务学习的公交客流预测方法。利用灰色关联分析和皮尔逊相关系数获取公交线路之间的关联度系数,计算当前线路的相关线路集合;将相关线路的客流预测作为当前线路客流预测的辅助任务,建立基于门控循环单元(GRU)神经网络的多任务深度学习模型来预测客流。实验结果表明,该多任务学习模型在预测精度方面优于传统的时间序列预测模型以及仅考虑单条线路信息的神经网络预测模型。
-
关键词
公交短时客流预测
门控循环单元(gru)神经网络
多任务学习
灰色关联分析
-
Keywords
short-term bus passenger flow forecasting
gate recurrent unit(gru)neural network
multi-task learning
grey correlation analysis
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于门控循环单元的全断面掘进机稳定段掘进性能预测
被引量：1
- 5
-
-
作者
张弛
李艳
王鹏
刘沛
梁科森
-
机构
中南大学机电工程学院
-
出处
《科学技术与工程》
北大核心
2022年第32期14443-14450,共8页
-
基金
国家重点研发计划(2018YFB1702500)。
-
文摘
全断面隧道掘进机(tunnel boring machine, TBM)一个正常掘进循环分为空推段、上升段和稳定段3个阶段,其中稳定掘进段为主要施工阶段,稳定段掘进性能的好坏是TBM掘进的关键。为实现TBM安全高效掘进,建立一种基于门控循环单元(gated recurrent unit, GRU)神经网络的预测模型,预测TBM稳定段掘进性能。模型以新疆某供水工程Ⅱ标段TBM施工数据为依托,5种掘进循环上升段主要参数的时间序列数据作为主要输入,围岩等级作为辅助输入来考虑岩体对掘进性能的影响,输出为稳定段的总推进力和刀盘扭矩,为稳定段TBM性能预判提供参考。为显示预测效果,对比传统循环神经网络(recurrent neural network, RNN)预测模型,并分析不同长度时间序列输入对模型预测精度的影响。结果表明:GRU模型预测拟合优度均在0.9以上,平均绝对百分比误差均小于12.25%,同时能够适用不同长度时序输入。由此可见,所建模型具有较高预测精度,泛化能力较好,能够辅助预判掘进机稳定段性能。
-
关键词
地下工程
全断面掘进机(TBM)
门控循环单元(gru)神经网络
掘进性能预测
围岩等级
-
Keywords
underground engineering
tunnel boring machine(TBM)
gated recurrent unit(gru)neural network
tunneling performance prediction
surrounding rock grade
-
分类号
U455
[建筑科学—桥梁与隧道工程]
-
