期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到646篇文章
< 1 2 … 33 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
频域分解和深度学习算法在短期负荷及光伏功率预测中的应用 被引量：87
1
作者 张倩 马愿 +2 位作者 李国丽 马金辉 丁津津 《中国电机工程学报》 EI CSCD 北大核心 2019年第8期2221-2230,共10页
由于光伏发电和负荷的时变特性,光伏发电功率的消纳存在动态的过程,提升精细化的光伏及负荷预测技术对配电网的实时调度运行至关重要。该文在负荷和光伏发电精确预测的基础上,对光伏消纳能力进行分析。首先提出一种基于频域分解的短期... 由于光伏发电和负荷的时变特性,光伏发电功率的消纳存在动态的过程,提升精细化的光伏及负荷预测技术对配电网的实时调度运行至关重要。该文在负荷和光伏发电精确预测的基础上,对光伏消纳能力进行分析。首先提出一种基于频域分解的短期负荷预测方法;其次,应用基于孤立森林和长短期记忆神经网络,预测短期光伏发电功率;然后,分析负荷特性及光伏发电特性;最后,结合消纳指标对安徽省某地级市国庆期间进行消纳能力分析。实验结果表明,所提出的短期负荷及光伏预测方法可达到理想的预测效果,消纳分析结果为该地区配电网火电机组调配提供参考意义。 展开更多
关键词 短期负荷预测 短期光伏发电功率预测 频域分解 孤立森林 长短期记忆神经网络
下载PDF
基于LSTM和多任务学习的综合能源系统多元负荷预测 被引量：85
2
作者 孙庆凯 王小君 +3 位作者 张义志 张放 张沛 高文忠 《电力系统自动化》 EI CSCD 北大核心 2021年第5期63-70,共8页
随着综合能源利用技术的不断发展与用户用能需求的多元化,现有单一负荷预测方法难以反映多元负荷间的耦合特性,精确的多元负荷预测将成为综合能源系统优化调度和经济运行的首要前提。基于此,提出一种以长短时记忆神经网络作为共享层的... 随着综合能源利用技术的不断发展与用户用能需求的多元化,现有单一负荷预测方法难以反映多元负荷间的耦合特性,精确的多元负荷预测将成为综合能源系统优化调度和经济运行的首要前提。基于此,提出一种以长短时记忆神经网络作为共享层的多任务学习负荷预测方法,经由共享层模拟多元负荷间的耦合特性,进而达到提升预测精度的目的。首先,以"硬共享机制+长短时记忆共享层"方式构建多任务学习负荷预测模型,利用共享机制学习不同子任务提供的耦合信息。其次,通过神经网络可解释性技术对离线训练结果进行可视化解释,证实了所构建模型能够利用子任务提供的耦合信息来提高预测精度。最后,与传统模型进行对比分析,结果表明所构建模型在预测精度和时间上具有更好的应用效果。 展开更多
关键词 综合能源系统 多元负荷预测 多任务学习 长短时记忆神经网络
下载PDF
基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测 被引量：52
3
作者 王晨阳 段倩倩 +7 位作者 周凯 姚静 苏敏 傅意超 纪俊羊 洪鑫 刘雪芹 汪志勇 《物理学报》 SCIE EI CAS CSCD 北大核心 2020年第10期51-57,共7页
光伏发电受天气与地理环境影响,呈现出波动性和随机多干扰性,其输出功率容易随着外界因素变化而变化,因此预测发电输出功率对于优化光伏发电并网运行和减少不确定性的影响至关重要.本文提出一种基于遗传算法(GA)优化的卷积长短记忆神经... 光伏发电受天气与地理环境影响,呈现出波动性和随机多干扰性,其输出功率容易随着外界因素变化而变化,因此预测发电输出功率对于优化光伏发电并网运行和减少不确定性的影响至关重要.本文提出一种基于遗传算法(GA)优化的卷积长短记忆神经网络混合模型(GA-CNN-LSTM),首先利用CNN模块对数据的空间特征提取,再经过LSTM模块提取时间特征和附近隐藏状态向量,同时通过GA优化LSTM训练网络的超参数权重与偏置值.在初期对历史数据进行归一化处理,以及对所有特征作灰色关联度分析,提取重要特征降低数据计算复杂度,然后对本文提出来的经GA优化后的CNN-LSTM混合神经网络(GA-CNN-LSTM)算法模型进行光伏功率预测实验.同时与CNN,LSTM两个单一神经网络模型以及未经GA优化的CNNLSTM混合神经网络模型的预测性能进行比较.结果显示在平均绝对误差率(MAPE)指标下,本文提出的GA-CNN-LSTM算法模型比单一神经网络模型最好的结果减少了1.537%的误差,同时比未经优化的CNNLSTM混合神经网络算法模型减少了0.873%的误差.本文的算法模型对光伏发电功率具有更好的预测性能. 展开更多
关键词 光伏发电 人工智能 卷积神经网络 长短记忆神经网络
下载PDF
基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型 被引量：48
4
作者 赵阳阳 夏亮 江欣国 《交通运输工程学报》 EI CSCD 北大核心 2020年第4期194-204,共11页
为降低样本噪声对客流预测模型的干扰,结合深度学习理论,提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型;将预测过程分为3个阶段,第1阶段预处理原始地铁刷卡数据,构建进(出)站客流时间序列,运用经验模态分解法... 为降低样本噪声对客流预测模型的干扰,结合深度学习理论,提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型;将预测过程分为3个阶段,第1阶段预处理原始地铁刷卡数据,构建进(出)站客流时间序列,运用经验模态分解法将时间序列转化为一系列本征模函数及残差,第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量,第3阶段基于深度学习库Keras,完成长短时记忆神经网络的搭建、训练及预测;以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明:与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比,经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%),将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%),说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型;当预测步长由5 min逐渐增加至30 min时,工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%),说明该方法预测误差与预测步长呈负相关。 展开更多
关键词 地铁 短时客流预测 经验模态分解 长短时记忆神经网络 时间序列 深度学习 偏自相关检验
原文传递
基于多变量LSTM的工业传感器时序数据预测 被引量：40
5
作者 易利容 王绍宇 +2 位作者 殷丽丽 杨青 顾欣 《智能计算机与应用》 2018年第5期13-16,共4页
传感器时序数据预测作为工业自动化和智能化的关键过程,对于自动化生产监督、风险预防和技术改进等具有重要意义。考虑到传统基于统计学的时序分析方法通用性弱、普通循环神经网络模型存在长期依赖的不足,针对工业设备温度、压力和电流... 传感器时序数据预测作为工业自动化和智能化的关键过程,对于自动化生产监督、风险预防和技术改进等具有重要意义。考虑到传统基于统计学的时序分析方法通用性弱、普通循环神经网络模型存在长期依赖的不足,针对工业设备温度、压力和电流强度等时序数据预测问题,提出了一种基于多变量分析的长短时记忆神经网络时序预测方法,该方法利用数据的远距离信息和多变量相关性,有效地提高了工业传感器时序数据预测的准确性。实验选取瑞典某公司的机械装载传感器数据用于训练和测试,通过与单变量长短时记忆模型以及其它主流时序预测算法比较,证明了该方法具备较好的预测性能和通用性。 展开更多
关键词 时间序列预测 长短时记忆神经网络 多变量分析
下载PDF
基于双重注意力机制的变压器油中溶解气体预测模型 被引量：38
6
作者 崔宇 侯慧娟 +3 位作者 胥明凯 李善武 盛戈皞 江秀臣 《中国电机工程学报》 EI CSCD 北大核心 2020年第1期338-347,共10页
对电力变压器油中溶解气体进行预测分析可以有效掌握设备状态和发展趋势。该文以长短时记忆网络时序分析模型为基础,引入特征和时序双重注意力机制,利用参量间关联关系和时序信息依赖关系提升气体的预测准确率。特征注意力机制可以自动... 对电力变压器油中溶解气体进行预测分析可以有效掌握设备状态和发展趋势。该文以长短时记忆网络时序分析模型为基础,引入特征和时序双重注意力机制,利用参量间关联关系和时序信息依赖关系提升气体的预测准确率。特征注意力机制可以自动提取待预测气体与其他状态信息、环境和运行数据等特征之间的关联关系,为预测提供辅助信息进行适当修正,并不受传统关联规则算法的预设阈值限制;同时,利用时序注意力机制自主选取历史信息关键时间点,在LSTM时序模型基础上进一步增强关键时间点的信息表达,提升较长时间段预测效果的稳定性。在对某正常状态运行变压器甲烷气体数值预测实验中,该方法在基础LSTM模型上降低最大相对误差3%;在对某缺陷变压器的发展趋势预测中,能准确给出关键气体异常上升警戒的参考信息;具有更准确和更稳定的变压器油中溶解气体预测效果。 展开更多
关键词 电力变压器 油中溶解气体 长短时记忆网络 注意力机制
下载PDF
基于CNN-LSTM模型的短文本情感分类 被引量：35
7
作者 杜永萍 赵晓铮 裴兵兵 《北京工业大学学报》 CAS CSCD 北大核心 2019年第7期662-670,共9页
为了有效获取短文本评论隐含的语义信息进行情感倾向性识别,提出一种基于CNN-LSTM模型的短文本情感分类方法.利用卷积神经网络(convolutional neural network,CNN)模型设置不同大小的卷积窗口,提取短文本的语义特征.引入长短时记忆(long... 为了有效获取短文本评论隐含的语义信息进行情感倾向性识别,提出一种基于CNN-LSTM模型的短文本情感分类方法.利用卷积神经网络(convolutional neural network,CNN)模型设置不同大小的卷积窗口,提取短文本的语义特征.引入长短时记忆(long short-term memory, LSTM)神经网络模型对短文本的情感倾向进行预测.在3种不同的中英文短文本评论数据集上进行验证取得较好的性能,其中,在NLPCC评测数据集上,正、负向情感识别的F1值分别达到0.768 3和0.772 4(优于NLPCC 评测的最优结果).相较于传统的机器学习分类模型,t-test检验结果表明性能提升显著. 展开更多
关键词 短文本 情感分类 语义特征 深度学习 卷积神经网络 长短时记忆神经网络
下载PDF
基于LSTM循环神经网络的岩性识别方法 被引量：33
8
作者 武中原 张欣 +1 位作者 张春雷 王海英 《岩性油气藏》 CSCD 北大核心 2021年第3期120-128,共9页
针对复杂碳酸盐岩储层岩石组分复杂、岩性多样,常规测井岩性识别方法受限等问题,提出利用长短期记忆神经网络(LSTM)提高岩性识别效果的方法,并结合实际数据进行验证和应用效果分析。考虑到常规机器学习方法在岩性识别中无法充分利用沉... 针对复杂碳酸盐岩储层岩石组分复杂、岩性多样,常规测井岩性识别方法受限等问题,提出利用长短期记忆神经网络(LSTM)提高岩性识别效果的方法,并结合实际数据进行验证和应用效果分析。考虑到常规机器学习方法在岩性识别中无法充分利用沉积岩石在深度域序列上的潜在信息,从而基于LSTM方法构建了能够提取和学习岩性沉积序列特征的岩性识别手段。以苏里格气田苏东地区下古生界碳酸盐岩储层为例,通过敏感性分析选取自然伽马、光电吸收截面指数、密度、声波时差、补偿中子和电阻率等6种测井参数,构建了基于LSTM的岩性识别模型。结果表明,与朴素贝叶斯,KNN,决策树,SVM和HMM等传统方法相比,LSTM的岩性识别准确率提升幅度介于1.40%~12.25%。高精度的LSTM岩性识别模型为复杂碳酸盐岩储层的表征和评价提供了数据基础。 展开更多
关键词 长短期记忆神经网络 岩性识别 碳酸盐岩储层 机器学习
下载PDF
基于DMD-LSTM模型的股票价格时间序列预测研究 被引量：33
9
作者 史建楠 邹俊忠 +2 位作者 张见 汪春梅 卫作臣 《计算机应用研究》 CSCD 北大核心 2020年第3期662-666,共5页
针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络(DMD-LSTM)的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分... 针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络(DMD-LSTM)的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测。在鞍钢股份(SH000898)上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律。 展开更多
关键词 动态模态分解 长短期记忆神经网络 模态特征 板块联动效应 市场背景
下载PDF
基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法 被引量：32
10
作者 王冉 后麒麟 +2 位作者 石如玉 周雁翔 胡雄 《仪器仪表学报》 EI CAS CSCD 北大核心 2021年第4期111-120,共10页
锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要。由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差。针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型... 锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要。由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差。针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全局退化趋势和局部随机波动分量;然后,分别采用多层感知机(MLP)和长短期记忆神经网络(LSTM)对全局退化趋势和各波动分量进行建模;最后,将各个分量子模型的预测结果进行集成,获得最终的锂电池剩余寿命预测结果。实验结果表明,该方法具有较高的预测精度与稳定性。 展开更多
关键词 锂电池剩余寿命预测 变分模态分解 长短期记忆神经网络 多层感知机 集成深度模型
下载PDF
基于EMD-LSTM的猪舍氨气浓度预测研究 被引量：30
11
作者 杨亮 刘春红 +3 位作者 郭昱辰 邓河 李道亮 段青玲 《农业机械学报》 EI CAS CSCD 北大核心 2019年第B07期353-360,共8页
为提高猪舍氨气浓度预测的精度和效率,提出了基于经验模态分解和长短时记忆神经网络(EMD-LSTM)的猪舍氨气浓度预测模型。首先,将猪舍氨气浓度时间序列数据进行经验模态分解,得到不同时间尺度下的固有模态分量(IMF);然后,对IMF建立LSTM... 为提高猪舍氨气浓度预测的精度和效率,提出了基于经验模态分解和长短时记忆神经网络(EMD-LSTM)的猪舍氨气浓度预测模型。首先,将猪舍氨气浓度时间序列数据进行经验模态分解,得到不同时间尺度下的固有模态分量(IMF);然后,对IMF建立LSTM氨气浓度预测模型;最后,将各分量的预测结果相加求和作为猪舍氨气浓度的最终预测值。将本文提出的预测模型应用于江苏省宜兴市实验基地某养猪场的氨气浓度预测中,并与Elman模型、循环神经网络(RNN)模型、LSTM模型和EMD-LSTM模型进行了对比实验,结果表明,基于EMD-LSTM模型的预测精度较高,预测结果与真实值相比较,平均绝对误差、平均绝对百分误差和均方根误差为0.0723mg/m^3、0.6257%和0.0945mg/m^3。 展开更多
关键词 猪舍 氨气浓度 经验模态分解 长短时记忆神经网络
下载PDF
基于LSTM神经网络的柴油机NOx排放预测 被引量：25
12
作者 戴金池 庞海龙 +2 位作者 俞妍 卜建国 资新运 《内燃机学报》 EI CAS CSCD 北大核心 2020年第5期457-463,共7页
柴油机NOx排放是机动车排放污染物的主要来源,有效的NOx排放预测模型是选择性催化还原技术(SCR)控制和车载诊断系统(OBD)完成SCR监测的基础.利用长短期记忆(LSTM)神经网络预测某柴油机的NOx排放,LSTM神经网络能够记忆时间序列先前的输... 柴油机NOx排放是机动车排放污染物的主要来源,有效的NOx排放预测模型是选择性催化还原技术(SCR)控制和车载诊断系统(OBD)完成SCR监测的基础.利用长短期记忆(LSTM)神经网络预测某柴油机的NOx排放,LSTM神经网络能够记忆时间序列先前的输入并将其用于当前的预测.将稳态工况与瞬态工况整合成新的混合工况,并在划分的测试集和全球统一瞬态试验循环(WHTC)工况上验证模型精度,结果表明:LSTM神经网络模型能够同时在稳态过程与瞬态过程取得较高的预测精度和稳定性,整合工况测试集的预测误差均方根为55.33×10-6,并且具备较强的泛化能力. 展开更多
关键词 柴油机 NOX排放 预测模型 长短期记忆(LSTM)神经网络
下载PDF
基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测 被引量：24
13
作者 王凌云 林跃涵 +2 位作者 童华敏 李黄强 张涛 《电力系统保护与控制》 CSCD 北大核心 2021年第20期74-81,共8页
电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析... 电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。 展开更多
关键词 短期负荷预测 Apriori关联分析 飞蛾火焰算法 长短时记忆神经网络
下载PDF
长短时记忆神经网络在地电场数据处理中的应用 被引量：22
14
作者 汪凯翔 黄清华 吴思弘 《地球物理学报》 SCIE EI CAS CSCD 北大核心 2020年第8期3015-3024,共10页
作为深度学习方法的一种,长短时记忆神经网络(LSTM)是一种信号处理的重要方法.本文基于实际观测地电场数据来合成训练集,对特定结构的长短时记忆神经网络进行训练,将训练所得网络对测试集数据进行测试后,将网络应用至实际观测数据.结果... 作为深度学习方法的一种,长短时记忆神经网络(LSTM)是一种信号处理的重要方法.本文基于实际观测地电场数据来合成训练集,对特定结构的长短时记忆神经网络进行训练,将训练所得网络对测试集数据进行测试后,将网络应用至实际观测数据.结果显示,经过训练的网络很好地学到了训练集样本的特征,对测试集数据的信噪比压制了约20 dB,并过滤了人为添加的特定频率的干扰成分,对实际观测数据处理后得到明显的日变、半日变以及半月变、月变、半年变、年变等潮汐响应,表明长短时记忆神经网络可以有效应用于地电场数据处理研究. 展开更多
关键词 地电场 长短时记忆神经网络 信号处理 潮汐响应
下载PDF
基于自适应噪声完备经验模态分解−样本熵−长短期记忆神经网络和核密度估计的短期电力负荷区间预测 被引量：20
15
作者 赵会茹 张士营 +2 位作者 赵一航 刘红雨 邱宝红 《现代电力》 北大核心 2021年第2期138-146,共9页
短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自... 短期电力负荷具有较强的随机性和波动性,其预测的准确性对于提升供电可靠性、电力系统运行经济性至关重要。针对传统确定性预测不能反映未来负荷波动的弊端,基于“点预测+区间估计”的思路提出了一种短期负荷区间预测方法。首先基于自适应噪声完备经验模态分解方法将负荷序列分解为多个模态分量,并根据不同序列样本熵的计算结果将序列进行重构以降低运算量。在此基础上,针对每一个分量分别构建长短期记忆神经网络预测模型,得到未来负荷点预测值。基于此利用核密度估计方法对预测误差的分布进行估计,进而结合点预测结果实现未来短期负荷的区间预测。通过将此模型与其他模型进行对比,结果表明此模型能够实现更低的点预测误差,同时在区间预测中也表现出更好的综合性能。 展开更多
关键词 短期负荷预测 自适应噪声完备经验模态分解 长短期记忆神经网络 核密度估计
下载PDF
基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测 被引量：20
16
作者 李秉晨 于惠钧 刘靖宇 《水电能源科学》 北大核心 2021年第4期204-208,共5页
针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功... 针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。 展开更多
关键词 光伏功率预测 相似日 完备总体经验模态分解 排列熵 长短期记忆神经网络
下载PDF
基于CEEMDAN-LSTM组合的锂离子电池寿命预测方法 被引量：20
17
作者 史永胜 施梦琢 +2 位作者 丁恩松 洪元涛 欧阳 《工程科学学报》 EI CSCD 北大核心 2021年第7期985-994,共10页
针对目前锂离子电池寿命预测结果不准确的问题,提出了一种多模态分解的锂离子电池组合预测模型,从而学习锂离子电池退化过程的微小变化.该方法在单一长短期记忆(LSTM)预测模型的基础上,采用了自适应噪声完全集成的经验模态分解(CEEMDAN... 针对目前锂离子电池寿命预测结果不准确的问题,提出了一种多模态分解的锂离子电池组合预测模型,从而学习锂离子电池退化过程的微小变化.该方法在单一长短期记忆(LSTM)预测模型的基础上,采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势,然后使用长短期记忆神经网络(LSTMNN)算法分别对所分解的若干退化数据进行寿命预测,最后将若干预测结果进行有效集成.结果表明,所提出的CEEMDANLSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%,平均相对误差在3%以内,且优于其他预测模型. 展开更多
关键词 电池健康管理 锂离子电池 剩余使用寿命 长短期记忆神经网络 自适应噪声完全集成经验模态分解
下载PDF
考虑日期属性和天气因素的铁路城际短期客流预测方法 被引量：19
18
作者 滕靖 李金洋 《中国铁道科学》 EI CAS CSCD 北大核心 2020年第5期136-144,共9页
分析2014—2018年上海至南京的单向铁路客流数据发现,日期属性和天气因素会对铁路城际短期客流的波动产生显著影响。为此,结合对非线性时间序列数据处理具有优势的长短期记忆(LSTM)神经网络模型,以及可弥补模型中超参数设置主观性的粒... 分析2014—2018年上海至南京的单向铁路客流数据发现,日期属性和天气因素会对铁路城际短期客流的波动产生显著影响。为此,结合对非线性时间序列数据处理具有优势的长短期记忆(LSTM)神经网络模型,以及可弥补模型中超参数设置主观性的粒子群优化(PSO)算法,将日期属性和天气因素纳入模型的影响因素体系,提出1种基于PSO-LSTM组合预测模型的铁路城际短期客流预测方法,以解决因短期客流波动性大、随机性强而产生的准确预测难度大等问题。利用2014—2018年上海至南京的单向铁路客流以及上海的天气信息,设置预测输入步长为14 d、输出步长为7 d,对模型进行实例验证。结果表明:与实际客流相比,该模型的最终预测平均误差为6.75%;与删除1个影响因素的PSO-LSTM组合预测模型,以及结合了BP神经网络的PSO-BP组合预测模型相比,该模型具有最优预测精度。 展开更多
关键词 铁路城际客流 短期预测 长短期记忆神经网络 粒子群优化算法 日期属性 天气因素
下载PDF
基于数据序列分辨率压缩尺度优化的月度电量预测方法 被引量：19
19
作者 王飞 李正辉 +5 位作者 李渝 王铁强 丘刚 郭怀东 马辉 王东升 《电力系统保护与控制》 EI CSCD 北大核心 2020年第11期62-68,共7页
准确的月度电量预测是指导电力部门安排运行计划和保障售电公司盈利能力的关键基础。针对基于人工智能算法电量预测模型在训练过程中存在样本分辨率选择不当导致预测精度降低的问题,提出了一种历史数据序列分辨率压缩尺度优化方法。首... 准确的月度电量预测是指导电力部门安排运行计划和保障售电公司盈利能力的关键基础。针对基于人工智能算法电量预测模型在训练过程中存在样本分辨率选择不当导致预测精度降低的问题,提出了一种历史数据序列分辨率压缩尺度优化方法。首先将数据分辨率压缩尺度选择建模成一个优化问题。然后通过数据驱动方式进行求解。最后再利用长短期记忆(Long Short-term Memory,LSTM)神经网络实现月度电量预测,从而较好地实现了数据分辨率和电量预测步长之间的合理平衡以提升电量预测精度。利用美国PJM电力市场的历史电量数据对所提方法进行验证。仿真结果表明,较不进行分辨率压缩尺度选择所提方法具有更高的预测精度,同时LSTM网络在结合该方法时表现出了最佳的预测性能。 展开更多
关键词 电量预测 分辨率 尺度压缩 多步预测 长短期记忆神经网络
下载PDF
基于VMD-SSA-LSTM的月径流预测模型及应用 被引量：19
20
作者 孙国梁 李保健 +1 位作者 徐冬梅 李宇鹏 《水电能源科学》 北大核心 2022年第5期18-21,共4页
为提高月径流预测精度,提出了变分模态分解(VMD)和麻雀搜索算法(SSA)与长短期记忆神经网络(LSTM)相耦合,建立了月径流预测模型(VMD-SSA-LSTM)。首先利用VMD对历史径流数据进行分解,然后依据SSA对LSTM的参数进行寻优,并将分解出的月径流... 为提高月径流预测精度,提出了变分模态分解(VMD)和麻雀搜索算法(SSA)与长短期记忆神经网络(LSTM)相耦合,建立了月径流预测模型(VMD-SSA-LSTM)。首先利用VMD对历史径流数据进行分解,然后依据SSA对LSTM的参数进行寻优,并将分解出的月径流分量输入到LSTM神经网络,最后将每个分量的预测值相加,得到月径流预测值,并以福建池潭水库1950~2019年的月径流数据对模型进行验证。结果表明,与LSTM、VMD-LSTM模型相比,VMD-SSA-LSTM模型的预测精度更高,为开展月径流预测工作提供了一种新的选择。 展开更多
关键词 月径流预测 变分模态分解 麻雀搜索算法 长短期记忆神经网络
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 33 下一页 到第 页
使用帮助 返回顶部