-
题名基于VMD-LSTM的短期电力负荷预测研究
被引量：5
- 1
-
-
作者
黄志祥
周莉
-
机构
安徽理工大学电气与信息工程学院
-
出处
《洛阳理工学院学报（自然科学版）》
2022年第3期76-80,96,共6页
-
基金
安徽理工大学2020研究生创新基金项目(2020CX2059).
-
文摘
为了提高短期电力负荷预测的精准度,提出一种基于变分模态分解(VMD)和长短期记忆网络(LSTM)相结合的组合型预测模型。利用VMD将原始负荷样本集分解为多个不同的本征模函数(IMF)和一个剩余分量,以降低负荷数据样本集的非平稳性和复杂度,用LSTM模型对分解得到的多个子模态分量分别进行预测,对不同分量的预测结果进行叠加,得到最终负荷预测值。通过仿真实验,对比VMD-LSTM模型、BP模型、ELM模型和LSTM的预测结果,VMD-LSTM模型的预测效果优于其他3种预测模型,在短期电力负荷预测方面表现出良好的性能。
-
关键词
短期电力负荷预测
固有模态分量
VMD
降噪
LSTM
-
Keywords
short-term electric load forecasting
intrinsic modal components
variational modal decomposition
noise reduction
LSTM
-
分类号
TM715
[电气工程—电力系统及自动化]
TP311.5
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于BEMD和KELM的路面病害检测算法
被引量：1
- 2
-
-
作者
王青宁
施均道
何旺容
蔡彦亮
-
机构
中国石化华东石油工程有限公司科技发展分公司
中国石化华东石油工程有限公司华美孚泰公司
-
出处
《现代电子技术》
2023年第9期110-114,共5页
-
文摘
受外界环境以及道路材料本身影响,路面会出现破损。尽管裂缝是路面破损的首要表现形式,但是其他类型病害仍然占重要比重。针对传统路面病害检测算法对常见线性裂缝分类准确度较高但对车辙、松散等复杂病害识别效果一般且适应性较差的问题,提出一种基于二维经验模态分解(BEMD)与核极限学习机(KELM)相结合的复杂路面病害识别方法。该方法首先采用二维经验模态分解对路面病害图像进行筛分,然后结合主成分分析法对分解后得到的固有模态分量进行降维,最后将上述得到的新特征输入到核极限学习机中进行训练。实验结果表明该算法对复杂病害有较高的识别率,其中松散病害识别率为95.6%,车辙病害识别率为92.1%,坑洼病害识别率为96.9%,网状裂缝识别率为97.3%,与传统脉冲耦合卷积神经网络相比,该算法提高了约9.85%。
-
关键词
路面病害检测
二维经验模态分解
核极限学习机
特征提取
固有模态分量
三角剖分插值
主成分分析
脉冲耦合神经网络
-
Keywords
pavement defect detection
two⁃dimensional empirical modal decomposition
kernel extreme learning machine
feature extraction
intrinsic modal components
triangulation interpolation
principal component analysis
pulse coupled neural network
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
TP317.4
[电子电信—信息与通信工程]
-
