针对火电机组故障预测准确率低的问题,提出基于BERT-STAM1DCNN的火电机组故障预测模型。在预处理阶段,利用随机森林算法对原始数据进行处理,筛选重要的特征,提高故障预测准确率;利用BERT(bidirectional encoder representations from tr...针对火电机组故障预测准确率低的问题,提出基于BERT-STAM1DCNN的火电机组故障预测模型。在预处理阶段,利用随机森林算法对原始数据进行处理,筛选重要的特征,提高故障预测准确率;利用BERT(bidirectional encoder representations from transformers)模型对特征数据进行训练,并提出一种融合二次加权时空注意力机制的一维卷积神经网络(STAM1DCNN)模型,提高关键信息对预测结果的影响程度。以火电机组实际运行数据作为数据集,与其他模型相比,所提出的模型具有良好的性能和稳定性。展开更多
文摘针对火电机组故障预测准确率低的问题,提出基于BERT-STAM1DCNN的火电机组故障预测模型。在预处理阶段,利用随机森林算法对原始数据进行处理,筛选重要的特征,提高故障预测准确率;利用BERT(bidirectional encoder representations from transformers)模型对特征数据进行训练,并提出一种融合二次加权时空注意力机制的一维卷积神经网络(STAM1DCNN)模型,提高关键信息对预测结果的影响程度。以火电机组实际运行数据作为数据集,与其他模型相比,所提出的模型具有良好的性能和稳定性。
文摘【目的】预测土地利用变化可以为在资源分配、环境保护、城镇化发展、灾害防范与风险评估等方面提供合理依据,有利于制定科学的政策。现有的元胞自动机(Cellular Automata,CA)模型在预测土地利用变化中,对多时序复杂土地利用变化中时空特征提取不足,难以适用于复杂土地利用变化的精准预测。【方法】本文提出了一种融合注意力机制并考虑多尺度驱动因素的深度时空建模网络(3DCBLT),并与CA模型耦合,旨在优化时空特征提取与非线性建模能力。3DCBLT整合了跨通道、空间注意力机制(Convolutional Block Attention Module,CBAM)和三维卷积(3D Convolution,3DCNN)模块旨在强化对土地利用变化关键区域的关注,并提升对时空特征的深层提取能力。同时,采用长短时记忆网络(Long Short Term Memory Network,LSTM)充分挖掘土地利用演化过程中的时间依赖性与长期趋势,得到不同地类发展概率。本文以陕西省作为研究区,选取2000—2020年每5年一期土地利用数据并引入气候、地形、经济等12项指标作为驱动因素,以2020年土地利用数据为验证。【结果】本文提出模型的Kappa系数为0.888,OA系数为0.925,FoM系数为0.336,显著优于ANN-CA、MLP-CA和CAMarko,验证了该模型的在土地利用变化预测的有效性与优越性。【结论】本文提出的3DCBLT-CA模型在复杂土地利用变化预测中表现出较高的精度和优越的时空建模能力,为复杂土地利用情景下的变化模拟提供了一种切实可行的技术路径。
