针对目前基于正交时频空调制系统中使用脉冲导频进行信道估计会引入高均峰比和信道估计困难的问题,提出了一种基于双向长短期记忆网络(Bidirectional Long Short-term Memory,BiLSTM)的信道估计算法。该算法首先将低功率导频序列放置于...针对目前基于正交时频空调制系统中使用脉冲导频进行信道估计会引入高均峰比和信道估计困难的问题,提出了一种基于双向长短期记忆网络(Bidirectional Long Short-term Memory,BiLSTM)的信道估计算法。该算法首先将低功率导频序列放置于时频域中,再对发送信号添加功率放大器的非线性衰变模型,对接收信号导频部分的接收信号使用最小二乘法进行粗略信道的计算,之后通过BiLSTM结合卷积块注意力模块对完整信道进行拟合估计,从而得到时频域的完整信道矩阵。为进一步减少误差,通过神经网络对完整信道矩阵进行修正处理。仿真结果表明,该算法求得非线性衰变影响信号的信道矩阵的归一化均方误差提升了3~15 dB,均峰比下降了5~6 dB,误比特率性能提升3~8 dB。展开更多
开展公路隧道结构状态精准预测是掌握隧道结构状态变化、识别潜在安全风险和保障安全运营的重要技术手段。针对隧道监控量测测点的空间分布与时序特性,提出了一种基于河马优化(Hippopotamus Optimization, HO)算法和卷积神经网络(Convol...开展公路隧道结构状态精准预测是掌握隧道结构状态变化、识别潜在安全风险和保障安全运营的重要技术手段。针对隧道监控量测测点的空间分布与时序特性,提出了一种基于河马优化(Hippopotamus Optimization, HO)算法和卷积神经网络(Convolutional Neural Network, CNN)的双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)网络公路隧道结构状态预测方法。量化分析测点间关联性,结合温度特征构建模型输入矩阵;利用CNN挖掘各测点的空间关联性,采用BiLSTM提取时间序列特征,引入HO算法优化模型参数;将预测结果映射为隧道结构状态等级,展示隧道整体受力状态。结果表明,建立的HO-CNN-BiLSTM模型能够有效提取空间和温度特征,在预测精度和稳定性方面均优于对比模型,可实现隧道结构状态精确评估,为公路隧道的安全运营及分级管控措施制定提供技术支撑。展开更多
针对变压器故障诊断存在诊断精度不高和麻雀搜索算法(sparrow search algorithm,SSA)存在易陷入局部最优的问题,提出了一种基于融合正余弦和柯西变异的麻雀搜索算法(sine-cosine and Cauchy mutation sparrow search algorithm,SCSSA)...针对变压器故障诊断存在诊断精度不高和麻雀搜索算法(sparrow search algorithm,SSA)存在易陷入局部最优的问题,提出了一种基于融合正余弦和柯西变异的麻雀搜索算法(sine-cosine and Cauchy mutation sparrow search algorithm,SCSSA)优化双向长短期记忆网络(bi-directional long-short term memory,BiLSTM)的变压器故障诊断模型。首先,基于油中溶解气体分析(dissolved gas analysis,DGA)法,以5种特征量作为输入,其次利用正余弦策略和柯西变异策略对麻雀算法进行改进,然后将SCSSA算法、SSA算法和灰狼优化算法(grey wolf optimizer,GWO)在4种测试函数上进行性能对比,验证了SCSSA算法的优越性。最后利用SCSSA算法对BiLSTM网络中的参数进行优化,从而提高BiLSTM网络在变压器故障诊断中的性能。实验结果表明,所提SCSSA-BiLSTM故障诊断模型的综合诊断精度为95.1%,相比于SSA-BiLSTM、GWO-BiLSTM、BiLSTM和LSTM模型分别提高了7.3%、12.2%、14.6%、19.5%,并且SCSSA-BiLSTM模型有着更好的鲁棒性。展开更多
随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法...随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法。首先通过皮尔逊相关分析筛选关键特征,并利用孤立森林算法检测异常值,结合线性插值法和标准化完成数据预处理。随后,通过时间卷积网络(Temporal Convolutional Network,TCN)提取时序特征,再利用双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获前后向时间依赖关系,并在输出端引入注意力机制聚焦关键时间步特征。最后,在Desert Knowledge Australia Solar Centre(DKASC)数据集上的对比实验表明,与传统LSTM、BiLSTM模型相比,提出的TCN-BiLSTM-Attention模型在预测精度、稳定性等方面均表现出一定优势。展开更多
文摘针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,建立SAMCNN改进型网络。再结合双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络,提出电工钢片SAMCNN-BiLSTM磁致伸缩模型。首先,利用灰狼优化算法(grey wolf optimization,GWO)寻优神经网络结构的参数,实现复杂工况下磁致伸缩效应的准确表征;然后,建立中低频范围单频与叠加谐波激励等复杂工况下的磁致伸缩应变数据库,开展数据预处理与特征分析;最后,对SAMCNN-BiLSTM模型开展对比验证。对比叠加3次谐波激励下的磁致伸缩应变频谱主要分量,SAMCNN-BiLSTM模型计算值最大相对误差为3.70%,其比Jiles-Atherton-Sablik(J-A-S)、二次畴转等模型能更精确地表征电工钢片的磁致伸缩效应。
文摘开展公路隧道结构状态精准预测是掌握隧道结构状态变化、识别潜在安全风险和保障安全运营的重要技术手段。针对隧道监控量测测点的空间分布与时序特性,提出了一种基于河马优化(Hippopotamus Optimization, HO)算法和卷积神经网络(Convolutional Neural Network, CNN)的双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)网络公路隧道结构状态预测方法。量化分析测点间关联性,结合温度特征构建模型输入矩阵;利用CNN挖掘各测点的空间关联性,采用BiLSTM提取时间序列特征,引入HO算法优化模型参数;将预测结果映射为隧道结构状态等级,展示隧道整体受力状态。结果表明,建立的HO-CNN-BiLSTM模型能够有效提取空间和温度特征,在预测精度和稳定性方面均优于对比模型,可实现隧道结构状态精确评估,为公路隧道的安全运营及分级管控措施制定提供技术支撑。
文摘针对变压器故障诊断存在诊断精度不高和麻雀搜索算法(sparrow search algorithm,SSA)存在易陷入局部最优的问题,提出了一种基于融合正余弦和柯西变异的麻雀搜索算法(sine-cosine and Cauchy mutation sparrow search algorithm,SCSSA)优化双向长短期记忆网络(bi-directional long-short term memory,BiLSTM)的变压器故障诊断模型。首先,基于油中溶解气体分析(dissolved gas analysis,DGA)法,以5种特征量作为输入,其次利用正余弦策略和柯西变异策略对麻雀算法进行改进,然后将SCSSA算法、SSA算法和灰狼优化算法(grey wolf optimizer,GWO)在4种测试函数上进行性能对比,验证了SCSSA算法的优越性。最后利用SCSSA算法对BiLSTM网络中的参数进行优化,从而提高BiLSTM网络在变压器故障诊断中的性能。实验结果表明,所提SCSSA-BiLSTM故障诊断模型的综合诊断精度为95.1%,相比于SSA-BiLSTM、GWO-BiLSTM、BiLSTM和LSTM模型分别提高了7.3%、12.2%、14.6%、19.5%,并且SCSSA-BiLSTM模型有着更好的鲁棒性。
文摘随着光伏发电在全球能源体系中占比不断提升,超短期光伏发电量预测对电力系统调度与安全运行至关重要。然而,光伏发电量受多因素影响,具有显著随机性与波动性。为此,提出了一种基于TCN-BiLSTM-Attention模型的超短期光伏发电量预测方法。首先通过皮尔逊相关分析筛选关键特征,并利用孤立森林算法检测异常值,结合线性插值法和标准化完成数据预处理。随后,通过时间卷积网络(Temporal Convolutional Network,TCN)提取时序特征,再利用双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获前后向时间依赖关系,并在输出端引入注意力机制聚焦关键时间步特征。最后,在Desert Knowledge Australia Solar Centre(DKASC)数据集上的对比实验表明,与传统LSTM、BiLSTM模型相比,提出的TCN-BiLSTM-Attention模型在预测精度、稳定性等方面均表现出一定优势。
