针对锅炉过热汽温系统存在的大时延、强非线性和变量耦合等建模难题,建立了一种基于贝叶斯优化时间序列预测神经基扩展分析(neural basis expansion analysis for interpretable time series forecasting,N-BEATS)网络的过热汽温预测模...针对锅炉过热汽温系统存在的大时延、强非线性和变量耦合等建模难题,建立了一种基于贝叶斯优化时间序列预测神经基扩展分析(neural basis expansion analysis for interpretable time series forecasting,N-BEATS)网络的过热汽温预测模型。针对某600 MW超临界火电机组,结合机理分析确定模型的输入和输出变量,通过性能对比实验优化模型的输入/输出时延阶次、Block类型和激活函数,进一步利用贝叶斯优化算法对模型的超参数进行寻优,并与网格搜索、遗传算法的优化效果进行对比。采用该机组仿真运行数据进行建模实验,结果表明所提模型在预测精度方面优于传统优化方法及主流模型。展开更多
传统方法难以表征多峰分布,深度学习模型缺乏可解释性。为准确预测通行时间,优化交通管理,文章基于可解释时间序列预测的神经基展开分析(Neural Basis Expansion Analysis for Interpretable Time Series Forecasting,N-BEATS)网络框架...传统方法难以表征多峰分布,深度学习模型缺乏可解释性。为准确预测通行时间,优化交通管理,文章基于可解释时间序列预测的神经基展开分析(Neural Basis Expansion Analysis for Interpretable Time Series Forecasting,N-BEATS)网络框架,使用堆叠的“后向重构+前向预测”机制,显式分解时间序列的趋势、季节性和残差分量,以预测通行时间分布。后向重构可捕获历史数据中的固有模式,前向预测通过分解成分来预测通行时间,这不仅提高了预测精度,还增强了结果的可解释性。文章基于高速公路电子不停车收费系统(Electronic Toll Collection,ETC)的节假日和工作日数据,发现N-BEATS预测的相对误差明显低于长短期记忆网络(Long Short-Term Memory,LSTM)及其多头注意力变体等基线模型,在高波动情景下具有更强的稳定性和适应性。全连接架构和残差传输策略可以有效地减少复杂交通模式的预测偏差。实验表明,N-BEATS框架在通行时间分布预测中准确性和可解释性良好,为智慧交通管理提供了更具解释性的决策支撑。展开更多
文摘针对锅炉过热汽温系统存在的大时延、强非线性和变量耦合等建模难题,建立了一种基于贝叶斯优化时间序列预测神经基扩展分析(neural basis expansion analysis for interpretable time series forecasting,N-BEATS)网络的过热汽温预测模型。针对某600 MW超临界火电机组,结合机理分析确定模型的输入和输出变量,通过性能对比实验优化模型的输入/输出时延阶次、Block类型和激活函数,进一步利用贝叶斯优化算法对模型的超参数进行寻优,并与网格搜索、遗传算法的优化效果进行对比。采用该机组仿真运行数据进行建模实验,结果表明所提模型在预测精度方面优于传统优化方法及主流模型。
文摘传统方法难以表征多峰分布,深度学习模型缺乏可解释性。为准确预测通行时间,优化交通管理,文章基于可解释时间序列预测的神经基展开分析(Neural Basis Expansion Analysis for Interpretable Time Series Forecasting,N-BEATS)网络框架,使用堆叠的“后向重构+前向预测”机制,显式分解时间序列的趋势、季节性和残差分量,以预测通行时间分布。后向重构可捕获历史数据中的固有模式,前向预测通过分解成分来预测通行时间,这不仅提高了预测精度,还增强了结果的可解释性。文章基于高速公路电子不停车收费系统(Electronic Toll Collection,ETC)的节假日和工作日数据,发现N-BEATS预测的相对误差明显低于长短期记忆网络(Long Short-Term Memory,LSTM)及其多头注意力变体等基线模型,在高波动情景下具有更强的稳定性和适应性。全连接架构和残差传输策略可以有效地减少复杂交通模式的预测偏差。实验表明,N-BEATS框架在通行时间分布预测中准确性和可解释性良好,为智慧交通管理提供了更具解释性的决策支撑。
