期刊文献+
共找到296篇文章
< 1 2 15 >
每页显示 20 50 100
基于RIME优化VMD与TCN-Crossformer多尺度融合的短期电力负荷预测 被引量:2
1
作者 黄宇 胡怡然 +3 位作者 马金杰 梁博彦 崔玉雷 张浩 《电力科学与工程》 2025年第8期48-57,共10页
针对电力负荷序列的多尺度非平稳性与跨维度动态关联特征导致的协同建模难题,提出了一种基于霜冰优化算法(Rime optimization algorithm,RIME)改进的变分模态分解(Variational mode decomposition,VMD)与时间卷积网络(Temporal convolut... 针对电力负荷序列的多尺度非平稳性与跨维度动态关联特征导致的协同建模难题,提出了一种基于霜冰优化算法(Rime optimization algorithm,RIME)改进的变分模态分解(Variational mode decomposition,VMD)与时间卷积网络(Temporal convolutional network,TCN)-Crossformer多尺度融合的预测模型。首先,利用RIME算法以样本熵均值为适应度函数,自适应优化VMD的惩罚系数与模态数,抑制模态混叠并提升分解质量;其次,通过TCN的因果卷积与膨胀卷积结构提取各模态分量的局部时序波动特征,捕捉短期波动规律;最后,采用结合Crossformer的跨维度注意力机制,显式建模时间与特征维度的动态关联性,实现局部时序特征与全局依赖关系的多尺度协同融合。在南方某城市半小时级电力负荷数据集上的实验验证结果表明,相较于Informer等模型,所提模型的决定系数提升2.49%,平均绝对误差降低73.07%,且在四季预测中均表现出强鲁棒性。 展开更多
关键词 变分模态分解 跨维度注意力 rime优化算法 时间卷积网络 Crossformer
在线阅读 下载PDF
基于CLSRIME-XGBOOST的带式输送机托辊故障诊断方法
2
作者 江帆 程舒曼 +4 位作者 朱真才 周公博 李强 刘全辉 宋鸿炎 《振动.测试与诊断》 北大核心 2025年第4期666-673,840,共9页
针对声音信号分析在诊断带式输送机托辊故障中的高维特征存在信息冗余、计算量大和诊断效果不理想等问题,笔者构建了声音信号特征精简策略,基于Circle混沌映射、Levy飞行策略和正弦因子改进了霜冰优化算法(rime optimization algorithm... 针对声音信号分析在诊断带式输送机托辊故障中的高维特征存在信息冗余、计算量大和诊断效果不理想等问题,笔者构建了声音信号特征精简策略,基于Circle混沌映射、Levy飞行策略和正弦因子改进了霜冰优化算法(rime optimization algorithm,简称RIME),记作CLSRIME。再结合极致梯度提升模型(extreme gradient boosting,简称XGBOOST),构建了CLSRIME-XGBOOST带式输送机托辊轴承故障诊断方法。首先,利用梅尔倒谱系数(Melscale frequency cepstral coefficient,简称MFCC)融合方法提取信号关键特征,并通过t-分布领域嵌入算法(t-distributed stochastic neighbor embedding,简称tSNE)进行降维,构建了基于MFCC和tSNE的精简特征提取策略;其次,针对RIME存在初始种群分布不均、霜冰粒子搜索能力弱、收敛速度较慢的问题,引入Circle混沌映射、Levy飞行策略和正弦因子,设计了CLSRIME;最后,利用CLSRIME优化XGBOOST中树的深度、迭代次数及学习率等参数,构建了基于CLSRIME-XGBOOST的诊断模型。结果表明,所提方法能够精简表征托辊轴承故障状态的特性信息,改善了RIME的优化性能,提高了传统XGBOOST诊断模型的准确率,为带式输送机托辊故障诊断提供了新思路。 展开更多
关键词 带式输送机 改进rime算法 MFCC XGBOOST 故障诊断
在线阅读 下载PDF
基于RIME-IAOA的混合模型短期光伏功率预测 被引量:2
3
作者 王仁明 魏逸明 席磊 《三峡大学学报(自然科学版)》 CAS 北大核心 2025年第1期81-88,共8页
光伏发电在如今的新能源发展中逐渐成为重点,其中光伏功率预测成为研究的主要方向.为了提升光伏功率预测的精度和效率,提出了RIME-VMD-IAOA-LSTM模型.该模型通过霜冰优化算法(RIME)优化变分模态分解(VMD)的参数来提升分解效率;引入余弦... 光伏发电在如今的新能源发展中逐渐成为重点,其中光伏功率预测成为研究的主要方向.为了提升光伏功率预测的精度和效率,提出了RIME-VMD-IAOA-LSTM模型.该模型通过霜冰优化算法(RIME)优化变分模态分解(VMD)的参数来提升分解效率;引入余弦控制因子的动态边界策略来控制算数优化算法(AOA)数值的增长速率从而提升算法的精度和稳定性;利用自适应T分布变异策略来改进AOA的局部搜索能力和全局开发能力,更好地避免局部最优解.两种智能优化算法的加入使得整体模型的预测效率和速度都有很大提升,实验结果表明组合模型RIMEVMD-IAOA-LSTM相比于其他预测模型有较高的光伏功率预测精度. 展开更多
关键词 霜冰优化算法 变分模态分解 算术优化算法 余弦控制因子策略 自适应T分布策略 短期光伏功率预测
在线阅读 下载PDF
基于RIME-VMD-LSTM法的流固耦合作用下叶片裂纹特征
4
作者 朱敏 段娟 +2 位作者 钱晶 曾云 单蓉 《排灌机械工程学报》 北大核心 2025年第8期786-794,共9页
为及时检测水轮机转轮叶片的裂纹,监测机组健康状况并保障机组安全,提出了利用计算流体动力学(computational fluid dynamics,CFD)软件来模拟获得流固耦合振动信号,采用霜冰优化算法(RIME)、变分模态分解(variational mode decompositio... 为及时检测水轮机转轮叶片的裂纹,监测机组健康状况并保障机组安全,提出了利用计算流体动力学(computational fluid dynamics,CFD)软件来模拟获得流固耦合振动信号,采用霜冰优化算法(RIME)、变分模态分解(variational mode decomposition,VMD)和长短时记忆(long short-term memory,LSTM)神经网络的智能故障诊断方法,实现对水轮机转轮叶片裂纹的高效检测和预测.首先,使用CFD计算流场信息,并通过流固耦合将其结果导入有限元分析(finite element analysis,FEA)软件中,从而获得健康和含裂纹叶片转轮的时域振动信号;接着,运用RIME对VMD的模态分量K值和惩罚因子α进行参数优化.优化后的VMD用于处理振动信号并分解为多个模态分量;最后,将这些模态分量作为输入,通过LSTM神经网络进行特征学习和识别.研究结果显示,此方法避免了获取叶片裂纹样本的经济损耗,大幅缩短了研发周期,并成功实现了精确的叶片裂纹故障识别.对于径向和轴向振动信号的裂纹故障诊断,总体识别准确率分别达到了93.0330%和92.8939%. 展开更多
关键词 叶片裂纹检测 CFD 流固耦合 rime-VMD LSTM神经网络
在线阅读 下载PDF
基于MIC特征提取与ICEEMD-RIME-DHKELM的建筑业碳排放预测模型 被引量:2
5
作者 张新生 聂达文 陈章政 《环境工程》 2025年第4期46-58,共13页
为解决建筑业碳排放研究中影响因素选取局限性、数据预处理不足、碳排放复杂动态变化及非线性问题,提出了一种基于最大信息系数(MIC)特征提取、改进互补集合经验模态分解(ICEEMD)、雾凇优化算法(RIME)与深度混合核极限学习机(DHKELM)的... 为解决建筑业碳排放研究中影响因素选取局限性、数据预处理不足、碳排放复杂动态变化及非线性问题,提出了一种基于最大信息系数(MIC)特征提取、改进互补集合经验模态分解(ICEEMD)、雾凇优化算法(RIME)与深度混合核极限学习机(DHKELM)的建筑业碳排放量预测模型。首先,根据IPCC计算方法,从直接和间接两个方面测算1992—2021年我国建筑业碳排放量,基于STIRPAT模型选取年末总人口数、国内生产总值、建筑业房屋竣工面积和能源结构等17个影响建筑业碳排放量的因素,然后利用灰色关联分析和MIC方法两阶段筛选出12个关键影响因素;其次,使用ICEEMD将建筑业碳排放量分解为多个平稳序列和一个残差项,并将其分别代入RIME算法优化关键参数后的DHKELM模型中。最后,将各分解序列的预测结果相加获得建筑业碳排放预测值,并对比分析多种基准模型的预测结果。结果显示:MIC-ICEEMD-RIME-DHKELM模型的预测性能最优,其均方根误差、平均绝对误差、平均绝对百分比误差和绝对相关系数分别为0.2782亿t、0.2672亿t、1.3783%和0.9576,均优于其他模型,证明该模型适用于建筑业碳排放量的预测。该研究成果为建筑业的低碳发展提供理论支持和技术参考。 展开更多
关键词 建筑业 碳排放 最大信息系数 改进互补集合经验模态分解 雾凇优化算法 深度混合核极限学习机
原文传递
基于RIME-VMD-RIME-BiLSTM的短期风电功率预测 被引量:1
6
作者 王秀云 祝宏斌 《电气应用》 2025年第4期85-95,共11页
针对风电功率时间序列的随机性和波动性,为提高风电预测准确度,提出了一种结合霜冰优化算法(RIME)、变分模态分解(Variational Mode Decomposition,VMD)与双向长短期神经网络(Bidirectional Long Short-Term Memory,BiLSTM)的短期风电... 针对风电功率时间序列的随机性和波动性,为提高风电预测准确度,提出了一种结合霜冰优化算法(RIME)、变分模态分解(Variational Mode Decomposition,VMD)与双向长短期神经网络(Bidirectional Long Short-Term Memory,BiLSTM)的短期风电功率预测组合模型。首先,利用RIME算法对VMD的分解层数和惩罚因子寻优;然后,使用VMD对风电序列进行分解,得到不同频率且平稳的固有模态分量(Intrinsic Mode Function,IMF);接着,将各IMF输入至经RIME算法完成超参数寻优的BiLSTM中进行预测;最后,将各输出值进行叠加重构,得到最终结果。实验结果表明,所提预测模型在测试集上的预测误差指标分别为0.584、0.489和3.26%,均为最低值,验证了RIMEVMD-RIME-BiLSTM混合预测模型在风电功率预测领域具有较好的预测准确度和鲁棒性。 展开更多
关键词 风电功率 霜冰优化算法 变分模态分解 BiLSTM
原文传递
基于模态分解和RIME-CNN-BiLSTM-AM的风速预测方法
7
作者 朱婷 颜七笙 《科学技术与工程》 北大核心 2025年第20期8514-8525,共12页
作为一种清洁的可再生能源,风能在缓解日益严重的能源危机方面充当着重要作用。然而,风速的波动性和随机性给电力系统的稳定运行带来了严峻的挑战。针对该问题,提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical... 作为一种清洁的可再生能源,风能在缓解日益严重的能源危机方面充当着重要作用。然而,风速的波动性和随机性给电力系统的稳定运行带来了严峻的挑战。针对该问题,提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与霜冰优化算法(rime optimization algorithm,RIME)-卷积神经网络(convolutional neural network,CNN)-双向长短期记忆网络(bidirectional long short-term memory network,BiLSTM)-注意力机制(attention mechanism,AM)的短期风速预测组合模型CEEMDAN-RIME-CNN-BiLSTM-AM。首先,对初始风速序列采用CEEMDAN算法,得到一系列较平稳的子模态,以降低风速序列的波动性;然后,采用RIME霜冰优化算法优化CNN超参数,建立CNN-RIME模型,对风速数据进行自适应提取和挖掘;接着,采用BiLSTM-AM模型对处理后的数据进行预测;最后,将各子序列的预测结果叠加,得到最终预测结果。以某地实际风速数据集进行对比试验,该模型在单步与多步预测中均展现出良好的预测性能,可以为制定调度计划提供参考,以最大程度地提高能源利用率和供电。 展开更多
关键词 风速预测 自适应噪声完备集合经验模态分解(CEEMDAN) 霜冰优化算法(rime) 卷积神经网络(CNN) 双向长短期记忆网络(BiLSTM) 注意力机制(AM)
在线阅读 下载PDF
TERIME:An Improved RIME Algorithm With Enhanced Exploration and Exploitation for Robust Parameter Extraction of Photovoltaic Models
8
作者 Shi-Shun Chen Yu-Tong Jiang +1 位作者 Wen-Bin Chen Xiao-Yang Li 《Journal of Bionic Engineering》 2025年第3期1535-1556,共22页
Parameter extraction of photovoltaic(PV)models is crucial for the planning,optimization,and control of PV systems.Although some methods using meta-heuristic algorithms have been proposed to determine these parameters,... Parameter extraction of photovoltaic(PV)models is crucial for the planning,optimization,and control of PV systems.Although some methods using meta-heuristic algorithms have been proposed to determine these parameters,the robustness of solutions obtained by these methods faces great challenges when the complexity of the PV model increases.The unstable results will affect the reliable operation and maintenance strategies of PV systems.In response to this challenge,an improved rime optimization algorithm with enhanced exploration and exploitation,termed TERIME,is proposed for robust and accurate parameter identification for various PV models.Specifically,the differential evolution mutation operator is integrated in the exploration phase to enhance the population diversity.Meanwhile,a new exploitation strategy incorporating randomization and neighborhood strategies simultaneously is developed to maintain the balance of exploitation width and depth.The TERIME algorithm is applied to estimate the optimal parameters of the single diode model,double diode model,and triple diode model combined with the Lambert-W function for three PV cell and module types including RTC France,Photo Watt-PWP 201 and S75.According to the statistical analysis in 100 runs,the proposed algorithm achieves more accurate and robust parameter estimations than other techniques to various PV models in varying environmental conditions.All of our source codes are publicly available at https://github.com/dirge1/TERIME. 展开更多
关键词 Photovoltaic modeling rime algorithm Optimization problems Meta-heuristic algorithms STABILITY
在线阅读 下载PDF
基于RIME-CNN-SVM的故障诊断模型
9
作者 齐昕涛 张艺萌 《内蒙古科技与经济》 2025年第22期122-126,共5页
针对传统电气设备故障诊断方法特征提取能力不足、分类精度受限的问题,文章提出了一种基于RIME-CNN-SVM的故障诊断模型,该模型结合了RIME(雾凇算法)、CNN(卷积神经网络)和SVM(支撑向量机)的优点,以提高电力系统故障诊断的准确性和效率... 针对传统电气设备故障诊断方法特征提取能力不足、分类精度受限的问题,文章提出了一种基于RIME-CNN-SVM的故障诊断模型,该模型结合了RIME(雾凇算法)、CNN(卷积神经网络)和SVM(支撑向量机)的优点,以提高电力系统故障诊断的准确性和效率。在这一模型中,CNN被用来执行故障数据的特征提取与抽象化处理,将其传递给SVM模型,由SVM进一步执行分类与回归分析的任务,并引入雾凇算法来精细调整CNN与SVM的各项参数。从而可以精准地判断故障类型或准确地评估故障的严重程度。实验结果表明,该模型在多个电力系统故障诊断数据集上表现优异,成功实现了较高的诊断准确率。 展开更多
关键词 故障诊断 rime CNN SVM 电力系统
在线阅读 下载PDF
基于RIME-VMD的高速列车横向减振器故障诊断 被引量:5
10
作者 秦永峰 李刚 +1 位作者 齐金平 王建帅 《铁道科学与工程学报》 北大核心 2025年第3期942-953,共12页
为解决变分模态分解(VMD)在高速列车横向减振器故障诊断中特征提取较为困难的问题,提出一种基于霜冰算法(RIME)以最小包络熵作为适应度函数优化变分模态分解(VMD)的特征提取方法。首先,使用霜冰算法(RIME)优化VMD在不同故障状态下模态(I... 为解决变分模态分解(VMD)在高速列车横向减振器故障诊断中特征提取较为困难的问题,提出一种基于霜冰算法(RIME)以最小包络熵作为适应度函数优化变分模态分解(VMD)的特征提取方法。首先,使用霜冰算法(RIME)优化VMD在不同故障状态下模态(IMF)分量的个数和惩罚因子的最优参数组合;其次,计算各个IMFs分量的峭度值与相关性系数,再分别选取峭度值较大的前4阶IMF分量,并在峭度值较大的4个IMFs分量中选取相关性系数较高的前3阶IMFs进行信号重构降噪;最后,计算多尺度的奇异熵、样本熵、排列熵作为故障特征值,并结合t分布随机近邻嵌入(t-SNE)算法降维去除冗余特征信息,将降维融合后的特征矩阵逐一输入到支持向量机(SVM)中,从而实现对高速列车横向减振器不同故障部位的识别。仿真实验结果表明:相较于灰狼算法(GWO)优化变分模态分解(VMD)的方法,RIME-VMD方法利用霜冰算法高效的搜索与开发能力,可以更快速寻得高速列车不同工况下,变分模态分解中分解层数和惩罚因子参数的全局最优组合,提高了VMD分解信号的鲁棒性,采用信号重构的方法可以有效提取故障特征,实现高速列车横向减振器故障的高效、准确识别。原始变分模态分解(VMD)方法虽然分解速度较快,但原始VMD参数的人工试错成本更高,不能满足高速列车故障诊断的要求。研究结果可为高速列车横向减振器故障诊断和安全运营进一步优化提供参考。 展开更多
关键词 转向架 变分模态分解 霜冰算法 故障诊断 多尺度奇异熵
在线阅读 下载PDF
基于RIME-VMD-TCN-Attention的船舶电力负荷预测
11
作者 骆佳馨 高海波 +2 位作者 欧阳继能 李程 陈灿 《舰船科学技术》 北大核心 2025年第18期112-118,共7页
船舶电力负荷因具有噪声多、随机性和非线性强的特点,在短期电力负荷预测中存在噪声干扰、特征提取困难和模型拟合度差的问题。故本文提出一种结合霜冰优化算法(Rime Optimization Algorithm,RIME)的变分模态分解(Variational Mode Deco... 船舶电力负荷因具有噪声多、随机性和非线性强的特点,在短期电力负荷预测中存在噪声干扰、特征提取困难和模型拟合度差的问题。故本文提出一种结合霜冰优化算法(Rime Optimization Algorithm,RIME)的变分模态分解(Variational Mode Decomposition,VMD)、时序卷积网络(Temporal Convolutional Network,TCN)和注意力机制的组合预测模型。首先,通过RIME-VMD分解,将复杂的船舶电力负荷信号分解为多个仅包含简单负荷特征的单独模态,以减少噪声的影响同时提高分解效率;其次,通过TCN模型结合Attention机制对各模态分量进行预测并将结果组合,使模型自适应捕捉电力负荷中的非线性特征,提高时序预测能力;最后,实验分析表明,本文提出的RIME-VMD-TCN-Attention模型误差指标MAE、MAPE、RMSE和R2均优于传统LSTM模型、GRU模型、单一TCN模型和未经模态分解的混合模型,具有更高的预测精度。 展开更多
关键词 船舶短期电力负荷预测 霜冰优化算法 变分模态分解 时序卷积网络 注意力机制
在线阅读 下载PDF
基于最优重构健康因子和RIME-SVR的锂电池健康状态估计研究
12
作者 杨东晓 王贺 +2 位作者 党宏宇 袁宇轩 和杰公 《电子测量与仪器学报》 北大核心 2025年第5期188-196,共9页
为提高锂电池健康状态(SOH)估计精度,提出一种基于最优重构健康因子和霜冰算法优化支持向量回归(RIME-SVR)相融合的估计方法。首先从锂电池充放电过程提取3个可测量健康因子,利用Pearson法分析验证其与SOH相关性;其次利用完备集合经验... 为提高锂电池健康状态(SOH)估计精度,提出一种基于最优重构健康因子和霜冰算法优化支持向量回归(RIME-SVR)相融合的估计方法。首先从锂电池充放电过程提取3个可测量健康因子,利用Pearson法分析验证其与SOH相关性;其次利用完备集合经验模态分解算法(CEEMDAN)对健康因子分解重构,通过实验验证法确定最优重构方式,有效降低数据噪声和容量回升现象对SOH估计干扰;最后搭建基于RIME算法优化的SVR估计模型。实验采用NASA电池退化数据,结果表明,相比于粒子群(PSO)和人工蜂群(ABC)优化算法,RIME优化SVR参数时表现出更快收敛速度和更强全局搜索能力,显著提升模型性能。此外,基于最优重构健康因子和RIME-SVR的锂电池SOH估计模型3项指标均优于对比实验中其他模型,具有更高的估计精度和拟合度。使用最优重构健康因子Dtv_1+Ti_1+Tdv_1作为输入,模型平均绝对误差(MAE)、均方根误差(RMSE)分别低于0.37和0.55、R~2高于0.92,表明所提方法具备良好的普适性和鲁棒性。 展开更多
关键词 锂电池健康状况 最优重构健康因子 霜冰优化算法 支持向量回归 CEEMDAN
原文传递
基于IRIME-BP-LSTM模型的继电保护装置剩余寿命预测方法
13
作者 张洪嘉 戴志辉 +1 位作者 贺欲飞 贾文超 《电力系统保护与控制》 北大核心 2025年第15期125-134,共10页
目前继电保护装置寿命预测理论中存在缺少对单个装置状态准确评估预测、预测数据无法根据实际运行情况及时修正等问题,导致预测结果不可靠。对此,提出基于改进霜冰优化算法(improved rime optimization algorithm,IRIME)优化反向传播(ba... 目前继电保护装置寿命预测理论中存在缺少对单个装置状态准确评估预测、预测数据无法根据实际运行情况及时修正等问题,导致预测结果不可靠。对此,提出基于改进霜冰优化算法(improved rime optimization algorithm,IRIME)优化反向传播(backpropagation,BP)神经网络与长短期记忆网络(long short memory network,LSTM)模型的继电保护装置剩余寿命预测方法。首先,总结运维经验与规程要求,建立保护装置状态评估指标集,形成初始输入向量。其次,引入柯西变异机制改进霜冰优化算法,利用IRIME对BP神经网络初始参数进行优化。然后,将初始输入向量赋予优化后的神经网络,进行保护装置状态评估,形成装置运行状态的表征向量并构建时间序列。最后,将构建的时间序列输入到LSTM网络中进行保护装置剩余寿命的预测。案例验证结果表明,该方法在保护装置剩余寿命预测上具有更高的准确度,可以为保护装置检修运维工作提供理论指导。 展开更多
关键词 继电保护装置 剩余寿命预测 状态评估 改进霜冰优化算法 长短期记忆网络
在线阅读 下载PDF
基于二次分解和RIME-HKELM的中国区域碳价预测
14
作者 胡贝贝 程云鹤 《安徽理工大学学报(社会科学版)》 2025年第1期24-35,共12页
碳价有效预测是碳金融市场风险管理的关键。针对中国区域碳价的非线性、非平稳复杂波动特征,提出一种结合二次分解重构策略和霜冰优化算法优化的混合核极限学习机(RIME-HKELM)的组合预测模型,并以湖北碳市场价格为研究对象开展实证研究... 碳价有效预测是碳金融市场风险管理的关键。针对中国区域碳价的非线性、非平稳复杂波动特征,提出一种结合二次分解重构策略和霜冰优化算法优化的混合核极限学习机(RIME-HKELM)的组合预测模型,并以湖北碳市场价格为研究对象开展实证研究。结果表明:1)引入RIME算法优化HKELM的参数能改进碳价的预测效果。2)采用基于VMD、改进TVFEMD和极差熵的二次分解重构策略能够提高碳价分解的有效性,进而提高碳价整体的预测性能。3)引入基于RIME-HKELM的非线性集成学习方法确定碳价最终的预测值,能够区分不同子序列对碳价整体预测结果的影响。文中提出的模型相较参照组模型具有显著的预测性能,在碳价预测研究中具有良好的适用性和有效性。 展开更多
关键词 碳价预测 混合核极限学习机 时变滤波经验模态分解 霜冰优化算法 极差熵
在线阅读 下载PDF
基于VMD-RIME-LSTM算法的天然气负荷预测
15
作者 张凯 高伟 +3 位作者 刘晓磊 孙旭 卜跃刚 张宏喜 《区域供热》 2025年第2期51-59,106,共10页
针对某企业各用能端用能无序、多台燃气锅炉交互使用,天然气日用气负荷波动性大等问题,提出了一种变分模态分解(VMD)和霜冰优化算法(RIME)与长短期记忆神经网络(Long Short-Term Memory,LSTM)相耦合的天然气负荷预测模型。首先使用VMD... 针对某企业各用能端用能无序、多台燃气锅炉交互使用,天然气日用气负荷波动性大等问题,提出了一种变分模态分解(VMD)和霜冰优化算法(RIME)与长短期记忆神经网络(Long Short-Term Memory,LSTM)相耦合的天然气负荷预测模型。首先使用VMD对经过数据清洗的天然气负荷序列进行分解,将复杂的信号分解为若干个不同频率的模态分量(Intrinsic Mode Function,IMF);然后将各模态分量输入到经霜冰优化算法优化过的长短期记忆神经网络模型中进行预测,最后将各子序列预测结果叠加重构得到最终预测结果。实验结果表明:相比于单一长短期神经网络模型LSTM以及VMD-LSTM模型,这种VMD-RIME-LSTM模型在天然气负荷预测方面具有较好的预测精度,可为企业燃气锅炉系统实现更精确的运行管理和能源利用提供数据支撑。 展开更多
关键词 变分模态分解 霜冰优化算法 长短期记忆神经网络 天然气负荷 时序预测
在线阅读 下载PDF
基于RIME-VMD和SSA-CNN-Transformer的滚动轴承故障诊断
16
作者 杨雄 石宇城 +1 位作者 陈儒晖 贺朋飞 《贵州大学学报(自然科学版)》 2025年第3期44-51,共8页
为了解决滚动轴承早期故障信号微弱、特征提取效果不佳,从而影响故障诊断准确性和效率的问题,本文提出了一种结合信号处理与深度神经网络的故障诊断模型。首先,利用霜冰优化算法对变分模态分解的参数进行优化,以获得最佳模态分量;其次,... 为了解决滚动轴承早期故障信号微弱、特征提取效果不佳,从而影响故障诊断准确性和效率的问题,本文提出了一种结合信号处理与深度神经网络的故障诊断模型。首先,利用霜冰优化算法对变分模态分解的参数进行优化,以获得最佳模态分量;其次,使用麻雀优化算法对CNN-Transformer组合模型的超参数进行调优;最后,将最优模态分量输入优化后的CNN-Transformer模型,以得到故障分类结果。通过美国CWRU轴承数据集验证,实验结果显示,该模型在准确性和稳定性方面相比其他故障诊断模型有显著提升,能够为工业设备的可靠维护提供更精准的故障诊断支持。 展开更多
关键词 变分模态分解 霜冰优化算法 卷积神经网络 TRANSFORMER 麻雀优化算法 故障诊断 滚动轴承
在线阅读 下载PDF
基于LOBL-IRIME-TCN-LSTM模型的印刷园区电力负荷预测
17
作者 王志远 马添翼 +2 位作者 李婷 刘子宸 符蓉玥 《印刷与数字媒体技术研究》 北大核心 2025年第S2期118-128,共11页
印刷园区电力负荷预测对园区能源优化调度、供需平衡管理及碳减排目标实现具有关键意义。针对印刷生产过程中电力负荷呈现的强周期性波动、设备启停冲击等非线性特征,以及传统时间序列模型对复杂模式捕捉能力的局限性,本研究提出了基于... 印刷园区电力负荷预测对园区能源优化调度、供需平衡管理及碳减排目标实现具有关键意义。针对印刷生产过程中电力负荷呈现的强周期性波动、设备启停冲击等非线性特征,以及传统时间序列模型对复杂模式捕捉能力的局限性,本研究提出了基于融合Levy飞行策略、透镜成像反向学习策略(Levy Flight Opposition-Based Learning,LOBL)与无限折叠迭代混沌映射(Iterative Chaotic Map with Infinite Collapses,ICMIC)改进优化的TCN-LSTM预测模型LOBL-IRIME-TCN-LSTM的印刷园区电力负荷预测方法。本算法通过引入ICMIC映射初始化霜冰种群,借助该映射机制确保种群分布的均匀遍历性,进而有效提升算法早期收敛速度;同时引入Levy飞行与反向学习相结合的策略,通过Levy飞行的长程跳跃特性拓展反向学习对解空间的探索范围,进而增强算法的全局搜索能力并提升后期收敛速度。本研究以某印刷园区电力负荷数据为研究对象进行消融实验,并与其他模型进行对比分析实验。实验结果表明,本研究提出的预测模型性能更佳。 展开更多
关键词 霜冰优化算法 TCN-LSTM 电力负荷预测 印刷园区
在线阅读 下载PDF
基于RIME-LSTM-Transformer的混凝土坝变形预测模型
18
作者 周煜 王煜 +2 位作者 谭雪怡 刘永涛 周明明 《水电能源科学》 北大核心 2025年第12期168-171,181,共5页
提升混凝土坝位移变形预测的精度,可以更好地分析其运行状态和健康状态。针对混凝土坝变形位移数据呈现明显的时间序列特征和多变量输入单变量输出的特征,融合长短期记忆网络和自注意力机制的优势,同时使用霜冰优化算法对融合模型的参... 提升混凝土坝位移变形预测的精度,可以更好地分析其运行状态和健康状态。针对混凝土坝变形位移数据呈现明显的时间序列特征和多变量输入单变量输出的特征,融合长短期记忆网络和自注意力机制的优势,同时使用霜冰优化算法对融合模型的参数进行寻优,构建了基于RIME-LSTM-Transformer的混凝土坝变形预测模型。实例分析结果表明,该模型的评价指标均得到了提高,相较于传统模型,该模型更适用于长时间序列数据分析,显著提高了混凝土坝位移变形的预测精度与迭代效率。 展开更多
关键词 混凝土坝 变形预测 霜冰优化算法 长短期记忆网络 TRANSFORMER
原文传递
基于改进CNN和RIME-SVM的小样本艾萨炉喷枪故障识别方法
19
作者 孙海东 段宏 王嵩岭 《中国有色冶金》 北大核心 2025年第6期39-51,共13页
针对铜熔池熔炼过程中艾萨炉喷枪易出现故障,且小样本故障数据识别准确率较低问题,本文提出了一种基于指数线性单元(ELU)、全局平均池化(GAP)的卷积神经网络(EGCNN)和霜冰优化算法(RIME)优化支持向量机(SVM)的小样本艾萨炉喷枪故障识别... 针对铜熔池熔炼过程中艾萨炉喷枪易出现故障,且小样本故障数据识别准确率较低问题,本文提出了一种基于指数线性单元(ELU)、全局平均池化(GAP)的卷积神经网络(EGCNN)和霜冰优化算法(RIME)优化支持向量机(SVM)的小样本艾萨炉喷枪故障识别方法。首先,采用ELU作为卷积神经网络(CNN)的激活函数,以提高对艾萨炉喷枪数据噪声和输入变化的鲁棒性,加快模型收敛;其次,为增强艾萨炉喷枪工艺参数与故障类别之间的相关性,减少模型参数,避免过拟合,采用GAP替代全连接(FC)层;最后,引入SVM替代传统的Softmax函数作为最终分类器,并通过RIME对SVM的惩罚因子和核函数参数寻优,进一步提高艾萨炉喷枪故障识别模型的准确率。结果表明,该方法在艾萨炉喷枪故障识别的准确率、精确率、召回率、F_(1)-score和Kappa系数分别为97.08%、97.08%、97.10%、97.07%和0.9611,因此,所提出的方法在故障识别性能上表现更为优越,准确率较高。 展开更多
关键词 艾萨炉喷枪 故障识别 卷积神经网络 霜冰优化算法 支持向量机
在线阅读 下载PDF
PREDICTION OF RIME ICE ACCRETION AND RESULTING EFFECT ON AIRFOIL PERFORMANCE 被引量:3
20
作者 陈维建 张大林 《Transactions of Nanjing University of Aeronautics and Astronautics》 EI 2005年第1期9-15,共7页
The roughness effect based on the wall function method is introduced into the numerical simulation of the rime ice accretion and the resulting effect on the aerodynamic performance of the airfoil. Incorporating the tw... The roughness effect based on the wall function method is introduced into the numerical simulation of the rime ice accretion and the resulting effect on the aerodynamic performance of the airfoil. Incorporating the two-phase model of air/super-cooled droplets in the Eulerian coordinate system, this paper presents the simulation of the rime ice accretion on the NACA 0012 airfoil. The predicted rime ice shape is compared with those results of measurements and simulations by other icing codes. Also the resulting effects of rime ice on airfoil aerodynamic performance are discussed. Results indicate that the rime ice accretion leads to the loss of the maximum lift coefficient by 26%, the decrease of the stall angle by about 3° and the considerable increase of the drag coefficient. 展开更多
关键词 numerical simulation anti/de-icing rime ice ROUGHNESS aerodynamic performance
在线阅读 下载PDF
上一页 1 2 15 下一页 到第
使用帮助 返回顶部