为更好地描述光伏出力不确定性,该文提出了一种基于时序卷积网络(temporal convolutional network,简称TCN)和双向长短期记忆(bidirectional long short term memory,简称BiLSTM)的光伏功率概率预测模型.首先,基于数值天气预报中的云量...为更好地描述光伏出力不确定性,该文提出了一种基于时序卷积网络(temporal convolutional network,简称TCN)和双向长短期记忆(bidirectional long short term memory,简称BiLSTM)的光伏功率概率预测模型.首先,基于数值天气预报中的云量和降雨量将历史数据集划分为晴天、多云天和阴雨天3种场景,生成具有相似天气类型的测试集和训练样本集:然后,应用TCN进行集成特征维度提取,利用BiLSTM神经网络建模进行输出功率和天气数据时间序列的双向拟合.针对传统区间预测分位数损失函数不可微的缺陷,引入Huber范数近似替代原损失函数,并应用梯度下降进行优化,构建改进的可微分位数回归(quantile regression,简称QR)模型,生成置信区间.最后,采用核密度估计(kerneldensity estimation,简称KDE)给出概率密度预测结果。以我国华东某地区分布式光伏电站作为研究对象,与现有概率预测方法相比,该文所提出的短期预测算法的功率区间各评价指标都有所改进,验证了所提方法的可靠性。展开更多
对水质情况进行准确评估和预测对水污染防控至关重要,然而,由于水质受多种因素的影响,其时间序列数据常常具有趋势性、季节性和长期依赖关系,传统的预测方法往往无法很好地捕捉这些特征。为了解决这些问题,首先基于STL(Seasonal and Tre...对水质情况进行准确评估和预测对水污染防控至关重要,然而,由于水质受多种因素的影响,其时间序列数据常常具有趋势性、季节性和长期依赖关系,传统的预测方法往往无法很好地捕捉这些特征。为了解决这些问题,首先基于STL(Seasonal and Trend Decomposition using Loess)和TCN(Temporal Convolutional Network)构建STL-TCN水质预测模型。其中,通过STL模型对水质时间序列数据进行趋势和季节性分解,有效地提取时序数据的周期性特征;利用TCN模型中并行结构和残差连接有效捕捉时间序列数据的长期依赖关系,对分解后的数据进行多步预测。然后,选用福建省浪石断面河流的氨氮数据来验证STL-TCN水质预测模型的预测效果,并与基于长短时记忆网络(LSTM)和门控循环单元结构(GRU)的水质预测模型进行对比实验。实验结果表明,STL-TCN水质预测模型12步预测的MAE平均值达到0.0343、RMSE平均值达到0.0494、R^(2)平均值达到0.94737,相对LSTM和GRU,MAE平均提高7.8%和8.1%、RMSE平均提高2.2%和1.8%、R^(2)平均提高7.9%和7.8%。说明STL-TCN水质预测模型能够有效提高水质预测的准确性和稳定性,可以作为辅助水环境管理和决策的一种有效手段。展开更多
航空发动机是飞机的重要组成部分,其性能和可靠性直接影响飞机的安全性和经济效益。针对航空发动机寿命预测精度低和数据复杂度高的问题,提出基于一种基于TCN和BiLSTM融合模型用于航空发动机寿命预测。该模型通过TCN捕捉长期依赖关系和...航空发动机是飞机的重要组成部分,其性能和可靠性直接影响飞机的安全性和经济效益。针对航空发动机寿命预测精度低和数据复杂度高的问题,提出基于一种基于TCN和BiLSTM融合模型用于航空发动机寿命预测。该模型通过TCN捕捉长期依赖关系和处理长序列数据,通过BiLSTM处理上下文信息和提取高级特征,将筛选出来的数据特征输入TCN-BiLSTM模型中预测航空发动机的剩余寿命。本文采用NASA开发的C-MAPSS数据进行实验,通过数据仿真验证,模型可以较为准确地预测出航空发动机的剩余寿命,并与SVG、MLP、CNN、LSTM和CNN-LSTM的预测结果相比较,对比结果证明TCN-BiLSTM模型的RSME和Score均低于上述模型方法,从而证明本文提出方法预测效果更好。Aero-engine is an important part of aircraft, and its performance and reliability directly affect the safety and economic benefits of aircraft. Based on the problem of low accuracy and high data complexity of aero-engine life prediction, a fusion model based on TCN and BiLSTM is proposed. The model captures long-term dependencies and processes long sequence data through TCN, processes context information and extracts advanced features through BiLSTM, and inputs the screened data features into the TCN-BiLSTM model to predict the remaining life of the aero-engine. In this paper, the C-MAPSS data developed by NASA is used to experiment. Through data simulation, the model can accurately predict the remaining life of the aero-engine, and compared with the prediction results of SVG, MLP, CNN, LSTM and CNN-LSTM, and the comparison results prove that the RSME and Score of TCN-BiLSTM model are lower than the above model method, thus proving that the prediction effect is better.展开更多
文摘为更好地描述光伏出力不确定性,该文提出了一种基于时序卷积网络(temporal convolutional network,简称TCN)和双向长短期记忆(bidirectional long short term memory,简称BiLSTM)的光伏功率概率预测模型.首先,基于数值天气预报中的云量和降雨量将历史数据集划分为晴天、多云天和阴雨天3种场景,生成具有相似天气类型的测试集和训练样本集:然后,应用TCN进行集成特征维度提取,利用BiLSTM神经网络建模进行输出功率和天气数据时间序列的双向拟合.针对传统区间预测分位数损失函数不可微的缺陷,引入Huber范数近似替代原损失函数,并应用梯度下降进行优化,构建改进的可微分位数回归(quantile regression,简称QR)模型,生成置信区间.最后,采用核密度估计(kerneldensity estimation,简称KDE)给出概率密度预测结果。以我国华东某地区分布式光伏电站作为研究对象,与现有概率预测方法相比,该文所提出的短期预测算法的功率区间各评价指标都有所改进,验证了所提方法的可靠性。
文摘对水质情况进行准确评估和预测对水污染防控至关重要,然而,由于水质受多种因素的影响,其时间序列数据常常具有趋势性、季节性和长期依赖关系,传统的预测方法往往无法很好地捕捉这些特征。为了解决这些问题,首先基于STL(Seasonal and Trend Decomposition using Loess)和TCN(Temporal Convolutional Network)构建STL-TCN水质预测模型。其中,通过STL模型对水质时间序列数据进行趋势和季节性分解,有效地提取时序数据的周期性特征;利用TCN模型中并行结构和残差连接有效捕捉时间序列数据的长期依赖关系,对分解后的数据进行多步预测。然后,选用福建省浪石断面河流的氨氮数据来验证STL-TCN水质预测模型的预测效果,并与基于长短时记忆网络(LSTM)和门控循环单元结构(GRU)的水质预测模型进行对比实验。实验结果表明,STL-TCN水质预测模型12步预测的MAE平均值达到0.0343、RMSE平均值达到0.0494、R^(2)平均值达到0.94737,相对LSTM和GRU,MAE平均提高7.8%和8.1%、RMSE平均提高2.2%和1.8%、R^(2)平均提高7.9%和7.8%。说明STL-TCN水质预测模型能够有效提高水质预测的准确性和稳定性,可以作为辅助水环境管理和决策的一种有效手段。
文摘航空发动机是飞机的重要组成部分,其性能和可靠性直接影响飞机的安全性和经济效益。针对航空发动机寿命预测精度低和数据复杂度高的问题,提出基于一种基于TCN和BiLSTM融合模型用于航空发动机寿命预测。该模型通过TCN捕捉长期依赖关系和处理长序列数据,通过BiLSTM处理上下文信息和提取高级特征,将筛选出来的数据特征输入TCN-BiLSTM模型中预测航空发动机的剩余寿命。本文采用NASA开发的C-MAPSS数据进行实验,通过数据仿真验证,模型可以较为准确地预测出航空发动机的剩余寿命,并与SVG、MLP、CNN、LSTM和CNN-LSTM的预测结果相比较,对比结果证明TCN-BiLSTM模型的RSME和Score均低于上述模型方法,从而证明本文提出方法预测效果更好。Aero-engine is an important part of aircraft, and its performance and reliability directly affect the safety and economic benefits of aircraft. Based on the problem of low accuracy and high data complexity of aero-engine life prediction, a fusion model based on TCN and BiLSTM is proposed. The model captures long-term dependencies and processes long sequence data through TCN, processes context information and extracts advanced features through BiLSTM, and inputs the screened data features into the TCN-BiLSTM model to predict the remaining life of the aero-engine. In this paper, the C-MAPSS data developed by NASA is used to experiment. Through data simulation, the model can accurately predict the remaining life of the aero-engine, and compared with the prediction results of SVG, MLP, CNN, LSTM and CNN-LSTM, and the comparison results prove that the RSME and Score of TCN-BiLSTM model are lower than the above model method, thus proving that the prediction effect is better.
