期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到109篇文章
< 1 2 … 6 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
岩溶泉日流量预测的深度学习模型对比:LSTM与混合VMD-LSTM
1
作者 杨杨 赵良杰 《中国岩溶》 北大核心 2025年第5期937-948,共12页
岩溶泉流量具有强非平稳与多尺度耦合特征,给精确预测带来挑战。为同时提升预测精度与物理可解释性,文章提出将变分模态分解(VMD)与长短期记忆网络(LSTM)耦合的VMD-LSTM框架:先用VMD将泉流量序列分解为若干本征模态,再与降雨共同作为输... 岩溶泉流量具有强非平稳与多尺度耦合特征,给精确预测带来挑战。为同时提升预测精度与物理可解释性,文章提出将变分模态分解(VMD)与长短期记忆网络(LSTM)耦合的VMD-LSTM框架:先用VMD将泉流量序列分解为若干本征模态,再与降雨共同作为输入,驱动两层LSTM进行建模;并以标准LSTM为基线开展对比评估。以桂林寨底岩溶系统2013−2023年日尺度数据为研究对象,VMD-LSTM在训练、验证与测试阶段均优于基线模型;其中测试期达到纳什效率系数=0.951、均方根误差=0.524,且峰值均方根误差(观测前5%)下降75.2%,显著增强了对极端事件的刻画能力。结果表明:VMD可有效缓解原序列的非平稳与模态混叠,使LSTM更稳定地捕捉“快响应−慢退水”的动力学过程。该方法对岩溶区洪水预警与水资源调度具有现实应用价值。 展开更多
关键词 变分模态分解 长短期记忆网络 岩溶泉 vmd-lstm 流量预测
在线阅读 下载PDF
基于VMD-LSTM的矿井粉尘浓度预测研究 被引量：1
2
作者 李永中 陈博 +3 位作者 王海山 胡世奇 王攀 郑谐 《工矿自动化》 北大核心 2025年第9期90-97,156,共9页
针对煤矿井下粉尘浓度数据的非线性、非平稳及强噪声特性导致传统预测模型精度不足的问题,提出一种变分模态分解(VMD)与长短期记忆网络(LSTM)融合的矿井粉尘浓度预测方法。将原始粉尘时序浓度数据输入VMD,在设定模态数量K和约束因子α... 针对煤矿井下粉尘浓度数据的非线性、非平稳及强噪声特性导致传统预测模型精度不足的问题,提出一种变分模态分解(VMD)与长短期记忆网络(LSTM)融合的矿井粉尘浓度预测方法。将原始粉尘时序浓度数据输入VMD,在设定模态数量K和约束因子α条件下,VMD将原始数据分解为K个具有不同频率特征的模态分量,每个分量分别对应不同频段的振幅信息。将分量数据输入LSTM,通过选择性遗忘/输入门控算法对输入的分量数据进行训练,输出分量预测结果。对分量预测结果进行叠加重构,输出最终预测结果。以三道沟煤矿某工作面粉尘浓度数据为研究对象,分析了约束因子α对VMD分解效果的影响及模态数量K对预测性能的影响,结果表明:在K=5时样本被VMD完全分解,每个模态分量包含了详细的频率信息,可以清楚直观地分析整体信号的成分;α=2 000时各模态分量轮廓完整且完全分离,过小的α会导致独立分量中包含较多冗余信息,随着α值的增大模态分量带宽不断降低且分辨率提高。基于VMD-LSTM的粉尘浓度预测实验结果表明:在K=5,α=2 000时,VMD-LSTM的预测结果与实测值的误差最小,MAE,MSE,RMSE和MRE均优于其他模型,说明VMDLSTM对复杂环境条件下非线性、非平稳及强噪声的粉尘浓度预测具有强泛化能力和鲁棒性。 展开更多
关键词 矿井粉尘浓度预测 变分模态分解 长短期记忆网络 模态数量 约束因子 vmd-lstm
在线阅读 下载PDF
基于改进VMD-LSTM模型的罗茨机组振动异常检测与仪表状态预测
3
作者 李志明 《造纸装备及材料》 2025年第10期40-42,共3页
针对罗茨机组振动异常检测与仪表状态预测难题,提出改进变分模态分解-长短期记忆网络(variational mode decomposition-long short-term memory,VMD-LSTM)融合模型。通过自适应变分模态分解优化振动信号特征提取,结合双向LSTM网络与注... 针对罗茨机组振动异常检测与仪表状态预测难题,提出改进变分模态分解-长短期记忆网络(variational mode decomposition-long short-term memory,VMD-LSTM)融合模型。通过自适应变分模态分解优化振动信号特征提取,结合双向LSTM网络与注意力机制构建时序预测模型,并建立动态耦合调参机制。试验表明,改进模型真空度预测平均绝对误差(mean absolute error, MAE)大幅降低,异常检测准确率提高,预警时间缩短。 展开更多
关键词 罗茨机组 振动分析 vmd-lstm 状态预测 异常检测
在线阅读 下载PDF
VMD-LSTM模型在案件时序数据处理中的降噪与预测优化
4
作者 刘振宇 王雅实 《数字技术与应用》 2025年第8期4-6,共3页
传统预测模型受限于自身架构与算法原理,在面对复杂多变、特征交错的时间序列时,难以精准洞察其中微妙且复杂的特征,致使预测结果与实际情况偏差较大。因此,本文聚焦变分模态分解(VMD)与长短期记忆网络(LSTM)模型在案件时序数据处理中... 传统预测模型受限于自身架构与算法原理,在面对复杂多变、特征交错的时间序列时,难以精准洞察其中微妙且复杂的特征,致使预测结果与实际情况偏差较大。因此,本文聚焦变分模态分解(VMD)与长短期记忆网络(LSTM)模型在案件时序数据处理中的应用,在降噪方面表现卓越,可以有效去除噪声干扰,在预测优化上显著优于LSTM、ARIMA及VMD-ARIMA等对比模型,为司法领域案件时序数据的高效处理提供了有力支持。 展开更多
关键词 长短期记忆网络 降噪 vmd-lstm模型 变分模态分解
在线阅读 下载PDF
基于自适应VMD-LSTM的超短期风电功率预测 被引量：7
5
作者 王迪 傅晓锦 杜诗琪 《南京信息工程大学学报》 北大核心 2025年第1期74-87,共14页
针对风电功率波动性较强和预测精度较低的问题,提出一种改进蜣螂优化算法(Logistic-T-Dung Beetle Optimizer,LTDBO)优化变分模态分解(Variational Mode Decomposition,VMD)参数和LTDBO算法优化长短期记忆网络(Long Short-Term Memory,L... 针对风电功率波动性较强和预测精度较低的问题,提出一种改进蜣螂优化算法(Logistic-T-Dung Beetle Optimizer,LTDBO)优化变分模态分解(Variational Mode Decomposition,VMD)参数和LTDBO算法优化长短期记忆网络(Long Short-Term Memory,LSTM)超参数的混合短期风电功率预测模型.首先以平均包络谱峭度作为适应度函数,利用LTDBO算法对VMD分解层数和惩罚因子进行寻优,然后使用VMD对数据清洗后的风电序列进行分解,得到不同频率的平稳的固有模态分量(Intrinsic Mode Function,IMF),并将各IMF输入由LTDBO进行超参数寻优的LSTM进行预测,最后将各IMF预测值进行叠加重构,得到最终结果.实验结果表明:LTDBO算法可以找到VMD和LSTM的最优超参数组合,LTDBO-VMD-LTDBO-LSTM组合模型在风电功率预测领域具有较好的预测精度和鲁棒性. 展开更多
关键词 风电功率 蜣螂优化算法 变分模态分解 长短期记忆网络 数据清洗
在线阅读 下载PDF
基于VMD-LSTM的变压器油中乙炔低浓度预测方法 被引量：2
6
作者 王瑾媚 王艳 《电工电能新技术》 北大核心 2025年第5期108-117,共10页
乙炔是变压器内高温过热和各种放电故障产生的特征气体,可导致油劣化并降低绝缘性能,还会使油酸化腐蚀变压器内金属表面;超高压变压器运行中乙炔含量的报警值要求为1μL/L,目前研究的变压器油中溶解气体预测模型对1μL/L及以下气体浓度... 乙炔是变压器内高温过热和各种放电故障产生的特征气体,可导致油劣化并降低绝缘性能,还会使油酸化腐蚀变压器内金属表面;超高压变压器运行中乙炔含量的报警值要求为1μL/L,目前研究的变压器油中溶解气体预测模型对1μL/L及以下气体浓度预测误差较大。本文提出结合变分模态分解的长短期记忆网络(VMD-LSTM)预测模型来实现变压器油中乙炔低浓度的准确预测,采用变分模态分解(VMD)将乙炔时序数据分解成固有模态分量(IMF),调整容限参数降低数据噪声对模型的影响,结合长短期记忆神经网络(LSTM)进行预测。对本文所提模型的预测效果进行验证:预测模型的均方根误差为0.010 9,平均绝对误差为0.008 7,平均绝对百分比误差为1.641%,达到非常理想的预测效果。 展开更多
关键词 乙炔 超高压 变分模态分解 固有模态分量 长短期记忆神经网络
在线阅读 下载PDF
基于VMD-LSTM的高速公路综合场站碳排放预测研究
7
作者 高晓明 许文峰 +4 位作者 邱浪 任高峰 郑一柳 么学春 徐琛 《西安理工大学学报》 北大核心 2025年第4期499-508,共10页
高速公路综合场站是桥梁及公路建设中能源消耗与碳排放的关键节点。为实现对其碳排放的精准预测,本文基于长修高速封丘至修武段综合场站146天的能耗监测数据,创新性地构建了变分模态分解(VMD)联合长短期记忆网络(LSTM)的碳排放预测模型... 高速公路综合场站是桥梁及公路建设中能源消耗与碳排放的关键节点。为实现对其碳排放的精准预测,本文基于长修高速封丘至修武段综合场站146天的能耗监测数据,创新性地构建了变分模态分解(VMD)联合长短期记忆网络(LSTM)的碳排放预测模型。结果表明:VMD-LSTM模型能有效捕捉综合场站碳排放的周期性变化规律,其预测值与实际值的趋势高度吻合;该模型预测性能优异,准确率(AR)达94.32%,均方误差(MSE)为0.0993,均方根误差(RMSE)为0.3150,决定系数(R^(2))为0.9739,显著优于传统LSTM模型。研究结果可为高速公路综合场站精准节能减碳提供理论指导与技术支撑。 展开更多
关键词 高速公路综合场站 碳排放 变分模态分解 长短期记忆网络 预测模型
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
8
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VMD-LSTM对大地电磁信号进行噪声检测和预测重构 被引量：1
9
作者 李博 李长伟 +2 位作者 罗润林 吕玉增 王占 《物探与化探》 2025年第1期100-117,共18页
在大地电磁法中,强干扰噪声限制了该方法还原真实地下结构的精度,会对后期资料解释造成不良影响。本文基于大地电磁时间序列的特点,对不同类型噪声的特征进行分析,提出了一种基于VMD(变分模态分解)与LSTM(长短时记循环神经网络)预测重... 在大地电磁法中,强干扰噪声限制了该方法还原真实地下结构的精度,会对后期资料解释造成不良影响。本文基于大地电磁时间序列的特点,对不同类型噪声的特征进行分析,提出了一种基于VMD(变分模态分解)与LSTM(长短时记循环神经网络)预测重构的信号去噪技术。首先通过VMD信号分解算法对原始大地电磁数据进行去基线漂移处理,对处理好的时间序列继续通过VMD分解为多个不同的模态IMFs,选用含噪声轮廓信息的RSE分量中无干扰数据训练LSTM时间序列检测模型,对RSE分量进行识别并标记含噪时间段,计算噪声的步长,将噪声信息传递给原始信号并截断删除。最后通过对IMFs训练LSTM多维预测模型,对空缺的位置预测不同模态下的信号,将所有模态输出结果叠加可得大地电磁预测信号,重构信号后针对VMD方法识别度不高的尖脉冲噪声进行二次信噪分离即完成去噪。通过该技术可精确识别大地电磁信号中的强干扰噪声,只针对噪声发生时间段进行处理,有效保护了信号中无干扰数据,且预测数据误差可控制在大地电磁信号数据处理的误差允许范围内,去噪效果显著。 展开更多
关键词 大地电磁 变分模态分解VMD 长短时循环神经网络LSTM 深度学习 信号去噪
在线阅读 下载PDF
基于VMD-LSTM模型的流域径流预报技术
10
作者 张挺 马睿佳 +2 位作者 程泳铭 安强 刘浏 《南水北调与水利科技(中英文)》 北大核心 2025年第5期1196-1203,共8页
为进一步提高日径流预测精度,引入变分模态分解(variational mode decomposition,VMD),结合长短时记忆神经网络(long short-term memory,LSTM)构建日径流预测模型(VMD-LSTM),旨在通过信号分解与深度学习技术的协同作用,解决径流数据的... 为进一步提高日径流预测精度,引入变分模态分解(variational mode decomposition,VMD),结合长短时记忆神经网络(long short-term memory,LSTM)构建日径流预测模型(VMD-LSTM),旨在通过信号分解与深度学习技术的协同作用,解决径流数据的非线性和非平稳性问题。选取赛江流域七步站和白塔站2006−2018年的实测日径流数据作为训练集,2019−2021年的实测日径流数据作为测试集,验证模型适用性并比较不同时间步长对模型预测精度影响,并对不同时间步长对模型预测精度的影响进行了系统性比较,以确定最优的时间步长参数,从而进一步提升模型的预测效果。结果显示:分解预测模型(variational mode decomposition-long short-term memory model,VMD-LSTM)预测精度高、误差小;相比于单一LSTM模型,组合模型预测精度可提高70%,且对于峰值谷值的拟合更精确;最佳时间步长配置因水文状况而异(在15 d窗口表现最佳)。这表明VMD-LSTM模型能有效提高预测精度,为日径流预测提供了一条新的途径。 展开更多
关键词 径流 水文模拟 机器学习 LSTM VMD
在线阅读 下载PDF
基于VMD-LSTM的锂电池健康状态预测 被引量：1
11
作者 于沛 宫大鹏 +2 位作者 王淑娴 王新建 李晶 《北京石油化工学院学报》 2025年第2期57-63,共7页
针对当前锂电池健康状态(state of health,SOH)预测中存在的估算模型复杂导致估算精度较低的问题,提出一种利用变分模态分解(variational mode decomposition,VMD)和长短期记忆网络(long short-term memory,LSTM)的锂电池SOH预测方法。... 针对当前锂电池健康状态(state of health,SOH)预测中存在的估算模型复杂导致估算精度较低的问题,提出一种利用变分模态分解(variational mode decomposition,VMD)和长短期记忆网络(long short-term memory,LSTM)的锂电池SOH预测方法。首先从电池历史充放电老化数据中提取与锂电池健康状态密切相关的健康因子,利用斯皮尔曼相关性分析对多健康因子去冗余处理,重构出一个包含信息充分的融合健康因子;其次,由于电池容量存在容量再生现象,采用VMD对融合健康因子信号分解为若干模态分量后,使用LSTM训练模型;最后采用NASA电池退化数据集进行验证。结果表明,该方法相较于LSTM、EEMD-LSTM、EMD-LSTM方法,SOH估计的MAPE、MAE、RMSE均在0.3%以内,有效提高了SOH的预测精度。 展开更多
关键词 变分模态分解 长短期记忆神经网络 锂电池 健康状态
在线阅读 下载PDF
SNR优化VMD-LSTM海洋环境参数长时序混合预测新模型
12
作者 康永红 贺小星 《测绘科学》 北大核心 2025年第10期1-8,共8页
针对基于变分模态分解(VMD)和长短时记忆网络(LSTM)的混合深度学习长时间序列预测模型中存在的参数难以确定问题,该文通过优化VMD获取最优参数,提出信噪比(SNR)优化变分模态分解与长短时记忆网络模型的海洋环境参数长时序混合预测新模型... 针对基于变分模态分解(VMD)和长短时记忆网络(LSTM)的混合深度学习长时间序列预测模型中存在的参数难以确定问题,该文通过优化VMD获取最优参数,提出信噪比(SNR)优化变分模态分解与长短时记忆网络模型的海洋环境参数长时序混合预测新模型(SVMD-LSTM)。以海洋环境参数28 a的长时间序列作为模型特征,对比实验验证SVMD-LSTM模型的有效性和稳定性。实验结果表明,SNR能有效优化VMD分解的最优参数,且SVDM-LSTM模型大幅度减少了VMD-LSTM模型带来的预测偏差,海底温度、海水温度、盐度及海面高的均方根误差(RMSE)值平均降低了22.28%、27.43%、23.39%及35.00%,海底温度、海水温度、盐度及海面高的平均绝对误差(MAE)值平均降低了31.73%、29.30%、39.52%及20.00%。SVMD-LSTM模型与原始时间序列拟合度强,可以更好地预测和监测海洋环境变化,该预测方法可应用于海洋环境参数长时间序列的精准预测。 展开更多
关键词 海洋环境参数 深度学习 时间序列预测 VMD LSTM
原文传递
基于VMD-LSTM模型的王家坝月径流预测应用研究
13
作者 鲁志杰 杨丰源 +3 位作者 杜昀宸 胡友兵 赵梦杰 陈邦慧 《水利信息化》 2025年第3期31-34,共4页
针对淮河流域水资源监测体系不完善,径流量预测精度低、水资源管理与调配智慧化程度无法满足“四预”业务应用需求等问题,基于VMD与LSTM构建VMD-LSTM模型,VMD用于分解原始径流序列,LSTM可捕捉子序列的长期依赖关系。VMD-LSTM模型在淮河... 针对淮河流域水资源监测体系不完善,径流量预测精度低、水资源管理与调配智慧化程度无法满足“四预”业务应用需求等问题,基于VMD与LSTM构建VMD-LSTM模型,VMD用于分解原始径流序列,LSTM可捕捉子序列的长期依赖关系。VMD-LSTM模型在淮河王家坝断面径流预测应用中,相比BP、LSTM模型的预测结果,在均方根误差、平均绝对误差及确定性系数评价指标上均有显著提升。淮河王家坝水文站月径流预测结果表明:VMD-LSTM模型能够有效识别径流序列的非平稳特性,提高月径流预测精度,为流域水资源管理与调配提供科学和智能的决策支持。 展开更多
关键词 月径流预测 VMD LSTM 组合模型
在线阅读 下载PDF
基于GWO-VMD-LSTM的超短期风电功率预测
14
作者 马志光 《自动化应用》 2025年第23期80-83,共4页
准确的风力发电预测有助于提升电力系统的可靠性、安全性和经济运行水平,但风速的间歇性及其对天气状况的强依赖性,使得预测任务颇具挑战性。首先,提出一种新的预测框架,通过变分模态分解(VMD)对风电功率数据进行预处理和分解;然后,设... 准确的风力发电预测有助于提升电力系统的可靠性、安全性和经济运行水平,但风速的间歇性及其对天气状况的强依赖性,使得预测任务颇具挑战性。首先,提出一种新的预测框架,通过变分模态分解(VMD)对风电功率数据进行预处理和分解;然后,设计带有随机失活正则化的长短期记忆(LSTM)网络深度学习模型,对分解后的模态进行精准预测;最后,利用灰狼优化(GWO)算法对模型的超参数进行优化,筛选出最佳的超参数。结果表明,所提模型在超短期风力发电量预测方面具有较高的预测精度。 展开更多
关键词 超短期预测 风力发电 变分模态分解 长短期记忆 超参数优化算法 灰狼优化 随机失活正则化
在线阅读 下载PDF
基于VMD-LSTM的电力负荷预测模型
15
作者 薛利蓉 李享蔚 《现代工业经济和信息化》 2025年第7期231-233,共3页
近年来,针对当前电力负荷预测精度较低以及稳定性较低的问题,旨在探讨基于VMD-LSTM的电力负荷预测方法,并验证其有效性。首先通过变分模态分解VMD将原始数据分解为模态分量IMF,再通过LSTM神经网络对每个模态分量进行建模,将预测结果相... 近年来,针对当前电力负荷预测精度较低以及稳定性较低的问题,旨在探讨基于VMD-LSTM的电力负荷预测方法,并验证其有效性。首先通过变分模态分解VMD将原始数据分解为模态分量IMF,再通过LSTM神经网络对每个模态分量进行建模,将预测结果相加得到电力负荷叠加预测值,最后与原始数据相比较。 展开更多
关键词 电力负荷预测 变分模态分解VMD 长短期记忆网络LSTM 电力负荷叠加预测值
在线阅读 下载PDF
VMD-LSTM算法在短期负荷预测中的应用 被引量：19
16
作者 胡欣球 马立新 《电力科学与工程》 2018年第6期9-13,共5页
传统的负荷预测方法如回归分析法、灰色预测法、支持向量机(Support Vector Machine,SVM)等缺少对时序数据相关性、特征值的全面考虑,预测值不稳定,精度较低且波动大。为进一步提升电力系统短期负荷预测的准确率,结合变分模态分解(Varia... 传统的负荷预测方法如回归分析法、灰色预测法、支持向量机(Support Vector Machine,SVM)等缺少对时序数据相关性、特征值的全面考虑,预测值不稳定,精度较低且波动大。为进一步提升电力系统短期负荷预测的准确率,结合变分模态分解(Variational Mode Decomposition,VMD)和长短时记忆神经网络(Long Short-Term Memory,LSTM)算法,建立了一种短期负荷预测模型(VMD-LSTM)。首先采用VMD技术将输入负荷数据分解为多个有限带宽的本征模态分量,分解结果表明了人们生产生活中不同的用电习惯,并且分离了数据中的噪声和信号,然后对每个模态分量建立LSTM神经网络进行预测,结合模型输出重构预测结果。通过实际算例,验证了该算法相比于传统的负荷预测算法适应性强,预测精度高且稳定,具有显著的理论指导意义和实用价值。 展开更多
关键词 短期负荷预测 变分模态分解 长短时记忆神经网络 vmd-lstm
在线阅读 下载PDF
基于数据预处理和计算机VMD-LSTM-GPR的储能系统离子电池剩余寿命预测 被引量：4
17
作者 田凌浒 袁炳夏 《储能科学与技术》 CSCD 北大核心 2024年第1期336-338,共3页
离子电池剩余寿命影响储能系统运行能力,准确预测电池寿命,有助于判断系统的实时运行状态,为获得较为可靠的预测结果,提出基于数据预处理和计算机VMD-LSTM-GPR的储能系统离子电池剩余寿命预测方法。针对储能系统离子电池剩余寿命预测的... 离子电池剩余寿命影响储能系统运行能力,准确预测电池寿命,有助于判断系统的实时运行状态,为获得较为可靠的预测结果,提出基于数据预处理和计算机VMD-LSTM-GPR的储能系统离子电池剩余寿命预测方法。针对储能系统离子电池剩余寿命预测的相关理论问题进行研究,并联合储能数据预处理标准与计算机VMDLSTM-GPR模型,计算锂离子电池的容量退化能力,从而评估剩余电池寿命,实现基于数据预处理和计算机VMD-LSTM-GPR的储能系统离子电池剩余寿命预测。 展开更多
关键词 数据预处理 计算机vmd-lstm-GPR 储能系统 离子电池 剩余寿命
在线阅读 下载PDF
基于锋线提取和VMD-LSTM的东海黑潮温度锋强度预测 被引量：2
18
作者 徐为帅 张磊 王华 《海洋科学进展》 CAS CSCD 北大核心 2024年第3期478-489,共12页
东海黑潮锋是黑潮与东海陆架水的交界,对东海海洋环境和气候变化产生重要影响。本文基于JCOPE2M(Japan Coastal Ocean Predictability Experiment 2 Modified)再分析数据和WOA23(World Ocean Atlas2023)气候态平均数据,结合等温线和纬... 东海黑潮锋是黑潮与东海陆架水的交界,对东海海洋环境和气候变化产生重要影响。本文基于JCOPE2M(Japan Coastal Ocean Predictability Experiment 2 Modified)再分析数据和WOA23(World Ocean Atlas2023)气候态平均数据,结合等温线和纬向最高温度梯度提取东海黑潮锋的锋线,针对东海黑潮锋强度存在不同时间尺度变化的特性,构建了基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆网络(Long Short-Term Memory, LSTM)的预测模型,研究结果表明:本研究提出的锋线识别方法适用于全水深和弱锋区域,在东海黑潮锋识别中取得了较好的效果;通过锋线提取得到的东海黑潮锋强度序列可分解为趋势变化项、周期变化项及不规则波动变化项,次表层水锋强显著高于表层和中层水,并呈逐年递增的趋势,可达0.033 4 (℃/km)/a;VMD-LSTM组合模型预测的东海黑潮锋强度与原始值的接近程度高,预测效果优秀,精度较季节性差分自回归滑动平均模型和LSTM模型提升显著,具有一定的推广价值。 展开更多
关键词 东海黑潮锋 温度 年际变化 锋线提取 vmd-lstm
在线阅读 下载PDF
基于VMD-LSTM-MLR的短期电力负荷预测 被引量：17
19
作者 张震 李孟洲 +1 位作者 李浩方 马军强 《水电能源科学》 北大核心 2021年第10期208-212,共5页
针对短期电力负荷预测精度不高的问题,提出集合变分模态分解(VMD)、长短期记忆(LSTM)网络及多元线性回归(MLR)的VMD-LSTM-MLR预测方法。先使用VMD将电力负荷数据分解为特征、频率均不同的本征模态函数,然后用LSTM对高频部分进行预测,用... 针对短期电力负荷预测精度不高的问题,提出集合变分模态分解(VMD)、长短期记忆(LSTM)网络及多元线性回归(MLR)的VMD-LSTM-MLR预测方法。先使用VMD将电力负荷数据分解为特征、频率均不同的本征模态函数,然后用LSTM对高频部分进行预测,用MLR对低频部分进行预测,最后将LSTM与MLR得到的预测结果进行叠加,获得完整的预测结果。使用VMD-LSTM-MLR预测方法对江苏省某市电力负荷数据进行预测,验证了VMD-LSTM-MLR在预测电力负荷数据上有较高的精度,其平均绝对百分比误差MAPE、均方根误差RMSE均低于目前比较典型的改进算法,以及所列举的4种组合算法。 展开更多
关键词 电力负荷预测 VMD LSTM MLR 本征模态函数
原文传递
基于VMD-LSTM的液压泵健康状态识别研究 被引量：1
20
作者 梁泽慧 《液压气动与密封》 2024年第6期65-72,共8页
常规的液压泵健康状态识别方法,主要采用信号幅值特征识别出健康状态,忽略了共振频率的影响,导致识别结果状态相关度较低,因此,提出了基于可变记忆深度长短时记忆网络(Variable Memory Depth Long Short-Term Memory,VMD-LSTM)的液压泵... 常规的液压泵健康状态识别方法,主要采用信号幅值特征识别出健康状态,忽略了共振频率的影响,导致识别结果状态相关度较低,因此,提出了基于可变记忆深度长短时记忆网络(Variable Memory Depth Long Short-Term Memory,VMD-LSTM)的液压泵健康状态识别研究。利用VMD-LSTM结合的算法,通过3个步骤对液压泵信号进行去噪、预加重以及分帧处理,分析了处理信号与液压泵材料之间的共振频率,由此提取出排除共振频率影响的时域特征,将该特征代入到算法中识别得出液压泵的退化率健康状态。实验结果表明:方法能够实现对液压泵健康状态的识别,并且状态相关度较高,识别结果较为准确,满足了液压泵在实际应用中的安全运维需求。 展开更多
关键词 液压泵 vmd-lstm 健康状态 状态识别 退化率
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 6 下一页 到第 页
使用帮助 返回顶部