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76篇文章
< 1 2 … 4 >
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：
高光谱成像结合BiTCN-SA的马铃薯晚疫病早期识别
1
作者 罗祖升 刘雨琛 +1 位作者 王晓丹 张巧杰 《山东农业大学学报(自然科学版)》 北大核心 2026年第1期56-65,共10页
及早识别晚疫病是控制马铃薯晚疫病发展的关键,为充分利用高光谱数据波段间特征信息,提高模型对马铃薯晚疫病早期识别的精度,本文提出一种基于双向时间卷积网络(BiTCN)融合自注意力机制(SA)的马铃薯晚疫病早期识别模型(BiTCN-SA)。BiTC... 及早识别晚疫病是控制马铃薯晚疫病发展的关键,为充分利用高光谱数据波段间特征信息,提高模型对马铃薯晚疫病早期识别的精度,本文提出一种基于双向时间卷积网络(BiTCN)融合自注意力机制(SA)的马铃薯晚疫病早期识别模型(BiTCN-SA)。BiTCN通过正向和反向卷积支路捕捉波段间相关性特征,充分利用前后波段的关联性;自注意力机制动态分配不同波段的重要性权重,提高关键波段对模型分类的贡献度。BiTCN-SA模型将自注意力与BiTCN相融合,在双向上实现局部卷积特征与全局注意力权重的结合,实现双重特征提取,提高模型识别精度。采集3个等级(健康、无症状期、症状初期)的叶片高光谱数据并建模分析,通过对比SVM、RF等机器学习方法和CNN、LSTM、TCN、BiTCN等深度学习方法,以验证本文模型优越性。结果表明,BiTCN-SA模型的收敛速度比单一TCN和BiTCN更快,且模型精度显著提高,比其他机器学习和深度学习方法,具备更强大的特征提取能力,总体准确率达到98%,且对无症状期的病叶识别率达到96%。该方法充分利用高光谱波段间的深层信息,且模型识别率相比于其他机器学习和深度学习方法有大幅提高,为马铃薯晚疫病早期预警和防治提供技术支持。 展开更多
关键词 马铃薯晚疫病 高光谱成像 早期识别 双向时间卷积网络 自注意力机制 特征提取
在线阅读 下载PDF
基于BiTCN的无人机指挥控制链路DoS攻击检测方法
2
作者 赵长啸 方玉麟 汪克念 《航空学报》 北大核心 2026年第1期249-265,共17页
无人机指挥控制(C2)链路的开放性使其易遭受非授信攻击,导致无人机失控、坠毁乃至恶意攻击第三方的风险,针对C2链路中拒绝服务(DoS)攻击风险,考虑实际检测数据集缺失条件,提出了一种基于具有多源特征融合能力的双向时间卷积网络(BiTCN)... 无人机指挥控制(C2)链路的开放性使其易遭受非授信攻击,导致无人机失控、坠毁乃至恶意攻击第三方的风险,针对C2链路中拒绝服务(DoS)攻击风险,考虑实际检测数据集缺失条件,提出了一种基于具有多源特征融合能力的双向时间卷积网络(BiTCN)的攻击检测方法,基于网络数据与物理数据的信息特征融合构建检测数据集,通过时间戳对齐与前向填充,解决网络与物理数据的异步问题;实验基于完整数据集和数据缺失率为5%、15%、30%、40%、50%的数据集展开,利用BiTCN模型通过双向机制捕捉数据的前后文信息,完成特征提取和分类,实现对DoS攻击的检测。将所提方法在真实无人机攻击数据集上进行验证,结果表明:与纯网络数据和纯物理数据检测模型相比,该方法准确率(97.8%)、召回率(95.9%)、F1分数(97.8%)和AUC(0.997)均优于单一维度数据检测模型;与传统FNN、1D-CNN、LSTM、GRU检测模型相比,即使在40%的数据缺失情况下,所提方法仍能保持较高检测精度。 展开更多
关键词 无人机C2链路 DOS攻击检测 双向时间卷积网络 网络数据与物理数据融合 攻击检测方法
原文传递
基于VMD-CNN-BiTCN滚动轴承故障诊断 被引量：3
3
作者 徐志祥 玄永伟 +1 位作者 王洪洋 王壬杰 《微特电机》 2025年第2期68-73,共6页
针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(V... 针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(VMD)分解为K个本征模函数(IMF);将分解后的信号输入到CNN层中进行特征提取和信号压缩;将该信号送入BiTCN中,提取正反两个方向的时序特征,使用膨胀卷积最大化感受野;通过池化层和全连接层实现滚动轴承故障诊断。实验结果显示,该模型在特征提取能力和时序特征感知具有显著优势,能够在多个数据集中表现出良好的故障诊断性能和泛化能力。 展开更多
关键词 滚动轴承 故障诊断 卷积神经网络 双向时间卷积网络 变分模态分解
在线阅读 下载PDF
基于AF-BiTCN的弹道中段目标HRRP识别
4
作者 王晓丹 王鹏 +2 位作者 宋亚飞 向前 李京泰 《北京航空航天大学学报》 北大核心 2025年第2期349-359,共11页
针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为... 针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为双向序列;构建BiTCN逐层提取HRRP的双向深层时序特征,并将双向时序特征采用加性策略融合;利用更加稳健的融合特征实现对弹道中段目标的识别,并使用Adam算法优化AF-BiTCN的收敛速度和稳定性。实验结果表明:所提的基于AF-BiTCN的弹道中段目标HRRP识别方法较堆叠选择长短期记忆网络(SLSTM)、堆叠门控循环单元(SGRU)等6种时序方法具有更高的准确率和更快的识别速度,在测试集上达到了96.60%的准确率,并且在噪声数据集上表现出更好的鲁棒性。 展开更多
关键词 双向时间卷积神经网络 弹道目标识别 特征融合 高分辨距离像 滑窗算法
原文传递
基于LERT和BiTCN的金融领域命名实体识别
5
作者 陈雪松 王璐瑶 王浩畅 《计算机技术与发展》 2025年第3期125-132,共8页
针对传统的命名实体识别方法难以解决金融文本中一词多义且文本的语义特征提取不够充分的问题,提出了一种基于LERT-BiTCN-CRF的金融领域命名实体识别模型。首先,使用LERT模型对输入的金融文本进行预训练以生成相对应字符向量;然后,通过... 针对传统的命名实体识别方法难以解决金融文本中一词多义且文本的语义特征提取不够充分的问题,提出了一种基于LERT-BiTCN-CRF的金融领域命名实体识别模型。首先,使用LERT模型对输入的金融文本进行预训练以生成相对应字符向量;然后,通过在TCN内部增加反向卷积层将其改进为BiTCN,采用BiTCN对字符向量进行编码以提取字符向量的全局语义特征;最后,通过CRF进行解码以得到最佳的预测标签序列。在公开数据集ChFinAnn和自制数据集FinanceNER两个金融领域数据集上进行对比实验,该模型在两个数据集上的F1值分别达到了84.16%和92.17%。相较于其它模型,该模型在金融领域的命名实体识别任务中效果更好,表明该模型具有一定的有效性。同时又在公开的Resume数据集上进行对比实验,该模型F1值相较于基线模型BiGRU-CRF提升2.31%,表明该模型具有一定的泛化性。 展开更多
关键词 LERT模型 金融领域 命名实体识别 双向时间卷积网络 条件随机场
在线阅读 下载PDF
土石坝渗流预测的BiTCN-Attention-LSSVM模型研究
6
作者 傅蜀燕 杨石勇 +2 位作者 陈德辉 王子轩 欧斌 《水资源与水工程学报》 北大核心 2025年第1期118-128,共11页
为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN... 为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN从前、后两个方向捕获时序数据中的长期依赖关系,引入Attention机制帮助模型专注于与预测相关的关键局部特征,并将BiTCN-Attention深度处理后的特征输入LSSVM模型中进行预测,最后以2个不同的数据集分析了模型的预测效果。案例分析表明:与LSSVM、CNN-LSSVM和TCN-LSSVM相比,BiTCN-Attention-LSSVM模型预测的各项评价指标均为最优,在土石坝测压管水位预测中展现出更高的模型精度和稳定性;BiTCN与Attention的相互结合能够更好地提取时序数据中的相互依赖关系,将BiTCN-Attention提取的特征输入LSSVM中进行预测可获得良好的预测性能,数据集扩充处理后有效提高了模型的学习能力。 展开更多
关键词 土石坝测压管水位 渗流预测 双向时序卷积神经网络 注意力机制 最小二乘支持向量机
在线阅读 下载PDF
基于二次模态分解重构及BiTCN-BiGRU模型的光伏短期发电功率预测
7
作者 文斌 章学勤 +2 位作者 付文龙 丁弈夫 封宣宇 《电力系统保护与控制》 北大核心 2025年第18期74-87,共14页
针对光伏功率序列具有非平稳性和波动性的特点导致预测模型预测精度偏低的问题,提出一种基于二次模态分解重构、双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)-双向门控循环单元(bidirectional gated recircul... 针对光伏功率序列具有非平稳性和波动性的特点导致预测模型预测精度偏低的问题,提出一种基于二次模态分解重构、双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)-双向门控循环单元(bidirectional gated recirculation unit,BiGRU)组合模型及与多策略改进沙猫群优化算法(multi-strategy improved sand cat swarm algorithm,MSCSO)相结合的光伏短期发电功率预测方法。首先,利用Spearman相关系数选取气象特征作为模型输入,并采用模糊C均值聚类方法进行相似日分类。其次,采用改进完全集合经验模态分解、变分模态分解对光伏功率序列进行分解并采用样本熵对分量进行重构。最后,建立Bi TCN-Bi GRU组合预测模型进行预测并通过MSCSO优化模型参数,将各分量预测结果叠加得到最终光伏功率预测值。通过与多种预测模型在不同天气条件和不同地区的对比分析,验证了所提模型具有更高的预测精度和良好的适应性。 展开更多
关键词 二次模态分解重构 沙猫群算法 双向时序卷积网络 双向门控循环单元 光伏功率预测
在线阅读 下载PDF
基于改进BiTCN和BiGRU的轴承变转速故障分类模型
8
作者 王文昊 亚森江·加入拉 +2 位作者 肖杨 吕路辉 兰志岗 《机电工程》 北大核心 2025年第12期2343-2353,共11页
为了提升变速故障数据集特征提取的准确率,减少传统神经网络在时间序列数据处理上的局限性,提出了一种基于改进双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)的滚动轴承故障诊断方法。首先,通过变分模态分解(VMD)和快速傅里叶变换(... 为了提升变速故障数据集特征提取的准确率,减少传统神经网络在时间序列数据处理上的局限性,提出了一种基于改进双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)的滚动轴承故障诊断方法。首先,通过变分模态分解(VMD)和快速傅里叶变换(FFT)对原始数据进行了预处理,引入了时间卷积网络(TCN)以提升卷积神经网络(CNN)在处理时间数据方面的性能,并引入了门控循环单元(GRU)以减少数据冗余;然后,构建了网络模型,使用改进BiTCN-BiGRU并行网络架构来提取滚动轴承振动信号的空间和时序特征,并利用交叉注意力机制以加强对重要信息的辨别,从而优化特征选择过程;最后,使用Kolmogorov-Arnold网络(KAN)层对滚动轴承故障数据进行了分类,借助实验和不同模型的对比分析,验证了改进BiTCN-BiGRU模型的泛化能力。研究结果证明:该模型在不同划分比例的训练、测试和验证样本下,轴承故障识别的准确率均高于一些常规深度学习算法;此外,在变速故障数据集下,该模型能够可靠地识别不同类型的轴承故障,并显示出良好的泛化能力;在两个数据集上的分类准确率分别达到了99.32%和96.39%。该模型在变转速故障诊断场景中能够显著提高故障识别准确率。 展开更多
关键词 滚动轴承故障诊断 双向时间卷积网络模型 双向门控循环模型 变分模态分解 快速傅里叶变换 故障识别准确率 泛化能力
在线阅读 下载PDF
基于优化SVMD-IBiTCN-BiLSTM模型的短期风电功率预测方法
9
作者 丁浩展 刘硕 马纪颖 《电子测量技术》 北大核心 2025年第23期98-107,共10页
较高的风电功率预测精准度,能够保障电网可持续稳定运行。针对风电数据的波动性和随机性等特征导致预测精准度欠佳的问题,基于分解-预测模型,提出使用连续变分模态分解算法(SVMD)分解数据,双向时间卷积网络(BiTCN)和双向长短期记忆网络(... 较高的风电功率预测精准度,能够保障电网可持续稳定运行。针对风电数据的波动性和随机性等特征导致预测精准度欠佳的问题,基于分解-预测模型,提出使用连续变分模态分解算法(SVMD)分解数据,双向时间卷积网络(BiTCN)和双向长短期记忆网络(BiLSTM)进行预测为基础的分解预测模型,以提升短期风电功率预测的精准度。使用加入牛顿法增强局部搜索能力的壮丽细尾鹩莺优化算法(SFOA-N)搜寻SVMD的最佳惩罚因子和预测模型的最佳超参数。针对BiTCN中指数增长膨胀率无法适应不同时间序列中的复杂模式的技术难题,提出一种加入动态膨胀率预测模块改进BiTCN的创新方法,可根据输入数据的不同自动调整膨胀率,从而提升预测性能。经本文数据集验证,与单一BiTCN模型对比,基于优化SVMD-IBiTCN-BiLSTM模型的决定系数达到了0.998 2,平均绝对百分比误差、均方根误差和平均绝对误差分别下降了3.57、9.94和7.21,具有较高的预测精度。 展开更多
关键词 风电功率预测 连续变分模态分解 双向时间卷积网络 双向长短期记忆网络 壮丽细尾鹩莺优化算法
原文传递
基于BiTCN-BiGRU-AM的光伏电站输出功率预测
10
作者 袁晨曦 《上海节能》 2025年第3期422-430,共9页
随着光伏发电在全球能源结构中的比重不断增加,精确预测光伏电站输出功率成为提高电力系统稳定性和优化能源调度的关键。研究了一种新的组合深度学习模型,结合了双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)... 随着光伏发电在全球能源结构中的比重不断增加,精确预测光伏电站输出功率成为提高电力系统稳定性和优化能源调度的关键。研究了一种新的组合深度学习模型,结合了双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)和注意力机制(attention mechanism,AM),从而捕捉时间序列数据的长期依赖性和复杂特征,旨在提高光伏电站输出功率预测的精确性和鲁棒性。通过横纵比较分析6种模型在4个不同季节背景,以及不同地区数据预测结果,在多个评价指标下的表现,全面评估了模型的预测准确性、稳定性和鲁棒性。该研究结果表明,该模型在预测准确性和稳定性方面表现良好,对光伏电站输出功率预测领域的发展具有积极的贡献。 展开更多
关键词 光伏电站输出功率预测 双向时间卷积网络 双向门控循环单元 注意力机制
在线阅读 下载PDF
基于双向时序卷积网络的多用途小型反应堆运行状态识别方法研究
11
作者 刘默涵 吴志强 +3 位作者 李羿良 何正熙 肖凯 杨浈 《核动力工程》 北大核心 2026年第1期289-299,共11页
为提升新型多用途小型反应堆的自主化运行水平,保障反应堆安全高效运行,建立基于反应堆运行数据的智能状态识别方法。基于MegaPower建立仿真模型,以热管冷却反应堆耦合开式空气布雷顿循环系统为识别对象,提出了一种基于双向时序卷积网... 为提升新型多用途小型反应堆的自主化运行水平,保障反应堆安全高效运行,建立基于反应堆运行数据的智能状态识别方法。基于MegaPower建立仿真模型,以热管冷却反应堆耦合开式空气布雷顿循环系统为识别对象,提出了一种基于双向时序卷积网络的反应堆运行状态识别模型,该模型通过时间卷积核提取反应堆运行数据的前向和后向时空特征。使用建立的反应堆仿真模型生成典型运行状态数据样本,构建数据集对模型进行训练和测试。实验结果表明,提出的双向时序卷积网络模型能够准确识别反应堆系统仿真运行状态;与对照组的深度学习方法相比,具有更优的识别性能。因此,提出的方法可以为类似多用途小型反应堆智能状态识别方法的设计提供新思路。 展开更多
关键词 双向时序卷积网络 多用途小型反应堆 MegaPower 运行状态识别
原文传递
基于聚合模态分解和TCN-BiGRU的光伏功率预测模型
12
作者 李梦阳 陈柳 +1 位作者 史蒙 赵玉娇 《太阳能学报》 北大核心 2026年第2期91-99,共9页
针对光伏发电功率随机性强、波动性高导致预测精度低的问题,提出一种基于聚合模态分解(AMD)、时间卷积网络(TCN)和双向门控循环单元(BiGRU)的光伏功率组合预测模型。该模型使用完全自适应噪声集合经验模态分解(CEEMDAN)对原始光伏序列... 针对光伏发电功率随机性强、波动性高导致预测精度低的问题,提出一种基于聚合模态分解(AMD)、时间卷积网络(TCN)和双向门控循环单元(BiGRU)的光伏功率组合预测模型。该模型使用完全自适应噪声集合经验模态分解(CEEMDAN)对原始光伏序列进行处理,得到多个频率不同的子序列,通过样本熵(SE)对子序列进行区分,保留含信号的低频、中频分量。将CEEMDAN分解得到的高频分量用逐次变分模态分解(SVMD)进行二次分解,降低序列不平稳度。最后,构建不同分量的TCN-BiGRU网络模型,得到各分量的预测值进行加和后输出最终预测结果。通过算例分析进行实验表明,对比其他模型,所提出的组合预测模型在光伏发电功率预测中具有较高的预测精度和稳定性。 展开更多
关键词 光伏功率 预测模型 信号处理 聚合模态分解 时间卷积网络 双向门控循环单元
原文传递
基于CEEMDAN-DBO-VMD-TCN-BiGRU的短期风电功率预测
13
作者 陈旭东 卞礼杰 +3 位作者 马刚 陈浩 詹孝升 彭乐瑶 《综合智慧能源》 2026年第1期13-22,共10页
提升风电功率预测的准确性对于保障电网安全与稳定运行至关重要。然而,风电具有高度的随机性和波动性,传统预测方法在特征提取和建模能力方面存在不足。为此,提出一种融合完全自适应噪声集合经验模态分解(CEEMDAN)、蜣螂优化(DBO)算法... 提升风电功率预测的准确性对于保障电网安全与稳定运行至关重要。然而,风电具有高度的随机性和波动性,传统预测方法在特征提取和建模能力方面存在不足。为此,提出一种融合完全自适应噪声集合经验模态分解(CEEMDAN)、蜣螂优化(DBO)算法、变分模态分解(VMD)、时间卷积网络(TCN)与双向门控循环单元(BiGRU)的短期风电功率预测模型CEEMDAN-DBO-VMD-TCN-BiGRU。利用CEEMDAN对原始风电功率数据进行分解,提取内在模态函数(IMF)以捕捉时间序列的关键特征;通过样本熵与K-means聚类将IMF划分为高频、中频和低频分量,选取高频分量采用DBO优化的VMD进行二次分解,以提高特征提取效果并降低计算复杂度;所有分量经归一化处理后输入TCN-BiGRU组合模型进行预测,各分量预测结果经叠加与反归一化处理获得最终预测值。试验结果显示,相较于对比模型,该模型的预测精度最优,验证了所提模型的有效性、稳定性和应用潜力。 展开更多
关键词 风电功率预测 完全自适应噪声集合经验模态分解 蜣螂优化算法 变分模态分解 样本熵 K-MEANS聚类 时间卷积网络 双向门控循环单元
在线阅读 下载PDF
基于特征交叉注意力机制融合的轴承故障诊断方法 被引量：4
14
作者 赵国超 刘崇德 +2 位作者 宋宇宁 金鑫 李伟华 《振动与冲击》 北大核心 2025年第12期228-237,共10页
为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convo... 为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convolutional neural network,CNN)和双向时间卷积网络(bidirectional temporal convolutional network,BiTCN)提取时频特征,通过交叉注意力机制(cross-attention mechanism,CA)融合时频特征的能力,充分提取原始信号故障特征,利用全连接层实现滚动轴承故障类型的精确诊断。试验研究表明:在含信噪比为9.32 dB、标准差为2.98的高斯白噪声的环境下,使用CNN-BiTCN-CA模型轴承故障分类准确率为99.88%,相较于使用CNN、BiTCN和结合自注意力机制的卷积神经网络(CNN with self-attention mechanism,CNN-SA)诊断轴承故障,准确率分别提升约22.79%、4.85%和4.19%;在引入信噪比为3.31 dB、标准差为5.96的高斯白噪声时,该模型仍然可以达到96.12%的诊断准确率。CNN-BiTCN-CA模型能够深入提取轴承信号中的故障特征,有效提高故障分类准确性。 展开更多
关键词 滚动轴承 故障诊断 双向时间卷积网络(bitcn) 时频融合 交叉注意力机制(CA)
在线阅读 下载PDF
利用混合深度学习算法的时空风速预测 被引量：1
15
作者 贵向泉 孟攀龙 +2 位作者 孙林花 秦三杰 刘靖红 《太阳能学报》 北大核心 2025年第3期668-678,共11页
风速预测的准确性始终不理想,为解决风速复杂的时空相关性和非线性问题,提出一种新颖的混合深度学习模型。首先,采用二次分解法将输入序列分解为具有不同频率振动模式的模态分量(IMF);使用图卷积神经网络(GCN)和双向长短期记忆网络(BiLS... 风速预测的准确性始终不理想,为解决风速复杂的时空相关性和非线性问题,提出一种新颖的混合深度学习模型。首先,采用二次分解法将输入序列分解为具有不同频率振动模式的模态分量(IMF);使用图卷积神经网络(GCN)和双向长短期记忆网络(BiLSTM)来预测高频分量;使用自适应图时空Transformer网络(ASTTN)来预测低频分量,以充分考虑输入序列的时空相关性。最后将高频分量和低频分量合并叠加,得到最终的预测结果。将该模型应用于甘肃省某风电场进行风速预测,实验结果表明,所提出混合深度学习模型能有效提高风速预测的准确性。 展开更多
关键词 风速 预测 深度学习 图卷积神经网络 双向长短期记忆网络 自适应图时空Transformer
原文传递
基于BWO优化VMD和TCN-BiGRU的短期风电功率预测 被引量：1
16
作者 逯静 张燕茹 王瑞 《工程科学与技术》 北大核心 2025年第3期31-41,共11页
针对风力发电过程中出现的不平稳、波动性大等特点,为了更好地提高风力发电的预测精度,提出一种基于白鲸优化算法(BWO)的变分模态分解(VMD)和时序卷积网络(TCN)-双向门控循环单元(BiGRU)联合构建的短期风力发电功率预测模型。首先,由于... 针对风力发电过程中出现的不平稳、波动性大等特点,为了更好地提高风力发电的预测精度,提出一种基于白鲸优化算法(BWO)的变分模态分解(VMD)和时序卷积网络(TCN)-双向门控循环单元(BiGRU)联合构建的短期风力发电功率预测模型。首先,由于风电功率受多方面气象因素的共同影响,采用随机森林(RF)方法来确定气象因素特征的重要性,对特征进行排序并提取出最优的特征。其次,利用VMD将原始功率数据由不平稳序列分解成较平稳的子序列,为解决VMD的两个参数即模态数和惩罚因子难以人工确定的问题,使用BWO对VMD的参数进行寻优,利用优化后的VMD对非平稳电力信号进行有效分解。然后,将分解后的各平稳子序列加上提取出的最优特征进行TCN-BiGRU组合模型预测。最后,将各子序列的预测值进行叠加得到最终的结果。以中国的某风电场的实际数据为例,通过多种单一模型与组合模型对所提出的预测模型进行了仿真对比。仿真结果表明,所提出的基于BWO优化VMD和TCN-BiGRU联合预测方法具有较高的预测精度,其均方根误差、平均绝对误差及平均百分比误差的指标精度均比其他模型有所提高。本文方法在风电功率预测中具有显著优势。 展开更多
关键词 短期风功率预测 变分模态分解 随机森林 时序卷积网络 双向门控循环单元 白鲸优化算法
在线阅读 下载PDF
基于模态分解和误差修正的短期电力负荷预测
17
作者 鄢化彪 李东丽 +2 位作者 黄绿娥 张航菘 姚龙龙 《电子测量技术》 北大核心 2025年第5期92-101,共10页
针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大... 针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大信息系数筛选出与负荷高度相关的特征集,以削弱特征冗余;通过改进的自适应白噪声完全集合经验模态分解将高波动性的负荷分解为频率各异的本征模态分量和残差,以降低非平稳性;引入样本熵将复杂度相近的分量重构成新子序列,以降低计算量;然后,结合并行双向时间卷积网络提取不同尺度的特征,利用双向长短期记忆网络对负荷序列初步预测,使用麻雀优化算法对神经网络超参数调优;最后,误差序列通过误差修正模块对初始预测值进行修正。经实验验证,与其他预测模型相比,RMSE最多降低51.42%,最少降低34.26%,验证了模型的准确性和有效性。 展开更多
关键词 电力负荷 短期预测 自适应经验模态分解 样本熵 双向时间卷积网络 双向长短期记忆 麻雀搜索算法
原文传递
基于多头注意力机制的TCN-BiGRU密度测井曲线重构方法 被引量：2
18
作者 王欢欢 赵彬 +3 位作者 刘建新 陶良清 高楚桥 廖文龙 《地球物理学进展》 北大核心 2025年第2期592-604,共13页
在测井过程中,受仪器故障、井壁坍塌等因素的影响,部分井段密度曲线常常出现失真或缺失,导致储层评价存在误差.为了提高储层评价的准确性,重构密度曲线显得尤为重要.鉴于传统的机器学习曲线重构方法难以满足精度要求,本文提出了一种融... 在测井过程中,受仪器故障、井壁坍塌等因素的影响,部分井段密度曲线常常出现失真或缺失,导致储层评价存在误差.为了提高储层评价的准确性,重构密度曲线显得尤为重要.鉴于传统的机器学习曲线重构方法难以满足精度要求,本文提出了一种融合时间卷积网络(TCN)、双向门控循环单元(BiGRU)和多头注意力机制(MHA)的密度曲线重构方法.该方法通过TCN的卷积特性捕捉测井数据的长期依赖关系,同时引入多头注意力机制增强BiGRU对重要特征的选择能力,实现精准的密度曲线重构.将该方法应用于研究区实测数据进行重构实验,首先验证了加入地层岩性指标对模型重构能力的影响,然后对比分析了本文网络与Gardner公式、多元拟合、门控循环单元、双向门控循环单元的重构结果,最后通过岩心标定验证本文网络的泛化性.结果表明,本文提出的密度曲线重构方法具有更高的精度,并表现出良好的泛化性. 展开更多
关键词 密度测井曲线重构 多头注意力机制 时间卷积网络 双向门控循环单元 物理约束
原文传递
基于改进BiGRU-TCN混合模型的风机轴承温度异常预警方法 被引量：1
19
作者 张佳 关启学 姜月秋 《沈阳理工大学学报》 2025年第4期13-20,29,共9页
为解决风力发电机轴承温度预测准确性较低而影响故障预警系统性能的问题,提出一种基于改进双向门控循环单元(bidirectional gated recurrent unit,BiGRU)和时间卷积网络(temporal convolutional network,TCN)的风机轴承温度异常预警方法... 为解决风力发电机轴承温度预测准确性较低而影响故障预警系统性能的问题,提出一种基于改进双向门控循环单元(bidirectional gated recurrent unit,BiGRU)和时间卷积网络(temporal convolutional network,TCN)的风机轴承温度异常预警方法(BiGRU-TCN)。首先采用bin方法对噪声数据进行清洗,减小其对预测模型准确性的干扰;然后引入TCN捕捉序列依赖性,并结合BiGRU建立融合模型,对清洗后数据进行特征提取,再加入自注意力机制,提高模型在数据波动幅度较大时的预测能力;最后采用滑动窗口算法分析预测值与真实值之间的残差,设置故障预警阈值。实验结果显示:相较于其他常见模型,本文模型预测结果的平均绝对误差(MAE)平均低0.571,均方误差(MSE)平均低3.601;基于本文模型设置的预警方式实现了在异常发生前3天预警,为风电场的运维管理提供了有力支持。 展开更多
关键词 风机轴承 温度预警 数据清洗 时间卷积网络 双向门控循环单元 注意力机制
在线阅读 下载PDF
矿用电机车混合储能系统功率分配控制 被引量：1
20
作者 尹昊 祝龙记 《工矿自动化》 北大核心 2025年第5期114-119,154,共7页
单一蓄电池供电的矿用电机车存在续航里程不足、充电时间长、重载启动困难等问题,导致运行效率低,难以满足安全性与稳定性要求。提出在矿用电机车上采用铅酸蓄电池与超级电容的混合储能技术,设计了矿用电机车混合储能系统,以满足重载启... 单一蓄电池供电的矿用电机车存在续航里程不足、充电时间长、重载启动困难等问题,导致运行效率低,难以满足安全性与稳定性要求。提出在矿用电机车上采用铅酸蓄电池与超级电容的混合储能技术,设计了矿用电机车混合储能系统,以满足重载启动时高瞬时功率要求,增加续航时间。针对混合储能系统中储能元件的功率分配问题,通过仿真分析低通滤波与小波分解的优缺点,设计了低通滤波与小波分解相结合的功率分解方法,从矿用电机车总负载功率中分解出高低频分量;再根据储能元件的荷电状态(SOC),引入动态协调机制,对储能元件功率分配进行二次调控,得到蓄电池和超级电容的目标功率。仿真结果表明:应用组合分解方法得到的矿用电机车总负载功率的低频分量与原始功率的吻合度较高,瞬态响应性能优越;基于SOC的二次调控策略可动态调整混合储能系统的功率分配,减少了超级电容放电次数,增加了超级电容有效放电时间,使蓄电池稳定放电。 展开更多
关键词 矿用电机车 混合储能 功率分配 铅酸蓄电池 超级电容
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 … 4 下一页 到第 页
使用帮助 返回顶部