检索结果-南通市图书馆

基于深度时间卷积神经网络与迁移学习的流程制造工艺过程质量时序关联预测

在线全文

学校读者我要写书评

暂无评论

中国机械工程 2023年第14期34卷 1659-1671页

作者：阴艳超施成娟邹朝普刘孝保昆明理工大学机电工程学院昆明650500 昆船智能技术股份有限公司昆明650051

针对流程生产多工艺参数时序耦合导致的生产质量难以准确预测的问题,提出了基于深度时间卷积神经网络与迁移学习的生产质量快速高效预测方法。借助序列到序列的学习框架,采用深度时间卷积神经网络和时序注意力机制构成的编码器提取多源... 详细信息

针对流程生产多工艺参数时序耦合导致的生产质量难以准确预测的问题,提出了基于深度时间卷积神经网络与迁移学习的生产质量快速高效预测方法。借助序列到序列的学习框架,采用深度时间卷积神经网络和时序注意力机制构成的编码器提取多源关键时序特征,采用残差长短期记忆神经网络构成的解码器挖掘质量时序信息,引入迁移学习解决预测模型对生产质量在线预测适应性的问题。实验表明所提方法的预测精度与稳定性优势显著,且在小样本数据预测时具有较高的预测精度和计算效率。

关键词：工艺过程质量时序关联预测序列到序列时间卷积神经网络迁移学习

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于实值时间卷积神经网络的功放预失真研究

微波学报 2023年第6期39卷 65-69页

作者：陈景豪许高明刘太君欧阳贵喜宁波大学信息科学与工程学院宁波315211 毫米波国家重点实验室南京210096

为了实现传输速率高达千兆比特每秒(Gbps)的目标,5G通信系统需要更宽的传输带宽和更高的调制度,这些对射频功放的线性度提出了更加苛刻的要求。必须对功放的非线性进行线性化。文中构建了一种基于实值时间卷积神经网络(Real-Valued Temp... 详细信息

为了实现传输速率高达千兆比特每秒(Gbps)的目标,5G通信系统需要更宽的传输带宽和更高的调制度,这些对射频功放的线性度提出了更加苛刻的要求。必须对功放的非线性进行线性化。文中构建了一种基于实值时间卷积神经网络(Real-Valued Temporal Convolutional Networks,RVTCN)模型的数字预失真器。RVTCN模型利用扩大因果卷积(Dilated Causal Convolution, DCC)提取功放的当前时序信息,把记忆信息存储在残差块(Residual Block,RB)中,不断获取时序特征并保存于网络中。为了验证RVTCN线性化的性能,文中采用了100 MHz带宽的5G NR信号,对中心频率3.5 GHz的Doherty功放进行了预失真线性化实验验证。实验结果表明:该RVTCN模型具有射频功放的动态非线性行为建模能力,其归一化均方误差可达-40 d B;RVTCN预失真器对测试功放的相邻信道功率比(ACPR)改善可达19.5 d B左右。

关键词：功率放大器时间卷积神经网络数字预失真非线性 5G

基于深度时间卷积神经网络的短期光伏功率预测方法研究

在线全文

学校读者我要写书评

暂无评论

基于深度时间卷积神经网络的短期光伏功率预测方法研究

作者：孙永叡内蒙古科技大学

学位级别：硕士

随着传统能源的开发利用,能源枯竭及能源污染问题日益严重,不少国家将目光转向了太阳能,光伏发电在具有取之不尽、普遍存在、清洁利用等优势的同时,还能够帮助能源转型,有利于实现“双碳”战略目标。光伏产业在21世纪以来得到了飞速发展... 详细信息

随着传统能源的开发利用,能源枯竭及能源污染问题日益严重,不少国家将目光转向了太阳能,光伏发电在具有取之不尽、普遍存在、清洁利用等优势的同时,还能够帮助能源转型,有利于实现“双碳”战略目标。光伏产业在21世纪以来得到了飞速发展,但随着大规模光伏并网,由于环境等因素造成光伏输出功率的间歇性和不确定性,给电网的安全稳定运行带来了挑战,准确的光伏功率预测可以提高光伏电站运营管理效率,为电网调度部门制定精确的调度计划提供重要依据,大大提高电网消纳阳光的能力,提高电网安全运行的稳定性,提高日前短期光伏功率预测准确度对日前发电计划制定和暂态稳定评估等方面具有重要意义。随着新一代人工智能技术的快速发展,其在光伏预测领域的应用优势也日益凸显,本文针对基于卷积神经网络的时间卷积神经网络(Temporal Convolutional Networks,TCN)在日前短期光伏功率预测任务上的应用进行了深入研究。TCN具有灵活的感受野,且具有并行性,因果性等优点,所以便于处理时间序列数据,但一个单独的TCN网络难以提取多尺度特征进行多步预测,因此本文将TCN与注意力机制相结合,通过注意力机制以提升整体网络模型提取时间及空间特征的能力,为改进TCN的预测性能,本文提出了三部分深度学习混合模型。本文首先提出了DARNN-TCN模型,使用基于双阶段注意力机制的循环神经网络(Dual-stage Attention-based Recurrent Neural Network,DARNN)根据输入数据的时空相关特性加权,然后使用TCN进一步提取数据特征,预测光伏功率序列,本模型注意力机制基于特征注意力及时间注意力两个阶段并结合LSTM处理数据,TCN接收数据后利用多层卷积网络做并行提取,并基于因果卷积特性,将历史依赖考虑其中,上述模型的构建有效提升了TCN预测光伏功率的精度。为提升模型训练速度,本文又提出了结合多头注意力机制(Multi-Head Attention,MHA)的TCNMHA模型,MHA是近年来较流行的Transformer模型的主要结构,相较于DARNN,其优点是可以并行计算且结构简单,本模型利用TCN的因果膨胀卷积结构,提取了光伏数据的时序特征,然后输入MHA中,将输入特征进行不同维度的空间映射,并行计算注意力权重,通过全连接层预测光伏功率序列。本文最后对基于TCN的模型结构做出了进一步优化,在结合上一模型优势的基础上提出了MHATCN-TCN双通道模型,本模型充分发挥了并行模块的优势,在保证训练速度较快的同时,增加了专门针对光伏功率的TCN特征提取通道,以从原始数据中提取更多的特征信息,进一步提升模型预测精度。本文将TCN模型结构与光伏功率数据深度融合,充分发挥了卷积结构的并行性,使模型训练速度更快;TCN的因果卷积及膨胀卷积,使整体模型在处理较长时间序列时也有较好的表现。基于TCN结构应用于短期光伏功率预测任务,获得了卓越的预测性能。

关键词：短期光伏功率预测深度学习时间卷积神经网络注意力机制

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时间卷积神经网络的期权波动率研究

基于时间卷积神经网络的期权波动率研究

作者：李祎对外经济贸易大学

学位级别：硕士

随着中美贸易摩擦的不断持续,以及中美证监会对于上市企业的监管不断加码和政策冲突,导致国内部分优秀公司在美股退市。逐渐的,为了融资国际资本,在港交所上市发行,成为了这些优秀企业的最佳选择。金融衍生品是港交所近年来加速布局的领... 详细信息

随着中美贸易摩擦的不断持续,以及中美证监会对于上市企业的监管不断加码和政策冲突,导致国内部分优秀公司在美股退市。逐渐的,为了融资国际资本,在港交所上市发行,成为了这些优秀企业的最佳选择。金融衍生品是港交所近年来加速布局的领域,吸引力大量的资金,期权作为重要的金融衍生品,越来越深受广大投资者的重视。隐含波动率作为期权定价的重要因素被广泛关注。机器学习作为重要的预测技术被广泛应用,本文创新性的使用了最新的用于时间序列数据训练的时间卷积神经网络模型,尝试获得更精准的预测准确率。本文先深入讲述了期权隐含波动率、时间卷积神经网络模型以及长短时记忆神经网络模型理论知识,然后爬取了港交所数据板块2021年7月1日到2021年12月31日的期权交易数据,以其中部分字段作为输入数据维度,生成了神经网络模型所需要的模型训练集和测试集,通过多轮模型实验,对比了以MAPE和RMSE为评估指标的评估结果,选择了最优的超参组合,然后将输入数据维度融入百度指数进行模型实证分析,发现以标的资产名称为单一关键词的百度指数数据,并不能有效提升预测精准度。最后在同等条件下,对比了 LSTM模型的评估结果,发现时间卷积神经网络模型在预测期权隐含波动率方面相比LSTM模型有一定优势。论文最后总结了实证过程中发现的不足,对未来进行了展望。

关键词：时间卷积神经网络隐含波动率机器学习模型预测

基于时间卷积神经网络的风电功率短期预测研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时间卷积神经网络的风电功率短期预测研究

作者：丁维东北石油大学

学位级别：硕士

风电功率预测技术对于电网生产调度、运行安全及并网需要都起到关键作用。在全球CO含量升高、环境严重破坏和能源短缺的大环境下,将发展重心放在清洁能源尤其是风能对调整能源结构、改善气候变化具有深远的意义。风电功率的有效预测,最... 详细信息

风电功率预测技术对于电网生产调度、运行安全及并网需要都起到关键作用。在全球CO含量升高、环境严重破坏和能源短缺的大环境下,将发展重心放在清洁能源尤其是风能对调整能源结构、改善气候变化具有深远的意义。风电功率的有效预测,最关键之处在于风能复杂影响因素的处理及由于风自身的波动起伏不定导致的不确定性的解决。为了更进一步了解风电功率的变化规律,降低风电波动对电网经济运行的影响,保证风电并网后的安全运行,本文将风电功率短期预测作为重点研究内容。由此所做的主要工作将展示如下:一是数据集的建立。风电功率数据从采集到存储的各个阶段均有可能受到外界因素的影响,导致部分数据不再符合风速-风电功率理论曲线的趋势,此类数据必定会对预测结果产生不利影响,为提高预测精度势必要进行数据清洗。对通过相关系数法分析各输入变量与实测功率数据的相关程度,为尽量简化数据清洗的变量,选择对功率数据影响最大的风速变量作为数据清洗的对象。在此基础上,确定本文数据对应的异常值类型为左右离群孤立点数据。通过箱线图法对该类型数据中的异常值进行识别与清除,在此过程中,为尽量识别出更多的异常值采用分组的方法进行箱线图操作。二是利用三种经典的单一预测模型BPNN,极限学习机ELM和Elman神经网络对“健康”的数据集进行预测,结果显示各模型在各个季度的整体预测趋势一致,但精度不高。整体表现为:同一预测模型在不同的季节预测效果不同、同一季节不同的预测模型有不同的预测效果,泛化性能差。三是基于单一预测模型的不足,提出了一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN,Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise)和时间卷积神经网络(Temporal Convolutional Neural Networks,TCNN)的风电功率短期预测研究方法。利用ICEEMDAN将各季度的风电功率功率序列进行分解,得到各自相应的IMF分量和一个趋势分量;一般频率越高,该分量所含有用信息越少。因此,我们计算各分量极大值点个数来划分高频和低频,并将高频分量与原始功率数据做相关系数计算,大于某一阈值的分量,视为非噪声分量予以保留,余下的分量作为噪声分量被剔除,通过将非噪声分量重构叠加与数值天气预报数据一起作为组合模型的输入变量。最后通过TCNN对各输入变量进行训练得到最终预测值。为为评估所提模型的优劣,将各模型结果进行对比分析。实验结果表明,组合模型预测精度最高,在各个季度的所有误差评价指标最小,泛化性能好。

关键词：风电功率短期预测改进的自适应噪声完备集合经验模态分解时间卷积神经网络

基于时间卷积神经网络和双尺度特征选择的混合碳价预测模型

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电力科学与工程 2023年第4期39卷 41-49页

作者：周建国韦斯悌华北电力大学经济管理系河北保定071003

针对传统碳价格预测模型存在的过拟合和无法有效提取相关特征的问题,提出了一种混合预测模型。首先,通过改进的完全自适应噪声集成经验模态分解算法对原始序列进行分解,以降低数据的波动性和复杂性;然后,用模糊熵对剩余子序列进行重构;... 详细信息

针对传统碳价格预测模型存在的过拟合和无法有效提取相关特征的问题,提出了一种混合预测模型。首先,通过改进的完全自适应噪声集成经验模态分解算法对原始序列进行分解,以降低数据的波动性和复杂性;然后,用模糊熵对剩余子序列进行重构;此后,利用偏自相关函数和随机森林对子序列进行双尺度特征选择,确定最佳输入维度,以减少不相关特征的输入;最后,通过时间卷积网络进行预测。实验结果表明,与对比模型相比,所提出的模型具有优越性和鲁棒性。该研究结果可为碳市场发展和减排路径相关研究提供有意义的参考。

关键词：碳价格预测双尺度特征选择序列重构时间卷积神经网络

基于物理信息的时间卷积神经网络风电功率预测

在线全文

学校读者我要写书评

暂无评论

计算机测量与控制 2024年第11期32卷 101-108,117页

作者：张维通闫正兵张正江黄世沛戴瑜兴温州大学电气数字化设计技术国家地方联合工程研究中心浙江温州325035

由于风力的不确定性和随机性,风电功率预测对电力系统的稳定运行至关重要;为提高风电功率模型的预测精度;对风力发电机的数学模型进行研究后,将物理建模和数据驱动建模相结合,提出一种基于物理信息的时间卷积神经网络模型用于风力发电... 详细信息

由于风力的不确定性和随机性,风电功率预测对电力系统的稳定运行至关重要;为提高风电功率模型的预测精度;对风力发电机的数学模型进行研究后,将物理建模和数据驱动建模相结合,提出一种基于物理信息的时间卷积神经网络模型用于风力发电机的功率预测;采用将风力发电机的转子运动方程嵌入时间卷积神经网络的损失函数,从而提高模型的预测能力,泛化性和物理可解释性;并在Simulink仿真软件中搭建风力发电机物理模型以获取实验数据样本,经同工况实验和外推实验表明,基于物理信息的时间卷积神经网络模型相较于原时间卷积神经网络模型的同工况实验均方根误差下降50.8%,外推实验的均方根误差下降55.2%,显著提高了风力功率预测的准确性。

关键词：风力发电机功率预测物理信息时间卷积神经网络数据驱动建模

维普期刊数据库博看期刊

极端天气下基于时间卷积神经网络的新能源出力评估策略

在线全文

学校读者我要写书评

暂无评论

宁夏电力 2024年第3期 14-20页

作者：杨龙秦建翔杨波高海洋李金东国网宁夏电力有限公司调度控制中心宁夏银川750001

新能源高渗透率背景下,极端天气造成的出力骤降对电力系统安全运行构成严重挑战,准确评估极端天气下的新能源出力深度是制定电力系统运行方式的重要依据。本文提出一种基于改进的深度时间卷积神经网络(deep temporal convolutional netw... 详细信息

新能源高渗透率背景下,极端天气造成的出力骤降对电力系统安全运行构成严重挑战,准确评估极端天气下的新能源出力深度是制定电力系统运行方式的重要依据。本文提出一种基于改进的深度时间卷积神经网络(deep temporal convolutional network,DeepTCN)的新能源出力评估方法。通过设计具有动态输入权重的时间卷积神经网络架构,准确量化估计了极端天气对新能源出力的影响,从而为制定极端天气下的电力系统运行方式提供风险程度信息。基于实际电力系统新能源出力数据集的算例结果表明,与常规的时序预测方法相比,所提方法的标准化均方根误差、对称平均绝对百分比误差和平均绝对标度误差3个指标分别最高可提升1.2,0.1和0.22。所提方法能够实现对极端天气下新能源出力的更精准评估。

关键词：极端天气时间卷积神经网络非参数估计新能源出力

基于多特征融合健康指标和时间卷积神经网络的轴承退化趋势预测方法

在线全文

学校读者我要写书评

暂无评论

基于多特征融合健康指标和时间卷积神经网络的轴承退化趋势预测方...