供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供...供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。展开更多
针对舰载机甲板路径规划问题,在Informed-RRT^(*)(informed rapidly-exploring random tree)的椭圆采样基础上,提出使用正态分布方式采样的IN-RRT^(*)(informed normal-RRT^(*))算法。首先,针对舰载机与运动场景建模,定义舰载机运动约...针对舰载机甲板路径规划问题,在Informed-RRT^(*)(informed rapidly-exploring random tree)的椭圆采样基础上,提出使用正态分布方式采样的IN-RRT^(*)(informed normal-RRT^(*))算法。首先,针对舰载机与运动场景建模,定义舰载机运动约束和避障策略;其次,将正态分布采样策略与椭圆采样相结合,获取优质高效采样点;引入人工势场法,自适应调节随机树的搜索步长值;使用向心Catmull-Rom样条插值法对路径进行平滑优化处理;提出针对动态障碍改进的动态窗口法,实现局部动态避障。最后,运用甲板平面环境实验检验算法性能。结果表明,IN-RRT^(*)算法能显著优化搜索时间和搜索路径质量,可应对动态场景规划出合理可行的平滑路径。展开更多
为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomp...为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.展开更多
随着电力现货市场的开展,短期电价预测对于各市场主体的决策有着重要意义,而高比例清洁能源与储能的不断接入给短期电价预测带来很大挑战。提出一种基于最大信息系数法(maximum information coefficient,MIC)、集成经验模态分解(ensembl...随着电力现货市场的开展,短期电价预测对于各市场主体的决策有着重要意义,而高比例清洁能源与储能的不断接入给短期电价预测带来很大挑战。提出一种基于最大信息系数法(maximum information coefficient,MIC)、集成经验模态分解(ensemble empirical mode decomposition,EEMD)和改进Informer的短期电价多步预测模型。首先,采用MIC分析出与电价相关性较高的几类因素作为模型原始输入序列;然后,将上述原始序列进行EEMD分解后得到多条本征模函数(intrinsic mode function,IMF)和一个残余项后输入改进Informer分别得到翌日24点多步预测结果,再对预测结果进行滤波;最后,将滤波后序列的预测结果叠加得到最终的预测值。以西班牙电力市场数据进行验证,实验结果证明该模型可以有效提高电力市场短期电价多步预测精度。展开更多
合理预测猪肉价格对稳定生猪市场价格波动及促进猪产业的健康持续发展具有重要意义。本文深入研究了猪肉价格的影响因素,整合了29种相关价格数据。通过分析数据特征,针对Informer模型在猪肉价格数据提取方面的局限性,对Informer模型进...合理预测猪肉价格对稳定生猪市场价格波动及促进猪产业的健康持续发展具有重要意义。本文深入研究了猪肉价格的影响因素,整合了29种相关价格数据。通过分析数据特征,针对Informer模型在猪肉价格数据提取方面的局限性,对Informer模型进行改进,将自注意力机制ProbAttention更换为Synthesizer模型,引入了价格波动模块。在此基础上,本文提出了一种新的价格预测组合模型STL-Informer-ARIMA,模型结合了随机森林(Random Forest)和递归特征消除(Recursive Feature Elimination)进行特征选择,利用季节性和趋势分解法(Seasonal and Trend Decomposition Using Loess)对猪肉(白条猪)价格进行分解,采用ARIMA模型对季节项进行预测,同时针对趋势项和残差项采用改进的Informer模型进行预测。实验表明,STL-Informer-ARIMA组合模型的MSE为0.532,MAE为0.446,RMSE为0.729,MAPE为0.030,R^(2)为0.958,相较于LSTM、SVR和GRU等常用价格预测模型,本文的组合模型有效提升了猪肉价格预测的准确性和可靠性。展开更多
文摘供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。
文摘针对舰载机甲板路径规划问题,在Informed-RRT^(*)(informed rapidly-exploring random tree)的椭圆采样基础上,提出使用正态分布方式采样的IN-RRT^(*)(informed normal-RRT^(*))算法。首先,针对舰载机与运动场景建模,定义舰载机运动约束和避障策略;其次,将正态分布采样策略与椭圆采样相结合,获取优质高效采样点;引入人工势场法,自适应调节随机树的搜索步长值;使用向心Catmull-Rom样条插值法对路径进行平滑优化处理;提出针对动态障碍改进的动态窗口法,实现局部动态避障。最后,运用甲板平面环境实验检验算法性能。结果表明,IN-RRT^(*)算法能显著优化搜索时间和搜索路径质量,可应对动态场景规划出合理可行的平滑路径。
文摘为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.
文摘合理预测猪肉价格对稳定生猪市场价格波动及促进猪产业的健康持续发展具有重要意义。本文深入研究了猪肉价格的影响因素,整合了29种相关价格数据。通过分析数据特征,针对Informer模型在猪肉价格数据提取方面的局限性,对Informer模型进行改进,将自注意力机制ProbAttention更换为Synthesizer模型,引入了价格波动模块。在此基础上,本文提出了一种新的价格预测组合模型STL-Informer-ARIMA,模型结合了随机森林(Random Forest)和递归特征消除(Recursive Feature Elimination)进行特征选择,利用季节性和趋势分解法(Seasonal and Trend Decomposition Using Loess)对猪肉(白条猪)价格进行分解,采用ARIMA模型对季节项进行预测,同时针对趋势项和残差项采用改进的Informer模型进行预测。实验表明,STL-Informer-ARIMA组合模型的MSE为0.532,MAE为0.446,RMSE为0.729,MAPE为0.030,R^(2)为0.958,相较于LSTM、SVR和GRU等常用价格预测模型,本文的组合模型有效提升了猪肉价格预测的准确性和可靠性。
