(54)发明名称基于注意力机制的DWT-LSTM电力负荷预测方法(57)摘要基于注意力机制的DWT‑LSTM电力负荷预测方法,采用离散小波分解方法对采集到的原始负荷数据进行分解,得到不同尺度负荷分量;引入注意力机制,根据各尺度负荷分量的重要程度进行自适应赋权,完成负荷数据的预处理;利用改进的PSO粒子群算法对LSTM长短期记忆神经...
(LSTM)的耦合神经网络模型,以汉口水位站为例,验证了模型有效性,并与传统BP神经网络,小波分析-BP神经网络和LSTM神经网络模型进行对比分析.研究结果表明:四类模型均可满足短时预测需求,合格率均大于90%;当航道水位变幅剧烈时,BP神经网络耦合模型误差较大;DWT-LSTM耦合神经网络模型性能较经典LSTM模型分别提升约10.9%(...
1.基于注意力机制的DWT-LSTM电力负荷预测方法,其特征在于包括以下步骤: 步骤一:采用离散小波分解方法对采集到的原始负荷数据进行分解,得到不同尺度负荷分量; 所述步骤一中,离散小波分解方法在保留时域信息的前提下,能够对原始负荷数据中具有特征差异的各个分量进行有效分离,即每一层小波分解都将得到高频分量D和低频分量...
基于注意力机制的DWT-LSTM电力负荷预测方法专利信息由爱企查专利频道提供,基于注意力机制的DWT-LSTM电力负荷预测方法说明:基于注意力机制的DWT‑LSTM电力负荷预测方法,采用离散小波分解方法对采集到的原始负荷数据进...专利查询请上爱企查
发明专利申请:202410365771.4 —— 基于DWT-LSTM神经网络的可调节负荷预测方法 客户:西华大学 委托我公司代理的发明专利申请:202410365771.4 —— 基于DWT-LSTM神经网络的可调节负荷预测方法 现已授权!
The main purpose of this paper is to use the DWT-LSTM model to diagnose the health of rolling bearings. Firstly, the DWT is used to obtain detailed fault information in both different frequency and time scales. Then, the LSTM network is employed to characterize the long-term dependencies ...
As Europe integrates more renewable energy resources, notably offshore wind power, into its super meshed grid, the demand for reliable long-distance High Voltage Direct Current (HVDC) transmission systems has surged. This paper addresses the intricacies
电压数据来自现实世界,因此存在许多噪点,利用离散小波转换(DWT)对电压数据进行降噪,使正常电压数据归于平稳,局部放电现象更易被察觉。 项目结果 利用Lstm很好的对未来电压值进行了预测,预测准确率达到85.3%。 但是,即使对于Lstm,序列的长度仍然太长了(200-300更佳),若能对数据序列进行压缩,有可能得到更好的预测结果...
DWT)得到多尺度特征,获取不同时间尺度信息;最后输入长短时注意力网络(Attentive Long Short-Term Memory,ALSTM)模型进行预测.实验结果表明,相较于几种常用方法,该... 赵敏 - 《东南大学》 被引量: 0发表: 2023年 一种基于缺失数据集的交通流量预测方法 本发明涉及一种基于缺失数据集的交通流量预测方法,具体步骤...
To address these issues, we propose the DWT-1DCNN-LSTM network as an interpretable model for PQD classification. This method effectively decomposes the time-domain signals into sub-signals in different frequency bands by employing the Discrete Wavelet Transform (DWT), which enhances the anti-...