基于截断DCT与托普利兹矩阵方法的毫米波3D SAR结构化稀疏成像技术研究

《IEEE Transactions on Aerospace and Electronic Systems》:Structured Sparse mmWave 3-D SAR Imaging via Truncated-DCT and Toeplitz Matrix Methods

【字体: 大 中 小 】 时间:2026年04月28日 来源:IEEE Transactions on Aerospace and Electronic Systems 5.7

编辑推荐:

  【编辑推荐】为解决住户能耗预测中由随机用能行为导致的非平稳信号难题,本研究提出了一个频率解耦的混合框架。该框架通过趋势-残差分解(TRD)与变分模态分解(VMD)两阶段策略,分离信号中的确定性与高频波动成分,并结合注意力CNN-BiLSTM骨干网络进行建模。在IHEPC数据集上,该方案将MAPE(平均绝对百分比误差)降至11.95%,较未分解的基线模型(32.42%)实现了63.1%的相对误差降低,显著提升了家庭能耗预测的精度。

  
准确预测家庭能耗对于智能能源管理、电网负荷平衡和需求侧响应至关重要。然而,这一目标面临着一个根本性挑战:住户的用能行为充满随机性。这种随机性表现为不规律的高频波动,叠加在由生活习惯、季节变化等因素决定的相对稳定的能耗模式之上。这种混合了长期趋势与短期尖峰的非平稳信号,给传统的时间序列预测模型带来了巨大困难。常规的端到端深度学习模型,如1卷积神经网络(CNN)或长短期记忆网络(LSTM),通常设定一个统一的学习目标,迫使神经网络同时捕捉从稳定季节趋势到突发行为尖峰的多尺度动态特征。这种“一网打尽”的方式,往往导致模型难以在全局趋势拟合与局部突变捕捉之间取得平衡,预测精度受限。为了破解这一难题,一项新的研究提出了一个创新性的思路:与其让一个复杂的模型“硬学”,不如先将问题分解。研究人员设想,如果能将家庭能耗信号中不同频率的成分(如缓慢变化的趋势、日常周期模式、随机的高频波动)进行有效的分离,然后为每个成分“量身定制”专门的预测模型,最后再将预测结果整合,是否就能更精准地把握能耗的全貌?这项研究正是基于这一构想,开展了一项关于“频率解耦的混合预测框架”的主题研究,旨在系统性地解决非平稳家庭能耗信号的预测难题。
为了开展这项研究,研究人员主要采用了以下几个关键技术方法:首先,提出了一个两阶段信号分解策略,即趋势-残差分解(Trend-Residual Decomposition, TRD)后接变分模态分解(Variational Mode Decomposition, VMD)。TRD使用滑动窗口滤波(168小时窗口)初步分离长期趋势与复杂残差。随后,VMD将残差自适应地分解为K=6个准正交的本征模态函数(Intrinsic Mode Functions, IMFs),每个IMF代表不同的频率带,有效中和了非平稳性,并避免了经验模态分解(Empirical Mode Decomposition, EMD)固有的模态混叠问题。其次,构建了一个基于注意力机制的卷积神经网络-双向长短期记忆网络(CNN-BiLSTM-Attention)专家模型集合。每个分解后的IMF成分,在添加了 engineered temporal features(如一天中的时刻、一周中的天、周末指示器)后,由一个独立的CNN-BiLSTM-Attention“专家”进行建模,以学习成分特定的时序依赖关系。最后,通过聚合所有IMF“专家”的预测结果与分离出的确定性趋势,重构出最终的家庭能耗预测值。研究使用的数据来源于公开的Individual Household Electric Power Consumption (IHEPC)数据集。
研究结果
1. 框架整体性能评估
通过在IHEPC数据集上进行实证评估,本研究提出的频率解耦混合框架实现了11.95%的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)。与此相比,不使用分解策略的、先进的端到端CNN-BiLSTM-Attention基线模型的MAPE为32.42%。这一结果表明,所提出的框架将预测误差相对降低了63.1%,显著优于现有基线。
2. 消融实验验证
研究进行了系统的消融实验,以证实所提出集成架构中各个组件的不可或缺性。实验结果表明,端到端变体(即缺少TRD-VMD分解阶段)的预测性能出现了灾难性下降,其MAPE大幅上升,远高于集成框架。这证明了先分解、后建模的策略对于处理非平稳家庭能耗信号的有效性和必要性。
3. 分解效果分析
研究对TRD和VMD的分解效果进行了分析。TRD成功剥离了能耗序列中缓慢变化的长期趋势,留下了包含周期性模式和随机波动的残差。随后的VMD进一步将残差分解为6个IMF,这些IMF呈现出从低频到高频的分布,且各模态之间表现出准正交特性,有效缓解了EMD方法中常见的模态混叠现象,为后续的专家模型提供了更纯净、更具针对性的输入信号。
4. 专家模型贡献度
研究还考察了不同IMF“专家”模型对最终预测结果的贡献。分析发现,代表不同频率带的IMF专家所捕获的时序模式各有侧重。低频IMF专家更擅长建模日周期、周周期等规律性模式,而高频IMF专家则专注于捕捉突发性的用能尖峰。注意力机制能够动态调整各时间步特征的重要性,进一步提升了每个专家模型对其目标频率成分的建模能力。
研究结论与讨论
本研究成功设计并验证了一个用于家庭能耗预测的频率解耦混合框架。该框架的核心创新在于通过TRD-VMD两阶段分解,系统性地将非平稳的原始能耗信号解耦为确定性的长期趋势和一系列准正交的频率成分(IMFs),从而将复杂的统一预测任务转化为多个更简单的子任务。每个子任务由一个专用的CNN-BiLSTM-Attention专家模型处理,实现了对多尺度时序动态的精准、针对性学习。最终预测通过聚合所有子模型的输出得以重构。
该研究的重要意义主要体现在三个方面:首先,在方法论上,它为解决非平稳时间序列预测问题提供了一个行之有效的新范式,即“分解-建模-聚合”,该范式可迁移至其他具有类似信号特性的预测场景。其次,在技术上,它巧妙地结合了先进的信号处理技术(VMD)与深度学习模型(CNN-BiLSTM-Attention),充分发挥了各自优势,避免了单一模型的局限性。最后,在应用价值上,该框架显著提升了家庭级能耗预测的精度(MAPE降至11.95%),这对于实现高精度的用户侧能耗管理、优化电力系统调度、推动需求侧响应和节能增效具有直接的实用价值。论文中进行的消融研究也强有力地证实,完整的集成架构是取得卓越性能的关键,缺乏系统的频率解耦将导致模型性能大幅退化。这项研究为应对智能电网和能源互联网中的关键挑战——用户行为不确定性建模——提供了有力的技术工具。该研究成果已发表在《IEEE Transactions on Aerospace and Electronic Systems》上。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号