基于OWC的柔性动态报表生成器的设计与实现

针对当前大部分固定格式报表灵活性差、不能满足实际应用需求的不足,提出了基于OWC（Office Web Component）的柔性动态报表生成器解决方案。首先根据报表中数据的变化情况将其归纳为静态报表和动态报表并抽象出两类报表基模板;然后以柔性软件的思想建立报表模板知识库,使得用户可以自行依据报表基模板建立所需的报表而无需对代码进行调整;最后采用OWC设计了柔性动态报表生成器。基于OWC丰富的数据表达能力和编辑功能,极大提高了报表软件的易用性和柔性。     

短期电力负荷预报间隔采样混沌模型

现有研究工作表明电力系统负荷数据具有弱混沌性。在负荷预测混沌建模方法中,Lvapunov指数预报模式具有理论基础强、模型简单、预测精度高等优点,但预测时限受负荷吸引子最大Lyapunov指数限制。针对Lyapunov指数预报模式的不足,提出了k-△t间隔采样混沌模型,首先将原始负荷序列分解为多个不相交的了序列,然后对各个子序列分别建立Lyapunov指数预报模型。改进了求解最大 Lyapunov指数的方法,探讨了原始负荷序列最大可分解子序列数目的确定依据。数值实验结果表明文中提出的模型能有效地提高负荷预测精度、增加预测时限。     

基于差分理论的短期负荷预测神经网络模型

电力负荷是受周期性变化以及天气等因素影响的高度非线性系统,而神经网络仅仅对已学习过的模式具有较好的范化能力。为提高神经网络的负荷预测精度,提出先对原始负荷序列进行差分运算以除去其周期性影响,然后依据相似性原理建立RBF神经网络预测模型,仿真实验表明采用该方法短期负荷预测精度有所改善。     

一种基于 ＬＳＴＭ 和 ＲｅｓＮｅｔ 网络的情感极性分析方法

人们习惯在社交平台分享生活、发表看法、发泄情感。由于数据量大且易于获取，社交平台文本数据已被广泛用于网络用户情感极性分析。因此，文本情感分析方法也经常用来对网络舆情进行研判和预测。传统对文本情感极性分析的方法没有应用深度学习等成果技术，使得情感分类结果的准确性不高。提出一种 ＲｅｓＮｅｔ 残差网络改进的 ＬＳＴＭ 长短时间序列分析方法。实验结果表明，与支持向量机、朴素贝叶斯等传统分类器相比，基于改进的 ＲｅｓＮｅｔ 与 ＬＳＴＭ 的文本情感极性分类方法在分类精度上有一定提升，与 ＬＳＴＭ、循环神经网络等深度学习方法相比，该方法在保证运行效率的前提下能获得更高的分类精度，所提方法能够用来对社交平台的文本情感进行情感极性分类和预测。     

结合气象监测与地基云图的地表太阳辐射预测

高精度的太阳辐照度预测是光伏输出功率预测的基础,而云的遮挡是导致太阳辐射波动的主要原因。针对现有技术由于对云图时变特征获取能力不足,导致在复杂天气条件下预测精度显著下降的问题,本文提出了利用3D卷积神经网络同时提取单张云图特征和云图序列时变特征,建立云图图像特征与云对地表太阳辐射衰减之间的关联,实现太阳辐射高精度预测的方法。实验验证结果表明,较现有方法,本文提出的方法在复杂天气条件下的未来5分钟功率预测精度提高8%以上,具有很高的推广应用价值。     

智能故障诊断技术

智能化故障诊断是一门综合性技术,它涉及人工智能现代控制论、信号处理模式识别、计算机科学、电子技术和统计数学等学科.目前用于网络故障诊断的人工智能方法主要有:基于专家系统的故障诊断方法、基于神经网络的故障诊断方法和基于模糊神经网络的故障诊断方法.     

面向分类信息网站数据挖掘算法的研究与应用

文章在分析数据特点的基础上进行了关联规则的数据挖掘.阐述了关联规则挖掘的基本理论,给出了关联规则挖掘的一般模型,并在介绍了著名的Apriori算法的前提下,将哈希技术应用到Apriori算法中,提出了HTBA算法,并通过www.city0518.cn的数据实例加以分析.     

基于人工神经网络的瓦斯涌出量预测

由于影响瓦斯涌出量的因素很多并且它们之间存在着复杂的非线性关系，用传统方法很难对其进行准确预测，神经网络算法简单，学习收敛速度快，具有线性、非线性逼近精度高等特性，适合对瓦斯涌出量进行建模，针对对波动性较大的数据预测结果不理想的问题，在对监测数据分析的基础上，提出了用数据预处理的方法弱化数据波动性，然后进行神经网络建模的瓦斯涌出量预测模型，试验证明取得到了比较理想的结果。     

基于灰色理论和人工神经网络的瓦斯涌出量预测

在对监测数据分析的基础上,提出了将灰色理论引入人工神经网络的瓦斯涌出量预测新模型,并通过实验证明该模型在瓦斯预测中得到了比较理想的结果。