基于CEEMDAN-SAFA-LSSVM的短期风功率预测

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一.建立了基于CEEMDAN-SAFA-LSSVM短期风功率组合预测模型.采用完全集合经验模态分解(CEEMDAN)将原始风功率序列分解成特征互异的各个本征模态分量,对分解产生的本征模态分量进行相空间重构,然后根据得到的新模态分量建立相应的最小二乘支持向量机(LSSVM)预测模型.针对LSSVM模型的预测精度易受参数选择的影响,提出萤火虫算法(SAFA)优化LSSVM模型的参数,解决了 LSSVM参数寻优效率低的问题.算例分析表明CEEMDAN-SAFA-LSSVM模型在风功率预测中具有较高的预测精度和预测效率.     

基于云计算的多机器人目标智能跟随控制研究

随着信息智能化的快速发展,机器人在工作过程中面临着大量的数据计算、存储与调度等问题,结合多机器人协同工作,提出了基于云计算的多机器人目标智能跟随控制方法.通过人机载距传感器对多机器人以及跟踪目标进行定位,建立二维坐标系的局部地图.以目标的运动状态为基础,对其运动方向和速度进行预测,为每个机器人创建独自的跟踪器来预估目标的跟随状态,将最大近似概率和对应的测量数据、跟踪轨迹进行关联,直到所有的测量数据或跟踪轨迹全部关联完毕.采用松散耦合架构的设计方法对云服务平台的基础层进行设计,为了降低云服务系统的复杂性以及耗时性,采用容器批量部署方式的微服务体系,将各个小服务的代码与环境进行隔离.实验结果表明,所提方法不仅实现了多机器人对目标的良好跟踪,还可以通过云操作系统进行任务分配,稳定高效地完成目标智能跟踪与相互协作.     

基于Matlab和Excel的误差理论教学软件设计

针对误差理论与数据处理教学过程中存在的数据计算量大,学生理解困难等问题,提出应用Matlab和Excel软件相结合,实现人机交互,测量数据的自动读取及分析功能。应用到教学中,可以帮助学生理解数据处理的理论知识,直观观测到数据的变化趋势及实现数据的分析预测,有效提高教学质量。     

基于二次EEMD的工业电能需量多步预测

电力大用户最大需量控制是降低电网峰值负荷、节约用户电费成本的重要技术手段.面向强波动性和冲击性工业电能需量控制,研究了超短期需量负荷的多步预测问题.基于集成经验模态分解(EE-MD)方法,通过二次分解有效分离时间序列中不同频率的信号,采用长短期记忆网络(LSTM)对各信号子序列进行独立预测,最后组合预测结果.实验结果表明,本方法能很好的预测工业需量负荷变化,M A PE/MAE/NRMSE精度指标基本控制在2％ 以内,明显优于多种现行主流时序预测模型和最新文献方法,且消除了多步预测的传递误差,预测模型精度和稳定性满足需量控制要求.     

基于AERF模型的油井结蜡预测

油井结蜡是一种在开发以及开采油田时对油井正常产出造成了负面影响的现象,该现象会引起油流通道堵塞,导致油井开采过程中出油量降低.对油井结蜡状况做出智能预警,完成油井设备提前修复,对油田提高产能效率、降低维护成本及智能化管理有非常关键的价值.为了解决油井正常数据和结蜡数据严重不平衡问题,本文引入了自适应合成抽样法(ADASYN)和最近邻规则欠抽样法(ENN)两种非均衡样本处理方法,分别对类别为结蜡的样本和非结蜡的样本进行处理,最终使用随机森林算法对新构成的数据集训练,构造出AERF智能模型来预测油井结蜡.实验结果表明,提出的AERF模型在油井的结蜡数据集中预测效果更佳,明显地提高了预测精度.     

基于改进降噪自动编码器的点击率预测

点击率(CTR)预测是个性化广告和推荐系统中的一项基本任务. 针对提升点击率预测效果和处理冷启动问题, 本文中提出了一种基于改进降噪自动编码器的点击率预测模型ADVAE (ADditional Variational AutoEncoder),该模型在输入数据加入高斯随机噪声, 利用改进的降噪自动编码器生成新的嵌入特征, 然后分别进行低阶和高阶的特征交互来预测用户点击行为. 该方法可以在数据稀疏以及系统冷启动情况下, 更深层地学习特征嵌入与交叉之间的关系. 该模型关注特征域之间的交互, 动态修复低频数据的特征嵌入, 具有更强的鲁棒性. 此外, 该方法可以动态应用到其他深度学习模型, 具有更高的灵活性. 实验结果表明, 该方法在点击率预测和系统冷启动问题上的性能表现均优于现有方法.     

基于IIGA-BP神经网络的钢材销售预测模型

为克服传统BP神经网络(BP Neural Network,BPNN)在销售预测中,预测精度低、收敛速度慢的缺点.提出了一种基于改进免疫遗传算法(Improved Immune Genetic Algorithm,IIGA)优化BP神经网络的销售预测模型.改进的免疫遗传算法提出了新的种群初始化方式、抗体浓度的调节机制及自适应交叉算子、变异算子的设计方法,有效的提高了IIGA的收敛能力和寻优能力.并用IIGA优化BPNN的初始权值和阈值,改善网络参数的随机性导致BPNN输出不稳定和易陷入局部极值的缺点.以某钢铁企业的历史销售数据为例进行实证研究,利用Matlab分别构建BP、IGA-BP和IIGA-BP神经网络预测模型进行仿真对比分析.实验证明,IIGA-BP神经网络预测模型较BP神经网络预测模型预测精度提高了23.82％,较IGA-BP神经网络预测模型预测精度提高了22.02％.IIGA-BP神经网络模型对钢材销售预测的泛化性能更好,预测效果更稳定误差基本保持在[0.25,0.25]之间,预测精度大幅度提高,为企业销售预测提供了一种较为有效的方法.     

基于聚类与机器学习的零售商品销量预测

本文提出一种基于K-means聚类与机器学习回归算法的预测模型以解决零售行业多个商品的销售预测问题,首先通过聚类分析识别出具有相似销售模式的商品从而实现数据集的划分,然后分别在每个子数据集上训练了支持向量回归、随机森林以及XGBoost模型,通过构建数据池的方式增加了用于训练模型的数据量以及预测变量的选择范围.在一家零售企业的真实销售数据集上对提出的模型进行了验证,实验结果表明基于K-means和支持向量回归的预测模型表现最优,且所提出的模型预测效果明显优于基准模型以及不使用聚类的机器学习模型.     

自适应序列生成的建筑能耗预测

提出一种基于强化学习的生成对抗网络(Reinforcement learning-based Generative Adversarial Networks,Re-GAN)能耗预测方法.该算法将强化学习与生成对抗网络相结合,将GAN(Generative Adversarial Nets)中的生成器以及判别器分别构建为强化学习中Agent(生成器)以及奖赏函数.在训练过程中,将当前的真实能耗序列作为Agent的输入状态,构建一组固定长度的生成序列,结合判别器及蒙特卡洛搜索方法进一步构建当前序列的奖赏函数,并以此作为真实样本序列后续第一个能耗值的奖赏.在此基础之上,构建关于奖赏的目标函数,并求解最优参数.最后使用所提算法对唐宁街综合大楼公开的建筑能耗数据进行预测试验,实验结果表明,所提算法比多层感知机、门控循环神经网络和卷积神经网络具有更高的预测精度.     

面向晶体结构预测的深度学习方法

晶体结构研究是研究固体材料物理化学性质的基础,而筛选晶体结构通常基于能量最低原理,采用密度泛函理论计算结构能量需要大量计算资源及服务时间.为此本文提出了面向材料结构预测的深度学习方法,加快材料晶体结构的预测.本文从数据集优化、模型训练策略、算法优化等方面进行了深入研究,确定了应用于材料结构预测中深度学习的网络参数和优化算法.将确定的深度学习框架用于寻找Si单晶、TiO2和CaTiO3化合物的基态稳定结构,实验结果表明,利用本研究提出的深度学习方法预测的晶体结构与实验室制备材料结构相吻合.