基于CNN-BIGRU-ATTENTION的短期电力负荷预测

电价的实时波动,会对负荷预测精度产生一定影响,增加预测的复杂性.针对这一问题,本文构建基于注意力(AT-TENTION)机制的卷积神经网络(CNN)和双向门控循环单元(BIGRU)混合模型对短期电力负荷进行预测.首先用CNN对负荷及电价数据特征进行抽取;其次,利用BIGRU对潜藏的时序规律进行提取;最后结合ATTENT...     

新基建风潮下的全国数据中心算力布局规划研究

作为新型基础设施的典型代表,数据中心算力布局是否科学适用已经成为决定全国和区域消费互联网经济和产业互联网经济高水平发展的重要因素.在新基建的风潮下,为防止和减轻数据中心的社会性基础设施属性带来的负面影响,需要从地域环境、产业行业、技术演进、国内国际和安全管理等多个维度,做好数据中心算力布局的顶层设计和统筹规划.     

基于卡尔曼滤波的自主式水下航行器大尺度编队控制

针对网络环境下环境噪声对自主式水下航行器编队控制的影响,提出一种利用卡尔曼滤波实时估计AUV最优运动状态的编队控制方法.将空间间隔较远的多AUV系统建模为多智能体系统,从大尺度上研究其编队控制问题.为了得到每个AUV速度状态的最优估计值,每个AUV都嵌入一个全局卡尔曼滤波器,利用该全局滤波器进行最优估计从而计算出噪声环境下其自身的最优位置.仿真结果验证了所给出的控制策略的有效性.     

基于CNN-GRU-MLR的多频组合短期电力负荷预测

负荷预测对于电力企业制定未来调度计划十分重要。为了进一步提高预测精度，充分挖掘负荷数据中时序特征的联系，提出一种卷积神经网络(Convolutional Neural Networks, CNN)、门控循环单元(Gate Recurrent Unit, GRU)和多元线性回归(Multiple Linear Regression, MLR)混合的多频组合电力负荷预测模型。该模型先对时间序列的负荷数据进行集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD),并将其重构为高低两种频率；同时在高频中引入影响因子较大的气象因素，使用CNN-GRU模型预测，低频部分使用多元线性回归进行预测；最后将各个模型得出的预测结果叠加，得到最终预测结果。仿真结果表明，相对于其它网络模型，提出的混合模型具有更高的预测精度，是一种有效的短期负荷预测方法。     

拉脱力测试机工装挡板改造技术分析

拉脱力测试是稳定杆生产流程中很重要的一个环节,旨在测试稳定杆橡胶衬套有效粘接面积.该设备整体结构简单,主要由压力机、旋转油缸、不同型号的稳定杆模座以及工装挡板组成.鉴于该测试机工装挡板不足以满足日常生产要求,对该挡板进行改造设计.改造主要分为快速换型与安全性能优化两方面.     

基于变分模态分解的卷积神经网络?双向门控循环单元?多元线性回归多频组合短期电力负荷预测

为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络（convolutional neural networks,CNN）、双向门控循环单元（bidirectional gated recurrent unit,BiGRU）和多元线性回归（multiple linear regression,MLR）混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解（variational mode decomposition,VMD）将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。