检索结果-内蒙古大学图书馆

作者：马涛华北电力大学

学位级别：硕士

随着新能源的不断发展,大量大容量风电机组不断并入电网运行,给电网的可靠持续稳定运行提出了新的挑战,精准的风功率预测和最优消纳风电调度具有重要意义。近年来我国风电产业迅速发展,然而大规模风电并网给电网运行带来了新的问题,年... 详细信息

随着新能源的不断发展,大量大容量风电机组不断并入电网运行,给电网的可靠持续稳定运行提出了新的挑战,精准的风功率预测和最优消纳风电调度具有重要意义。近年来我国风电产业迅速发展,然而大规模风电并网给电网运行带来了新的问题,年利用小时数偏低、弃风量大等情况不仅导致风电产业经济效益降低,还严重影响了风电的健康发展。现阶段已有的风功率预测手段最大的问题是预测精度不够。原因一是模型深度问题,二是训练样本的规模和维度都不够大,数据清洗也还不够严格。导致模型难以适应复杂的场景和地形中流场关系。如何提高风电预测精度和风电消纳能力成为中国风电面临的挑战。本文综述了国内外风功率预测和区域消纳风电的优化调度的研究现状,分析了风电出力特性及其对电网的影响以及当前风电的预测水平,并指出联络线参与优化调度可以充分利用相邻互联区域的有效备用容量和联络线的剩余输送容量,对全网优化调度具有重要意义。针对风功率预测,先对数值天气预报(NWP)数据进行特性分析,论证了NWP数据存在时空偏移,设计了以风电场风功率历史数据以及风速风向等NWP数据为数据输入结构,并通过主成分分析提取有效数据,降低数据规模。构造了基于CNN-LSTM的短期风功率预测模型,将处理过的气象数据和历史风功率数据通过卷积网络实现对数据的特征提取和进一步的数据降维,再通过长短期记忆网络实现对数据的拟合,并在神经网络的训练过程中引入Drop Connect技术减小模型中的过拟合现象,最终实现风功率的精确预测。针对风电优化调度,提出了基于Nash-Q学习方法的互联区域大规模风电协调消纳策略,建立考虑风电不确定性的互联系统经济调度模型,以最优消纳风电为研究目标。首先,针对不同区域参与者各方利益的等效成本,构建各自的状态决策模型,建立以多区域各方参与者间利益均衡为目标的非合作博弈Nash均衡模型;再次,针对博弈模型中的高维度决策变量,引入Q学习算法,建立基于非合作博弈Nash均衡和Q学习算法相结合的互联系统调度求解方法;最后,通过改进的IEEE39节点互联系统验证了所提方法可以实现区域间利益的合理分配,促进风电的大规模消纳。

关键词：卷积长短期记忆神经网络风功率预测互联区域非合作博弈 Q学习算法

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的西北太平洋叶绿素垂直分布及初级生产力研究

基于深度学习的西北太平洋叶绿素垂直分布及初级生产力研究

引用

作者：赵宪志青岛科技大学

学位级别：硕士

全球初级生产力的估算对于理解海洋生物过程至关重要,通过光合作用转化太阳能为有机物质,为生态系统提供能量基础,支持氧气产生、碳固定和温室气体调控。叶绿素-a(Chl-a)浓度是估算浮游植物生物量和海水营养状况的重要指标,但其反演精... 详细信息

全球初级生产力的估算对于理解海洋生物过程至关重要,通过光合作用转化太阳能为有机物质,为生态系统提供能量基础,支持氧气产生、碳固定和温室气体调控。叶绿素-a(Chl-a)浓度是估算浮游植物生物量和海水营养状况的重要指标,但其反演精度面临挑战,特别是次表层叶绿素浓度。传统物理模型和人工智能方法在这一领域受到季节变化和海洋环境条件的限制,导致精度不足。尽管深度学习方法在叶绿素垂直分布研究中展现出潜力,但数据的时空局限仍需解决。本文收集了西北太平洋地区的多源数据,包括CMIP6模式数据、卫星观测数据、DNN模型重构数据和BGC-Argo浮标数据。通过筛选和预处理,利用空间线性插值统一经纬度,并进行时空匹配,最后将数据转换格式,划分为预训练模式数据集和迁移学习观测数据集。模型输入变量包括海表面叶绿素-a、温度、高度、盐度和风,输出为0-300米20层深度的叶绿素-a浓度。为提高次表层叶绿素-a反演精度,本文提出了注意力残差卷积长短期记忆神经网络(CBAM-Res Conv LSTM)模型。该模型基于Conv LSTM,结合卷积和LSTM的优点,能更准确捕捉地表叶绿素浓度变化规律。引入卷积注意力模块(CBAM)增强特征提取能力,通过通道和空间注意力机制提取重要特征;残差模块(RM)则加速了模型的收敛速度并提高了性能和泛化能力。预训练结果显示该模型在西北太平洋地区的次表层叶绿素反演精度显著提高(Pearson's r=0.99,NSE=0.98),微调后的模型表现也较为理想(Pearson's r=0.96,NSE=0.91),展现了较强的泛化能力。通过对照实验验证了CBAM-Res Conv LSTM模型的有效性。首先,与Conv LSTM模型对比,引入CBAM和RM模块后性能提高约3.5%。其次,与LSTM和CNN模型对比,结果表明本文提出的改进模型在次表层叶绿素反演精度上表现更好。在不同气候带的断面结果对比中,热带区域(12°-24°N)三种模型结果相似,亚热带区域(24°-38°N)CBAM-Res Conv LSTM和CNN模型能捕捉到CMIP6数据特征,但预测强度略不足,LSTM模型未能捕捉高浓度特征。温带区域(38°-54°N)CBAM-Res Conv LSTM模型在浅层和深层水域均表现优异,而CNN和LSTM模型分别表现出高估和低估。结果表明CBAMRes Conv LSTM模型在捕捉垂向Chl-a方面表现突出,具备较强的泛化能力。之后,使用显著性图方法分析不同变量对CBAM-Res Conv LSTM模型的影响。结果显示,海表面Chl-a和温度是最显著的变量,海表面Chl-a在春夏季中高纬度影响较大,海表面温度在春夏季中低纬度影响显著。海表面盐度和风的影响相对较弱但持续时间较长,分别集中在中高纬度区域和全年各月的中高纬度区域。海表面高度影响较小,仅在春夏季中低纬度有轻微影响。最终,利用简化计算公式对2004年至2022年西北太平洋海域的初级生产力进行估算。初级生产力月度空间分布与海表Chl-a浓度分布相似。通过STL分解法对热带、亚热带和温带区域的初级生产力平均值进行时间序列分析,结果显示2004年至2022年间西北太平洋海域的初级生产力呈现显著空间差异和年际变化。热带地区逐年增加,亚热带和温带地区逐年下降。对每个像素点的趋势分析显示热带地区初级生产力增加,亚热带呈负向趋势,温带区域趋势复杂,边缘海显著增加,其他部分减少。综上,本文提出了CBAM-Res Conv LSTM神经网络模型,通过引入CBAM和RM模块,有效提高了西北太平洋地区次表层叶绿素反演精度。研究结果为该地区次表层叶绿素数据集的构建和初级生产力研究提供了有力支持。

关键词：次表层叶绿素-a 海洋初级生产力卷积长短期记忆神经网络迁移学习深度学习可解释性西北太平洋

来源：评论

学校读者我要写书评

暂无评论

基于循环神经网络模型的动态手势识别系统的设计与实现

基于循环神经网络模型的动态手势识别系统的设计与实现

引用

作者：孙洪恩哈尔滨工业大学

学位级别：硕士

手势是一种人类的肢体语言,不仅包含十分丰富的信息而且在人与人之间交流时便捷且自然,因此手势识别逐渐被应用于人机交互领域。手势识别按照手势的分类分为静态手势识别和动态手势识别,由于动态手势可以反映手势的连续变化、表达更加... 详细信息

手势是一种人类的肢体语言,不仅包含十分丰富的信息而且在人与人之间交流时便捷且自然,因此手势识别逐渐被应用于人机交互领域。手势识别按照手势的分类分为静态手势识别和动态手势识别,由于动态手势可以反映手势的连续变化、表达更加复杂的手势信息,因此动态手势识别具有更加广阔的应用空间。本文对基于计算机视觉和深度学习的动态手势识别方法进行了研究,综合考虑识别速度、识别正确率、应用平台的显卡规格等因素,提出了两种动态手势识别模型:Light-GestureNet 和 GestureNet。Light-GestureNet 在提取代表动态手势的图像序列的局部时空特征的基础上提取全局时空特征,GestureNet在提取图像序列的局部时空特征的基础上提取深度特征的同时拼接融合全局时空特征。(1)提出了基于Skip-Res3D和ConvLSTM的轻量级动态手势识别模型Light-GestureNet,Light-GestureNet适用于显存大于6.5GB的应用平台,具有广泛的应用场景。Skip-Res3D 参考 Highway Networks、ResNet、DenseNet的跨层跳跃连接思想在Res3D中所有相邻残差块之间引入了跳跃连接来进行信道信息融合。Light-GestureNet使用Skip-Res3D提取图像序列的局部时空特征的同时简化特征集、加快ConvLSTM的计算速度,之后将Skip-Res3D提取的特征序列输入到ConvLSTM提取全局时空特征。因此Light-GestureNet可以在提取图像序列的时空特征的同时加快模型拟合速度、减少网络深化导致的特征信息丢失并融合更多信道信息。(2)提出了基于Skip-Res3D和DepthNet的动态手势识别模型GestrueNet。GestrueNet适用于显存大于11GB的应用平台,对动态手势的识别正确率高。DepthNet包含深度可分离卷积神经网络分支和ConvLSTM分支,深度可分离卷积神经网络分支是为了进行深度特征提取的同时减少计算量和过拟合的可能,ConvLSTM分支是为了提取全局时空特征。GestrueNet使用Skip-Res3D提取图像序列的局部时空特征,之后将Skip-Res3D提取的特征序列输入到DepthNet中提取深度特征信息的同时拼接融合全局时空特征。因此GestureNet可以在减少参数量的前提下有效地提取动态手势的时空特征。为了验证本文提出的模型的可行性和有效性,在Jester数据集上进行模型训练和测试的实验,Light-GestureNet的识别正确率为92.55%,平均单个手势的识别时间为7.57毫秒,占用6.5GB显存,输入是16张56×56像素的图片;GestureNet的识别正确率为95.64%,平均单个手势的识别时间为14.27毫秒,占用10.9GB显存,输入是16张112×112像素的图片,并且通过混淆矩阵分析、降维可视化分析、显著性分析证明了 Light-GestureNet和GestureNet的有效性。最后以这两种模型为基础搭建了基于客户端-服务端风格的可以识别7种动态手势的动态手势识别系统并且以控制Power Point为应用场景来验证模型的效果。基于GestureNet的动态手势识别系统的识别正确率为97.57%,平均单个手势的系统延迟为452毫秒;基于Light-GestureNet的动态手势识别系统的识别正确率为94.56%,平均单个手势的系统延迟为223毫秒,识别延迟较基于GestureNet的动态手势识别系统低的原因有两个:***-GestureNet 较 GestureNet 识别动态手势的速度快。2.因为 GestureNet 参数数量较多,输入GestureNet的图片序列的图片较大以防止发生过拟合现象,因此客户端向服务端传输数据较慢。实验结果表明,Light-GestureNet是一种识别速度快、显存占用低的轻量级动态手势识别模型,GestureNet是一种准确率更高但是识别速度较慢、显存占用较高的动态手势识别模型。

关键词：手势识别卷积神经网络卷积长短期记忆神经网络深度学习

来源：评论

学校读者我要写书评

暂无评论

GNSS与FY-4A水汽融合及其在PM2.5预测中的应用

GNSS与FY-4A水汽融合及其在PM2.5预测中的应用

引用

作者：黄靖天津城建大学

学位级别：硕士

PM2.5是一种可吸入的微小颗粒物,含有大量有害物质,对人体健康、社会经济和生态环境都有严重危害。开展高时空分辨率的PM2.5浓度预测,对环境治理和公众出行防护具有重要的价值。PM2.5的形成和演化受多种因素影响,近年来研究发现大气水汽... 详细信息

PM2.5是一种可吸入的微小颗粒物,含有大量有害物质,对人体健康、社会经济和生态环境都有严重危害。开展高时空分辨率的PM2.5浓度预测,对环境治理和公众出行防护具有重要的价值。PM2.5的形成和演化受多种因素影响,近年来研究发现大气水汽与PM2.5的形成过程关系密切,因此融合大气水汽等多种要素对PM2.5浓度进行监测和预报成为研究热点。目前大气水汽的获取来源有再分析资料、探空气球、遥感卫星和全球导航卫星系统（Global Navigation Satellite System,GNSS）,然而不同的获取方法都存在不同的优缺点。例如,GNSS技术反演的水汽,其结果具有高精度、高时间分辨率的优点,但受制于站点分布的密度,其水汽信息以离散点的形式呈现,导致空间分辨率不足,而风云4号A星（FY-4A）反演的大气水汽时间分辨率高且具有空间连续性,但是其精度较低。因此融合GNSS与FY-4A水汽数据,可获得高时空分辨率的水汽产品,可为实现高时空分辨率的PM2.5浓度预测提供数据基础。京津冀地区是我国大气污染最为严重的地区之一,开展该地区PM2.5浓度预测具有较好的应用价值。本文以京津冀地区为例,综合GNSS、FY-4A水汽以及大气污染物观测数据,在卷积长短期记忆网络（Convolutional LSTM Network,Conv LSTM）的基础上添加快速傅里叶变换（Fast Fourier Transform,FFT）和2个时间滑动窗口,提出了添加FFT的卷积长短期记忆（FFT-Conv LSTM）模型,并基于此得到了高精度、高时空分辨率（1～24h,4km×4km）的PM2.5浓度网格化预测结果。具体的研究内容与结论如下:（1）依据GNSS水汽,开展了京津冀地区FY-4A水汽的精度评定。研究发现,FY-4A水汽数据与GNSS水汽存在区域和季节性偏差,二者在京津冀不同区域和不同季节均呈现正相关,但相关系数和误差随空间和时间有着明显的差异。平原地区的相关性最高,误差最大;山地地区的相关性最低,误差却最小。（2）使用正则化球冠谐模型融合了GNSS和FY-4A水汽,融合后水汽的精度要优于校正后的FY-4A水汽精度,所有验证站点的相关系数也有所提高,并且均方根误差有所降低。其中,HECC与HECD站的均方根误差降幅较大,分别达到了1.1mm和1.22mm。（3）基于多元线性回归（Multiple Linear Regression,MLR）模型、卷积神经网络（Convolutional Neural Networks,CNN）模型和Conv LSTM模型,开展了利用大气污染物预测PM2.5浓度,以及融合水汽和大气污染物预测PM2.5浓度效果的比较研究。研究表明,Conv LSTM模型只适合使用少量要素进行预测,过多的要素会降低其预测效果;MLR模型和CNN模型的预测精度随输入要素的增加而提高。此外,融合水汽数据能够有效提高PM2.5预测精度,在平原地区,MLR和CNN模型在仅使用PM2.5作为输入要素的基础上,添加融合水汽后,预测结果均方根误差分别降低了5.13μg/m3和3.57μg/m3。使用PM2.5和融合水汽作为输入要素时,Conv LSTM模型在京津冀不同地区均表现出较高的预测精度和稳定性。（4）利用FFT开展了PM2.5浓度影响因素的最佳公共周期提取分析,将研究区分为平原、山地和高原三种类型,通过相关性分析确定了影响因素多个公共周期的最佳时间滑动窗口。结果表明:京津冀地区的平原、山地和高原的最佳时间滑动窗口长度分别为200h、133h和103h。（5）开展了FFT-Conv LSTM与Conv LSTM在PM2.5浓度预测效果的比较。FFT-Conv LSTM在平原地区、山地地区和高原地区相比于Conv LSTM模型预测的PM2.5浓度的RMSE分别降低了5.4μg/m3、1.46μg/m3和0.95μg/m3,MAE分别降低了1.43μg/m3、0.96μg/m3和0.32μg/m3,这表明本文提出的FFT-Conv LSTM模型可以很好的弥补Conv LSTM模型的缺陷并提高了预测精度。

关键词：全球导航卫星系统水汽风云四号A星水汽融合卷积长短期记忆神经网络 FFT-ConvLSTM

来源：评论

学校读者我要写书评

暂无评论

基于ConvLSTM神经网络的有杆抽油系统故障诊断研究

引用

北京信息科技大学学报（自然科学版） 2023年第4期38卷 53-60页

作者：李昊牛海莎张勇于政先北京信息科技大学仪器科学与光电工程学院北京100192 北京宇盛正创科技有限公司北京100085

针对复杂抽油环境中的有杆抽油系统(rod pumping system,RPS)故障问题,提出一种基于深度学习算法的故障诊断方法。通过边缘计算设备,采集中国西北部油田12种油井工况的11961个抽油杆悬点载荷数据,构建油井使用年限范围内的常见工况数据... 详细信息

针对复杂抽油环境中的有杆抽油系统(rod pumping system,RPS)故障问题,提出一种基于深度学习算法的故障诊断方法。通过边缘计算设备,采集中国西北部油田12种油井工况的11961个抽油杆悬点载荷数据,构建油井使用年限范围内的常见工况数据集。利用卷积长短期记忆神经网络(convolutional long short-term memory neural networks,ConvLSTM)模型,建立抽油杆载荷数据与工作状态之间的特征关联,将算法模型部署在边缘计算装置中,从而实现RPS故障的边缘诊断。为了验证该方法的有效性,采集了5126例生产数据进行测试。结果表明,该故障诊断方法具有更高的准确率及更好的泛化能力,可对RPS进行接近实时的故障诊断。

关键词：故障诊断卷积长短期记忆神经网络时间序列有杆抽油系统边缘计算

来源：评论

学校读者我要写书评

暂无评论

基于3DCNN与CLSTM混合模型的短期光伏功率预测

引用

山东电力技术 2024年第7期51卷 10-18页

作者：于丹文李山刘航航李广磊国网山东省电力公司电力科学研究院山东济南250003 国网山东省电力公司山东济南250001

光伏发电功率预测对于电力系统制定发电计划和协同调度至关重要。然而,由于光伏发电过程的随机性和间歇性,光伏功率预测的准确性仍有较大提升空间。为此,提出了一种基于三维卷积神经网络(three-dimensional convolutional neural networ... 详细信息

光伏发电功率预测对于电力系统制定发电计划和协同调度至关重要。然而,由于光伏发电过程的随机性和间歇性,光伏功率预测的准确性仍有较大提升空间。为此,提出了一种基于三维卷积神经网络(three-dimensional convolutional neural network,3DCNN)和卷积长短期记忆网络(convolutional long short-term memory network,CLSTM)混合模型的光伏功率预测方法,该方法结合3DCNN和CLSTM两种神经网络模型的优势,提高了预测准确性。采用均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及平均绝对百分比误差(mean absolute percentage error,MAPE)三个指标对预测模型进行评价,通过将基于该混合模型的预测方法应用于某光伏电站的出力预测,验证了模型的适用性和正确性。结果表明,当太阳辐照强度、温度、湿度、风速等输入的时间序列相同时,基于3DCNN和CLSTM混合模型的预测效果最好,相比于单独的3DCNN模型、CLSTM模型、BP神经网络模型,混合模型的MAPE分别提高了54%、61%和64%。说明该混合模型能够更好地适应光伏发电的随机性和间歇性特点,并提高功率预测的准确性。

关键词：光伏功率预测深度学习三维卷积神经网络卷积长短期记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

基于神经网络和迁移学习的视频人体行为识别

引用

智能计算机与应用 2021年第12期11卷 153-157页

作者：吴松平王天一贵州大学大数据与信息工程学院贵阳550025

为了解决视频人体行为识别中网络难以训练、直接将卷积神经网络全连接层的输出送入循环神经网络而导致空间信息缺失,进而引起视频人体行为识别精度不高、难以训练等问题。本文提出基于神经网络和迁移学习的视频人体行为识别方法,该方法... 详细信息

为了解决视频人体行为识别中网络难以训练、直接将卷积神经网络全连接层的输出送入循环神经网络而导致空间信息缺失,进而引起视频人体行为识别精度不高、难以训练等问题。本文提出基于神经网络和迁移学习的视频人体行为识别方法,该方法以resnet50为基础网络,将在imagenet数据集上训练好的权重参数用于初始化所有的卷积层,使用卷积长短期记忆神经网络对resnet50的输出做处理,得到具有空间信息的视频描述信息,使用注意力机制对视频信息进行处理得到视频关键信息,最后利用长短期记忆网络对视频关键信息做时间序列建模。该方法在人体行为通用数据集ucf101上到达94.77%。经实验证明,该方法可以实现端到端的视频人体行为识别,识别精度可以和现有的方法媲美,并有训练时长短,网络结构简单等特点。

关键词：人体行为识别卷积长短期记忆神经网络注意力机制 ucf101

来源：评论

学校读者我要写书评

暂无评论

基于GTO优化CNN-LSTM的多变量负荷预测

引用

现代工业经济和信息化 2024年第8期14卷 182-183,186页

作者：黄亚南王宇驰王诗博辽宁工程技术大学电气与控制工程学院辽宁葫芦岛125105

提出了一种基于CNN-LSTM多变量负荷预测方法,分别介绍了CNN-LSTM、GTO算法,构建了多变量负荷预测模型,描述了多变量负荷预测思路,最后通过对比GTO优化前后的根均方差(RMSE)、平均绝对误差(MAE)、平均相对百分误差(MAPE)、决定系数(R2)... 详细信息

提出了一种基于CNN-LSTM多变量负荷预测方法,分别介绍了CNN-LSTM、GTO算法,构建了多变量负荷预测模型,描述了多变量负荷预测思路,最后通过对比GTO优化前后的根均方差(RMSE)、平均绝对误差(MAE)、平均相对百分误差(MAPE)、决定系数(R2)四个指标,以及预测数据和真实数据的变化趋势图,证明GTO可以有效提高CNN-LSTM预测模型的鲁棒性以及精确性。

关键词：人工大猩猩部队算法卷积长短期记忆神经网络多变量负荷预测适应度优化

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：