简介:针对短期家庭电力数据随机性强,数据维度低等问题,提出了一种基于长短期记忆循环神经网络(LSTM)的单变量短期家庭电力需求预测模型.实验表明,该模型能够准确反映以小时为单位的家庭电力需求趋势,且在不同家庭上的泛化性能优于传统的循环神经网络(RNN)和门控循环网络(GRU).
简介:短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要意义,针对现有的神经网络法、小波分析法等单一预测模型预测精度提升有限的问题,引入集成学习的思想和方法,提出一种基于Stacking算法改进支持向量机(SVM)的短期光伏发电预测方法.该方法先使用多个不同的初级SVM对预测样本进行一次预测得到多个预测输出;然后对训练集进行聚类,使用与预测样本同类别的训练样本训练次级SVM;最后使用次级SVM对多个预测输出进行结合得到最终预测结果.经光伏发电系统的实际运行数据实验,结果表明本文提出的方法相较于单一预测模型精度有了明显提升.
简介:基于傅里叶变换中红外光谱技术(FTIR),结合改进型偏最小二乘回归法(MPLS),建立豆奶中的快速预测方法。结果表明选取有效波段,不使用散射校正,使用导数和平滑校正光谱基线漂移后定标效果最好,各指标的预测值与实测值相关性良好,脂肪(Fat)、蛋白质(Protein)、蔗糖(Sucrose)和总糖(TotalSugar)预测标准偏差(SEP)分别为0.061、0.039、0.039、0.047;预测相关系数(RSQ)分别为:0.98、0.99、0.99、0.99。该方法可应用于豆奶中脂肪(Fat)、蛋白(Protein)、蔗糖(Sucrose)和总糖(TotalSugar)含量的快速分析检测。
简介:利用机器视觉评定小模数齿轮精度时,在齿轮整体图像中提取的边缘特征信息不能直接描述图像中的单独目标,需要后续识别算法去适应局部的多变特征.为此提出一种基于特征图像的边缘检测效果评价方法来获取丰富的局部图像信息,用于评定小模数渐开线齿轮视觉测量系统中轮廓提取的精度.首先根据齿轮图像中渐开线齿廓边缘的函数特性建立特征图像模型;然后使用基于Zernike矩的亚像素边缘检测算法获取小模数渐开线齿轮特征图像的边缘;最后结合构建特征图像的标准函数,量化特征图像的边缘检测结果与标准函数间的偏差,用以评价边缘检测的效果.实验表明,运用小模数齿轮的特征图像评价基于Zernike矩的亚像素边缘检测算法,渐开线齿廓的检测精度优于0.58pixel.
简介:论述了聚乙二醇(PEG)20M、邻苯二甲酸二壬酯(DNP)+Tween60(80)混合柱和402柱的构成及特点,以求在分析工作中正确地选用。