计及组合区间不确定性分析的光伏出力动静态赋权搜索预测模型

针对目前光伏出力确定性预测缺乏考虑不确定性信息导致预测精度受限的问题,提出了一种计及组合区间不确定性分析的光伏出力动静态赋权搜索预测模型。首先分别构建卷积神经网络(convolutional neural network,CNN)-注意力机制(attention)-双向长短期记忆网络(bidirectional long-short term memory,BiLSTM)(CNN-Attention-BiLSTM)和自然梯度提升(natural gradient boosting,NGBoost)模型进行确定性预测;然后通过分析2个模型的确定性预测值和真实值的分布揭示了组合区间相对可靠性规律,基于该规律提出一种动静态赋权搜索预测模型,利用NGBoost模型进行不确定性预测,并根据所提供的概率分布信息,动态区分确定性预测结果的重要性,结合模型历史静态的指标评价信息,实现组合区间内搜索预测结果;最后采用澳大利亚沙漠知识太阳能中心和宁夏某光伏电站的数据集进行仿真研究,验证了该文方法的有效性和适用性,可为光伏出力确定性组合预测提供新的研究思路。

基于帧间差分法-单点多框检测器的圈养生猪打斗行为识别方法

在集约化养殖过程中,生猪打斗行为是影响生猪福利养殖的重要因素之一。针对复杂养殖环境下传统方法识别圈养生猪打斗行为准确率低的问题,提出1种基于帧间差分法(Frame difference,FD)-单点多框检测器(Single shot MultiBox detector,SSD)的生猪打斗行为识别方法。首先,利用帧间差分法提取生猪连续视频帧中的移动像素,排除光照度变化、地面水渍及尿渍等环境因素以及静止生猪对打斗行为识别的干扰。然后,以连续视频帧中的移动像素为样本,采用MobileNet_v2、焦点损失函数、网络参数迁移学习对单点多框检测器进行改进,用于检测发生剧烈运动的生猪个体,提高SSD对运动生猪个体的检测精度与速度。最后,针对生猪发生打斗行为时的特点,设计精准的生猪打斗行为判别方法,以识别生猪是否发生打斗行为。试验结果表明,该方法对生猪打斗行为的识别准确率、查准率、查全率分别达到93.75%、96.79%、90.50%,可以有效识别圈养生猪的打斗行为,为饲养员判断生猪异常状况提供依据。