针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition,VMD)和改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化长短期记忆(long short term memory,LSTM)神经网络的短期光伏发电...针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition,VMD)和改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化长短期记忆(long short term memory,LSTM)神经网络的短期光伏发电功率预测方法。首先,通过VMD算法将多维光伏特征数据分解为若干不同频率的本征模态和残差分量,以降低原始序列的非平稳性;然后,采用ISSA对LSTM神经网络超参数进行全局寻优,建立了不同模态序列分量下的ISSA-LSTM组合模型;最后,使用训练好的组合模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列叠加组合成最终的输出结果。仿真结果表明,构建的VMD-ISSA-LSTM组合模型相较于常规的短期光伏发电功率预测模型,具有更强的鲁棒性和高精度性。展开更多
为提高移动机器人在无地图情况下的视觉导航能力,提升导航成功率,提出了一种融合长短期记忆神经网络(long short term memory, LSTM)和近端策略优化算法(proximal policy optimization, PPO)算法的移动机器人视觉导航模型。首先,该模型...为提高移动机器人在无地图情况下的视觉导航能力,提升导航成功率,提出了一种融合长短期记忆神经网络(long short term memory, LSTM)和近端策略优化算法(proximal policy optimization, PPO)算法的移动机器人视觉导航模型。首先,该模型融合LSTM和PPO算法作为视觉导航的网络模型;其次,通过移动机器人动作,与目标距离,运动时间等因素设计奖励函数,用以训练目标;最后,以移动机器人第一视角获得的RGB-D图像及目标点的极性坐标为输入,以移动机器人的连续动作值为输出,实现无地图的端到端视觉导航任务,并根据推理到达未接受过训练的新目标。对比前序算法,该模型在模拟环境中收敛速度更快,旧目标的导航成功率平均提高17.7%,新目标的导航成功率提高23.3%,具有较好的导航性能。展开更多
文摘针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition,VMD)和改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化长短期记忆(long short term memory,LSTM)神经网络的短期光伏发电功率预测方法。首先,通过VMD算法将多维光伏特征数据分解为若干不同频率的本征模态和残差分量,以降低原始序列的非平稳性;然后,采用ISSA对LSTM神经网络超参数进行全局寻优,建立了不同模态序列分量下的ISSA-LSTM组合模型;最后,使用训练好的组合模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列叠加组合成最终的输出结果。仿真结果表明,构建的VMD-ISSA-LSTM组合模型相较于常规的短期光伏发电功率预测模型,具有更强的鲁棒性和高精度性。
文摘为应对工业无线测控需要而提出的单跳令牌环网受无线模块通信距离限制,无法满足实际工业应用需求。为了延长通信距离,扩大令牌环网应用范围,提出一种在基于原令牌环协议的基础上挂接主从的两层无线监控网络WICN-TL(Wireless Indus-trial Control Network-Two Layers),介绍了其协议模型的拓扑结构及通信流程,将该协议在基于IEEE802.15.4a的硬件平台NanoNET上加以实现,并接入PROFIBUS-DP现场总线系统,在某污水处理厂进行了实地测试。测试结果表明,该协议具有良好的通信能力和较大的覆盖范围,能够适应工业环境的应用需要。
文摘为提高移动机器人在无地图情况下的视觉导航能力,提升导航成功率,提出了一种融合长短期记忆神经网络(long short term memory, LSTM)和近端策略优化算法(proximal policy optimization, PPO)算法的移动机器人视觉导航模型。首先,该模型融合LSTM和PPO算法作为视觉导航的网络模型;其次,通过移动机器人动作,与目标距离,运动时间等因素设计奖励函数,用以训练目标;最后,以移动机器人第一视角获得的RGB-D图像及目标点的极性坐标为输入,以移动机器人的连续动作值为输出,实现无地图的端到端视觉导航任务,并根据推理到达未接受过训练的新目标。对比前序算法,该模型在模拟环境中收敛速度更快,旧目标的导航成功率平均提高17.7%,新目标的导航成功率提高23.3%,具有较好的导航性能。
