基于BO-BiLSTM的超级电容器剩余寿命预测

为了提高超级电容器剩余使用寿命的预测精度,本文提出了一种贝叶斯优化与双向长短时记忆神经网络结合的预测模型(BO-BiLSTM),利用长滑动窗口处理容量数据来提高模型对容量衰退趋势的学习能力,达到对超级电容器剩余寿命精确预测的目的。通过对输入特征的研究和对比,选定了容量和循环数作为模型的输入,随后对滑窗大小、模型步长进行研究,发现长滑窗是模型成功的关键因素。实验模型的精度可以达到AEP=1.02%、RMSE=2.57%。在使用贝叶斯优化算法优化模型参数后,最终预测精度可以达到AEP=0.59%、RMSE=2.16%,具有较高的预测精度。

新能源公交车电池荷电状态预测模型

为了优化充电策略,缓解里程焦虑,提出一种新能源公交车电池荷电状态预测模型。这一模型可以根据车辆内部因素和外部因素,预测下一趟新能源公交车的电池荷电状态消耗量。在实际工作中,新能源公交车电池荷电状态同时受到车辆内部因素和外部因素的影响。通过机器学习方法,对十辆新能源公交车1a的数据进行分析,提取若干车辆内部因素作为特征,并通过对车辆行驶环境进行分析,提取若干外部因素作为特征。这一模型采用主动状态跟踪-长短时记忆神经网络,可以主动学习特征中的时间依赖性,筛选出有用信息。通过对模型结构的删减验证了模型的有效性,模型均方根误差为3.812%。

基于BO-GRU神经网络的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命预测是锂离子电池健康管理的重要内容。针对锂离子电池剩余使用寿命预测困难、传统循环神经网络预测精度低的问题,提出一种基于贝叶斯优化(BO)-门控循环单元(GRU)神经网络的锂离子电池剩余使用寿命预测方法。这一方法提取循环数与对应的容量融合作为新特征,采用滑动窗口方法分割特征数据集,搭建门控循环单元神经网络,在网络中加入随机失活,并采用贝叶斯优化对门控循环单元神经网络参数进行优化。在不同来源数据上进行试验验证,这一方法的相对误差均小于3%,能够实现对锂离子电池剩余使用寿命的准确预测。

基于公共利益的纯机械拉线式水果采摘器设计

为了更好地实现公共利益,保证国家、组织等多方主体参与共管,帮助果农解决采摘的难题,提高果农的经济效益,文章通过对水果采摘动作分析,设计制作了一款纯机械旋转拉伸式手持采摘器,辅助现有人工,直接用于采摘。采摘器由采摘和收集两部分组成,采摘部分各机构用线进行连接,通过线传动来实现装置的采摘功能,最后提出我国果园机械化发展的一些思路。文章致力于研究人工采摘的难题,在现有的条件下可以直接应用于采摘实践中。

多模态数据的洪涝灾害知识图谱构建与应用

洪涝灾害发生过程中观测数据多源异构(遥感影像、社交媒体文本、地理信息数据等),难以利用互补优势融合应用于风险评估和提供决策知识。研究基于多模态数据的洪涝灾害知识图谱构建方法,融合抽取遥感影像与社交媒体文本知识,形成多模态洪涝灾害知识图谱。基于自顶向下的方法细分领域概念,构建洪涝灾害领域本体层。通过深度残差全卷积神经网络对遥感影像进行智能解译,利用地理逆编码将影像解译信息转化为文本,实现影像信息到文本知识的转化。基于命名实体识别技术与关系抽取技术对社交媒体文本数据进行知识抽取。通过训练词向量,利用语义相似度计算关联文本知识与影像知识,实现多模态数据知识统一表达。以中国湖北省洪涝灾害为例,该方法将多源异构的数据高效转化为知识并进行关联,形成领域知识图谱,实现了多源异构数据到多模态知识的转化。在灾害不同时期提供相应应急措施,并且通过关联农业受灾面积、农作物类型、农作物价值实现湖北省洪涝灾害评估。该方法结合深度遥感解译、文本知识抽取技术以及语义相似度计算,实现了多源异构数据到多模态知识的转化。