基于改进竞争深度Q网络算法的微电网能量管理与优化策略

可再生能源发电的随机波动性和储能运行控制的时间序列耦合特性给微电网的能量管理与最优运行带来了诸多挑战,成为学术界研究的热点问题。文中提出一种基于改进竞争深度Q网络算法的微电网能量管理与优化方法,采用多参数动作探索机制和优化设计的神经网络结构,对分布式可再生能源的功率输出、能源交易市场的电价和电力负荷的状态等环境信息进行学习,并运用学习到的策略进行微电网能量管理与优化。仿真结果表明,基于改进竞争深度Q网络算法的微电网能量管理与优化策略的性能优于基于场景的随机规划算法、深度Q网络算法和竞争深度Q网络算法。

基于深度学习的智能停车车位检测

智能停车系统中车位检测易受天气变化、障碍物遮挡和背景干扰等影响而导致车位检测准确率降低,为了解决该问题,文中研究了基于深度学习的停车场车位占泊检测技术。首先,给出了基于改进YOLO的单车位检测算法,其把YOLO网络每层的输入归一化处理以有效避免过拟合,且把全连接层替换为全卷积层以提取多种尺寸输入的特征;然后,研究了基于改进SSD的多车位检测算法,其采用优化的ResNet网络替换原SSD的VGG网络为且优化了激活函数。实验和测试结果表明,所提方法能够有效提高单/多车位检测准确率。