基于条件增强扩散模型的短期负荷概率预测

负荷概率预测可为电网规划提供指导,条件生成模型通过挖掘历史相似日信息,有效提高了预测性能。然而,以往研究未关注曲线形态信息和无条件模型的噪声解析作用,使得生成曲线的不确定性较高。为此,提出基于条件增强扩散模型的短期负荷概率预测方法。首先,构建改进的iTransformer日负荷预测模型,对相邻日负荷数据进行预测。其次,采用无条件噪声估计和条件噪声估计相结合的损失函数,构建结合多头自注意力机制和U型网络的扩散模型。然后,将日负荷预测结果和温度等特征作为条件输入,通过条件增强引导的反向扩散过程,将多组随机噪声进行去噪,生成多条负荷曲线进行概率密度分析。最后,基于中国某地区公开数据集展开算例分析,与多种模型进行对比,结果表明所提方法具有更高的预测精度。

基于双流对称特征融合网络模型的海洋船舶目标识别

海洋船舶目标识别在民用和军事领域有着重要的战略意义,本文针对可见光图像和红外图像提出了一种基于注意力机制的双流对称特征融合网络模型,以提升复杂感知环境下船舶目标综合识别性能.该模型利用双流对称网络并行提取可见光和红外图像特征,通过构建基于级联平均融合的多级融合层,有效地利用可见光和红外两种模态的互补信息获取更加全面的船舶特征描述.同时将空间注意力机制引入特征融合模块,增强融合特征图中关键区域的响应,进一步提升模型整体识别性能.在VAIS实际数据集上进行系列实验证明了该模型的有效性,其识别精确度能达到87.24%,综合性能显著优于现有方法.

面向海洋环境自适应采样的多AUV协同定位

高效、准确的水质监测对海洋资源开发具有重要意义,自治式潜水器(AUV)在海洋环境监测中有广阔的应用前景。针对单个AUV执行面向海洋标量场估计的水质采样任务时存在的效率低、可靠性差、覆盖率不足和定位准确性差等问题,提出了一种基于多AUV的协同定位与自适应采样系统。系统中每个AUV定期向队友广播自己收集到的采样数据,并根据接收到的队友数据,基于扩展卡尔曼滤波器进行自定位矫正。根据收集到的采样数据,AUV以高斯过程建模环境标量场,使用差分进化路径规划器在线规划后续采样路径。仿真结果表明,所提方案有效降低了多AUV系统的定位误差,提升了对环境标量场的估计精度。