基于NARX神经网络的热负荷预测中关键影响因素分析

在区域供热(DH)网络中,精确预测热负荷已被认为是提高效率和节省成本的重要环节。为了提高预测精度,研究不同影响因素对热负荷预测的影响极为重要。使用引入不同影响因素的数据集训练得到带外部输入的非线性自回归(NARX)神经网络模型,并比较其预测性能,以讨论直接太阳辐射和风速对热负荷预测的影响程度。实验结果表明,直接太阳辐射和风速都是热负荷预测中的关键影响因素。只引入风速时,预测模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)均低于只引入直接太阳辐射,同时引入风速和直接太阳辐射能够得到最佳的模型预测性能,但是对于MAPE和RMSE降低的贡献不大。

短期电力负荷预测模型的比较研究

为了解决提高电力负荷预测精确度这一问题,越来越多的人工智能方法应用于能量功率预测.为此利用湖南省2014年至2017年的电力负荷数据,比较自回归(AR)模型、BP神经网络(BPNN)和指数平滑(ES)模型在预测日度电力负荷和月度电力负荷上的性能,并运用统计学知识来分析三种模型之间的差异.最终根据实验结果得出两个结论:AR模型对日度数据预测的结果优于其他两个模型以及ES模型对月度数据预测的结果优于其他两个模型.

面向图像分类的基于注意力引导的Dropout

当一个较大的神经网络在较少的训练数据上训练时,不可避免的会遭遇过拟合问题,进而在测试数据集上泛化性能较差。因此,提出了多种基于Dropout的正则化方法来缓解这个问题。虽然,这些方法不能直接促使模型关注有较低判别力的特征,但对减少过拟合同样非常重要。为解决该问题,提出了一种基于注意力引导的Dropout (AD),利用自监督机制更高效地缓解特征描述算子之间的协同自适应问题。AD包含2个独特的组件:①特征的重要性度量机制,通过SE-Block度量得到每个特征的重要程度;②基于可学习丢弃概率的Dropout,通过丢弃"较好"的特征检测算子,强迫"较差"的特征检测算子学习到一个较好的特征表示,从而缓解特征检测算子之间的协同自适应并促使模型学习拥有较低判别力的特征。实验结果表明该方法可以容易地被应用到各种卷积神经网络(CNN)结构里,并获得较好的性能。