基于特征辨识和变分自编码器网络的工商业空调负荷辨识

空调负荷功率的准确计算是实现其需求侧管理的关键,为此,提出基于负荷曲线特征辨识和变分自编码器网络的工商业用户空调负荷辨识方法。针对用户的连续日负荷曲线,提出基于局部加权线性拟合和快速动态时间规整的负荷曲线形态相似度度量方法,以实现对负荷曲线形态特征的度量。提出基于点排序的聚类结构辨识算法的日负荷序列特征辨识方法,以实现对负荷曲线的分类。针对同一特征类型下的用户日负荷序列,提出基于变分自编码器网络的空调负荷辨识算法,以实现空调负荷功率的准确计算。以浙江某市的加工制造业和商业写字楼宇用户负荷数据验证本文所提方法的有效性。算例仿真结果表明,所提方法可以在无需电表高频采样数据、无须预先获取用户的用电设备信息和用电行为信息的条件下准确辨识用户空调负荷功率,为量化空调负荷参与需求响应的可调潜力提供了基础。

融入变分自编码网络的文本生成三维运动人体

目的针对现有动态三维数字人体模型生成时不能改变体型、运动固定单一等问题,提出一种融合变分自编码器(variational auto-encoder,VAE)网络、对比语言—图像预训练(contrastive language-image pretraining,CLIP)网络与门控循环单元(gate recurrent unit,GRU)网络生成运动三维人体模型的方法。该方法可根据文本描述生成相应体型和动作的三维人体模型。方法首先,使用VAE编码网络生成潜在编码,结合CLIP网络零样本生成体型与文本表述相符的人体模型,以解决蒙皮多人线性(skinned multi-person linear,SMPL)模型参数不合理而生成不符合正常体型特征的人体模型问题;其次,采用VAE网络与GRU网络生成与文本表述相符的变长时间三维人体姿势序列,以解决现有运动生成方法仅生成事先指定的姿势序列、无法生成运动时间不同的姿势序列问题;最后,将体型特征与运动特征结合,得到三维运动人体模型。结果在HumanML3D数据集上进行人体生成实验,并与其他3种方法进行比较,相比于现有最好方法,R精度的Top1、Top2和Top3分别提高了0.031、0.034和0.028,弗雷歇初始距离(Fréchet inception distance,FID)提高了0.094,多样性提高了0.065。消融实验验证了模型的有效性,结果表明本文方法对人体模型生成效果有提升。结论本文方法可通过文本描述生成运动三维人体模型,模型的体型和动作更符合输入文本的描述。

基于SVAE-WGANGP的地点车速数据质量恢复研究

为了解决因设备长期失修造成的数据大量缺失和传统数据修复方法无法表示上下文时空关系以及不规则时序特征的问题,提出一种时空生成对抗变分自编码网络(Spatiotemporal Variational Autoencoder with W-Generative Adversarial Network-GP, SVAE-WGANGP),用以恢复地点车速数据质量。该方法以生成对抗变分自编码网络为模型基本框架,直接学习自然缺失数据集的概率分布;基于改进时空信息单元的变分自编码生成网络提取数据在缺失模式下的隐式不规则时序特征与显式上下文时空相互依赖信息;利用对抗训练策略(Wasserstein GAN with Gradient Penalty, WGAN-GP)优化深度全连接判别网络,以获得最优重构数据。借助乌鲁木齐市某路网46天实际卡口地点车速实例验证模型合理性,结果表明:与其他6个基准模型的评估指标均值相比,PMCR机制下,所提方法的均方根误差(RMSE)和平均绝对误差(MAE)降低幅度分别在0.794~0.332和0.899~0.321,决定系数R^(2)升高幅度在3.175%~60.918%;LMR机制下,所提方法的RMSE和MAE平均降低幅度分别在0.600~0.222和0.773~0.208,R^(2)平均升高幅度在4.681%~91.518%;BMR机制下,所提方法的RMSE和MAE平均降低幅度分别在0.212~0.625和0.269~0.715,R^(2)平均升高幅度在5.309%~49.671%。SVAE-WGANGP在恢复不同缺失机制下的路网地点车速数据质量时具备较优精确性和良好普适性,交通时空信息和不规则时序特征对该模型的数据质量恢复性能具有一定贡献性。此外,在BMR机制下,SVAE-WGANGP的运算耗时均值较VAE-GAN的均值降低0.421 s,与其他5个基准模型相比,增长幅度在0.155~12.518 s。从整体来看,该方法在恢复数据时具有较高的时效性。