考虑数据分布偏移的短期居民净负荷预测方法

新能源发电的高不确定性导致净负荷的数据分布偏移更加严重。数据分布偏移导致模型在历史数据中学习到的特征信息不再完全适用于未来数据,从而给净负荷预测(net load forecasting,NLF)带来了挑战。因此,考虑到净负荷中更严重的数据分布偏移问题,提出了一种基于不变风险最小化-不确定性加权-长短期记忆神经网络(long short-term memory neural network,LSTM)的短期居民净负荷预测方法,以提升净负荷预测精度。首先,通过不变风险最小化(invariant risk minimization,IRM)建立了一个双目标问题,包括准确预测和学习跨不同数据分布的不变特征。其次,通过长短期记忆神经网络(long short-term memory neural network,LSTM)处理时间序列数据的非线性特征。然后,通过基于不确定性加权(uncertainty weighting,UW)的目标平衡机制避免过度实现任一目标。此外,通过引入分位数回归将所提方法扩展到概率预测。最后,通过基于澳大利亚Ausgrid公司提供的真实居民电表数据从确定性预测结果、概率预测结果、不同数据分布偏移程度和不同光伏渗透率等多个维度验证了所提方法的有效性。

基于Wi-Fi CSI的无监督域自适应伪装步态识别

步态识别作为一种非侵入性的人体生物识别技术,因其无须用户主动配合的特点,被广泛应用于安防和智能家居等领域。然而,现实中步态识别系统面临的一个重大挑战是伪装效应。当受试者改变着装或携带物品时,步态数据的可靠性往往受到影响,从而使步态识别变得困难。为解决这一问题,该文提出一种基于Wi-Fi CSI的无监督伪装步态识别方法。该方法引入一种新的数据度量策略,通过预训练来获取伪装步态数据的伪标签,并利用匹配滤波技术生成高质量的标记训练数据对。最终,通过无监督学习实现数据分布对齐,克服伪装步态数据的分布偏移问题。实验结果表明,该文的方法在伪装步态识别方面显著优于现有最先进的步态识别技术。