基于深度学习的调度检修预案生成模型构建

为解决传统的电力系统调度检修方法无法满足电力系统安全可靠运行要求,提出基于深度学习的调度检修预案,以提高电力系统的可靠性与运行效率。通过对数据进行收集与预处理,消除原始数据中的异常值、缺失值、错误数据。采用长短期记忆网络对电力系统历史数据进行训练学习,预测电力负荷及设备状态。采用条件生成模型,通过对抗训练来自动生成优化的调度检修预案。将提出的调度检修预案生成技术应用于实际的电力系统中,得到了电力系统1周的调度检修预案。为电力系统运维人员决策提供了参考。

关键参数加权法对NGH生成条件预测模型的修正

在大量实验数据的基础上,考虑到关键参数对生成条件的影响比较大,利用关键参数加权法对天然气水合物的简化严格分子热力学预测模型进行了修正,修正结果将修正前的最大误差4.827减少到修正后的最大误差0.737,说明修正的结果较为理想。

深水油气管线天然气水合物生成条件预测方法及应用

在深水油气田开发中,为了有效防止天然气水合物的生成,迫切需要对天然气水合物生成条件进行准确预测。为此,根据深水环境压力高和多温度梯度的特点,应用气液两相流理论与传热学原理建立了适用于深水油气管线的温度预测模型;在现有实验数据的基础上,对5种天然气水合物预测方法进行了对比优选,结合Beggs-Brill方法建立了预测深水油气管线天然气水合物生成条件的模型,并编制了相应的计算程序。实例研究结果表明,管线流量越大、绝热材料导热系数越小、绝热层厚度越大、停产时间越短时,天然气水合物的生成区域就越小。该模型可用于制订合理的管线流量指标、选择恰当的管线保温材料和准确计算无接触时间,对深水油气田的安全生产提供了技术支持。

生成式对抗网络的应用综述

生成式对抗网络(GAN)是一种优秀的生成式模型,能够不依赖任何先验假设,学习到高维复杂的数据分布。这一强大的性能使得它成为近年来研究的热点,并在诸多应用领域取得了显著的研究成果。首先介绍了生成式对抗网络的基本原理,各种目标函数以及常用的模型结构。然后,详细分析了生成式对抗网络在条件限制下生成图片的各种演进方法。此外,介绍了生成式对抗网络在不同领域的应用,包括高分辨率图像生成、小目标检测、非图像数据生成、医学图像分割等方面的最新研究进展。最后,总结了生成式对抗网络训练过程中的优化技巧。旨在通俗地阐明GAN的基础理论以及发展历程,并从应用角度对未来工作进行了展望。

语义区域风格约束下的图像合成

生成对抗网络近年来发展迅速,其中语义区域分割与生成模型的结合为图像生成技术研究提供了新方向。在当前的研究中,语义信息作为指导生成的条件,可以通过编辑和控制输入的语义分割掩码来生成理想的特定风格图像。文中提出了一种具有语义区域风格约束的图像生成框架,利用条件对抗生成网络实现了图像分区域的自适应风格控制。具体而言,首先获得图像的语义分割图,并使用风格编码器提取出图像中不同语义区域的风格信息;然后,在生成端将风格信息和语义掩码对应生成器中的每个残差块分别仿射变换为两组调制参数;最后,输入到生成器中的语义特征图根据每个残差块的调制参数加权求和,并通过卷积与上采样渐进式地生成目标风格内容,从而有效地将语义信息和风格信息相结合,得到最终的目标风格内容。针对现有模型难以精准控制各语义区域风格的问题,文中设计了新的风格约束损失,在语义层次上约束区域风格变化,减小不同语义区域的风格编码之间的相互影响;另外,在不影响性能的前提下,采取权重量化的方式,将生成器的参数存储规模压缩为原来的15.6%,有效降低了模型的存储空间消耗。实验结果表明,所提模型的生成质量在主观感受和客观指标上较现有方法均有显著提高,其中FID分数比当前最优模型提升了约3.8%。