基于支持向量机的网格负载信息预测模型

提出了采用小波分析和最小二乘支持向量机(LS-SVM)混合模型对网格负载信息进行预测。该模型首先基于小波多分辨率分析对非平稳的网格负载样本做序列分解,得到不同尺度下的负载分量,然后利用LS-SVM对不同尺度的分量进行预测,最后通过对各分量预测信息进行重构得到相应的预测值。实验结果表明,使用本模型进行短期负荷预测比传统小波神经网络方法可以获得更好的预测精度。

基于遗传算法优化支持向量回归机的网格负载预测模型

提出一种基于遗传算法优化支持向量回归机的模型进行网格负载预测,使用遗传算法和交叉验证技术解决了支持向量回归机参数难以确定的问题.标准数据集仿真实验结果表明,该模型与试验法定参的支持向量回归机和BP神经网络相比具有更优的预测性能.

基于数据增强的分布式光伏电站群短期功率预测(二):网格化预测

在数据增强的基础上,提出了地域全覆盖的网格化分布式光伏电站群短期功率预测方法。该方法将大区域分为小网格,基于曲线特征距离筛选全区域相似日,降低个别网格数据扭曲的影响,采用三维卷积神经网络建立网格化辐照预测到网格化光伏功率输出的映射关系,最后通过发电起止时刻校正进一步提高精度。仿真计算显示,所提方法相较于现有无辐照预测、单网格独立预测等方法有效提高了分布式光伏电站群功率预测的准确性和鲁棒性。

基于贪婪算法的配电网网格负荷预测与规划方法

针对配电网网格化分层负荷预测横向收集数据繁杂、可操作性低等问题,设计无后效性的贪婪算法。该算法采用自顶而下的人机合作方式进行贪婪选择,使用土地综合分类法重新划分用地类型,确定最佳分配因子,从而简化数据处理过程。为解决负荷级别的区域划分,建立结合贪婪法与网格法的空间负荷预测平台。通过对水平年用地规划图进行阈值分割,并结合变电站供电情况,实现利用灰度图直观展现供电情况,并由此提出基于供电区域划分的配电网规划方法。分析结果表明,所提方法保障了配电网的稳定运行,并且对水平年的配电网规划有重要的指导作用。

AERMOD预测中网格划分与地形数据的优化配置研究

为研究不同分辨率的地形数据和预测网格对AERMOD模式预测结果的影响。文章以某热电联产项目为例,运用AERMOD模式,在模式其他参数设置不变的情况下,通过改变地形数据和预测网格分辨率,设计2组预测情景(A1~A5和B1~B5),对预测区域内的最大落地浓度进行对比分析。结果表明:在预测网格分辨率相同的情况下,选用分辨率越大的地形数据,最后的区域最大落地浓度预测结果越大,随着预测网格分辨率的不断减小,地形数据分辨率的不同所带来的预测结果差异性越来越小。30 m分辨率的地形数据与分辨率<100 m的预测网格配置最优。90 m分辨率的地形数据与分辨率<150 m的预测网格配置最优。选择的预测网格分辨率不能与选取的地形数据分辨率相差太大,以免造成预测结果失真。因此,在选用AERMOD模式预测大气污染物扩散过程中要充分考虑到地形数据分辨率与预测网格分辨率的最优配置问题,从而使最终的预测结果更加精确、更贴近实际。

插值Loop细分Pytorch3D三维VR重建

针对Pytorch3D三维重建的模型易产生空洞、断角和狭长三角形的问题,提出一种基于插值Loop细分的Pytorch3D三维重建方法。首先从20个视角对1个包含纹理的三维模型进行采样,采样后的图像合成为原始数据集;接着使用ResNet-50网络学习图像特征,使用三维卷积模块提取三维特征;随后用插值Loop细分原始网格,并以结果网格作为变形网格,将提取的特征投影到网格顶点上,利用图卷积神经网络实现变形,最终完成三维重建。结果表明,所提方法较好地解决了原版Pytorch3D方法的空洞、断角、狭长三角形问题,重建损失值和Hausdorff距离显著下降,三维重建可视化效果更好。