沿海区域综合能源生产单元随机优化调度

为实现沿海区域的海上风电场、海上采气平台和陆上热电联供燃气电厂等多种能源生产子单元的协同化运行,考虑可再生能源出力和氢负荷的随机波动,提出沿海区域综合能源生产单元(coastal integrated energy production units,CIEPU)随机优化调度模型。采用参数化代价函数近似(parametric cost function approximation,PCFA)的动态规划算法求解随机优化调度模型。通过一种基于梯度下降的求解方法--Adadelta法,获得策略函数的一阶信息,并计算梯度平方的指数衰减平均值,以更新策略函数的迭代步长;对随机优化调度模型进行策略参数逼近,从而得到近似最优的策略参数,并逐一时段求解出CIEPU的最优调度计划。最后,以某个CIEPU为例,分析计算结果表明,所提出方法获得的优化调度方案可以提高CIEPU运行的经济性并降低碳排放量,验证了所提方法的准确性和高效性。

基于改进降噪自编码器的馈线终端失效率预测

配电网中馈线终端设备由于运行环境恶劣,往往面临意外失效问题。本文针对海量馈线终端装置的失效率预测问题,使用堆叠降噪自编码器实现基于馈线终端的各个关键元件的失效率预测;采用基于Dropout的模型正则化方法防止自编码器训练过程中出现过拟合现象,同时采用Adadelta算法对堆叠自编码器进行优化,在保证预测准确率的同时提高学习速率,实现馈线终端故障失效率的高效准确预测;最后基于馈线终端装置现场数据进行仿真验证。仿真结果验证了本文方法对失效率预测的准确性和泛化能力。

基于蚁群算法的航线自动生成方法

利用基本蚁群算法自动生成航线,在搜索的过程中容易陷入局部最优、搜索时间长等问题,引入Adadelta算法,增加了蚁群算法的随机性,改变了信息素的更新规划,将信息素挥发系数进行自适应调整,从而极大改善了蚁群算法的性能。仿真试验结果显示,本文方法比对比方法的搜索能力更强,效率更高,得到的航线不仅有效避开了海上障碍物与禁航区,而且距离更短,是一种有效的航线自动生成算法。

融合自编码降维的改进DNN水利工控网入侵检测算法

为解决工控网异常入侵、水利泵站通信网安全防护的问题。论文提出一种基于深度神经网络的水利泵站工控网入侵数据的检测算法。首先针对泵站工控网内的数据进行预处理,通过自编码算法对数据进行特征提取、降维处理;利用深度神经网络模型结合受限玻尔兹曼机对各类数据进行训练,采用Adadelta算法进行网络模型的参数优化,并由Softmax分类器对工控网数据进行是否合法判别。实验数据集由底层设备实地采集到的水利泵站工控网内流动数据导入到本地数据库。实验结果表明:该方法的准确率对比深度神经网络未改进前的算法提高了3.76%,检测率提高了6.32%,漏报率降低0.5%,从而验证了论文方法的有效性。

基于改进蚁群算法的自主移动机器人三维路径规划研究

针对传统蚁群算法在智能自主移动机器人三维环境路径规划速度慢,初始信息素匮乏的缺点,提出一种基于梯度优化Adadelta算法的改进蚁群算法来增加初始信息素的随机性,动态调整信息素挥发系数ρ,优化路径的同时加快算法收敛性。最后通过MATLAB三维环境建模仿真,结果显示改进的蚁群算法迭代次数约为传统蚁群算法的2/3,路径长度缩短约4%,收敛速度明显增加,验证了该算法的可行性和有效性。

基于改进蚁群算法的机器人焊接路径规划

针对基本蚁群算法在机器人焊接路径规划时,在搜索的过程中容易出现搜索时间过长、效率低、容易陷入局部最优等问题,文中针对基本蚁群算法,引入了Adadelta算法,通过基本蚁群算法和Adadelta算法结合,来改变蚂蚁搜索过程中选择下一焊点的概率,增加了随机性.通过Adadelta算法参数的更新,改善了蚂蚁信息素的更新,并改进了信息素挥发系数ρ,采用自适应的方式来更新信息素.对改进算法运用MATLAB进行仿真,结果分析得知,文中的改进蚁群算法比基本蚁群算法搜索能力更强,算法效率更高,比基本蚁群算法提前20代左右收敛,有效解决基本蚁群算法的局部最优、收敛速度慢等问题,使搜索结果更优.

自适应随机方差衰减梯度法优化算法研究

为解决自适应随机方差衰减梯度法(Adaptive Stochastic Variance Reduced Gradient Method,AdaSVRG)的初始学习率需要人工筛选耗费大量时间,AdaSVRG结合了小批量随机梯度下降,却忽略了不同样本属性之间的差异的问题,本文提出AdaSVRG的改进算法DeltaSVRG-M。该算法采用一个动态项来代替学习率的选择,并加入了传统动量项和批量归一化模块,实验在MNIST和CIFAR-10数据集上使用DeltaSVRG-M和AdaSVRG在图像分类算法上自动寻优。结果表明,DeltaSVRG-M的平均精确度可分别达到97.5%和84.8%,此外DeltaSVRG-M的收敛速度和收敛稳定性也要优于AdaSVRG,说明DeltaSVRG-M能提高图像分类算法性能,更适用于图像分类的网络架构。

基于Siamese神经网络结构的多聚焦图像融合

针对传统图像融合方法中需人为设计局部滤波器的问题,提出基于深度卷积神经网络的图像融合算法,旨在学习源图像和决策图之间的映射关系。采用Siamese网络结构训练高质量图像块及其模糊版本,将上述的映射关系进行编码,最终获得能自动分辨图像模糊区与清晰区的功能。该方法的优势在于用深度学习解决了图像融合中活跃程度测量和融合规则的不协调,使图像融合更具连贯性以及合理性。同时,引入了最新的梯度优化算法Adadelta,大大提升了模型训练过程的速度以及训练结果的。实验结果表明,论文提出的方法可以在视觉质量和客观评估方面获得更加优越的融合性能。