基于深度学习的三维模型分类方法大都面向特定的具体任务,在面向三维模型多样化分类任务时表现不佳,泛用性不足。为此,提出了一种通用的端到端的深度集成学习模型E2E-DEL(end-to-end deep ensemble learning),由多个初级学习器和一个集...基于深度学习的三维模型分类方法大都面向特定的具体任务,在面向三维模型多样化分类任务时表现不佳,泛用性不足。为此,提出了一种通用的端到端的深度集成学习模型E2E-DEL(end-to-end deep ensemble learning),由多个初级学习器和一个集成学习器组成,可以自动学习复杂三维模型的复合特征信息;并使用层次迭代式学习策略,综合考量不同层次网络的特征学习能力,合理平衡各个初级学习器的子特征学习和集成学习器的集成特征学习效果,自适应于三维模型多样化分类任务。基于此,设计了一种面向多视图的深度集成学习网络MV-DEL(multi-view deep ensemble learning),应用于一般性、细粒度、零样本三种不同类型的三维模型分类任务中。在多个公开数据集上的实验验证了该方法具有良好的泛化性与普适性。展开更多
复杂工业过程因涉及多种物理/化学反应,其质量指标或环保指标等难测参数的精确数学模型难以构建.常用的基于神经网络的数据驱动建模方法存在可解释性差、样本需求量大等缺点.针对上述问题,提出了一种非神经网络模式的深度集成森林回归(d...复杂工业过程因涉及多种物理/化学反应,其质量指标或环保指标等难测参数的精确数学模型难以构建.常用的基于神经网络的数据驱动建模方法存在可解释性差、样本需求量大等缺点.针对上述问题,提出了一种非神经网络模式的深度集成森林回归(deep ensemble forest regression,DEFR)建模方法.首先,基于样本空间和特征空间的随机采样策略获得训练子集后构建T个基于决策树(decision trees,DT)的子森林模型,将采用K最近邻(K-nearest neighbor,KNN)准则选取的层回归向量与原始特征组合获得的增强层回归向量作为输入层森林模型的输出;然后,采用相同方式构建包含若干预设层数的中间层森林模型;最后,基于上层增强层回归向量构建输出层的子森林模型,通过对其T个输出值的加权获得DEFR模型的预测值.采用加州大学欧文分校(University of California Irvine,UCI)平台混凝土抗压强度数据和城市固废焚烧过程的二口恶英排放质量浓度数据仿真验证了所提方法的有效性.展开更多
针对配电网与多微电网耦合系统调度中分布式电源出力不确定性以及运行效率低下等问题,提出基于深度学习方法集成的配电网与微电网互联系统分布鲁棒机会约束运行优化调度模型。构建了基于概率输出的支持向量机、贝叶斯神经网络、深度信...针对配电网与多微电网耦合系统调度中分布式电源出力不确定性以及运行效率低下等问题,提出基于深度学习方法集成的配电网与微电网互联系统分布鲁棒机会约束运行优化调度模型。构建了基于概率输出的支持向量机、贝叶斯神经网络、深度信念网络的微电网可再生能源和负荷不确定性概率集合;建立了D-S(dempster-shafer)证据理论信息集成框架,提出了基于Kappa系数与准确率权重的证据修正方法,进而得到更高精度不确定性概率集合,得出源荷功率的概率分布模糊集。接着,建立配电网与多微电网两阶段滚动调度优化模型,即第一阶段预调度模型和第二阶段实时调控模型,第一阶段以实现配电网与多微电网区域全局运行经济最优为优化目标进行能量预分配;阶段二为实时运行调控阶段,考虑微电网内新能源实时出力的不确定性对分布式电源进行实时调控;两阶段鲁棒经济调度模型采用改进列约束生成方法(column-and-constraint generation,C&CG)和交叉方向乘子(alternating direction multiplier method,ADMM)和结合的内外双环算法分布式求解。仿真结果表明,有效提高了源荷预测不确定性下配-微电网市场安全可靠运行,提高了互联系统的新能源消纳率及经济收益。展开更多
随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利...随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network,TCN)-双向长短期记忆网络(bidirectional long short term memory,BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network,DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy,MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁棒性。展开更多
文摘基于深度学习的三维模型分类方法大都面向特定的具体任务,在面向三维模型多样化分类任务时表现不佳,泛用性不足。为此,提出了一种通用的端到端的深度集成学习模型E2E-DEL(end-to-end deep ensemble learning),由多个初级学习器和一个集成学习器组成,可以自动学习复杂三维模型的复合特征信息;并使用层次迭代式学习策略,综合考量不同层次网络的特征学习能力,合理平衡各个初级学习器的子特征学习和集成学习器的集成特征学习效果,自适应于三维模型多样化分类任务。基于此,设计了一种面向多视图的深度集成学习网络MV-DEL(multi-view deep ensemble learning),应用于一般性、细粒度、零样本三种不同类型的三维模型分类任务中。在多个公开数据集上的实验验证了该方法具有良好的泛化性与普适性。
文摘复杂工业过程因涉及多种物理/化学反应,其质量指标或环保指标等难测参数的精确数学模型难以构建.常用的基于神经网络的数据驱动建模方法存在可解释性差、样本需求量大等缺点.针对上述问题,提出了一种非神经网络模式的深度集成森林回归(deep ensemble forest regression,DEFR)建模方法.首先,基于样本空间和特征空间的随机采样策略获得训练子集后构建T个基于决策树(decision trees,DT)的子森林模型,将采用K最近邻(K-nearest neighbor,KNN)准则选取的层回归向量与原始特征组合获得的增强层回归向量作为输入层森林模型的输出;然后,采用相同方式构建包含若干预设层数的中间层森林模型;最后,基于上层增强层回归向量构建输出层的子森林模型,通过对其T个输出值的加权获得DEFR模型的预测值.采用加州大学欧文分校(University of California Irvine,UCI)平台混凝土抗压强度数据和城市固废焚烧过程的二口恶英排放质量浓度数据仿真验证了所提方法的有效性.
文摘针对配电网与多微电网耦合系统调度中分布式电源出力不确定性以及运行效率低下等问题,提出基于深度学习方法集成的配电网与微电网互联系统分布鲁棒机会约束运行优化调度模型。构建了基于概率输出的支持向量机、贝叶斯神经网络、深度信念网络的微电网可再生能源和负荷不确定性概率集合;建立了D-S(dempster-shafer)证据理论信息集成框架,提出了基于Kappa系数与准确率权重的证据修正方法,进而得到更高精度不确定性概率集合,得出源荷功率的概率分布模糊集。接着,建立配电网与多微电网两阶段滚动调度优化模型,即第一阶段预调度模型和第二阶段实时调控模型,第一阶段以实现配电网与多微电网区域全局运行经济最优为优化目标进行能量预分配;阶段二为实时运行调控阶段,考虑微电网内新能源实时出力的不确定性对分布式电源进行实时调控;两阶段鲁棒经济调度模型采用改进列约束生成方法(column-and-constraint generation,C&CG)和交叉方向乘子(alternating direction multiplier method,ADMM)和结合的内外双环算法分布式求解。仿真结果表明,有效提高了源荷预测不确定性下配-微电网市场安全可靠运行,提高了互联系统的新能源消纳率及经济收益。
文摘随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network,TCN)-双向长短期记忆网络(bidirectional long short term memory,BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network,DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy,MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁棒性。
