【目的】旨在评估集成学习神经网络模型对落叶松木质材料本构关系的拟合能力和泛化能力,为优化木质产品加工成型提出一种高效率、高精度预测材料受力变形关系的新技术方法。【方法】以落叶松木材为研究对象,结合顺纹压缩试验的标准,前...【目的】旨在评估集成学习神经网络模型对落叶松木质材料本构关系的拟合能力和泛化能力,为优化木质产品加工成型提出一种高效率、高精度预测材料受力变形关系的新技术方法。【方法】以落叶松木材为研究对象,结合顺纹压缩试验的标准,前期对试件的表征和湿度进行了处理,对落叶松木质材料5组试件进行单轴压缩试验,将试验数据作为数据源,在对其进行去噪、聚类、归一等处理的基础上,对12600组数据进行特征提取,建立了学习知识库。利用改进的CLIQUE(Clustering in QUEst)算法对知识库中的样本进行聚类分析,结合局部优化原理和集成学习组合优化理论,构建出一种基于集成学习神经网络的落叶松木质材料受压本构关系模型;然后对关系模型进行训练、学习和仿真,使模型的参数得到优化确认。【结果】1)相比于理论模型,基于集成学习神经网络的落叶松木质材料受压本构关系模型能够与试验数据之间取得更好的吻合效果,说明该模型适合用来描述落叶松木材顺纹受压的力学行为;2)基于集成学习神经网络模型学习速度快,拟合精度高,泛化能力强,可作为材料非线性本构关系的研究模型;3)从试验曲线来看,落叶松材料的抗压强度和弹性模量的变化规律符合弹性力学应力状态分析结论,可以根据本研究提出的模型来预测顺纹方向压力作用下落叶松材料的非线性应力-应变关系;4)预测结果与试验测试存在一定的偏差,可能来自试件的离散性、试件的加工误差和模型学习样本偏少等方面原因。【结论】该模型具有很高的拟合精度和较强的预测能力,可为研究木材本构关系提供一种技术与方法上的参考,对落叶松木材加工成型也有一定的指导意义。展开更多
本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境...本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并基于模式温度与环流预报产品提取物理因子,结合卷积神经网络(convolutional neural network,CNN)构建了湖南省盛夏高温过程的预报模型(high temperature prediction model,HTPM);对订正后的S2S模式和构建的预报模型结果进行集成,以实现对区域高温过程较为稳定的相对高技巧预报。结果表明:S2S模式的原始预报技巧较低,偏差订正能显著提高预报效果,但存在较高的空报率;基于ECMWF的S2S数据训练的高温预报模型(HTPM-ECS2S)和基于NCEP的S2S数据训练的高温预报模型(HTPM-NCEPS2S)能有效捕捉高温事件,在高温预报中具有较高的预报技巧;集成方案有效整合了多模型优点,可提升预报的准确性和可靠性。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【目的】旨在评估集成学习神经网络模型对落叶松木质材料本构关系的拟合能力和泛化能力,为优化木质产品加工成型提出一种高效率、高精度预测材料受力变形关系的新技术方法。【方法】以落叶松木材为研究对象,结合顺纹压缩试验的标准,前期对试件的表征和湿度进行了处理,对落叶松木质材料5组试件进行单轴压缩试验,将试验数据作为数据源,在对其进行去噪、聚类、归一等处理的基础上,对12600组数据进行特征提取,建立了学习知识库。利用改进的CLIQUE(Clustering in QUEst)算法对知识库中的样本进行聚类分析,结合局部优化原理和集成学习组合优化理论,构建出一种基于集成学习神经网络的落叶松木质材料受压本构关系模型;然后对关系模型进行训练、学习和仿真,使模型的参数得到优化确认。【结果】1)相比于理论模型,基于集成学习神经网络的落叶松木质材料受压本构关系模型能够与试验数据之间取得更好的吻合效果,说明该模型适合用来描述落叶松木材顺纹受压的力学行为;2)基于集成学习神经网络模型学习速度快,拟合精度高,泛化能力强,可作为材料非线性本构关系的研究模型;3)从试验曲线来看,落叶松材料的抗压强度和弹性模量的变化规律符合弹性力学应力状态分析结论,可以根据本研究提出的模型来预测顺纹方向压力作用下落叶松材料的非线性应力-应变关系;4)预测结果与试验测试存在一定的偏差,可能来自试件的离散性、试件的加工误差和模型学习样本偏少等方面原因。【结论】该模型具有很高的拟合精度和较强的预测能力,可为研究木材本构关系提供一种技术与方法上的参考,对落叶松木材加工成型也有一定的指导意义。
文摘本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并基于模式温度与环流预报产品提取物理因子,结合卷积神经网络(convolutional neural network,CNN)构建了湖南省盛夏高温过程的预报模型(high temperature prediction model,HTPM);对订正后的S2S模式和构建的预报模型结果进行集成,以实现对区域高温过程较为稳定的相对高技巧预报。结果表明:S2S模式的原始预报技巧较低,偏差订正能显著提高预报效果,但存在较高的空报率;基于ECMWF的S2S数据训练的高温预报模型(HTPM-ECS2S)和基于NCEP的S2S数据训练的高温预报模型(HTPM-NCEPS2S)能有效捕捉高温事件,在高温预报中具有较高的预报技巧;集成方案有效整合了多模型优点,可提升预报的准确性和可靠性。
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。
