电力场景的三维语义信息识别是其后续精细化管理的基础和关键,然而,由于电力场景地物结构信息复杂、纹理多样,为其精细化理解与识别带来了一定的困难和挑战。本文提出了一种基于改进RandLA-Net的电力场景点云语义分割方法,该方法通过引...电力场景的三维语义信息识别是其后续精细化管理的基础和关键,然而,由于电力场景地物结构信息复杂、纹理多样,为其精细化理解与识别带来了一定的困难和挑战。本文提出了一种基于改进RandLA-Net的电力场景点云语义分割方法,该方法通过引入特征拓展和分离池化操作来提高模型的性能,并在电力数据集上测试了该方法的实际效果,将其与现有的语义分割方法进行了比较。结果表明,该方法在准确性和效率方面具有很强的优势,综合对比来看,比前沿的RandLA-Net(Random Sampling and Local Feature Aggregator Network)提高了2.64和2.9的总体精度及平均交并比值,验证了该方法的有效性。展开更多
文摘电力场景的三维语义信息识别是其后续精细化管理的基础和关键,然而,由于电力场景地物结构信息复杂、纹理多样,为其精细化理解与识别带来了一定的困难和挑战。本文提出了一种基于改进RandLA-Net的电力场景点云语义分割方法,该方法通过引入特征拓展和分离池化操作来提高模型的性能,并在电力数据集上测试了该方法的实际效果,将其与现有的语义分割方法进行了比较。结果表明,该方法在准确性和效率方面具有很强的优势,综合对比来看,比前沿的RandLA-Net(Random Sampling and Local Feature Aggregator Network)提高了2.64和2.9的总体精度及平均交并比值,验证了该方法的有效性。
文摘针对共享电动汽车通过需求响应参与电力系统备用服务的可调度容量预测问题,基于历史轨迹数据提出一种基于模型无关的元学习(model-agnostic meta-learning,MAML)、卷积神经网络(convolutional neural network,CNN)、长短期记忆网络(long short term memory network,LSTM)和注意力机制(attention mechanism)的可调度容量评估模型,采用LSTM对CNN从历史数据中提取有效的特征向量动态变化进行建模学习,并用MAML对CNN-LSTM网络的初始化参数进行训练,在解决传统神经网络难以有效提取历史序列中潜在高维特征且当时序过长时重要信息易丢失的问题的同时,通过多任务训练对元预测网络进行微调以快速适应新预测任务,从而提高模型的预测精度及泛化能力;加入注意力机制突出对预测结果起关键性作用的时序信息,进一步提高预测精度。仿真结果表明所提模型可以有效预测不同日期类型和不同功能区域共享电动汽车的可调度容量,也为后续共享电动汽车通过需求响应参与电网备用服务的风险评估研究提供参考。
