基于CEEMD-IBA-LSSVM的微电网短期负荷预测研究与应用

为了有效获取微电网负荷中的隐藏信息和潜藏特征,进一步提升微电网短期负荷预测的精准度与效率,提出一种基于基于互补集成经验模态分解（CEEMD,Complementary Ensemble Empirical Mode Decomposition）和改进蝙蝠算法（IBA,Improvement Bat Algorithm）优化最小二乘支持向量机（LSSVM,Least Squares Support Vector Machine）的微电网短期负荷预测模型,先利用CEEMD对负荷序列进行有效分解,减轻局部信息相互影响;再引入引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题,并利用IBA对LSSVM参数进行优化;最后通过算例验证CEEMD-IBA-LSSVM短期负荷模型效果,结果表明所提预测模型与其他预测模型相比具有较高的运行效率与预测精度。     

基于双流结构的异常行为检测模型

为更好利用输入视频的时域特征,提升异常行为检测精度,采用三维自编码器为主体的网络分支编解码视频的时空域信息,提出改进光流融合策略的时域分支提供额外时域信息.将双分支结果融合并计算重建误差,在此基础上进行异常行为的判断.针对目前像素评价指标的不足,提出一种改进的像素级别检测指标.结果表明,融合后的结果好于各分支单独的结果...     

基于多层判别式字典学习算法的传统服饰图像分类

现有的多层判别式字典学习算法中大多采用交替方向乘子法实现字典的更新，在图像分类方面的应用较为成熟。然而，当图像内容较为丰富且含有多个标签时，现有方法在多标签分类上的表现不佳。对此，可采用递归最小二乘法与去相关增强重建系数算法构成的二层判别式字典学习结构，更适用于图像多标签分类。通过多层判别式字典学习对数据进行多次稀疏分解，在最后一层判别式中用线性分类器对稀疏分解得到的特征向量进行分类，采用4个多标签分类指标对分类效果进行评判时，发现One-error, Coverage, Ranking-loss三个分类指标越小，Average-precision分类指标越大，算法的性能越优。实验结果表明，在明清服饰纹样数据集上使用多层字典学习算法的分类精度达到了82.17%,在同类算法中的性能最优。     

基于新电改的新型建筑能源管理系统

2014年我国新颁布的售电市场改革方案,提出由房地产公司修建微型电网并为终端用户提供独立供电服务的新型商业模式。基于该商业模式,提出新型建筑能源管理系统的解决方案,并对该系统模块,如基于神经网络建筑负荷预测、电动汽车有序充电、中央空调的温控模型等逐一分析。最后通过解决非线性混合整数规划,完成系统的优化管理。该系统既保证用户、房地产公司以及电网三方的利益,又可以实现节能低碳的要求。