检索结果-南通市图书馆

基于改进贝叶斯与深度强化学习的配电网规划研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进贝叶斯与深度强化学习的配电网规划研究

作者：徐鑫水太原科技大学

学位级别：硕士

在化石能源短缺、环境污染和社会发展的多重压力下,可再生能源得到大力发展。但其出力的随机性、间歇性和波动性凸显了传统配电网灵活性不足的问题。用户多样化需求及能源随机波动性加大了负荷预测难度,增大了配电网规划误差,进而难以... 详细信息

在化石能源短缺、环境污染和社会发展的多重压力下,可再生能源得到大力发展。但其出力的随机性、间歇性和波动性凸显了传统配电网灵活性不足的问题。用户多样化需求及能源随机波动性加大了负荷预测难度,增大了配电网规划误差,进而难以获取最优网络布置方案。亟需基于现有配电网网架结构及负荷增长趋势进行最优规划。因此,本文针对分布式新能源接入背景下的新型配电网系统灵活性扩展规划策略进行了研究。首先,从电压、网损、负荷预测、继电保护、供电可靠性、电能质量六方面描述了分布式电源接入对新型配电网的影响,针对上述影响,提出了提升配电网灵活性的目的,并在改进的IEEE 33节点系统中设置六种线路布局方案,分析了新型配电网不确定性和扩展规划两方面的灵活性需求。其次,基于上述灵活性需求,针对新型配电网负荷难以精确预测的问题,构建了改进贝叶斯与gcn-lstm算法模型。先通过图卷积神经网络融合长短时循环记忆(gcn-lstm)进行数据的特征提取,再针对该模型无法表征负荷预测不确定性的问题,提出了运用贝叶斯理论优化gcn-lstm模型参数,改进模型网格训练。同时,针对贝叶斯参数繁杂且参数后验概率高度非凸导致的计算困难问题,引入变分推断设置分布,不断优化两个分布的KL散度,以近似获得模型推理阶段后验概率的真实分布,使负荷预测结果更加精确。并通过算例分析验证了该负荷预测方法的合理有效性。然后,根据负荷预测结果,针对配电网规划过程具有随机性导致的规划误差较大问题,提出了一种基于马尔可夫决策过程(MDP)的新型配电网灵活性扩展规划模型。该模型以负荷增长状态下的投资成本、维护成本、生产成本和能源成本最小化为目标,将配电网规划划分为多个阶段,利用马尔可夫决策过程灵活“观望”策略,在规划期内按阶段进行最优决策,实现经济成本最小化和新型配电网的稳定可靠运行。最后,在配电网规划模型的基础上,针对传统迭代算法在求解规划模型时,求解时间随问题规模的扩大而延长的问题,提出了用近似动态规划算法(ADP),将上述模型的多阶段优化问题分解为易于求解的顺序子问题,降低了求解难度。并通过算例分析验证所提规划模型的有效性和求解算法的优越性。

关键词： gcn-lstm 马尔可夫决策负荷预测近似动态规划算法配电网规划

顾及时空相关性的机器学习模型在地下水位预测中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

顾及时空相关性的机器学习模型在地下水位预测中的应用

作者：蒋正文中南大学

学位级别：硕士

地下水是工业用水、农业灌溉和生活用水的重要来源。与地表水相比,地下水的体积和动态演化特征难以直接获取,这些特征必须通过水文地质调查和长期序列分析来揭示。在这些特征中,地下水位是最重要的指标,它揭示了人类活动、气象条件等因... 详细信息

地下水是工业用水、农业灌溉和生活用水的重要来源。与地表水相比,地下水的体积和动态演化特征难以直接获取,这些特征必须通过水文地质调查和长期序列分析来揭示。在这些特征中,地下水位是最重要的指标,它揭示了人类活动、气象条件等因素对地下水环境的影响。如何准确预测地下水位在水资源管理中至关重要。而地下水位预测的准确性主要取决于选择合适的特征和方法进行空间建模。但现有的地下水位预测模型大多构建复杂、预测精度低,在考虑时间关联性和空间关联性方面存在不足,难以用于区域地下水位预测。因此,本文提出了一种基于机器学习方法、顾及时空自相关性的地下水位预测模型用于预测地下水位的动态变化,以促进地下水资源的合理开发利用和可持续发展,为实现碳达峰、碳中和的“3060”目标助力。论文的主要研究内容与成果如下:(1)利用小波变换和数据归一化对地下水位数据进行预处理,获得了低噪声的、统一尺度的地下水位数据。并使用Keras和Tensorflow框架搭建了一个基于机器学习模型的地下水位时空预测平台。(2)设计了基于长短期记忆网络(lstm)、全连接层(Fully-Connected)、Dropout方法组合优化的6种时间序列预测模型,利用历史地下水位变化和温度、降雨量等季节性信息对单井的地下水位进行了预测。通过预测值和真实值的比较以及模型评价指标,分析了lstm层、Fully-Connected层以及Dropout方法对构建模型的影响。结果表明,lstm+Dropout+Fully-Connected网络(R=0.785,RMSE=0.240m)的预测精度最高,使用lstm层的网络能够捕获地下水位变化的时间关联性,并且在lstm层中使用Dropout方法可以进一步提高地下水位预测精度。(3)基于图卷积神经网络(gcn)和lstm的特性,提出了一种顾及时空相关性的gcn-lstm地下水位预测模型。该模型考虑到了观测井之间的位置和属性(距水系距离、高程、坡度、坡向)的空间相关性和地下水位数据之间的时间相关性。首先将观测井的空间位置和属性特征用图结构表示,利用gcn挖掘观测井地下水位之间的空间关联关系,再利用lstm挖掘地下水位的时间关联关系。与没有考虑到空间相关性的基于lstm层的神经网络模型相比,gcn-lstm地下水位时空预测模型具有更高的预测精度,并能够同时预测多井的地下水位。本文的研究表明,基于lstm层的时间序列模型和基于gcn-lstm的时空序列模型都能够在一定程度上反映地下水位随时间的变化趋势。但gcn-lstm模型能更好地表达观测井之间的空间关联特征并且具有更高的地下水位预测精度和效率,能够实现区域大面积预测。图31幅,表9个,参考文献109篇

关键词：地下水位预测时间关联性空间关联性 lstm gcn-lstm 时空预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空图神经网络的商品销量预测

计算机系统应用 2023年第4期32卷 52-65页

作者：韦泰丞刘雁兵张宓觅刘慎慎李宁广西中烟工业有限责任公司南宁530001 中科知道(北京)科技有限公司北京100190

精准预测商品的销量是提高商品营销效率的前提和基础.为了更好地预测商品销量,现有研究人员提出了基于深度神经网络(DNNs)、卷积神经网络(CNNs)、时间序列分析等方法,但这些方法大多只单方面考虑到商品销售过程中的时间或者空间特征.同... 详细信息

精准预测商品的销量是提高商品营销效率的前提和基础.为了更好地预测商品销量,现有研究人员提出了基于深度神经网络(DNNs)、卷积神经网络(CNNs)、时间序列分析等方法,但这些方法大多只单方面考虑到商品销售过程中的时间或者空间特征.同时基于商品销售数据的建模分析发现,商品的销量和对应的零售商户的空间位置和销售时间有较大的相关性.为了更加准确地预测某种商品,在特定商店,以及在特定时间的销量,本研究首先构建了以商家为基础的大规模知识图谱系统,通过一张图的数据模型,描述商品销售和对应的商圈、商户、用户的相关交互场景.同时在图模型上增加了商家数据的空间和数据特征,用于描述商户的时空特性.最后基于构建的商家知识图谱,本研究提出了基于图卷积神经网络(gcn)聚合信息获取空间特征,然后使用长短期记忆(lstm)提取时间特征,并将两种特征进行加权结合,进行商品销量预测.初步研究结果表明:基于图和lstm模型的混合模型的算法预测投放量最为贴近实际销量,相比于传统的神经网络算法,该模型预测的平均准确率为89%.最后通过构建流水线工作流,将整个商品销量智能预测系统部署到生产环境中,为实现商品精准化营销提供了智能化决策.

关键词：销量预测神经网络知识图谱 gcn-lstm 智能营销

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的出租车订单预测

基于深度学习的出租车订单预测

作者：霍雯云南大学

学位级别：硕士

随着大数据和人工智能系统的飞速发展,交通拥堵这一问题促使人们对日常出行有了更高的要求,而对出租车未来订单进行预测则正是解决人们这一需求的有效手段之一。近年来,为了提高出租车市场管理、出租车营运效率、乘客乘车便利度的最大化... 详细信息

随着大数据和人工智能系统的飞速发展,交通拥堵这一问题促使人们对日常出行有了更高的要求,而对出租车未来订单进行预测则正是解决人们这一需求的有效手段之一。近年来,为了提高出租车市场管理、出租车营运效率、乘客乘车便利度的最大化,业界学者都提出了诸多解决方法。对出租车未来的订单产生进行预测,即是通过对过往历史数据进行分析,从而对未来出租车订单情况进行预测,这一预测不仅可以对出租车市场管理效率及效益获得提升,更大大便利了乘客的出行质量,这对城市交通管理、以及人民出行安排都提供了合理建议。然而,当下对出租车订单进行预测的方法还存在诸多不足。大部分的出租车订单预测的方法只针对时间序列进行特征学习从而对未来进行分析;其他预测方法虽然对此进行了改进,或对时空特征进行了信息提取以对未来交通流量进行预测,然而这二者都有其各自的不足:前者对在信息采集时缺失了大量信息,后者则因信息提取方法不足够完备,这两种方法都对预测的准确性带来了不好的后果。针对上述问题,本文提出了两种基于深度学习的出租车订单预测方法。第一种方法是对真实城市地图图像进行栅格化处理,从而得到了像素化图片,利用全球定位系统获得了大量的出租车车辆时空轨迹数据,通过出租车行驶轨迹以及乘客上下车的分布特征,设计了一种VGG-FCN模型,对未来不同时空下不同地区的出租车行驶路线进行了预测,在对模型的参数进行优化的同时,保证了模型的精度不曾降低。另一种方法是gcn-lstm方法,在将城市道路地图转化为线图后,对出租车订单数据的时间和空间都进行了特征提取,并对未来出租车订单情况进行了预测。本文提出的方法可以同时对多个区域的未来订单数量进行预测,在与代表性方法进行对比实验之后,在多个评价目标上均得到了较好的提升。

关键词：交通流量预测出租车订单预测深度学习 gcn-lstm VGG-FCN