简介:针对短期家庭电力数据随机性强,数据维度低等问题,提出了一种基于长短期记忆循环神经网络(LSTM)的单变量短期家庭电力需求预测模型.实验表明,该模型能够准确反映以小时为单位的家庭电力需求趋势,且在不同家庭上的泛化性能优于传统的循环神经网络(RNN)和门控循环网络(GRU).
简介:短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要意义,针对现有的神经网络法、小波分析法等单一预测模型预测精度提升有限的问题,引入集成学习的思想和方法,提出一种基于Stacking算法改进支持向量机(SVM)的短期光伏发电预测方法.该方法先使用多个不同的初级SVM对预测样本进行一次预测得到多个预测输出;然后对训练集进行聚类,使用与预测样本同类别的训练样本训练次级SVM;最后使用次级SVM对多个预测输出进行结合得到最终预测结果.经光伏发电系统的实际运行数据实验,结果表明本文提出的方法相较于单一预测模型精度有了明显提升.
简介:基于傅里叶变换中红外光谱技术(FTIR),结合改进型偏最小二乘回归法(MPLS),建立豆奶中的快速预测方法。结果表明选取有效波段,不使用散射校正,使用导数和平滑校正光谱基线漂移后定标效果最好,各指标的预测值与实测值相关性良好,脂肪(Fat)、蛋白质(Protein)、蔗糖(Sucrose)和总糖(TotalSugar)预测标准偏差(SEP)分别为0.061、0.039、0.039、0.047;预测相关系数(RSQ)分别为:0.98、0.99、0.99、0.99。该方法可应用于豆奶中脂肪(Fat)、蛋白(Protein)、蔗糖(Sucrose)和总糖(TotalSugar)含量的快速分析检测。
简介:为解决工业机器人标定中存在的成本昂贵、专业性强等问题,提出了一种基于几何约束的工业机器人运动学参数闭环标定法.首先采用D—H模型与MDH模型相结合的方法建立运动学模型.解决D-H模型的奇异性问题.其次,用Matlab对该方法进行仿真,机器人末端执行器上模拟安装一个激光器,将激光瞄准观测平面上一正方形的四个顶点,得到较精确的关节角.最后,根据正方形的几何性质建立标定方程,利用最小二乘法求解参数误差.此方法操作简单,成本低,易于测量,可避免机器人基座标系的校准工作.根据仿真结果。工业机器人绝对定位精度提高了77.87%,从而验证了该方法的有效性.