简介:摘要:随着我国电力系统的建立,以及电力系统在最近几年里的发展,负荷预测的作用将会越来越突出。电力系统的调度运行还有生产在很大程度上会受到电力系统负荷预测结果的影响,负荷预测结果的准确性越高,电力系统运行的安全性与稳定性越好。不过,在短期电力负荷预测的过程中,传统模型已经没有办法既考虑到负荷数据时效性,又考虑到负荷数据非线性这两个主要的特点。因此,本文对基于深度学习的LSTM长短记忆神经网络的电力负荷预测方法进行了研究,并使用该方法对电力负荷值进行了计算,基本上可以确定LSTM网络在预测电力负荷时误差是最小的,所达到的预测效果也是最好的。
简介:摘要:图像分类是计算机视觉领域的一个重要的任务,为了解决这一任务,本文提出一种基于每一类的判别信息生成的字典模型,称为监督的类判别的字典学习(Supervised Class-discriminant Dictionary Learning, SCDDL)模型。SCDDL模型从训练集中学习得到一个字典和在这字典上的表示系数,不仅不同类别的字典对训练样本的重建误差具有判别性而且表示系数具有判别性。在此基础上,充分利用重建误差的判别性和表示系数的判别性提出相应的图像分类方案。大量的实验结果表明,与现有的模型分类方法相比较,该分类方法在图像分类的任务上具有较好的分类性能,且算法的效率高。
简介:摘要:在当今的生产生活中,许多工作人员没有足够的安全意识,在施工过程中,不按规定佩戴安全帽,给自身的安全带来威胁。由于人工监管佩戴安全帽耗时耗力,且随着图像处理技术的迅速发展,图像识别技术逐渐被用在生产领域,因此,利用深度学习与图像处理技术相结合,让机器自动识别监督工作人员佩戴安全帽的研究十分具有意义。
简介:摘要: 随着大规模分布式电源 (DG)接入配电网,配电网的结构由传统的辐射型变为多端电源结构,传统的故障定位方法不再完全满足含 DG的配电网系统,对此提出一种基于深度学习的有源配电网故障定位方法。首先通过馈线监控终端采集过电流故障数据与节点电压数据,结合各电源出力数据,形成故障数据向量 ;然后使用 Tensor F low构建基于全连接网络的深度神经网络模型,挖掘故障数据向量与故障支路之间的映射联系,形成故障定位模型 ;最后利用该模型在线定位故障并验证其有效性。模型测试结果表示,与反向传播神经网络、学习向量量化神经网络模型相比,深度学习模型收敛速度更快,故障定位准确率更高,同时在数据畸变或缺失时,模型具有较高的容错性。
简介:【摘要】随着我国基础教育课程的改革越来越深化,小学英语教学改革也在不断加快。小学英语教学的方法和方式也进行了创新。目前,小学英语教学逐渐从应试教育向着素质教育方面所发展,其主要目的就是培养学生可以更好的利用英语来日常进行口语交流,进而可以让学生在英语整合素养上进行健康发展。如果更好的对学生英语综合素养进行培养,就要对学生学习方式进行改变,将学生合作学习融入到课堂当中,更好的发挥合作学习的效果。因此,论文分析了在小学英语教学过程当中培养学生合作学习能力的重要性,并且从小组互助式的合作学习,教师有效的预设课前内容,给予学生进行有效合作的时空,建构合作平台几个方面探讨了培养小学英语教学中学生合作学习能力的策略。
简介:摘要:随着电力体制改革的不断推进和深入,干部培训工作也面临着越来越多的挑战和创新,更需要公司积极探索新常态下培训工作的新思路、新方式,努力提升培训的质量和效果。本课题通过对公司近年来青年干部领导力培养现状调查 , 分析存在的问题,提出了行动学习加速青年干部领导力培养提升的培训管理创新思路。并在应用于近年来的青年干部培训中,通过多方位的培训需求调研、创新搭建“五阶能力模型”、多层次的培训内容设置、行动学习的应用实践等,激发了青年干部在反思、质疑与自我激励中不断优化培训方案,解决实际工作的难题,实现了组织发展与个人能力的双提升,提高了培训针对性和实效性。
简介:摘要 :技术发展水平的不断进步以及社会各界用电需求的不断增长很大程度上对于电力生产的安全性提出了更高的要求。由于电力系统当中涉及的机械设备越来越多样化,电力施工与维护检修的难度也有所加大,相关技术人员必须全面掌握电力安全生产情况,才能够将安全隐患事故的发生概率降低到最小。构建电力安全生产监督管理云平台不仅能够很大程度上减轻维护检修人员的工作难度,同时也能够帮助其获得更为多样化的数据信息,时期有针对性的落实维护检修工作。将深度学习引入到电力安全生产监督管理云平台当中,能够在原有的基础之上大幅度提升监督与管控能力,降低不必要的成本消耗。在这篇文章当中,我们就具体对于深度学习在电力安全生产监督管理云平台中的应用进行了研究和分析。
简介:摘要:无人机巡检已成为电力线路杆塔巡检的重要方式。然而,目前的无人机巡检仍主要通过人工方式评估线路灾损,不仅费时费力,而且准确率低。本文提出了一种基于深度学习算法的实时目标检测模型,通过无人机巡检视频实时检测电力杆塔的状态。通过对倒断类杆塔图像进行数据增广,解决了杆塔类别不平衡问题。通过使用 K-means算法对杆塔数据集的目标框进行重新聚类,改进了深度学习算法参数。测试结果表明,该模型能有效检测多种环境下多种尺度的杆塔目标。改进后的模型在测试集上的召回率和交并比较改进前有所提高,且平均均值精度达到 94.09%,检测速度达到 20顿 /s。此外,也对更快的简化版 YOLO模型进行了测试,检测速度能达到 30帧 /s。