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:为了深入研究扫描近场光学显微镜(Scanningnear-fieldopticalmicroscope,SNOM)光纤探针导光特性,我们利用VirtualLabFusion光学软件,仿真研究了光纤探针内部的光场分布.结果显示,光纤探针内部的光场分布呈固定的花样;中轴线光场具有峰值结构,其最大值位于探针出口前120nm处;这个最大峰值随着光纤外层铝层厚度的增加呈现先减小后增加,最后趋于稳定的变化,随着光源偏振态的变化呈现正弦的分布.
简介:域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机(DDM-ELM)用于解决域自适应问题.DDM-ELM旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.
简介:为了能够对鱼塘、河流的水质进行长时间的在线监测,本文设计了一款在线式多参数水质监测系统.该系统具有灵活多变的传感器接入能力及数据融合性能,可以实时跟踪水质参数的变化、追踪污染源、辅助渔民养殖.系统以STM32F103为核心处理器,包括传感器及数据处理电路,通过RS485/MODBUS协议与PC进行通讯.采集的水质参数包括温度、pH、ORP、电导率、水位等五个常用基本参数.