简介:摘要:电力负荷预测是电力系统运行和管理中的关键任务,传统的预测方法常常面临数据非线性、时变性等挑战。近年来,机器学习技术的发展为负荷预测带来了新的机遇。通过对历史负荷数据的深入分析,结合多种机器学习算法,如支持向量机(SVM)、决策树(DT)、随机森林(RF)及深度学习(DL)等,能够有效提取潜在特征并实现高精度预测。尤其是在大数据背景下,机器学习能够处理海量数据,并及时捕捉电力负荷的变化规律。此外,集成学习方法的引入,使得不同模型的优势得到充分利用,从而进一步提升了预测性能。本研究探讨了不同机器学习方法在电力负荷预测中的应用,分析其优缺点,并提出改进建议,以促进电力系统的智能化发展。
简介:摘要:在隧道开挖过程中,通过掌子面推进不断揭露的地质情况进行前方地质预测对提高隧道掘进的安全性具有重要作用。工程实践中,准确的进行掌子面前方地质演化预测需要工程师具有坚实的地质理论基础和丰富的实践经验,具备这两点要求的现场工程师是十分匮乏的。基于机器学习技术,项目提出一种利用掌子面地质参数进行前方地质判断的方法;能综合分析岩性、岩层产状及节理裂隙、断层、围岩变形及失稳和渗水指标,通过ResNet模型、U-Net模型、LSTM循环神经网络模型和Google Earth平台获取岩性、岩层产状及节理裂隙、断层、围岩变形及失稳和渗水信息;学习评分标准判断地质变化情况,综合分析评价前方待掘进地质,为施工提供可靠的预测信息,从而提高隧道施工的安全性。
简介:摘要目的探讨干眼患者自发瞬目模式的特点。方法横断面研究。连续纳入2019年1至12月在首都医科大学附属北京同仁眼科中心角膜病专科门诊就诊的干眼患者357例作为干眼组,其中男性102例,女性255例;年龄(46.2±13.3)岁;同时纳入健康志愿者152名作为对照组,其中男性32例,女性120例;年龄(48.1±13.9)岁。所有患者进行问卷调查眼表疾病评分指数、瞬目视频获取、泪膜破裂时间(BUT)检查、角结膜荧光素染色、基础泪液分泌试验。将瞬目视频的单帧图片输入UNet分割算法与ResNet分类算法建立的模型进行分析,获取睑裂高度百分比绘制瞬目波。将完全瞬目分为A、B、C型,不完全瞬目分为Ⅰ、Ⅱ、Ⅲ型,进而分析干眼患者的自发瞬目特征,并使用独立样本t检验和Wilcoxon秩和检验分析其与对照组差异的统计学意义。结果本研究建立的分割模型与分类模型准确度分别为96.3%与96.0%,与人工分析的一致性为97.9%。干眼组患者瞬目频率为30(18,42)次/min,显著高于对照组的20(9,46)次/min(U=18 132.50,P=0.002),但完全瞬目次数为6(3,24)次/min,明显低于对照组的12(3,33)次/min(U=12 361.00,P=0.016),不完全瞬目次数为15(6,27)次/min,明显高于对照组的3(0,10)次/min(U=22 839.00,P<0.001)。完全瞬目中,干眼患者A型瞬目占比显著高于对照组[53.7%(2 796/5 177)和39.3%(633/1 698);χ²=101.83,P<0.001];不完全瞬目中,干眼患者Ⅱ型瞬目占比显著高于对照组[36.0%(2 334/6 477)和29.6%(126/426);χ²=6.99,P=0.008]。干眼患者平均瞬目间期为1.5 s,与对照组2.2 s比较,差异无统计学意义(U=15 230.00,P=0.093);干眼患者眼睑完全闭合期为0.8 s,明显短于对照组1.3 s(U=16 291.50,P=0.006)。闭眼期、睁眼前期、睁眼末期与对照组比较,差异均无统计学意义(均P>0.05)。结论干眼患者不完全瞬目次数增加、完全瞬目次数减少,眼睑完全闭合时间明显缩短;其瞬目模式以闭合幅度减少的Ⅱ型不完全瞬目及闭合时间缩短的A型完全瞬目为主。