基于改进的分形理论的短期电力负荷预测

为提高负荷预测结果的精度,设计了一种基于改进的分形理论的短期负荷预测模型。选取与实测日气象数据相似的日期作为基准日,对其进行重标极差法分析,从而确定其具有分形的特征,根据分形插值区间计算迭代压缩因子和确定迭代函数系统(IFS:Iterative Function System)建立实测日的分形插值函数,通过移动平均函数对数据进行处理,利用最小二乘法(OLS:Ordinary Least Square)建立数据拟合方程,将时间数据带入拟合方程中计算预测数据。经过仿真对比实验,改进后的比改进前的预测模型预测的负荷数据平均绝对百分比误差(MAPE:Mean Absolute Percentage Error)下降了0.26,证明了改进分形理论的短期电力负荷预测模型可以有效提高负荷预测结果的准确性。     

基于改进ShuffleNetV2网络的岩石图像识别

由于基于传统深度学习的岩石图像识别算法模型比较繁琐,而且应用于移动终端等需要一定的计算能力,因此很难实现对岩石类型的实时准确判别。为此,以ShuffleNetV2网络为基础,插入通道连接注意力机制ECA(Efficient Channel Attention)模块,使用Mish激活函数代替ReLU激活函数并引入轻量级网络部件中的深度可分离卷积。将该方法用于岩石图像识别,实验结果表明,改进后的算法结构简单,同时具有轻量化的特点,其识别精度达到94.74%,可在移动终端等有限资源环境下应用。