【摘 要】
：
风力发电作为一种绿色环保的发电方式,对实现全球碳中和至关重要。风场恶劣的天气条件会影响数据获取,导致数据出现缺失问题。缺失数据修复作为数据预处理的一环,旨在恢复数据的完整性,从而满足风机状态评估、发电量预测、异常预警等下游任务对数据完整性的要求。因此,如何对缺失数据进行修复具有重要的研究意义。首先,分析了多元时空数据缺失的机制和模式,点明了研究的两种缺失模式:单风机全部特征缺失和所有风机缺失相同特
论文部分内容阅读
风力发电作为一种绿色环保的发电方式,对实现全球碳中和至关重要。风场恶劣的天气条件会影响数据获取,导致数据出现缺失问题。缺失数据修复作为数据预处理的一环,旨在恢复数据的完整性,从而满足风机状态评估、发电量预测、异常预警等下游任务对数据完整性的要求。因此,如何对缺失数据进行修复具有重要的研究意义。首先,分析了多元时空数据缺失的机制和模式,点明了研究的两种缺失模式:单风机全部特征缺失和所有风机缺失相同特征。本文引入3个风场数据集,均为多风机、多特征风电数据,可用于验证算法在两种缺失模式下的修复效果。之后,针对单风机全部特征缺失的模式,提出了一种基于时空相关性的数据修复算法,针对性地设计了互相关的惩罚项和平均绝对误差筛选,以提高算法的鲁棒性,并对原有的互相关计算过程进行了优化,使其具有更高的效率。最后,针对所有风机缺失相同特征的模式,提出了一种基于特征相关性的修复算法,其采用PCHIP算法进行插值拟合,并通过XGBoost进行强特征筛选,实现了较低的平均绝对误差和耗时。此外,在大量的实验中,通过引入不同程度高斯噪声、删除风机节点和降低采样频率,来模拟不同风场配置,验证两个所提算法的有效性。实验结果表明所提算法在多种风场环境中均具有较低的平均绝对误差和耗时。本文分析了数据缺失的机制和模式,利用时空相关性对单风机全部特征缺失情况进行修复,利用特征相关性结合在线学习方法,对所有风机缺失相同特征情况进行修复。两种算法与岭回归、支持向量机等经典机器学习算法相比,均取得了最低的平均绝对误差和较低的修复耗时。
其他文献
现阶段深度学习主要根据数据的预处理以及按照经验搭建网络结构,让学习任务达到令人满意的地步,然而针对不同的学习任务,搭建合适的深度神经网络是比较复杂的。近几年,逐渐有很多学者开始大胆猜测,对于常规的残差神经网络模块可以看成是一种偏微分方程,其中Ruthotto、Haber、林宙晨等人针对这种想法进行了相关研究。本文主要针对热传导型残差神经网络模型和对流扩散型残差神经网络模型做相关的研究。实验一和实验
随钻核磁共振测井技术（Logging While Drilling-Nuclear Magnetic Resonance,LWD-NMR）由于其独特的属性,对于识别储层流体类型、评估产能及测量地层与岩性无关的孔隙度、渗透率等信息具有重大意义。面向随钻核磁共振测井仪器的多物理场参数测量、回波采集、数据处理及存储等需求,设计随钻核磁共振测井仪的主控电路,采用双核DSP+FPGA的多核协同架构,实现仪器
医学影像可以显示人体各部分解剖结构和代谢情况,辅助医师进行病灶定位、诊断鉴别、病情评估等。临床诊断常用的医学成像技术有X光透视、电子计算机断层摄影（CT）、正电子发射断层扫描（PET）、磁共振成像（MRI）、超声成像等。近年来深度学习技术被广泛应用到医学图像分割任务,其中多模分割通过将来自不同模态医学图像的特征信息进行融合和转化,充分利用不同成像方式的医学图像或数据集中的信息,提高分析的准确性。目
图文联合表征是指对图像和文本信息进行联合语义表示。图像和文本是常见的两种模态,同时模态间的联合表征是支持下游任务的基础。因此图文联合表征是多模态领域最重要的研究课题之一。然而,由于图像文本之间存在信息粒度差异与语义匹配歧义,使得图文特征抽取和语义交互面临诸多困难。论文重点研究图文信息的特征抽取与语义交互,以提升图文检索的召回率,同时研究和实现了论文方法在工业系统中的应用。在图像文本信息嵌入方面,主
近年来,随着硬件设备和人工智能的不断发展,智能视频监控得到了广泛的应用,学者们对监控领域算法一直在不断挖掘和突破。本文针对家庭安防监控中的在线动作检测（Online Action Detection,OAD）算法进行了研究,根据任务特点提出了新的网络框架,并取得了较显著的性能提升。另外,本文针对家庭安防监控设计了基于树莓派的硬件监控平台,为算法的实际应用奠定了硬件基础。目前大多数的OAD算法使用单
受到细粒度的任务特性以及数据中存在的各种干扰因素的影响,行人重识别任务对算法提取到的特征的判别能力与抗干扰能力都有较高的要求。为此,本文在多示例空间聚合思想的基础上,分别从提升局部示例判别性、抗遮挡模式发现与身份属性信息学习三个方面展开研究工作。针对特征的判别能力与鲁棒性的问题,一种基于局部示例判别能力增强空间聚合方法被提出,在全局空间聚合的范式下,利用NetVLAD编码提高局部特征的判别能力,同
得益于其广泛的应用场景,人脸属性编辑任务近来备受关注。但现有的人脸属性编辑算法很难精确地控制人脸属性,编辑结果存在着严重耦合。论文发现Style GAN2网络中存在着属性特定的控制单元,提出两种属性编辑算法操纵控制单元,实现了更加多样且精准的人脸属性编辑。为了编辑真实人脸,还提出了一种能维持隐编码的可编辑性,同时更准确地重建输入图片的反编码算法。首先,发现网络的中间特征和调制参数存在着明显的局部相
异常检测属于计算机视觉领域的基础研究之一,其目的在于构建模型发现与主体数据分布不同的异常值。由于实际中异常的多样性和稀缺性,异常样本通常难以获得,因此,异常检测常作为一个数据缺失的无监督式问题进行研究。近年来,基于深度学习的判别式算法是处理异常检测问题具有最先进水平的一类算法,本文将对这类算法进行研究,主要内容可以分为下面三个部分。与基于变换的自监督学习相结合的判别式算法是被广泛使用的一类异常检测
情感识别是实现人机交互中的重要一环,然而由于人类情感的模糊性,使得关于情感的研究一直进展缓慢。近年来,得益于深度学习的发展,研究者们利用深度神经网络强大的特征提取能力,来提取多个模态（如图像、音频和文本）的特征。但是由于天然的多模态数据是高度异构的,使得不同模态特征之间的信息交互难以被建模。本文从单个话语片段中的多模态融合问题出发,在传统自编码器模型的基础上,提出了新颖的多通路自编码器模型,通过多
人物交互关系检测是重要的视觉理解任务之一,在安防与无人商超领域有着非常多的应用。在人物交互关系检测任务中,全局上下文特征是十分重要的,采用基于Transformer的方法来进行人物交互关系检测能有效聚集全局上下文特征。但是现有的基于检测Transformer的人物交互关系检测器存在一些缺陷,它们会将实例检测与交互关系理解这两个人物交互关系检测的子任务捆绑在一起完成,导致无法有效地理解一些复杂的容易