基于优化多类Adaboost的非侵入式负荷监测

针对非侵入式负荷监测技术在多状态设备的工作状态辨识研究较少及精度不高的问题,提出了一种基于遗传算法优化的多类Adaboost的非侵入式负荷监测技术。首先提取原始数据集有效特征(电流有效值及其变化量、有功功率及其变化量、无功功率)。其次利用遗传算法优化多类Adaboost中的五个参数,得到最优强分类器。最后通过第六届"泰迪杯"数据挖掘挑战赛A题数据对同时运行两个设备(九阳热水壶、激光打印机)所有状态进行识别。实验结果表明,该算法识别能力优于决策树算法和SVM算法。     

基于注意力机制与ConvBiLSTM的非侵入式负荷分解

针对非侵入式负荷分解准确率低的问题,提出一种新的非侵入式负荷分解方法。首先,针对在训练时难以对含有大量数据的电器设备的工作状态做标签问题,设计了引入轮廓系数和平方误差和共同作为评价指标的k-means聚类来确定负荷状态数,构建了状态码表示所有电器的运行状态。其次,利用卷积层和双向长短期记忆网络对特征进行提取,并引入注意力机制选取对分解任务重要性程度高的电器状态码,然后,通过全连接层进行分类,得到各时刻下的状态码,进而得到各用电设备实际功率。最后利用公开AMPds2数据集进行验证,结果表明所提方法,具有较高的负荷分解准确率。     

一种新型免疫遗传算法在图像增强上的应用

将一种新型免疫遗传算法应用到图像的增强处理中,利用其快速搜索能力,对给定测试图像,自适应地变异、搜索、直至最终确定变换函数的最佳参数α,β值,从而实现图像的增强.与穷举法相比,大大节约了求解的时间和计算的复杂度,并通过对自然图像的仿真实验论证该方法的有效性.     

基于改进粒子群算法的多目标智能组卷研究

组卷问题是一个多约束多目标组合优化问题。建立了一种新的组卷数学模型,提出了一种改进粒子群算法(IPSO)的智能组卷算法。在组卷之前,先采用贪婪算法进行预处理,有效提高了算法的收敛速度。在进化过程中引入保优策略,避免适应值高的粒子被淘汰。采用自适应交叉和变异算子进行调整,避免了局部收敛现象。实验结果表明,改进的粒子群算法应用在多目标智能组卷中具有较好的组卷性能。