摘要：卷积神经网络需要把特征矩阵转换成向量才能进行全连接,对特征空间结构信息造成破坏。针对这个问题,提出一种基于双向神经网络的图像分类算法。利用双向(Two-Directional)层替代原先网络框架中的全连接层并进行端到端的训练,减少特征空间结构信息的损失,提出一种扩展BP算法,用于求解双向神经网络的学习问题。改进CaffeNet及vgg-16模型并在Caltech-256和Oxford Flower-102数据集上进行图像分类对比实验,实验结果表明,在相同的实验条件下双向神经网络算法能有效提升图像分类的性能。

摘要：针对因果系统提出一种双向神经网络,在相邻两层神经元之间建立反向连接,以直接把被控系统先前时刻的状态变量引入到网络中;设计了一种自适应调整遗传算法交叉率和变异率的规则;结合遗传算法和神经网络的优点,给出了一种基于遗传算法的双向神经网络控制方案,该方案兼有遗传算法的强全局搜索能力和神经网络的鲁棒性和自学习能力。仿真结果表明,该算法能使种群基因保持多样性,有效抑制了算法的早熟收敛;基于该算法的控制系统调整时间短、准确度高,具有良好的抗干扰能力,能满足实时性和稳定性要求。

摘要：为了解决高比例不确定性风电接入电力系统带来强烈调频需求的问题,提出了基于混合深度学习模型的风电功率预测及其一次调频应用方法。首先,采用孤立森林(Isolated Forest, IF)对历史数据进行异常值处理,提高数据质量,其次,构建卷积神经网络(Convolutional Neural Network, CNN)、双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)和注意力机制(Attention Mechanism, AM)的混合深度学习模型对风电功率进行预测。最后,依据功率预测精度配置超级电容器储能,设计储能调频控制原则,弥补风电机组自身预测误差,并协同风电机组参与电力系统一次调频。基于预测结果为4台风电发电机组2个负荷区域仿真系统配置超级电容器储能系统,利用digsilent平台进行了风预测误差和负荷波动下的一次调频仿真。结果表明:所提IF-CNN-BiLSTM-AM模型比BP和LSTM基准模型预测误差(MSE)降低了81.53%和51.44%,具有最优的预测性能;设计的风储一次调频模型与原则可有效应对风电预测误差和负荷波动带来的一次调频问题。