0去购物车结算
购物车中还没有商品,赶紧选购吧!
当前位置: 图书分类 > 信息技术 > 电子科学与技术 > 人工智能与电气应用

相同语种的商品

浏览历史

人工智能与电气应用


联系编辑
 
标题:
 
内容:
 
联系方式:
 
  
人工智能与电气应用
  • 书号:9787030682260
    作者:胡维昊等
  • 外文书名:
  • 装帧:圆脊精装
    开本:A4
  • 页数:532
    字数:1050000
    语种:zh-Hans
  • 出版社:科学出版社
    出版时间:2021-12-01
  • 所属分类:
  • 定价: ¥299.00元
    售价: ¥236.21元
  • 图书介质:
    纸质书

  • 购买数量: 件  可供
  • 商品总价:

相同系列
全选

内容介绍

样章试读

用户评论

全部咨询

本书系统地阐述了人工智能与电气应用的理论基础及应用实践。全书共分为五部分,分别为理论篇、基于人工智能的故障诊断技术、基于人工智能的模式识别和预测技术、基于人工智能的控制和优化技术以及展望篇。
  第一部分介绍人工智能技术的理论基础。第二部分介绍风机叶片覆冰故障检测技术、电网故障诊断技术、电力设备图像识别技术等方面的人工智能故障诊断技术。第三部分介绍电力指纹负荷识别技术、配电网可靠性评估技术、智能电网信息系统的假数据侵入识别技术、台风灾害下架空输电线路损毁预测技术等方面的人工智能模式识别和预测技术。第四部分介绍双有源全桥直流变换器效率优化技术、电力电子变换器实时控制技术、电网有功无功优化调度技术、配电网检修决策技术、多目标潮流优化控制技术与实践、混合能源系统优化技术等方面的人工智能控制和优化技术。第五部分分析并展望未来人工智能在电气工程中的应用前景。
样章试读
  • 暂时还没有任何用户评论
总计 0 个记录,共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

  • 暂时还没有任何用户咨询内容
总计 0 个记录,共 1 页。 第一页 上一页 下一页 最末页
用户名: 匿名用户
E-mail:
咨询内容:

目录

  • 目录
    第一部分 理论篇
    第1章 人工智能技术 3
    1.1 人工智能技术简介 3
    1.2 人工神经网络 3
    1.2.1 人工神经网络简介 3
    1.2.2 人工神经网络基本结构 5
    1.3 卷积神经网络 8
    1.3.1 卷积神经网络简介 8
    1.3.2 卷积神经网络基本结构 8
    1.3.3 几种典型的卷积神经网络 10
    1.4 循环神经网络 13
    1.4.1 循环神经网络简介 13
    1.4.2 循环神经网络基本结构 13
    1.4.3 循环神经网络的输出层 14
    1.4.4 循环神经网络的参数优化 15
    1.4.5 长短期记忆网络 16
    1.5 生成对抗神经网络 17
    1.5.1 生成对抗神经网络简介 17
    1.5.2 生成对抗神经网络的训练原理 18
    1.5.3 生成对抗神经网络的经典模型 19
    1.5.4 生成对抗神经网络模型的评价指标 21
    1.5.5 其他类型的生成模型 22
    1.6 图网络 23
    1.6.1 图的简介 23
    1.6.2 图数据应用场景 23
    1.6.3 图嵌入 25
    1.6.4 图卷积神经网络 26
    1.7 强化学习 31
    1.7.1 强化学习基本概念 31
    1.7.2 强化学习算法介绍 32
    1.7.3 强化学习实验环境 34
    1.7.4 强化学习和深度学习 35
    参考文献 35
    第二部分 基于人工智能的故障诊断技术
    第1章 基于深度学习的风机叶片覆冰故障检测 39
    1.1 应用背景 39
    1.2 基于深度学习的风机叶片覆冰故障检测整体框架 40
    1.3 基于深度学习的风机叶片覆冰故障检测方法 41
    1.3.1 数据处理 41
    1.3.2 特征提取 41
    1.3.3 算法简介 42
    1.4 基于深度学习的风机叶片覆冰故障检测整体模型与算例分析 45
    1.4.1 算例背景 46
    1.4.2 算例分析 46
    1.4.3 对比分析 48
    1.5 本章小结 49
    参考文献 49
    第2章 基于深度学习的风力发电机组机械故障智能辨识与诊断 51
    2.1 风电机组智能辨识与诊断需求 51
    2.2 风电机组故障诊断技术现状与趋势 53
    2.2.1 风电机组故障诊断主要方式与检测信号 53
    2.2.2 风电机组机械振动信号检测与分析方法 54
    2.2.3 风电机组机械故障辨识与诊断技术的发展趋势 55
    2.3 风电机组轴承故障机理特性分析 56
    2.3.1 轴承部件分布与结构特征 56
    2.3.2 轴承部件失效原因分析 57
    2.3.3 轴承部件故障信号特征 58
    2.4 基于卷积神经网络的风电机组轴承故障诊断 59
    2.4.1 基于CNN的故障辨识和诊断流程 59
    2.4.2 算例应用与结果分析 62
    2.5 基于多标签分类的风电机组轴承复合故障诊断 68
    2.5.1 轴承部件复合故障与诊断 68
    2.5.2 基于多标签分类的诊断方法 68
    2.5.3 算例应用与结果分析 71
    2.6 本章小结 73
    参考文献 73
    第3章 基于深度学习的柔直线路故障测距 76
    3.1 高压直流输电线路行波分析 77
    3.1.1 行波的产生和传播 77
    3.1.2 行波的折反射 77
    3.2 基于堆叠式自编码器的柔直线路故障测距 78
    3.2.1 堆叠式自编码器 78
    3.2.2 基于SAE的故障测距 79
    3.2.3 SAE参数选取 80
    3.2.4 仿真结果 81
    3.2.5 对比分析 84
    3.3 基于堆叠式降噪自编码器的柔直线路故障测距 85
    3.3.1 堆叠式降噪自编码器 85
    3.3.2 基于SDAE的故障测距 85
    3.3.3 SDAE参数选取 86
    3.3.4 仿真结果 86
    3.3.5 对比分析 92
    3.4 本章小结 93
    参考文献 93
    第4章 基于脉冲神经膜计算模型的电网故障诊断 95
    4.1 脉冲神经膜计算基础 95
    4.1.1 脉冲神经膜系统模型 95
    4.1.2 模糊推理实数脉冲神经膜系统 96
    4.2 脉冲神经膜系统电网故障诊断 100
    4.2.1 基于脉冲神经膜系统的电网故障诊断框架 100
    4.2.2 网络拓扑分析 100
    4.2.3 可疑故障元件分析 101
    4.2.4 可疑故障元件模糊推理实数脉冲神经膜系统建模 101
    4.2.5 模糊推理 104
    4.2.6 电网故障诊断案例分析 106
    4.3 本章小结 108
    参考文献 108
    第5章 基于深度学习的电力设备图像识别 110
    5.1 引言 110
    5.2 电力设备图像分析与处理 110
    5.2.1 图像采集 110
    5.2.2 图像处理 110
    5.3 电力设备的图像识别技术研究 115
    5.3.1 基于卷积神经网络的图像分类与检测研究 115
    5.3.2 基于深度学习的电力设备图像识别技术应用 122
    5.4 本章小结 128
    参考文献 128
    第6章 基于深度学习的输电线路部件视觉检测 130
    6.1 绝缘子视觉检测 130
    6.1.1 基于深度特征表达的绝缘子红外图像定位方法 130
    6.1.2 基于R-FCN的航拍巡线绝缘子检测方法 132
    6.1.3 基于候选目标区域生成的绝缘子检测方法 136
    6.1.4 基于Mask R-CNN的输电线路绝缘子掉片检测方法 139
    6.1.5 基于深度特征表达的绝缘子表面缺陷分类方法 140
    6.2 导地线视觉检测 142
    6.3 金具视觉检测 144
    6.3.1 防震锤检测 144
    6.3.2 间隔棒检测 145
    6.3.3 线夹检测 147
    6.4 螺栓视觉检测 149
    6.5 本章小结 150
    参考文献 150
    第三部分 基于人工智能的模式识别和预测技术
    第1章 基于机器学习的电力指纹负荷识别技术 153
    1.1 技术产生背景 153
    1.1.1 电网感知的内涵 153
    1.1.2 识别是能源互联网的基础 154
    1.1.3 当前识别技术存在的问题 155
    1.2 电力指纹定义与内涵 156
    1.2.1 电力指纹技术的定义 156
    1.2.2 基于电力指纹的五大识别 158
    1.2.3 电力指纹的优势 159
    1.3 电力指纹关键技术 159
    1.3.1 信号特征分析技术 159
    1.3.2 数据特征分析技术 161
    1.3.3 相关识别算法 161
    1.4 家用电器电力指纹研究 162
    1.4.1 家用电器的主要分类 162
    1.4.2 不同电器建模与数据分析 163
    1.4.3 家用电器的类型识别研究 164
    1.5 电力指纹应用场景 165
    1.5.1 相关应用技术 165
    1.5.2 安全用电实例 166
    1.6 本章小结 168
    参考文献 169
    第2章 基于用电行为特征重要度聚类的居民负荷预测 170
    2.1 居民负荷时域波动性分析 171
    2.1.1 居民智能电表数据集 171
    2.1.2 居民负荷时域波动特性分析 171
    2.1.3 负荷波动对聚类结果的影响 172
    2.2 最优特征重要度聚类 173
    2.2.1 基于RReliefF的特征重要度分析 173
    2.2.2 FI聚类实现 173
    2.2.3 FI-SDCKM实用性 175
    2.3 负荷预测模型 176
    2.3.1 基于随机森林的负荷预测 176
    2.3.2 构建特征集合 177
    2.3.3 滚动预测模型中RF的预测精度 177
    2.4 负荷预测结果 178
    2.4.1 预测模型比较 178
    2.4.2 工作日和非工作日预测结果 179
    2.5 本章小结 180
    参考文献 180
    第3章 基于机器学习的配电网可靠性评估技术 183
    3.1 概述 183
    3.1.1 基本概念和必要性 183
    3.1.2 配电网可靠性评估的基本原理 184
    3.1.3 挑战与机遇 188
    3.2 基于机器学习的可靠性评估框架 190
    3.2.1 传统的可靠性评估框架 190
    3.2.2 数据驱动的可靠性评估框架 190
    3.3 数据驱动的元件可靠性建模 192
    3.3.1 影响因子选择 192
    3.3.2 特征优选与集成学习模型 193
    3.4 基于感知机的系统状态评估 195
    3.4.1 感知机模型 195
    3.4.2 可靠性建模 196
    3.4.3 基于感知机的系统状态评估 197
    3.5 基于感知机的配电网可靠性评估 198
    3.5.1 可靠性评估算法 198
    3.5.2 可靠性指标建模 200
    3.5.3 测试算例 201
    3.6 结论与展望 203
    3.6.1 结论 203
    3.6.2 展望 203
    参考文献 204
    第4章 基于深度学习的微网互动需求响应特性封装与预测 205
    4.1 微网互动响应特性的深度学习封装与优化运行机制 205
    4.2 微网互动运行数据的特性挖掘与样本增量 206
    4.2.1 非参数核密度估计的微网互动数据特性挖掘 206
    4.2.2 拉丁超立方抽样的数据样本增量 209
    4.2.3 互动数据场景的聚类识别与分类 211
    4.3 微网互动响应行为的深度学习封装方法 213
    4.3.1 深度学习的微网互动特性封装 213
    4.3.2 对比算法 214
    4.3.3 数据驱动的微网互动响应特性封装和预测流程 215
    4.4 算例分析与验证 216
    4.4.1 不含储能装置的微网互动特性行为封装与结果分析 216
    4.4.2 含储能装置的微网互动特性行为封装与结果分析 221
    4.4.3 深度学习的微网互动特性学习收敛性和敏感性分析 223
    4.5 本章小结 225
    参考文献 225
    第5章 基于人工智能的电力点功率预测和区间预测技术 227
    5.1 基于S-BGD和梯度累积策略的改进深度学习光伏出力预测方法 227
    5.1.1 引言 227
    5.1.2 传统深度学习算法 228
    5.1.3 改进的深度学习算法 228
    5.1.4 基于深度学习的光伏出力预测方法 230
    5.1.5 基于深度学习的光伏出力预测方法实例 232
    5.1.6 结论 236
    5.2 基于改进混沌时间序列的风电功率区间预测方法 236
    5.2.1 引言 236
    5.2.2 基于传统混沌时间序列的风电功率区间预测方法 237
    5.2.3 基于蚁群聚类算法和支持向量机的改进风电功率区间预测方法 238
    5.2.4 风电功率区间预测性能评价指标 240
    5.2.5 算例分析 241
    5.2.6 结论 245
    5.3 基于改进权值优化模型的光伏功率区间预测 245
    5.3.1 引言 245
    5.3.2 基于RBF神经网络的区间预测模型 246
    5.3.3 区间预测优化模型的建立与求解 248
    5.3.4 光伏功率区间预测的具体步骤 250
    5.3.5 算例分析 250
    5.3.6 结论 253
    5.4 基于强化自组织映射和径向基函数神经网络的短期负荷预测 254
    5.4.1 引言 254
    5.4.2 RBF神经网络负荷预测方法 254
    5.4.3 RL-SOM方法的RBF中心训练方法 256
    5.4.4 RBF神经网络负荷预测模型的整体参数训练 258
    5.4.5 仿真分析 259
    5.4.6 结论 261
    参考文献 261
    本章附录:迭代更新公式表 262
    第6章 基于人工智能的风电功率预测 263
    6.1 人工智能在新能源发电预测技术中的应用现状 263
    6.1.1 新能源发电现状 263
    6.1.2 新能源发电预测研究现状 263
    6.2 统计学习与浅层神经网络在风电预测中的应用 264
    6.2.1 BP神经网络在风电预测中的应用 264
    6.2.2 支持向量机在风电预测中的应用 265
    6.3 深度学习在风电预测中的应用 267
    6.3.1 深度信念网络在风电预测中的应用 267
    6.3.2 长短期记忆神经网络在风电预测中的应用 268
    6.3.3 多层感知机在风电预测中的应用 269
    6.4 基于集成学习的风电预测技术 270
    6.4.1 集成学习方法 270
    6.4.2 基于简单平均方法的集成风电预测技术 271
    6.5 算例分析 272
    6.5.1 实验数据及评价指标 272
    6.5.2 多时间尺度预测分析 274
    6.5.3 多季节场景下预测性能分析 276
    6.6 本章小结 277
    参考文献 277
    第7章 应用机器学习识别智能电网信息系统的假数据侵入 279
    7.1 信息系统假数据侵入点 279
    7.2 假数据侵入方式 279
    7.3 假数据侵入后果 280
    7.4 假数据侵入和识别问题的数学描述 281
    7.5 基于机器学习的假数据识别 281
    7.5.1 监督学习方法应用 281
    7.5.2 半监督学习 284
    7.5.3 非监督学习方法应用 285
    7.5.4 强化学习 285
    7.5.5 假数据识别方法的效果评价 288
    7.6 总结和展望 289
    参考文献 289
    第8章 基于机器学习的台风灾害下架空输电线路损毁预测技术 290
    8.1 应用背景 290
    8.2 台风灾害下输电线路损毁智能预测及可视化风险评估框架 291
    8.3 台风灾害下输电线路损毁智能预测及可视化风险评估方法 292
    8.3.1 数据层 292
    8.3.2 知识提取层 293
    8.3.3 可视化处理层 295
    8.4 算例分析 295
    8.4.1 算例背景 295
    8.4.2 数据层 295
    8.4.3 知识提取层 297
    8.4.4 可视化处理层 298
    8.4.5 分析比较 299
    8.5 泛化能力分析 301
    8.5.1 模型通用性 301
    8.5.2 样本数量级 301
    8.6 本章小结 302
    参考文献 302
    第9章 基于人工智能算法的电力系统稳定性预测技术 303
    9.1 极限学习机算法 303
    9.2 基于极限学习机的功角稳定性预测技术 305
    9.2.1 功角稳定性预测模型的特征选取方法 307
    9.2.2 基于极限学习机的功角稳定性预测在线实施方法 307
    9.2.3 基于极限学习机的暂态稳定预测模型应用分析 308
    9.3 频率响应模型与人工智能相结合的频率动态特征预测技术 312
    9.3.1 电力系统频率响应模型 312
    9.3.2 基于极限学习机的系统频率响应模型校正方法 314
    9.3.3 电力系统受扰频率态势特征计算方法性能分析 316
    9.4 本章小结 317
    参考文献 317
    第10章 新能源高渗透下电网断面传输极限精准预测与运行控制 319
    10.1 引言 319
    10.2 物理模型驱动的TTC计算与控制模型 319
    10.2.1 TTC计算模型 319
    10.2.2 TTC计算模型的求解方法 320
    10.2.3 TTC控制模型 320
    10.3 数据驱动的TTC计算 321
    10.3.1 样本生成 321
    10.3.2 特征选择 321
    10.3.3 TTC规则学习方法 322
    10.4 数据驱动规则辅助的TTC调控方法 324
    10.4.1 点估计规则驱动的TTC调控 325
    10.4.2 感知数据规则欠控制风险的TTC调控 325
    10.4.3 求解方法 326
    10.5 测试算例 326
    10.5.1 测试系统概述 326
    10.5.2 数据驱动的TTC估计 327
    10.5.3 数据驱动规则辅助的TTC调控 327
    10.6 本章小结 329
    参考文献 329
    第四部分 基于人工智能的控制和优化技术
    第1章 基于强化学习的双有源全桥直流变换器效率优化方案 333
    1.1 应用背景 333
    1.2 双有源全桥直流变换器的三重移相调制和损耗分析 334
    1.2.1 三重移相调制的基本原理 334
    1.2.2 损耗分析 337
    1.3 采用Q-learning算法的效率优化方案 338
    1.3.1 Q-learning算法 338
    1.3.2 Q-learning算法的训练 339
    1.4 基于强化学习的效率优化方案的性能评价和比较 341
    1.5 实验验证 345
    1.5.1 电感Lk的设计 346
    1.5.2 实验结果分析 346
    1.6 本章小结 349
    参考文献 350
    第2章 基于人工智能的两阶段谐振直流-直流变换器效率优化设计方法 351
    2.1 引言 351
    2.2 以效率为导向的两级优化设计方法的初步研究:LCLC谐振变换器和总功率损耗的计算 353
    2.2.1 LCLC谐振变换器主要参数计算的回顾 353
    2.2.2 空间行波管应用中LCLC谐振变换器的功率损耗分析 354
    2.3 空间行波管应用中LCLC谐振变换器的两阶段效率优化设计方法 356
    2.3.1 一种面向效率的两阶段优化设计方法 356
    2.3.2 第一阶段:基于GA+PSO的最优参数提取 357
    2.3.3 第二阶段:基于所提出的单层部分交错变压器结构实现最佳参数 360
    2.4 实验验证 364
    2.4.1 优化LCLC谐振变换器的ZVS和ZCS特性验证 364
    2.4.2 验证所提出的LCLC谐振变换器面向效率的两阶段优化设计方法 365
    2.5 本章小结 367
    参考文献 367
    第3章 神经网络在电力电子变换器实时控制中的应用 370
    3.1 神经网络控制概述 370
    3.2 Buck电路及其模型简述 371
    3.3 基于神经网络的参数估计 373
    3.3.1 Buck变换器的“准神经网络”参数估计模型 373
    3.3.2 “准神经网络”的训练 374
    3.3.3 参数估计示例 374
    3.3.4 参数估计方法小结 375
    3.4 基于离线训练的神经网络控制器设计 375
    3.4.1 高性能控制器离线设计 376
    3.4.2 离线训练样本采样 376
    3.4.3 神经网络的离线训练 377
    3.4.4 控制效果示例 379
    3.4.5 离线训练设计方法小结 381
    3.5 基于在线训练的神经网络控制器设计 382
    3.5.1 神经网络控制器的在线训练原理 383
    3.5.2 在线训练示例 383
    3.5.3 在线训练设计方法小结 385
    3.6 展望 386
    参考文献 386
    第4章 基于人工智能的新能源最大功率跟踪控制技术 387
    4.1 基于人工智能的风力发电最大功率跟踪控制技术 387
    4.1.1 风力发电系统的组成 387
    4.1.2 风力发电的最大功率跟踪问题 388
    4.1.3 PSO算法及其在风电MPPT中的应用 389
    4.1.4 中低风速下风电MPPT的动态匹配法 390
    4.2 基于人工智能的光伏及温差发电最大功率跟踪控制技术 392
    4.2.1 光伏及温差发电系统模型 392
    4.2.2 基于动态代理模型的最大功率跟踪算法原理 396
    4.2.3 基于动态代理模型的MPPT设计 397
    4.2.4 算例仿真分析 399
    4.3 本章小结 402
    参考文献 403
    第5章 基于深度强化学习的风电场控制器参数调节 404
    5.1 应用背景 404
    5.2 静止同步补偿器及其附加阻尼控制器 405
    5.3 阻尼控制器的鲁棒设计 407
    5.4 系统等效传递函数辨识 408
    5.5 深度确定性策略梯度算法 409
    5.5.1 马尔可夫动态建模 409
    5.5.2 深度策略梯度算法 409
    5.6 算例分析 411
    5.6.1 测试系统 411
    5.6.2 智能体离线训练过程 412
    5.6.3 智能体在线运用 413
    5.6.4 性能评估 414
    5.7 本章小结 416
    参考文献 416
    第6章 基于群智能强化学习的电网有功无功优化调度 418
    6.1 群智能强化学习原理 418
    6.1.1 联系记忆降维 418
    6.1.2 多主体协同学习 419
    6.1.3 动作选择 420
    6.1.4 奖励函数 420
    6.2 电网无功优化应用 421
    6.2.1 电网无功优化模型 421
    6.2.2 算法求解设计 422
    6.2.3 算例仿真分析 423
    6.3 微电网有功调度应用 429
    6.3.1 微电网有功调度模型 429
    6.3.2 算法求解设计 431
    6.3.3 算例仿真分析 433
    6.4 本章小结 436
    参考文献 437
    第7章 基于蒙特卡罗树搜索的配电网检修决策 439
    7.1 问题概述 439
    7.1.1 配电网检修决策问题的研究现状 439
    7.1.2 配电网检修决策的新挑战 440
    7.2 考虑不确定性的配网检修优化决策模型 441
    7.3 蒙特卡罗树搜索方法 444
    7.4 蒙特卡罗树搜索方法的改进 445
    7.4.1 考虑运行不确定性的蒙特卡罗树搜索方法 445
    7.4.2 知识启发的随机蒙特卡罗树搜索方法 447
    7.5 算例分析 448
    7.6 本章小结 451
    参考文献 451
    第8章 基于ADP的微电网在线调度策略 453
    8.1 自适应动态规划的基本思想 453
    8.2 微电网在线调度数学模型 454
    8.3 基于自适应动态规划的微电网在线调度算法 457
    8.4 仿真分析 461
    8.5 本章小结 467
    参考文献 467
    第9章 基于深度强化学习的多目标潮流优化控制与实践 468
    9.1 深度强化学习原理及核心算法 468
    9.1.1 DRL概述 468
    9.1.2 DQN算法及其适用范围 470
    9.1.3 DDPG算法及其适用范围 470
    9.1.4 DQN与DDPG算法的比较及应用方法 470
    9.2 基于DRL的自主电压控制策略 472
    9.2.1 控制目标和样本的定义 472
    9.2.2 奖励机制定义 473
    9.2.3 系统状态定义 473
    9.2.4 控制动作集定义 474
    9.2.5 基于DRL的自主电压控制实现流程 474
    9.3 基于DRL的自主线路潮流控制实现流程 475
    9.4 算例分析及讨论 475
    9.4.1 算例验证:基于DRL的自主电压控制 476
    9.4.2 基于DRL的线路潮流控制 479
    9.5 基于深度强化学习的多目标潮流优化控制实践 480
    9.5.1 总体流程设计 480
    9.5.2 最大熵强化学习算法 481
    9.5.3 实际系统测试结果 484
    9.6 本章小结 487
    参考文献 488
    第10章 基于多智能体深度强化学习的配电网光伏逆变器协同控制 490
    10.1 应用背景 490
    10.2 本章所提方法描述 491
    10.2.1 马尔可夫博弈过程 491
    10.2.2 带有注意力机制的MADDPG 492
    10.3 算例分析 493
    10.3.1 训练过程 494
    10.3.2 性能评估 495
    10.4 本章小结 496
    参考文献 496
    第11章 基于深度强化学习的混合能源系统优化 498
    11.1 应用背景 498
    11.2 混合能源系统结构与单体组件建模 500
    11.2.1 热泵和热电联产输出 501
    11.2.2 分布式供热系统 501
    11.3 深度强化学习算法 504
    11.3.1 将动态能量分配问题阐述为马尔可夫决策过程 504
    11.3.2 采用PPO算法求解风电分配问题 504
    11.4 实验仿真 506
    11.4.1 训练过程 506
    11.4.2 三天数据仿真 507
    11.4.3 算法对比 508
    11.5 本章小结 509
    参考文献 510
    第12章 基于深度强化学习的风电厂商竞价策略研究 511
    12.1 应用背景 511
    12.2 问题建模 512
    12.3 马尔可夫建模 513
    12.4 采用的方法 514
    12.5 算例分析 516
    12.5.1 算例背景 516
    12.5.2 参数设置 516
    12.5.3 测试集结果分析 517
    12.6 本章小结 520
    参考文献 520
    第五部分 展望篇
    第1章 人工智能在电气工程中应用的展望 523
    1.1 人工智能发展的简要回顾 523
    1.1.1 人工智能概念的演进 523
    1.1.2 人工智能的发展进程回顾 523
    1.2 人工智能在电气工程中应用的前景 526
    1.2.1 人工智能发展的趋势 526
    1.2.2 人工智能发展的主要推动力 527
    1.2.3 电气工程中的人工智能应用需求 529
    1.3 世界各国鼓励人工智能发展的规划与措施 529
    1.3.1 我国发展人工智能的战略目标与规划 529
    1.3.2 外国推动人工智能发展的规划和举措 530
    参考文献 532
帮助中心
公司简介
联系我们
常见问题
新手上路
发票制度
积分说明
购物指南
配送方式
配送时间及费用
配送查询说明
配送范围
快递查询
售后服务
退换货说明
退换货流程
投诉或建议
版权声明
经营资质
营业执照
出版社经营许可证