无线网络中传统的JPEG2000图像压缩传输算法存在很多缺点,例如网络中的资源能耗大,压缩图像采集节点的压力和能耗大,传输时间长,基于JPEG2000的图像压缩算法。提出了奇异值分解。 通过分析奇异值分解和网络能耗模型,将基于奇异值分解的块自适应压缩算法用于图像压缩处理。 同时,将网络数据处理和远距离数据传输的任务分配给不同的角色节点,以完成平衡网络能耗的分配。 最后,进行了详细的实验仿真,实验结果表明,与传统的压缩算法(JPEG2000图像压缩)相比,基于奇异值分解的图像压缩算法大大减轻了网络摄像机关键节点的能耗,提高了网络速度。无线多媒体传感器网络中多媒体数据的传输和质量。
2021-12-19 12:36:05 519KB network energy consumption; camera
1
matlab程序复现自《基于遗传算法的风电混合储能容量优化配置_杨国华》 摘要:为了降低独立风力发电系统中储能装置的生命周期费用,建立以风力发电系统中储能装置的生命周期费用最小值为优化的目标函数、负荷缺电率等指标为约束条件的模型,结合蓄电池和超级电容器储能特性,利用风电和负荷48 h的发用电数据,研究包含蓄电池和超级电容器的储能系统能量管理策略。提出了一种基于改进粒子群算法的储能容量生命周期费用优化配置方法,算例分析证明该算法具有有效性和实用性,优化后的系统很大程度上节省了经济成本。关键词:风力发电系统;混合储能;储能容量优化配置;遗传算法
2021-12-18 14:02:19 1.58MB 微电网配置
该数据集是可在以下网站上获取的文件的预处理版本:(全球PowerPlant数据库),其中包含多个电厂,其来源国和年度总发电量2013年至2017年的GW Global_PowerPlant_Database.csv
2021-12-16 17:29:14 297KB 数据集
1
目的是找到一种在Arduino Uno上实现RS485的简单方法,然后使其适应ESP8266。
2021-12-14 08:48:48 664KB data collection energy efficiency
1
基于weber能量法求解齿轮时变啮合刚度的程序,能够跑出刚度图,通过求解轮齿部分变形、基体变形及局部接触变形这三部分的变形,进而求得综合弹性变形,最终求出时变啮合刚度
matlab求导代码估算瞬时能量 收集M文件(计算机代码)以实施瞬时能量测量,包括中的“非线性能量算子”,如中所述。 需要Matlab或Octave编程环境。 更新(2019年9月):该代码的Python版本位于 内容 概述 实现估算频率加权瞬时能量的方法。 实现Teager–Kaiser运算符,通常称为非线性能量运算符,并在参考文献中提出了类似的频率加权运算符。 对于离散信号x(n),简单定义了Teager-Kaiser运算符,如下所示: Ψ[x(n)] = x²(n) - x(n+1)x(n-1) 拟议的能源措施定义为 Γ[x(n)] = y²(n) + H[y(n)]² 其中y(n)是x(n)的导数,使用中心有限差分方程y(n)= [x(n + 1)-x(n-1)] / 2估算,而H [·]是x(n)的离散希尔伯特变换。 参考包含更多详细信息。 快速开始 下面的示例为测试信号(两个正弦信号的和)生成Teager-Kaiser运算符和建议的包络-微分运算符,将以下代码剪切并粘贴到Matlab(或Octave)中: % generate two sinusoidal signals:
2021-11-30 22:13:04 2MB 系统开源
1
联想笔记本电源管理软件(Lenovo Energy Management) 15.0.0.498(最新版),完美解决联想邵阳 K46 E46 系列笔记本电脑无法打开无线网卡(WIFI)的问题。软件安装以后,按下Fn+F5键即可开启或关闭邵阳 K46 E46无线网卡。
2021-11-29 16:43:45 9.31MB K46 E46
1
使用长期短期记忆(LSTM)进行风能预测 有关完整的详细信息,请阅读CSE 523项目报告.pdf。 介绍 由于风速/功率具有可再生性和环境友好性,因此在地球上受到越来越多的关注。 随着全球风电装机容量的Swift增加,风电行业正在发展为大型企业。 可靠的短期风速预测在风能转换系统中起着至关重要的作用,例如风轮机的动态控制和电力系统调度。 精确的预测需要克服由于天气条件波动而导致的可变能源生产问题。 风产生的功率高度依赖于风速。 尽管它是高度非线性的,但风速在特定时间段内遵循特定模式。 我们利用这种时间序列模式来获得有用的信息,并将其用于功率预测。 LSTM用于对数据执行不同的实验并得出结论。 结论 我们的目标是改善对使用风能发电的功率的预测,并且已经实现了将LSTM用作机器学习模型并对其进行模型优化。 我们还观察到,如果风速小于4 m / s,则系统生成的功率为零。 LSTM无法学习这
2021-11-24 21:40:43 6.85MB deep-learning prediction lstm lstm-neural-networks
1
问题表格法求解步骤: (2)依次对每个子网络进行热量衡算。 Dk=(∑CPk,c-∑CPk,h)(Tk-Tk+1) Ok=Ik-Dk Ik+1=Ok Dk——第k个子网络的赤字,表示该网络为满足热平衡时所需外加的净热量; Ik——由外界或其他子网络放出的热量; Ok——第k个子网络向外或其他子网络放出的热量; ∑CPk,c——子网络k中包含的所有冷物流的热容流率之和; ∑CPk,h——子网络k中包含的所有热物流的热容流率之和; k——子网络数目; Tk-Tk+1——子网络k的温度间隔,用该间隔的热物流或冷物流温度之差均可。 光盘5-Aspen Energy Analyzer
2021-11-19 15:51:36 1.95MB 软件
1
Fuzzy Multi-objective Optimized with Efficient Energy and Time-varying Price for EV Charging System
2021-11-19 12:26:33 353KB 研究论文
1