基于概率盒的电网故障诊断方法研究

针对电网故障信息存在丢失、误动、拒动等不确定性问题,文章采用概率盒理论和支持向量机相结合的方法对电网故障进行诊断,充分利用概率盒在处理不确定问题上的优势;首先利用概率盒对故障录波、电气量等数据建模,然后利用融合规则将得到的多个概率盒进行融合,并提取特征向量;最后,利用支持向量机进行分类,并得出诊断结果;为了验证方法的有效性,采用仿真线路进行概率盒的故障诊断,实验验证该方法合理可行,且有较高的诊断率。

一种电网规划方案决策的灵敏度分析算法

方案决策中的不确定因素越来越多,对决策结果在不确定环境下的灵敏度分析显得尤为重要。传统灵敏度分析方法常常忽略不确定性或只是简单平均将导致规划方案决策的偏差甚至错误。针对上述问题,提出一种基于概率盒理论的削减分析算法,首先对不确定性变量进行概率盒建模,其次将各指标概率盒输入决策方程计算并得到决策基数,然后依据决策基数对方案中各指标逐一消减,并计算得到其灵敏度。最后将该方法应用于电网规划方案决策中,实验结果表明该方法具有较强的实用性。

基于深度强化学习的自动驾驶车控制算法研究

为了提高基于强化学习的自动驾驶车控制算法的学习效率,提出了一种结合专家经验的自动驾驶策略学习算法(deep deterministic policy gridient with expert,DDPGwE)。DDPGwE采用基于DDPG的强化学习框架进行模型在线训练,使用真实的人类驾驶数据对actor网络进行预训练,同时在actor网络中加入LSTM预测机制,提升自动驾驶车对将要发生状况的预判。在仿真平台TORCS中的实验结果表明,所提算法相较于原始DDPG算法,训练时间大大缩短,收敛速度加快,提高了模型的稳定性和泛化能力。

一种维持约束网络相容性的双向传播策略

约束满足问题是经典NP-hard问题,其基本算法是递归形式的回溯算法和弧一致性算法.将弧相容与回溯搜索结合,可以有效降低解空间大小.针对弧相容的维持问题,提出一种新的基于时序计数的传播方案,用于增量更新约束子网.将accumulateRevision和pushRevison作为双向修订的主要方法,以减少修订次数和域过滤变量的数量.实验结果表明,与经典的基于关系的方案和基于变量的传播方案相比,该方案的整体求解速度明显提高,且具有较少的修订时间.