基于机器学习的自适应双模协同无线充电调度策略

为了打破无线传感器网络的能量瓶颈,考虑无线充电效率对充电距离的敏感性,提出一种基于机器学习的自适应双模式设备协同调度的无线充电方案。首先,基于剩余能量、能耗以及充电效率来定义节点状态,提出一种计及节点状态的自适应阈值选择充电算法。然后设计改进式遗传算法,以最大化能量效用为目标为各节点选择合适的充电模式。此外,为进一步降低充电算法时间复杂度,利用基于支持向量机的机器学习方法学习上述充电模式切换机制,构建节点状态智能预测模型。仿真结果表明,所提算法可在保证较低充电时延的基础上,有效提升多无线充电设备的能量效用,增强传感网络的可持续性。

基于动态引力场的高能效无线充电调度策略

针对能量传输效率对充电距离的敏感性导致节点充电效率低的问题,构建一种基于动态引力场的高能效无线充电调度策略。首先,考虑传感节点自身的能量状态,预测充电设备到达时的节点剩余能量,为评估出现死亡的节点建立价值节点集合;其次通过引入动态引力场理论,提出了一种基于动态引力场融合的多节点充电算法,考虑价值节点的剩余能量、消耗功率以及距基站的距离来定义节点的引力范围,根据引力场融合原则来选择更优的充电位置。最后对文中充电算法进行了仿真,并与多节点充电算法(multi-node rechargeable algorithm,MRA)和网格节点聚类(grid node clustering,GNC)算法进行了对比,验证了该充电算法能有效提高传感网络的能量效用,在保证合理充电时延的同时避免节点能量的过度损耗,显著增强网络的可持续性。

基于鱼群效应的智能网联车队形成与演化机理研究

随着智能网联车的快速发展,智能网联车与人工驾驶车辆混行下的交通特性分析和协同控制研究已成为热点。本文构建多车道混合交通流元胞自动机仿真模型,对智能网联车队的形成及状态演化过程进行仿真刻画。首先,基于智能网联车的网联化特征,引入鱼群效应来描述4种智能网联车队的形成过程;其次,从车队角度,利用马尔可夫性计算车队规模转移概率,阐述车队状态演化过程;再次,引入Gipps安全距离原则对NaSch模型进行改进,并对智能网联车和智能网联车队进行速度引导;最后,基于实测的车辆到达率,对建立的基于鱼群效应的混合车流元胞自动机模型进行仿真实验。结果表明:智能网联车队可以有效改善混合交通流的运行状态,缓解交通拥堵;在渗透率60%的条件下,智能网联车队规模为3时,与不存在车队相比,拥堵率可减少43.9%,交通流速度约提升43%,并且随着车队规模的增大,交通流平均速度趋于平稳。

胃饥饿素通过miR-455-5p靶向IGF-1R调控肝细胞胰岛素敏感性的作用及机制研究

目的:探究胃饥饿素通过调控miR-455-5p影响肝细胞胰岛素敏感性的作用机制。方法:采用高糖构建HepG2细胞胰岛素抵抗模型,造模成功后使用去酰基化胃饥饿素(DAG,1μmol/L)干预,分别转染miR-455-5p模拟物(miR-455-5p mimic)或对照物(NC mimic)。检测各组细胞葡萄糖消耗量和细胞内糖原含量。采用荧光原位杂交分析HepG2细胞内miR-455-5p表达水平。应用生物信息学分析、荧光素酶报告基因实验来鉴定与miR-455-5p结合的靶基因,Western Blot检测IGF-1R/PI3K/Akt信号通路的表达水平。结果:在胰岛素抵抗HepG2细胞中,miR-455-5p的表达水平显著上调,葡萄糖消耗量和细胞内糖原含量均明显降低。DAG干预后细胞葡萄糖消耗量和细胞内糖原含量增加,miR-455-5p的表达水平下调,IGF-1R/PI3K/Akt信号通路被激活。生物信息学分析表明IGF-1R是miR-455-5p的靶基因。双荧光素酶报告基因检测、miR-455-5p模拟物和抑制剂转染证实DAG通过抑制miR-455-5p从而激活IGF-1R/PI3K/Akt信号通路。结论:DAG通过miR-455-5p介导的IGF-1R/PI3K/Akt信号通路激活并改善胰岛素抵抗,表明抑制miR-455-5p或外源性补充DAG可能是T2DM治疗的潜在靶点。

基于有限差分原理的预应力锚索抗滑桩改进计算方法

针对现有预应力锚索抗滑桩计算模型及其相应计算理论存在的问题,基于有限差分法的原理,提出了改进的锚索桩计算模型并进行了详细的理论推导。根据实际的施工和受力过程,该模型包括预应力施加和滑坡推力作用两个阶段,通过滑坡推力分布形式的改进和桩锚协调变形方程的修正来真实反映预应力锚索抗滑桩的主动式受力特点。同时利用Matlab编制成相应的计算程序进行算例验证,并同目前普遍采用的计算理论进行对比分析。结果表明,该改进计算方法及其相应的计算程序充分考虑了预应力施加这一锚索桩特有的过程所带来的影响,且在计算中不必将锚索拉力等效为在桩顶处施加的剪力和弯矩。另外还可对桩前滑面以上存在任意厚度滑体和任意复杂地基条件的情况进行合理地设计计算,相对于目前已有的计算理论,该改进方法更加合理、可靠。

基于FLAC^3D的锚索抗滑桩滑坡推力分布规律研究

采用FLAC3D建立了预应力锚索桩板墙结构的三维数值模型,结合有限元强度折减法分析了不同预应力作用下锚索桩滑坡推力的分布规律,并通过改变桩后岩土体的弹性模量及性质、锚索的设置位置以及边坡强度安全储备系数等参数,对锚索桩滑坡推力的分布规律进行了系统的研究。结果表明,在地质条件不变的情况下,随着锚索预应力的增大,桩后滑坡推力的分布图形逐渐由梯形向矩形变化;预应力对桩后滑坡推力分布的影响,取决于其与桩背总桩土相互作用力的相对大小,而不是其绝对大小。说明预应力的大小是影响桩后推力分布形式的一个非常重要的因素,照搬普通抗滑桩固定不变的推力分布形式对锚索桩进行设计,显然是不合理的。

Hadoop架构下基于模式匹配的短期电力负荷预测方法

大数据处理技术充分利用海量动态数据,能有效提升电力负荷预测精度及计算效率。采用Hadoop架构提出了一种基于模式匹配的短期电力负荷预测方法,通过度量日负荷序列相似性挖掘得出典型日负荷模式,辨识出关键影响因素构建基于并行随机森林的决策树群从而建立模式匹配规则,实现待测日负荷模式的快速准确匹配;在典型负荷模式下建立多时刻点预测模型,采用Map Reduce计算框架进行负荷计算与预测分析,从而建立大量样本下的负荷预测模型。以某地市电网全年负荷数据为例进行负荷预测分析,并通过平均误差和方均根误差等指标对比局部加权线性回归(LWLR)算法的预测效果。仿真结果表明该方法用于短期负荷预测时具有更高的预测准确性和计算效率。

面向多源异构数据源的实际范围索引树索引方法

在发电、输配电、新能源接入及新型能源消费等各个环节产生的大数据需要高效、可靠的数据存储和管理。文中以能源互联网作为虚拟应用场景,提出了集群式多源异构数据存储方案。为满足集群存储中高效查询需求,构建了实际范围索引树(AR-tree)分层索引模型,并提出了面向多源异构数据源的AR-tree索引方法,该方法针对在双层索引模型的基础上,以局部数据索引的实际索引范围为对象,建立全局索引。同时,对所提AR-tree索引方法操作开销进行了综合分析。最后,仿真结果表明AR-tree索引方法能提高查询命中率并提升查询等操作效率。

一种分布式电源并网监控通信适应性评价方法

分布式电源(DER)与配电网之间以及DER之间的通信不畅,会导致DER并网后对电网的电能质量、继电保护、孤岛问题产生不利影响,进一步影响整个电网的经济性和安全性。文中综合考虑技术性、经济性、适应性、扩展性和对DER的支撑性,设计了一种DER并网监控的解决方案,并提出了含DER的配电网通信方式适应性评价指标体系。根据DER并网监控通信需求,提出一种模糊一致的层次分析评价方法,并选择多种通信方式进行适应性评价。该评价方法结合了主客观需求,为含DER并网的配电网通信平台建设提供了可行性依据。

基于节点影响力的电力通信网拓扑结构诊断

结合电力通信网络的结构特征,建立了面向电力通信网络的复杂网络模型,从节点邻居拓扑特征和网络聚合特征出发定义了节点影响力。采用网络属性值信息熵计算网络拓扑特征及其对节点影响力的整体贡献度,从连通性和网络效率的角度分析节点故障后对网络拓扑抗毁性和鲁棒性的影响。分别针对BA网络、WS网络、地市骨干电力通信网络和省级骨干电力通信网络的节点影响力进行了仿真分析。结果显示在网络效率和连通度方面,与采用其他复杂网络指标的方法相比,所提出的方法能够更好地反映关键节点的传播影响力。

电力ASON中基于SRLG完全分离P圈的链路故障保护算法

结合电力光纤网络对网络生存性和可靠性的需求,在共享风险链路组的约束下,为电力ASON网络动态业务提出了一种基于P圈的链路故障保护算法。该算法采用整数线性规划模型,为给定的网络拓扑离线配置SRLG完全分离P圈集,以保证100%单链路故障保护的同时实现单SRLG故障保护。在动态业务环境下,该算法给出路由策略为业务动态计算工作路径和分配保护容量。仿真结果表明,所提算法具有部分双链路故障保护能力,所需的保护容量介于单链路故障保护和完全双链路故障保护之间,可为电力ASON网络中的单链路故障和完全双链路故障提供有效的混合保护。

基于IEC 61850的DER并网监控信息模型研究

DER(Distributed Energy Resources)并网需要解决的问题之一是DER与整个配电网系统的信息采集和交互。以IEC61850标准为基础,研究DER并网监控的信息内容,设计了一种基于IEC 61850的综合并网监控信息模型。该模型采用面向对象的抽象方法,将DER并网监控系统各设备抽象为逻辑功能节点,分析DER接入10 kV配网的监控信息流,定义了各信息所属的数据对象,建立逻辑设备节点信息模型。最后以PV(Photovoltaic System)并网为例,选取发电子系统和并网点的典型逻辑节点,建立了不同并网状态下的综合信息模型。

电力光纤网中基于三角模融合的节点重要性评价方法

为确定电力光纤网中关键节点位置并建立重点保护,提出了一种基于三角模融合的网络节点重要性评价方法,该方法将电力光纤网抽象成加权网络模型,综合考虑网络的传输特性和网架特性对网络节点重要性的影响。采用模糊数学理论中的三角模算子对两个特性的重要性隶属度进行融合,强化二者度量指标中的同类信息,协调二者度量指标中的矛盾信息,克服了单一指标度量节点重要性的局限性。仿真结果表明,利用三角模融合能更细致地描述加权网络中各节点重要性差异。

新型ICT网络中的一种动态路由波长分配算法

根据新一代电力ICT网络模型的要求,对智能光网络技术的动态路由和波长分配策略及其对ICT网络性能的影响进行了研究,提出了基于分层图模型的动态路由选择和波长分配优化算法。在不设定备用路由的情况下,以网络链路上的可用光通道数作为链路代价,综合考虑路由跳数,把连接请求建立在优化可用信道数和跳数选择的光通道上,从而使网络负载平衡的同时,尽可能减少网络资源的占用。仿真结果表明,所提算法能有效地降低网络阻塞率,性能优于分别求解两个子问题的传统路由和波长分配算法。

基于多因素融合的电网高风险设备评估方法

最大可能地降低设备风险是防止电力系统发生事故的有效途径。从分析设备风险的影响因素的角度出发,综合设备重要度和设备隐患对设备风险的影响,定义了设备风险影响度,并提出了设备重要度指标和设备隐患指标,建立了设备风险影响度计算指标体系。在该体系的基础上,利用设备相对重要度矩阵和设备相对隐患矩阵构建设备风险影响度计算模型以获取设备的风险影响度,以辨识出对电网可靠、稳定和安全运行具有巨大影响的高风险设备,从而有针对性地对高风险设备进行重点关注,对降低电力系统的总体风险水平具有重要意义。最后,将该方法应用于山西晋城220 k V东沟变电站中主要设备的风险影响度计算。仿真结果验证了所提方法的有效性和可行性,为进一步挖掘高风险设备提供了数据支撑。

新一代电力ICT网络中基于DiR保护环的生存性路由算法

电力通信网中对业务的可靠性保护占用过多的网络资源,通过研究智能电网业务的可靠性要求对网络资源利用率的影响,提出了一种基于区分可靠性保护环的生存性路由算法。在网络单链路失效条件下,以链路代价和链路失效概率为约束条件,通过寻找最小通路代价的保护环,使连接请求建立在满足失效概率要求和最小化通路代价的光通道上。仿真结果表明,所提算法提高了网络资源的利用效率,满足智能电网的可靠性需求,减少了网络资源的占用,性能优于传统方法。

基于机器学习的指标协同自适应推荐算法

为解决电力通信指标规划复杂且难以精确预测用户所需内容等问题,通过度量用户的选择频次、重要专家评分以及指标系统的使用时长,将语义内容融入到协同过滤中,并采用机器学习进行指标衍生,实现基于机器学习指标衍生的自适应关键内容推荐。仿真表明,采用机器学习的自适应推荐算法能够有效预测用户所需内容,算法推荐准确性可以达到90%以上。

基于高风险模式树挖掘方法的电力系统风险设备集分析

迅速积累的调度控制系统大数据为电网设备风险分析提供了充足的条件,在分析调度控制系统大数据特性的基础上,给出了具有普遍适用性的调度控制系统大数据分析的总体架构,并针对在电网风险管控中的应用,提出一种基于高风险模式树(HRT)的高风险设备集挖掘方法。通过分析电力系统中设备的风险诱发因素,定义了设备风险影响度,用于量化设备发生告警或故障后对电网运行的影响程度,并提出设备风险影响度计算指标体系,通过融合设备故障发生频次,计算设备风险值。以设备风险值为目标进行高风险设备集挖掘,通过构建HRT,保留原始事务数据库中各设备风险值及设备风险先验知识信息,根据HRT的路径信息输出满足一定风险阈值的高风险设备集。以调度控制系统的海量历史告警数据为基础进行了仿真,结果表明,HRT可以在告警数据中迅速挖掘出满足条件的高风险设备集,并且能够反映出高风险设备组合之间存在的潜在关联性。

支持多通道传输的光子网格资源并行调度策略

为满足分布式业务对资源使用灵活性和网络高带宽性的要求,实现高性能光网络,对光子网格体系结构进行了研究,并提出支持多通道传输的光子网格资源并行调度策略.利用可分负载均衡策略分割数据或执行大文件分片,结合多波长并行预留机制,在应用驱动下按需分配光路资源.构建光子网格实验平台,以电力分布式潮流数据传输应用为例验证所提策略的有效性.实验结果表明,在应用驱动下并行调度策略能提供灵活的光网络资源分配,有效提高分布式业务的传输性能及光网络资源利用效率.

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。