基于内部罚函数的进化算法求解约束优化问题

为解决现有约束处理方法可行解的适应度函数不包含约束条件的问题,提出了一种内部罚函数候选解筛选规则.该候选解筛选规则分别对可行解和不可行解采用内部罚函数和约束违反度进行筛选,从而达到平衡最小化目标函数和满足约束条件的目的.以进化策略算法为基础,给出了基于内部罚函数候选解筛选规则的进化算法的一个实现.进一步地,从理论和实验角度分别验证了内部罚函数候选解筛选规则的有效性:以(1+1)进化算法为例,从进化成功率方面验证了内部罚函数候选解筛选规则的理论有效性;通过13个测试问题的数值实验,从进化成功率、候选解后代是可行解的比例、进化步长和收敛速度方面验证了内部罚函数候选解筛选规则的实验有效性.

基于活跃约束条件辅助目标的进化算法求解油品调合问题

根据油品调合问题的特点,提出了一种基于活跃约束条件辅助目标的求解约束优化问题的新方法。该方法根据进化算法种群中的可行解和不可行解共同辨识约束优化问题的活跃约束条件。然后,通过增加活跃约束条件辅助目标的方法将单目标约束优化问题转换为多目标约束优化问题进行求解。通过该方法,相应的进化算法可以利用油品调合问题的活跃约束条件信息,从而达到提高进化算法求解油品调合问题的搜索效率和避免局部最优解的目的。最后,通过仿真研究证实了该方法的有效性。

新时代高职课程思政建设存在的问题与对策

课程思政作为一种全新的理念如雨后春笋般在高职院校生根发芽结果。在具体实施过程中,在课程管理层面、教师层面和学生层面都提出了一些亟需解决和注意的问题,这些问题的解决还应从课程思政建设的一般内涵和特殊内涵入手,摆明问题,理清思路,寻找出路,提出应对对策。当然,课程思政作为一种新理念,高职院校在贯彻落实中,观念的转变既需要一个过程,也有必要找准切入点,明确自身的责任将会对课程思政建设起到一定的帮助。

应用文修改刍议

应用文的修改是应用文写作过程中极其重要的环节,它贯穿于应用文写作活动的全过程,对提高应用文的质量起着重要作用。通过修改,不仅能使应用文传达意图不断清晰、明确,表达形式不断周密、完善,还能使作者对所反映的客观事物的认识不断深入。

高职院校顶岗实习学生党员教育管理的研究

顶岗实习是高职院校人才培养的必修课程,是高职学生完成学校规定的基础课和部分专业课后进行的综合实践性教学环节。加强高职院校顶岗实习学生的党员教育管理工作十分必要,高职院校应针对存在的主要问题,积极创新顶岗实习学生党员教育管理的工作模式,有利于对顶岗实习学生党员的继续教育和用人单位的接续教育。

高职院校思政课实践教学新途径探索

思想政治理论课实践教学(以下简称思政课实践教学)在高职院校人才培养和学校建设中发挥着不可或缺的作用。它是高职院校推进德育工作、对学生进行道德教育的主要依据之一。高职院校思政课实践教学的改革创新是一项需要多方协调的系统工作,笔者认为这是一项系统的实践教学活动,起始于特色实践教学,充实于专题实践教学,完善于综合实践教学,完整于思政课实践教学的协同促进机制。

高职院校思政课网络教学资源开发研究

对高职院校而言,思政课作为马克思主义理论教育的主阵地,要顺应信息化的时代潮流,积极推进思政课网络教学。如何把思政课与信息技术相融合,引起学生的兴趣,我们需要从高职学生的身心特点、思政课网络教学的内容与模式、网络教学资源建设的路径、以及网络教学资源建设的必要性等方面进行研究。

高校党组织履行全面从严治党主体责任考核评价体系探析

高校党组织全面从严治党主体责任落实的关键是完善考核机制,运用好考核结果。这就需要科学地界定主体责任的内涵,查找在实施考核中所存在的主要问题,便于对症下药,从"考什么、怎么考、谁来考、怎么用"四个方面,进一步探析高校党组织落实全面从严治党主体责任考核评价工作路径。

高职院校特色校园文化建设的实践研究——以辽宁机电职业技术学院为例

高职院校的校园文化建设已经成为现阶段院校竞争力的重要组成部分,构建具有特色的校园文化是提升学院品牌形象的最长期有效的方法。辽宁机电职业技术学院凭借独特的办学优势、正确而坚定的办学方向,逐步强化学院制度文化、精神文化、环境文化和网络文化建设,进而形成符合"校企合作、工学结合"的特色校园文化。

浅谈传统孝道的社会价值及现实意义

中国传统文化尤其重视孝道,将其看作"百行之先"。孝道是中国传统道德规范中十分重要的伦理规范,在所有的传统道德和理论规范中具有特殊的地位和作用。分析孝道含义中的积极因素有助于理解孝道的社会价值及现实意义。

建立健全高职院校党建“两访”机制的实践研究——以辽宁机电职业技术学院为例

在高等职业院校开展全体中层以上党员领导干部访谈所有教职工,全体教职工党员访谈所有学生的"两访"活动,对于加强领导干部、党员教职工的培养与锻炼,密切干部与群众的关系、教师与学生的关系,构建和谐校园,持续提升高等职业教育教学质量,推进高等职业院校的科学协调发展具有重大意义。

辽宁省高职院校社会服务能力提升的探索与实践

高职院校的社会服务内容的确定,是基于社会和高职院校的双向需求,调动双方积极性,实现互利共赢。高职院校建设社会服务平台主要内容包括:中小企业服务中心模式、职业技能培训与开发模式、国内外交流与合作模式和校企合作联合研发模式。

基于深度强化学习的微电网储能调度策略研究

针对含光伏发电的微电网系统储能调度问题,文章提出了一种基于深度强化学习的微电网储能系统调度策略。为了分析不同场景组合模型对微电网储能调度策略的影响,以住宅用户微电网系统为例,构建了微电网调度问题环境模型。选取两种电价方式和3种场景进行理论分析,利用深度卷积神经网络(DCNN)提取微电网调度时间序列信息特征,以Q值强化学习机制实现微电网储能调度策略。研究结果表明,对于不同电价方式的场景,强化学习算法都能充分发挥模型的自主性,主动学习环境信息,获得最优调度策略。其中,实时电价方式下"光伏预测量+时间序列信息"的场景组合使微电网获得最大运行收益。与无干扰场景相比,在加入20%光伏发电量的随机干扰场景下,文章所建立的基于强化学习的场景组合模型使微电网获得的运行收益的偏差仅为2.5%。

基于地基云图云量特征的光伏发电功率区间预测

云团移动使得太阳辐照度产生较强波动,进而导致光伏发电功率呈现随机性和波动性,对电力系统的安全稳定运行产生严重影响。针对上述问题提出一种基于地基云图云特征的B-Informer组合区间预测方法。首先,利用图像处理技术获取影响太阳辐照度变化的云图云特征,包括含有修正系数的云量百分比、光流云图RGB值。然后,将云特征与历史气象数据组合构成模型输入序列特征,构建基于稀疏性注意力机制的Informer光伏预测模型。进一步,通过自助法(Bootstrap)增加样本多样性产生预测区间,同时提升了模型对长时间序列的预测精度。最后,以美国科罗拉多州某电站历史运行数据和云图为例,通过与上下限估计法(LUBE)等现有方法在给定置信水平下的预测结果进行对比,所提方法的平均预测区间宽度最高缩小27%,验证了本文方法的有效性。

基于深度强化学习的Boost变换器控制策略

针对Boost变换器母线电压稳定控制存在模型不确定性和非线性的问题,提出了一种基于无模型深度强化学习的智能控制策略。结合强化学习DDQN(double DQN)算法与DDPG算法设计了Boost变换器控制器,包括了状态、动作空间、奖励函数以及神经网络的设计以提高控制器动态性能;基于ModelicaGym库开发工具包reinforment learning modelica(RLM)实现了Boost变换器模型与强化学习智能体的联合仿真。通过与双环PI控制器的对比仿真表明:强化学习控制器在三种工况下的母线电压稳定控制结果具有更好的动态性能。

基于时空信息的区域内光伏电站功率预测

准确的光伏电站输出功率预测对于电力系统的稳定安全运行具有重要的意义。为充分挖掘区域内多个电站间的时空信息特征,提高区域内电站功率的预测精度,提出了一种基于图卷积和长短期记忆网络(graph convolutional network-long short-term memory,GCN-LSTM)的光伏电站功率预测方法。该方法首先采用K均值聚类算法(K-means clustering algorithm,K-means)将区域内电站的总功率划分3种不同的天气类型;然后,为预测区域内总功率,构建了一个假想电站,并利用图卷积网络(graph convolutional network,GCN)提取电站间的动态空间相关信息特征;最后,将GCN挖掘的信息构成时间序列作为长短期记忆网络(long short-term memory network,LSTM)的输入,提取电站的时间信息特征,从而对区域内的光伏功率进行预测。结果表明,该方法可充分挖掘电站间的时空相关信息,可较为准确地对光伏电站输出功率进行预测,能够为保障电力系统的稳定安全运行提供一定参考价值。

线性自抗扰控制在火电机组主蒸汽温度控制中的应用仿真

针对大容量火电机组的直流锅炉主蒸汽温度控制难度较大问题,研究了线性自抗扰控制技术(LADRC)对经典串级PID技术在温度控制特性上的提高。首先介绍了大容量火电机组的直流锅炉温度控制特性及其机理模型,然后介绍了线性自抗扰控制技术的控制思想与原理,最后利用simulink工具进行模型搭建,对主蒸汽温度控制进行仿真实验。仿真结果表明,相对经典串级PID技术而言,线性自抗扰控制技术具有更强的鲁棒性和抗干扰性能。

基于优化Kriging代理模型的场景分析法求解机组组合问题

由于风电具有很强的波动性和不确定性,为机组组合(Unit Commitment,UC)问题带来许多问题和挑战。因此,提出了一种基于优化Kriging代理模型的场景分析法来处理风电的不确定性。首先通过"预测箱"方法生成大量场景,然后由序列优化的Kriging代理模型估计各场景所对应的经济成本。同时,根据风电不确定性及运行成本对系统的影响,采用重要性采样法削减场景。通过考虑功率平衡和风电爬坡约束的随机机组组合(Stochastic UnitCommitment,SUC)模型验证了该方法的有效性。算例分析结果表明,序列优化Kriging代理模型可以使用较少的场景预测场景运行成本。与Kantorovich距离法相比,该方法的削减结果选择了较为重要的场景,其求解结果具有更好的经济性和可靠性。

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有“遗忘”与“更新”功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。

基于云图特征自识别的光伏超短期预测模型

光伏电池超短期输出功率变化的主要原因来源于云层的无规则运动,会在1~2min的时间尺度内显著地影响输出功率,因此提出了天空云图预测方法提高光伏超短期功率预测的准确性。首先,采用云层灰度鉴别对云图提取云形状、云透射率等信息。然后,通过云点跟踪对云运动进行还原,得到云层的位移和速度等信息。接下来提出了云图特征联想和长短期记忆(cloudfeatureassociation-longshort-term memory,CFA-LSTM)模型,通过在LSTM模型中加入图像特征联想(cloud feature association,CFA),从而将光伏超短期输出功率与天空云图关联起来。最后基于云增强现象(cloud enhancement model,CEM),提出了由晴空辐照度作为标准的CEM-LSTM切换模型。实验证明,CEM-LSTM切换模型在全气候条件下不仅可以满足光伏超短期功率预测高精度的准确性需求,还可以满足光伏超短期功率预测高精度、高稳定性的可靠性需求,为光伏电站的高效经济运行提供了可能。