基于时空图注意力的短期电力负荷预测方法

准确的电力负荷预测对现代电力系统的安全经济运行至关重要.电力负荷预测可以表述为一个具有一定潜在空间依赖性的多变量时序预测问题.然而,大多数现有的电力负荷预测工作未能探索这种空间依赖关系.基于此,本文提出了一种基于时空图注意网络的短期电力负荷预测方法.提出一种基于时空图注意网络模块,该模块使用图注意层实现自适应的捕捉各用户间的潜在空间依赖性,同时使用门控卷积注意力层对各用户用电量在时间维度上进行自适应拟合,以提高网络的预测精度.实际数据实验表明,本文提出的模型整体预测精度提高明显,特别是在一定程度上缓解了长程预测精度恶化的问题,验证了所提方法的有效性与可行性.

基于压电效应的风力发电方法研究

为实现利用压电材料进行环境能量转换的目的,设计了一种能利用风能驱动多片压电片振动发电的装置。该装置通过风能驱动叶轮旋转,利用叶轮的旋转扭力迫使压电片振动,将压电片振动产生的电能通过整流电路、储能电容及DC-DC转换后供负载使用。通过实验对压电片在不同条件下的发电性能进行了测试,实验结果表明,该装置可实现多片压电片对环境能量的收集转换,为此类装置的设计提供了参考,同时也为压电环境能量采集技术提供了新思路。

基于状态空间模型进化算法的全局收敛性分析

基于状态空间模型进化算法(SEA)是一种新颖的实数编码进化算法,在工程优化问题中具有广阔的应用前景。为了完善SEA的理论体系,促进SEA在工程优化问题中的应用研究,利用齐次有限Markov链对SEA的全局收敛性进行分析,证明了SEA不是全局收敛的。通过限定SEA状态进化矩阵内元素的取值范围,同时引入弹力搜索得到改进型弹力状态空间模型进化算法(MESEA)。分析结果表明,弹力搜索能提高SEA的搜索效率。最后得到了MESEA全局收敛的结论,为算法在工程优化问题中的应用提供了理论依据。

基于车流量的交通灯智能控制算法

随着道路交通流量日益增加,现有交通灯使用的时间固定控制方法并不能很好地满足各种复杂交通情况。针对这一背景,在使用视频图像对车辆跟踪计数实时采集车流量的基础上,提出一种根据各方向车流量控制交通灯时间的算法。该算法根据实时的车流情况更新各方向的绿灯分配时间,自动调节各方向绿灯时间比例,并根据路口总车流量的大小智能调节绿灯时间周期大小。基于Delphi平台对算法进行仿真,结果表明:该算法能根据实时车流信息自适应调整各方向绿灯时长,并通过自动调节各方向绿灯时间总和来有效实现交通拥堵或畅通情况下交通灯的智能控制。

基于状态空间模型的智能优化算法及其应用

针对城市公共交通系统中公交优化调度问题的具体特征,提出一种基于状态空间模型的实数编码智能优化算法(SIA)。SIA引入遗传算法(GA)的基本理念。通过构造状态进化矩阵来指导算法的搜索方向,再通过选种池的优胜劣汰的选择机理来实现算法朝最优解逼近。将该算法与GA分别应用到公交优化调度问题中,考虑发车时间间隔的约束,建立以企业和乘客的利益最大化为目标的数学模型。实例仿真结果表明,SIA在寻优精度和计算量方面优于GA,验证了该算法的有效性。

交叉型状态空间模型进化算法的全局收敛性分析

基于状态空间模型的进化算法(SEA)是一种新颖的实数编码进化算法,在实际工程优化问题中取得了良好的优化效果。为促进SEA的理论及应用研究,对交叉型SEA(SCEA)的全局收敛性进行了研究,得出SCEA不是全局收敛的结论。通过改变状态进化矩阵的构造方式和提出弹力搜索操作,得到改进交叉型SEA(SMCEA),利用齐次有限Markov链对SMCEA的全局收敛性进行了证明。最后利用两个测试函数对算法进行实验分析,结果表明,SMCEA在收敛速度、最优解搜索能力和运算时间等方面都有较大改善,验证了SMCEA的有效性,得到了SMCEA优于遗传算法(GA)和SCEA的结论。

基于启发式时空图神经网络的多变量时序异常检测

针对信息物理系统的多变量时序数据的异常检测是预防系统故障、保证安全生产的必要手段.由于系统变量间的强耦合性和传播效应,设计异常检测算法时应考虑系统变量间的耦合特性、传播有向性和因果时滞性,从系统结构变化的角度检测早期异常.本文提出一种端到端的启发式时空图神经网络(heuristic spatio-temporal graph neural network, HST-GNN)用于多变量时序数据的异常检测.首先,考虑变量间关系的有向性和集群性,设计一种有向相似性函数和基于启发式聚类算法的图结构学习算法,对多变量时序数据进行图建模以学习变量间的空间耦合关系;其次,使用门控卷积注意单元和多头图注意层作为时空图注意模块,从时空层面同时捕获系统的非线性因果时序和空间耦合深度特征;最后,量化系统的图结构特征,将其作为时空图网络提取的传感器深度特征的补充,输入自编码器中,从系统级别和传感器级别来检测异常.本文在4个公共数据集上验证了HST-GNN的性能.实验结果表明,稀疏有向的图结构有利于系统耦合特性的提取,从系统和传感器级别检测异常增加了模型对不显著的早期异常的敏感度.