大学生抵御网络谣言危害的调研与思考

网络媒体时代网络谣言发布的门槛低、扩散快、多与社会主流价值观相背离,不利于社会的稳定。大学生正处于思想价值观形成的关键阶段,极受易到影响。建议提高政府信息透明度、加强网络监管以及加强思想政治教育三方面齐抓共管,阻断谣言在高校的传播,构筑大学生抵御网络谣言危害的屏障。

基于层次分析法的储能综合评估及类型选择

储能技术因其良好的可控性和能量的时间转移特性,在新型电力系统中具有重要应用价值。合理评判各场景下储能的价值并针对性选型具有重要现实意义。首先,针对电力系统的各类需求场景,提出了储能的10类技术经济性指标,构建了储能的综合评估指标体系。然后,利用层次分析法对上述指标进行了综合评估计算,计算过程中通过专家调查法对判断矩阵进行了相对重要性赋值,并进行一致性检验和修正,求出方案层相对于目标层的组合权重。接着,对多种类型储能进行综合评估计算,找到最优储能选型方案。最后,以某区域电网为对象进行仿真,得出了多种场景下各类储能的排序结果,验证了所提方法的有效性。

基于CNN-AE-MAML的低压配电网自适应分类方法

低压配电网分类有利于提高低压配电网经济运行管理措施及新能源规划运行方案制定的效率。随着各类新能源、充电桩等新型源荷的不断接入,低压配电网原有负荷特征发生变化,一方面导致配电网负荷特征复杂,另一方面导致变化后可用的新负荷特征数据较少,给配电网分类带来挑战。针对以上挑战,提出一种基于卷积自编码器和模型不可知元学习(convolutional neural network-auto encoder-model agnostic meta learning,CNN-AE-MAML)的低压配电网自适应分类方法。首先,利用卷积自编码器(convolutional neural network auto encoder,CNN-AE)提取可表征低压配电网的配变负荷、光伏发电特征,采用谱聚类(spectral clustering,SC)对低压配电网进行分类;然后,构建基于softmax配电网类型识别方法,利用低压配电网实际数据的降维特征识别配电网类型;此外,利用模型不可知元学习(model-agnostic meta-learning,MAML)方法训练CNN-AE特征提取模型,使CNN-AE模型在少量数据下能自适应提取配电网新负荷特征,最终实现低压配电网准确、快速自适应分类。最后,利用低压配电网实际数据验证了所提方法的有效性。