基于特征构建及CAE-LSTM的短期电量预测方法

线损率能够反映企业的管理水平和经济效益,而供售电不同期会导致线损统计存在误差,因此需要进行短期电量预测。针对现有方法未能充分挖掘电量影响因素的问题,提出基于特征构建及CAE-LSTM的短期电量预测方法。通过数据分析构建特征,并使用MIC进行筛选;使用ARIMA预测电量值,并与特征进行数据重构;通过CAE-LSTM对数据进行特征提取,得到预测结果。实验结果表明,提出的方法能够更有效地提取数据特征,实现更高的预测精度。

基于ELM和误差校正的风力发电区间预测方法

风力发电过程中具有不稳定性和随机性,传统的点预测获得的结果准确性欠佳且无法获得预测值的区间波动范围。提出了一种基于极限学习机(ELM)和误差校正的风力发电区间预测方法。首先,使用皮尔逊相关系数挖掘出数据集中重要特征;然后,建立ELM网络生成预测值,将生成的预测值与原始的风力发电功率值作对比得到风力发电功率的误差;再将误差和原始的数据结合成新的数据集输入到已经训练好的ELM网络模型中,得到校正过后的误差;最后,通过所提出的区间构造方法得到风电功率预测区间。仿真结果表明,校正过后的误差比原始误差小,构造出的区间具有较高的可靠性和较窄的区间带宽,能更准确地描述风力发电出力范围。

非均匀个性化网络资源的深度并行推荐仿真

在网络资源深度推荐时,若不能及时对网络资源数据内部不完整数据展开有效清洗,会直接影响网络资源的推荐效果。因此,提出非均匀个性化网络资源深度并行推荐算法。通过获取网络资源数据,使用野值识别方法有效去除数据中的不完整数据;并对网络资源数据实施标准化处理,确定完整的网络资源数据集合;根据确定的网络资源数据计算用户直接相似度,建立用户网络图;通过对其游走确定用户间接相似度,重构用户相似度矩阵,确定推荐列表,完成算法设计。使用Spark并行计算平台辅助设计的推荐算法,确定算法实现流程,完成非均匀个性化网络资源深度并行推荐。实验结果表明,所提方法开展网络资源并行推荐时,平均绝对误差和均方根误差小,表明其推荐效果好。

基于VMD-DenseNet的短期电力负荷预测

针对电力负荷较为复杂的变化特性,以及现有预测算法未能充分利用数据中的特征、存在精度不足的问题,提出一种基于VMD-DenseNet的组合预测模型。通过VMD将原始负荷序列分解为趋势分量、细节分量和随机分量,并采用最大信息系数为各分量选取相关性较大的特征变量。引入一维DenseNet神经网络模型预测各分量负荷,通过密集连接实现特征重用,加强对各分量特征的提取。以欧洲某电网的负荷数据集为算例,分别在提前1 h和提前6 h两种不同的预测时间尺度下进行实验,结果表明提出的模型都能够更好地提取数据中的潜在特征,相较于其他模型具有更高的预测精度。

改进SSD算法在交通标志检测中的应用

针对交通标志检测存在误检率高、鲁棒性差等问题,提出了一种改进SSD(single shot multibox detector)的交通标志检测方法。首先从不同维度提取交通标志的位置和方向感知信息,改善目标在浅层特征图上的感受野区域。其次使用特例化的卷积内核对深层特征图进行条件参数卷积,增强交通标志的特征表达能力。最后对通道注意力机制进行改进,在特征通道中融入目标空间信息,提升交通标志目标的显著性。实验结果表明,提出的方法相较于原始SSD在CCTSDB数据集上的检测精度提升了7.6个百分点,检测速度达到87.5 FPS;在LISA数据集上的平均准确率为94.6%,检测速率为85.0 FPS。相比于其他的检测方法,改进后的SSD算法在复杂的自然场景中对交通标志具有更好的鲁棒性。

基于SA的光伏出力概率密度预测方法

针对目前光伏出力预测方法存在对特征考虑不全面和预测精度不高的问题,提出一种基于Seq2seq-Attention进行光伏出力的概率密度预测方法。首先采用四分位法和三次样条插值法修正原始数据;其次采用三种不同的聚类方法重新构建特征;最后建立一种由卷积神经网络和门控循环网络组成的Seq2seq模型进行光伏出力预测,通过核密度估计得到出力的概率密度曲线。采用澳大利亚光伏电站数据集进行仿真,结果表明提出方法充分考虑特征影响,在预测精度方面优于其它模型。

一种基于ARMA-BP组合模型的电压偏差预测方法

国内许多变电站建立了电能质量的预测与预警机制,以应对日益严重的电能质量问题,其中电压偏差最为严重。针对预测模块中电压偏差预测算法的缺失,结合配电网的运行状态,提出了一种基于ARMA-BP组合模型的电压偏差预测方法。针对单一时间序列方法的不足,将时间序列和人工神经网络的算法结合起来。通过分析上海某变电站的电压偏差数据特征,首先采用时间序列的方法建立ARMA模型。然后采用BP人工神经网络的方法对ARMA模型预测值与原始数据之间的残差值进行拟合预测,最终得到2种模型预测所得累加值的结果。研究结果表明了所提方法的有效性。

自适应跟踪与多特征融合的目标跟踪算法

Staple算法采用固定权重与学习率的方式,导致其在物体模糊等场景下跟踪精度低。为此,提出一种自适应跟踪与多特征融合的目标跟踪算法(adp-Staple)。特征融合与跟踪过程中引入两种不同置信因子提升跟踪精度,特征提取过程引入主成分分析降维技术提升跟踪速度。在OTB-50与OTB-100数据集上进行对比实验,其结果表明,adp-Staple算法较传统Staple算法有更好的跟踪效果,在运动模糊等场景中有更强的鲁棒性。

作战空域智能划设构想与实现

当前作战空域划设,仍然以基于定性评价的人工划设为主,难以满足联合作战空战场复杂性、动态性和时敏性要求。从“战场关键点”与战场态势和作战空域划设之间的相关关系着手,提出“最小外接矩形”作战空域标准化方法,建立了作战空域划设评价模型。采用神经网络方法,模拟人工作战空域划设决策过程,完成模型求解。给出了智能化空域划设的基本流程,按照“战场关键点”确定、战场空间标准化、空域划设学习及空域智能划设的步骤,实现对作战空域划设的智能化划设。

基于区块链的分布式电能竞价交易平台设计

随着电力市场化改革不断推进以及新能源技术的飞速发展,使得大量分布式电源可接入电网,用户同时具有生产者和消费者的双重身份,如何使分布式发电用户能够安全、公平、透明地参与电力市场交易,成为了分布式发电市场化的研究重点之一。提出了一种基于区块链的分布式电能竞价交易平台设计方案。用户可以在该平台上买卖电能,并设计一种准入机制与权限控制相结合的方法保护了用户交易的安全性;利用竞价机制和区块链技术使得市场交易更加透明,所有交易信息在区块链的全部节点上备份保存,真正做到去中心化存储;阐述了区块链中智能合约设计的相关函数及其交易流程,最后对智能合约进行了测试及在本地私有链进行了部署实验,证明了该方案是可行的。

基于相似日匹配及TCN-Attention的短期光伏出力预测

短期光伏出力预测对电力系统生产调度计划的合理制定极其重要,有助于促进光伏发电并网和消纳。光伏出力受气象特征影响较大,其过程具有波动性、间歇性、不可控等特点,导致快速、精准地进行短期光伏出力预测成为一项挑战。对此,文章提出一种基于相似日匹配及TCN-Attention的组合预测模型。文章采用时间序列形态聚类算法和最大信息系数对光伏出力的相似性进行刻画,避免全部历史数据作为输入所产生的数据冗余,利用可并行计算的时序卷积网络学习光伏出力特征,引入Attention机制突出关键气象特征的影响,有效提高模型训练速度和预测精度。基于实际数据的实验结果表明,较之其他预测方法,文章提出的方法具有信息提取直接、训练速度快、预测精度高等优点。

结合区块链技术的改进K-匿名激励机制方案

在基于位置服务中,K-匿名激励机制可以激励移动用户帮助其他用户实现K-匿名位置的隐私保护。然而,目前的K-匿名激励机制方案存在过度中心化、易单点失效、用户参与积极性不足等问题。当前,基于区块链的智能合约技术具有去中心化、安全性高、可验证等特性,可用来有效构建可编程金融,为解决K-匿名激励机制存在的问题提供了新思路。该方案结合区块链智能合约技术与改进的K-匿名激励算法,基于以太坊实验环境开发了K-匿名激励机制系统,将公有区块链中通用代币作为激励发放给参与用户,提出了一种可以提高参与用户积极性的保证金准入机制。相较于相关工作,改进后的激励算法在K-匿名组合生成方面节省了30%~40%的时间开销,该算法由智能合约实现,合约在区块链上自动执行,从而保证激励机制的安全性及可信性。

数据驱动的时间注意力卷积风电功率预测模型

由于风电受气象特征影响大,风能波动性和间歇性强,导致快速、精准的风电预测成为一个难题。对此,该文提出一种基于数据驱动的时间注意力卷积网络的风电功率预测方法。首先,将来自风力机和数据采集(SCADA)系统的数据进行清洗;然后采用可并行计算的时间卷积网络,并加入Attention机制突出关键特征的影响,使模型训练速度和预测精度得到有效提升。实验结果表明,该文所提方法与其他方法相比可更准确地减少数据噪声,同时有更高的预测精度和更快的训练速度。

基于重复数据删除技术的雾存储数据去冗余方案

雾计算作为云中心在网络边缘的延伸,将不需要放在云端的数据直接进行存储和处理,从而可以快速响应底端设备的需求。为了解决现有方案中频繁的磁盘输入和输出(I/O),针对雾节点中存储数据的冗余问题,提出重复数据删除方案(DeFog)。利用红黑树的快速查找机制,在内存中构建数据指纹表,通过二次Hash获得索引表。固定时刻刷新内存中的指纹表保存在磁盘中,日志文件记录每次数据更新,这样在系统发生崩溃机器重启时,磁盘中的指纹表会与日志文件合并构建更新后的指纹表。通过在标准数据集中的实验与其他方案进行对比,证明了DeFog在查询效率上提高了54.1%,运行时间降低了42.1%。

考虑用户用电行为聚类的电力负荷预测方法

为进一步发挥用户用电细粒度负荷数据的内在价值并提高用户聚合体的电力负荷预测精度,提出一种考虑用户用电行为聚类的电力负荷预测方法。方法先计算用户用电数据的分位数自协方差作为用户用电行为特征;使用层次聚类算法对用户用电行为特征聚类;在用户聚类的基础上建立分位数回归森林电力负荷预测模型,通过对各类用户负荷预测结果求和,得到用户聚合体负荷预测结果。采用伦敦用户用电数据集进行仿真,结果表明提出方法能够提高用户聚合体负荷预测的精度。

基于RGRS的空域划设问题研究

针对空域划设生长算法存在的网格选择任意,不能与地图相匹配,信息素收集困难且需专门设计边缘平滑算法等问题,提出了基于弧度制全球网格剖分,进而改进生长算法。构建数学模型并进行仿真分析,结果表明:基于弧度制网格剖分的改进“生长”算法,信息素收集方便,嵌套平滑边缘,能极大提升空域划设效率。

基于标签的在线学习资源推荐算法

在线学习是目前获取知识的一种重要途径,然而信息过载导致从在线学习平台的大量资源中找到所需的学习资源非常困难。本文提出了一种基于标签的推荐算法,混合基于内容推荐和协同过滤推荐,采用TF-IDF来平衡热门标签的权重,采用修正的余弦函数相似性计算用户间、资源间的相似性,结合学科知识图谱,让推荐结果在相似基础上增加扩展性,满足进阶学习特点。实验结果表明,本文提出的算法在准确率和推荐效率上优于传统的协同过滤推荐算法,为解决同类问题提供了较强的参考价值。

军队编制体制调整对人员整体结构的影响

建立了军队人员等级结构模型,通过“等待时间”和“理想态”的定义,给出了从任意等级状态达到“理想态”的最优方法。在给定理想态下,为平衡等级结构内部流动性和平稳性,提出了求取各等级转移概率(转移矩阵)的方法。利用该模型,以“等待时间”和调入量为指标,对军队体制编制调整中出现的结构不平衡的现象进行分析,提出了对策建议。

基于超网络的空战场管制体系建模及评估

当前空战地位提升,战区指挥体制运行,空战场管制系统急需进行重构,以适应新体制、新情况。从管制系统构建的3条基本原则着手,构建了四级空战场管制体系,采用“节点-关系-信息流模体”的方法,对管制系统进行超网络建模。利用超网络理论,选择管制系统的灵活性、高效性和鲁棒性指标,对构建的战区管制系统进行评估。算例表明,该方法能够很好地刻画管制体系信息流转的层次性、复杂性和对抗性,从而对管制体系的结构和信息机制设计提供合理建议。