基于Shapley值抽样估计法的电力用户参与互动效益分摊方法研究

为促进用户与电网实施友好互动,降低能源消费和用电负荷,应研究如何将电网公司的互动效益按一定补贴比例公平地分摊给各参与用户。为解决传统Shapley值法的组合爆炸问题,提出一种基于Shapley值抽样估计法分摊用户互动效益的补偿方法,该方法在满足收支平衡的约束条件下,通过分层随机抽样方法减少样本量;为确定各层样本分配量,综合比较了随机分配法、平均分配法及Neyman最优分配法的优缺点;为解决Neyman最优分配法中参与者各层样本标准差未知的问题,提出一种基于强化学习算法的ε(t)迭代估计最优分配方法。算例表明所提出的方法具有Shapley值法的所有特性,能精确地估计Shapley值法的分摊结果,因而能实现公平合理的分配,同时能有效地减少计算时间。

相容次序矩阵SAOR方法的最优参数估计

在系数矩阵为对角元素非零的相容次序矩阵且Jacobi迭代矩阵的特征值都是实数的情况下,给出参数γ,ω是实数时SAOR方法收敛的一个充要条件,以及参数γ=2,ω是复数时SAOR迭代法的收敛性和最优参数.

灌溉水资源最优分配的DP－DP法

在缺水地区，为了增加农作物产量，实行节水灌溉和对有限的灌溉水资源进行最优分配至关重要。因此，提出了一种对有限灌溉水量在多种作物之间进行最优分配的两层动态规划的迭代方法（ＤＰ－ＤＰ法）：第一层求单作物最优灌溉制度；第二层对有限灌溉水量在多种作物之间进行最优分配，总目标是使灌区的总效益最大。算例验证表明，模型合理，方法切实可行。还设计了通用高效的ＦＯＲＴＲＡＮ语言程序包，有利于方法的推广应用。

弱条件下若干变形牛顿迭代的收敛性

各种变形牛顿迭代法在解不同复杂程度的非线性方程 f(x) =0时有各自的优缺点 .在 Smale点估计理论引导下 ,作者利用优序列方法 ,研究了弱条件下 ,减少导映照计值次数、避免导映照求逆两种变形牛顿迭代在求解时的收敛性问题 .对此两种迭代法分别建立了各自的收敛性定理 .证明了在弱条件下 ,两种方法产生的迭代序列均收敛于 f(x) =0的惟一零点 。

切比雪夫迭代用于多项求根及其收敛性

本文推导出切比雪夫迭代应用于多项式求根的迭代形式 ,阐述了优函数的一些性质以及优序列的收敛性 。