不平衡数据集的DC-SMOTE过采样方法

针对不平衡数据集在分类任务中表现不佳的问题,提出基于局部密度与集中度的过采样算法。针对数据集中所有的少数类样本点,分别利用高斯核函数与局部引力来计算局部密度与集中度;对于局部密度较小的部分有针对性地合成第一类新样本,解决类内不平衡问题。根据集中度的不同,区分出少数类样本的边界,有针对性地合成第二类新样本,达到强化边界的作用;同时,通过自适应生成新样本,有效解决大部分过采样算法没有明确过采样量或者盲目追求样本平衡度相等的问题。最后,在公开的12个不平衡数据集上进行了实验,实验结果表明,本算法在低不平衡数据集与高不平衡数据集上的应用均拥有良好的表现。

基于中性线电流离散分析治理三相负荷不平衡

当三相负荷不平衡时,必然会引起中性线电流的产生。针对三种不同三相负荷不平衡条件下中性线电流的变化情况,建立与之对应的三相负荷不平衡度算法模型。采用中性线电流的离散分析建立三相负荷不平衡度算法,作为三相负荷不平衡治理的有效判据,结合试验分析,得到了三相负荷不平衡度与中性线电流的变化规律,并应用于低压供配电系统三相负荷不平衡的治理分析。结果表明:所提三相负荷不平衡度算法对低压供配电系统三相负荷不平衡的治理具有较强的实用性。提出的以三相负荷不平衡度为自适应变量,以中性线电流为过程监测量,采用有功调配与无功补偿相结合策略,能够有效反映三相负荷不平衡的治理情况。

三相电压不平衡下DDSRF-PLL与DSOGI-PLL的锁相误差检测与补偿方法

由于高渗透的分布式电源、多样化的负荷类型以及电网故障等因素,并网点三相电压不仅存在幅值不平衡,而且会出现相位不平衡现象。这种情况下,广泛应用的解耦双同步坐标系锁相环(DDSRF-PLL)和双二阶广义积分器锁相环(DSOGI-PLL)无法获得精确的同步信息。为此,该文在论证这两种锁相环具有理论等价性的基础上,阐释三相电压不平衡与锁相误差的内在关系,进而提出一种锁相误差的补偿方法,实现幅值和相位不平衡下的准确锁相。所提方法仅需对电压采样值进行简单计算即可获得不平衡相位和锁相误差,实现开环相位补偿,无需修改原有锁相结构,具有良好的拓展性。最后,通过仿真和实验验证了所提方法的有效性。

基于重采样和混合集成学习的不平衡窃电检测

针对电力用户类别不平衡导致窃电检测具有偏向性问题,该文提出一种基于重采样和混合集成学习的不平衡窃电检测模型。首先以Easy-ensemble混合集成学习框架为基础确定最佳采样子集数;然后通过重采样自适应策略,即根据用户用电数据集的不平衡度以及最佳采样子集数确定检测模型的重采样方式,使用电数据达到平衡;最后按照先串行集成减小偏差、后并行集成降低方差的混合集成方式,对重采样后的均衡样本进行窃电检测。算例对比分析表明所提检测模型通过重采样和混合集成有效解决了传统集成算法在不平衡窃电检测中的偏向问题,降低了由于用电数据的不平衡性对集成结果的影响,提高了用户类别不平衡的窃电检测效果,在多种不平衡度下模型的准确率、F1值和G均值均表现优异。

配电变压器台区三相负荷不平衡控制方法研究

在实际运行中,由于用户用电行为的不确定性和负荷分布的不均匀性,三相负荷不平衡现象较为普遍,导致配电变压器台区三相不平衡度较高。针对上述问题,提出配电变压器台区三相负荷不平衡控制方法。采集配电变压器台区的负荷数据,通过精细的数据采集技术,获取实时的、全面的负荷信息。基于采集到的数据,综合考虑三相负荷的平衡度以及其他相关因素,建立负荷控制目标函数。对目标函数进行求解,以实现负荷不平衡的有效控制。实验结果表明,该控制方法能够降低三相负荷的不平衡度,实现对配电变压器台区三相不平衡的有效控制。

不平衡电网下无刷双馈风电系统的虚拟同步发电机控制

无刷双馈发电机(brushless doubly-fed reluctance generator,BDFG)在风力发电领域有着广阔的应用前景。基于虚拟同步发电机(virtual synchronous generator,VSG)的无刷双馈风电系统具有一定的电网频率支撑能力,但在电网电压不平衡工况下运行性能较差。提出了一种不平衡电网工况下无刷双馈风电系统的虚拟同步发电机策略,来降低不平衡的电网电压对BDFG系统的影响;其核心思想为使用原有BDFG-VSG来控制正序分量,在功率绕组正向同步旋转坐标系下使用基于降阶广义积分器(reduced order generalized integrator,ROGI)的直接谐振控制调节负序分量。详细分析了电网电压不平衡对BDFG各电量的影响,据此提出了5种可供选择的优化目标,最后通过仿真验证了该策略的有效性。所提出的策略可抑制不平衡电网工况下BDFG的各电量中的负序分量或二倍频分量,无需计算负序电流的参考值,对电网具有友好性。

中国省际数字经济发展不平衡的特征、测度及演化趋势

随着中国数字经济飞速发展,省际数字经济发展的不平衡也日益凸显。文章采用熵值法构建综合评价模型,从地理空间格局、经济空间格局对中国数字经济发展不平衡程度进行评价,并运用Dagum基尼系数和核密度估计探索省际数字经济发展不平衡的空间特征、来源及演化趋势。研究发现:2015—2020年数字经济发展整体呈上升趋势,呈现“东高西低”“沿海高于内陆”的不平衡发展特征;省际不平衡程度呈降低趋势,但东西部、东中部区域间不平衡程度上升,数字产业化不平衡程度最高;区域间数字经济发展绝对差异增大导致不平衡程度上升,呈现“东快西慢”态势。

城乡收入不平衡的结构演化:测度与特征识别

文章基于结构基尼系数估计方法,对2000—2022年我国31个省份的城乡收入差距进行测算,并基于核密度曲线和趋势线考察区域时空变化特征。结果表明:东部地区大部分省份的城镇单元和农村单元对全国城乡收入不平衡的贡献趋于下降;中部地区各省份城镇单元和农村单元对全国城乡收入不平衡的贡献先升后降;西部地区各省份城镇单元对全国城乡人均收入不平衡的贡献普遍较低,农村人均收入对全国城乡收入不平衡的贡献先升后降,其结构基尼系数变动趋势与中部地区城乡单元类似,呈现明显的“倒U”型。城乡经济不平衡已得到较大的改善,区域间城乡差距日益缩小。

不平衡磁拉力作用下无刷双馈电机的转子振动特性研究

无刷双馈电机长时间运行会出现转轴弯曲、轴承磨损等状况,导致气隙动偏心,并因此产生不平衡磁拉力,影响转子系统动力学特性。为了研究由不平衡磁拉力引起的转子振动特性问题,建立Jeffcott转子动力学模型,得出考虑不平衡磁拉力作用下转子系统的振动微分方程组,并对其自由振动响应进行了计算。以某型号无刷双馈电机的样机尺寸为例,分析气隙动偏心状态下电机气隙长度、转子材料及几何尺寸等对电机振动特性的影响,并利用Runge-Kutta法对振动微分方程组进行分析,结果表明:当转子动偏心率较小时,利用该转子系统的振动微分方程组计算出的解析解与数值计算结果吻合较好,转子的一阶振幅误差仅为0.2%,二阶振幅误差为2%,具有较高的精度且计算较为简便,为电机的高可靠运行提供理论支撑。

ADASYN与类别逆比例加权法在阿尔茨海默病不平衡数据中的应用

目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据。分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能。模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa值和AUC(area under the ROC curve)。结果ADASYN-RF的分类性能最优(Kappa值为0.938,AUC为0.980),ADASYN-SVM次之。利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实。结论ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优。

基于贪心组合优化的分布极端不平衡分类算法

现有针对不平衡数据分类的研究主要从重采样、特征、代价和算法等4个角度展开,方法多样,但针对极端不平衡的数据分布仍缺乏有效算法.本文的目标是通过结合各种算法的特性获取一个最优性能的组合算法.本文假设算法间的组合满足次模函数性质,并采用贪心的组合优化方法.具体而言,选择深度森林算法为基础,依次组合最优重采样方法、以异常检测思想的特征提取方法对数据进行的特征处理方法或基于贝叶斯优化的最优代价敏感矩阵方法.在3种组合算法中选择分类性能最优的算法组合,再次组合其余角度的方法,判断分类性能是否再次提升.实验选择两组极端不平衡数据——真实饮用水数据和UCI数据库中的page-blocks数据进行验证.结果表明,基于贪心优化对算法间进行组合,在3轮迭代后得到的算法组合,较单一算法其分类性能能有进一步的提升.

H桥级联型静止同步补偿器容值减小产生的相间电压不平衡分析与抑制机理

采用小容值薄膜电容的H桥级联型静止同步补偿器(cascaded H-bridge static synchronous compensator,CHB-STATCOM)直流侧电压控制以直流侧电压平方值为被控量,在补偿功率发生跃变时相间电压不平衡加剧,传统相间电压平衡控制动态效果不佳。基于容值减小的CHB-STATCOM控制原理,推导各相直流侧电压平方值与跃变功率、电容容值的数学关系,揭示相间电压不平衡的原因,讨论直流侧电压峰值与电容电压纹波的关系。建立指令功率渐变的给定方法,分析指令功率渐变时间与相间电压不平衡的关系,揭示指令功率渐变时间对CHB-STATCOM补偿功率变化时相间电压不平衡的抑制机理。仿真和实验验证了理论分析与相间电压不平衡抑制机理的有效性。研究结论可为该类型的相间电压不平衡抑制提供理论基础。

不平衡数据下基于SVM增量学习的指挥信息系统状态监控方法

针对指挥信息系统历史状态样本有限的特点,基于支持向量机(support vector machines,SVM)设计了一种面向不平衡数据的SVM增量学习方法。针对系统正常/异常状态样本不平衡的情况,首先利用支持向量生成一部分新样本,然后通过分带的思想逐带产生分布更加均匀的新样本以调节原样本集的不平衡比。针对系统监控实时性要求高且在运行过程中会有新样本不断加入的特点,采用增量学习的方式对分类模型进行持续更新,在放松KKT(Karush-Kuhn-Tucker)更新触发条件的基础上,通过定义样本重要度并引入保留率和遗忘率的方式减少了增量学习过程中所需训练的样本数量。为了验证算法的有效性和优越性,实验部分在真实系统中获得的数据集以及UCI数据集中3类6组不平衡数据集中与现有的算法进行了对比。结果表明,所提算法能够有效实现对不平衡数据的增量学习,从而满足指挥信息系统状态监控的需求。

一种基于数据分布的不平衡数据过采样方法

针对现有不平衡数据过采样方法生成重叠样本、潜在价值不高样本以及过拟合等问题,提出了一种基于数据分布的过采样方法.该方法首先将少数类样本划分成不同子簇,根据样本的空间分布位置识别噪声样本和少数类边界样本,并删除噪声样本;进而将对分类边界决策影响大的少数类边界样本作为种子样本,并结合种子样本所在子簇的稀疏因子及其识别的难易程度确定采样权重;最后在种子样本所在的子簇中生成新样本.为了验证所设计采样方法的有效性,分别使用AdaBoost(adaptive boosting)和SVM(support vector machine)算法对12个数据集进行分类实验,结果表明,与传统的过采样算法相比,所设计的过采样方法在保证了整体分类性能下,提高了不平衡数据中对少数类的分类效果.

补偿不平衡负载的HC-SVG相间电压平衡控制与直流电压取值分析

针对由中点钳位型(neutral-point clamped,NPC)功率单元和H桥级联型(cascade H-bridge,CHB)功率单元构成的混合级联型静止无功发生器(hybrid cascade static var generator,HC-SVG)在补偿不平衡负载时产生的CHB功率单元相间电压失衡问题,提出一种基于零序电压前馈的CHB功率单元相间电压平衡控制方法,并对零序电压注入后HC-SVG直流侧电压取值进行分析。首先,分析CHB功率单元承担基波电压分量与HC-SVG输出基波电压的关系。推导HC-SVG补偿不平衡负载时CHB功率单元相间电压平衡所需的零序电压,建立零序电压前馈控制。其次,基于零序电压与补偿电流的解析关系,讨论补偿电流不平衡度与HC-SVG直流侧电压取值之间的约束关系。以6 kV/3 Mvar装置为算例,进行直流侧电压的取值分析。并与星接CHB-SVG进行对比,揭示补偿不平衡负载时HC-SVG所需直流电压低的特点。仿真验证了相间电压平衡控制与直流电压取值分析的有效性。

基于ADASYN和WGAN的混合不平衡数据处理方法

为了解决不平衡数据集中少数类样本分类精度较低的问题,提出了一种处理不平衡数据集的ADASYN-WGAN方法。首先,采用ADASYN(adaptive synthetic sampling)算法生成少数类样本,用这些生成样本代替WGAN(wasserstein generative adversarial networks)中的随机噪声;其次,利用WGAN算法生成符合原始数据集分布规律的少数类样本,构建平衡数据集;然后,在6个公开数据集上,采用随机森林分类器对所提方法和4种过采样算法得出的处理结果分别与原始数据集进行对比;最后,通过F1-Score,G-mean和AUC等分类评估指标的表现验证所提方法的有效性。结果表明:在对比实验中,经过ADASYN-WGAN方法得到的平衡数据集在随机森林分类器的十折交叉验证中,4个公开数据集中的各项分类评估指标值均达到最优,虽然另2个公开数据集中的AUC值略低,但其F1-Score和G-mean取得了最高值。所提出的ADASYN-WGAN方法可生成高质量的数据样本,并可为解决不平衡数据集中少数类样本的预测偏差问题提供参考。

面向不平衡类的联邦学习客户端智能选择算法

在联邦学习应用场景下,若客户端设备之间的数据呈现非独立同分布特征,甚至出现类不平衡的情况时,客户端本地模型的优化目标将偏离全局优化目标,从而给全局模型的性能带来巨大挑战。为解决这种数据异质性带来的挑战,通过积极选择合适的客户端子集以平衡数据分布将有助于提高模型的性能。因此,设计了一种面向不平衡类的联邦学习客户端智能选择算法—FedSIMT。该算法不借助任何辅助数据集,在保证客户端本地数据对服务器端不可见的隐私前提下,使用Tanimoto系数度量本地数据分布与目标分布之间的差异,采用强化学习领域中的组合多臂老虎机模型平衡客户端设备选择的开发和探索,在不同数据异质性类型下提高了全局模型的准确率和收敛速度。实验结果表明,该算法具有有效性。

面向类别不平衡语义分割的损失函数的研究

在图像语义分割的任务中,数据集的类别不平衡分布是一种普遍存在的现象;通过构造更加有效的损失函数来减轻其带来的不利影响是具有较大研究价值的。以损失函数为研究对象,利用训练样本像素的空间分布特性和相关性,改进了Focal损失函数的尺度度量方法,提出了一个基于迭代批次的权重自适应调整的Adapt-Focal损失函数。以类别不平衡的SAR图像数据集GDUT-Nansha为实验对象,采用三个经典的卷积神经网络DeepLabV3+、U-Net和RWL-ENet完成了定量实验。实验结果表明,所提出的Adapt-Focal损失函数相比于CE、FL、dfl、acw、lovász和softiou损失函数,有效提高了少样本地物类别裸地和道路的分割精度IoU和PA值;同时,整体分割精度指标mPA和mIoU均得到较大幅度的提高。验证了Adapt-Focal损失函数在类别不平衡图像语义分割中的有效性。

不平衡电网下电流源型PWM整流器改进型无差拍控制

三相电流源型PWM整流器运行在电网电压不平衡情况下,引起直流侧及网侧电流存在大量低次谐波,势必对后级变换器供电稳定性、安全性等存在不利影响。针对该问题,首先建立整流器数学模型,推导出不平衡电网下直流侧电压和网侧电流表达式,揭示出系统直流侧和网侧电流产生低次谐波的机理。其次,根据瞬时功率理论设计内环电流参考指令,并利用无差拍控制实现网侧电流对参考电流的跟踪。然而传统无差拍控制存在延时问题,将影响网侧电流的跟随性能,造成电能质量下降。为解决该问题,提出了网侧电流内环改进型无差拍控制,利用两步预测法补偿系统延时。最后,基于Matlab/Simulink平台搭建仿真模型,验证所提控制策略的正确性与有效性。结果表明,所提方法能有效抑制直流侧和网侧电流低次谐波,实现网侧电流正弦化和直流侧电压稳定输出。

不平衡数据驱动的山区公路货车移动遮断险态跟驰行为识别模型

为识别山区双车道公路货车移动遮断下的小客车险态跟驰行为,基于无人机拍摄和视频轨迹提取技术提取车辆轨迹,利用人工少数类过采样法(Synthetic Minority Oversampling Technique,SMOTE)对不平衡轨迹数据过采样,并对驾驶行为聚类分析,将跟驰行为标定为危险和安全两种类别;依据紧迫跟驰、偏移过大和车速变化大三种险态跟驰行为诱因,确定险态跟驰行为风险测度(Measure of Driving Risk,MOR),包括碰撞时间倒数、相对横向偏移量和速度变异系数,并将MOR和聚类标定标签作为识别模型输入变量;通过轻量梯度提升机(Light Gradient Boosting Machine,LGBM)建立险态跟驰行为识别模型,再通过支持向量机(Support Vector Machines,SVM)、随机森林(Random Forest,RF)和自适应增强(Adaptive Boosting,AdaBoost)算法验证模型的有效性。以云南省某山区双车道公路为例进行试验,共提取543对小客车跟驰货车轨迹数据,数据预处理后筛选出467对有效跟驰数据;经过采样处理和聚类标定,结果表明:小客车跟驰货车时,超三成小客车处于险态跟驰状态;险态跟驰行为直道和弯道识别模型的精确率分别达95.49%和95.48%,其中LGBM表现最稳定,而RF和AdaBoost的稳定性较差且精确率不高。基于LGBM的险态跟驰行为识别模型具有较高的准确率和稳定性,在车路协同和自动驾驶等领域有应用前景。