基于数据驱动的分布式光伏发电功率预测方法研究进展

从综述的角度,以分布式光伏系统为对象,分析了功率预测技术的发展情况、存在的难点以及主要影响因素,梳理了应用数据驱动方法实现功率准确预测的技术路线。再以空间相关性、历史出力功率以及气象等影响因素为切入点,梳理了光伏系统数据驱动的功率预测研究现状,分析其相应的数据增强、时空图信息以及特征融合的手段,讨论了技术的优缺点。最后给出了功率预测数据驱动方法研究方向和发展建议。

数智时代的信息分析方法:数据驱动、知识驱动及融合驱动

数智时代,面对大数据、大知识所带来的挑战,如何创新发展信息分析方法,关乎新时代信息分析工作的开展,关乎数据资源的开发利用。本文在梳理现有信息分析方法的基础上,提出数据驱动、知识驱动,以及数据与知识融合驱动的三种数智型方法思路。首先,提出基于文本、网络、音频、图像等的数据驱动以及与之相应的文本挖掘、图挖掘、音频挖掘、图像挖掘等信息分析模式;其次,提出基于专家知识库、通用知识库、领域知识图谱、通用知识图谱等的知识驱动信息分析模式;最后,提出基于特征、模型、决策三种层面的数据与知识融合驱动的信息分析模式。通过以上三种方法,构建能够系统融合大数据、大知识的信息分析方法,实现数智融合型信息分析,促进图书情报学科方法论发展,赋能国家决策和社会治理。图3。表1。参考文献59。

数据驱动儿童专科医院大型医疗设备运行评价体系建设

目的探索通过数据采集及分析评价儿童专科医院大型医疗设备运行水平的方法,提出大型医疗设备使用及配置建议。方法通过物联网终端采集设备运行数据,结合医院HIS、RIS、HRP等系统数据,建立儿童专科医院大型医疗设备评价指标体系,运用CRITIC法对单类、单台设备数据进行量化评价。结果医院大数据平台实现了对单台大型设备运行数据纵向分析并形成可视化图表,通过PC端及移动端展示。申康市级平台数据分析,实现对儿童专科医院大型设备运行水平的综合量化评价及使用配置建议。结论通过数据采集及分析,实现儿童专科医院大型设备运行评价体系建设,提升大型设备管理水平。

大数据驱动的企业与用户互动创新:理论框架与前沿课题

大数据驱动的企业与用户互动创新已成为企业洞察市场和用户动态、提升创新敏捷性和适应性的重要模式,其关键因素和作用机制日益成为创新、营销和信息系统等领域的热点议题。结合系统性综述设计和关键词共现分析,梳理大数据情境下企业与用户互动创新的研究洞见。针对情境和工具如何影响领先用户与普通用户关系及二者的相互作用机制两个研究缺口,提出大数据驱动的企业与用户互动创新“条件—路径—绩效”理论框架。依据该理论框架,结合文献和案例证据,重点阐述在什么情境和工具条件下企业与领先用户、普通用户以何种互动创新路径影响创新产品和大数据合作资产,由此形成理论创新。分析结果表明,互动创新路径选择本质是在异质性情境和工具条件下,企业在创新新颖性—泛用性以及数据分析成本—收益之间的动态权衡;两类创新路径的动态变化由互动创新工具成熟度、创新主导权的变更所触发。最后,进一步提炼出大数据驱动的企业与用户互动创新理论研究的三类前沿课题,并讨论其理论和实践意义。

基于数据驱动的配电网无功优化

传统无功电压控制由于分布式电源、储能以及柔性负荷的接入面临计算速度和精度上的挑战。该文提出了一种基于数据驱动的配电网无功电压优化方法,通过跟踪实际系统的运行参数,实现无功电压的主动控制。在极限学习机中引入自动编码器构建深度学习机制,利用自动编码器建立极限学习机输入-输出的直接耦合关系,实现无监督学习和有监督学习有机结合,缩短训练模型的迭代过程;利用蒙特卡洛法基于分布式电源、负荷预测信息构建配电网运行场景,利用深度极限学习机挖掘运行场景优化运行与无功调压设备状态间的内在联系,建立电网运行场景与系统无功调压策略的映射关系。该文提出的基于数据驱动的无功优化方法不依赖实际系统潮流计算,能够实现配电网运行状态的跟踪和无功调节设备的优化调度,为配电网无功电压的主动控制打下基础。

数据驱动的新能源公交车能耗预测

鉴于现有电动车能耗预测多基于实验室条件,存在结果过于理想化或预测准确度不足的问题。本文基于北京市51路公交车的实车运行数据,分析能耗影响因素,通过时钟循环编码优化时间信息、使用箱线图设置阈值以构造行驶工况、建立基于熵权法的驾驶行为评价体系对驾驶行为与工况状态进行辅助分析,最后,对聚类后的4类典型工况片段分别建立引入注意力机制的LSTM能耗预测模型,并将其与传统LSTM及LGBM等多种预测模型进行对比分析,验证结果表明引入注意力机制的LSTM预测模型性能显著高于其他模型。

数据驱动的程序设计类课程教学改革与实践

针对程序设计类课程内容的特点以及传统课堂授课的诸多弊端,提出数据驱动的程序设计类课程教学改革,具体阐述如何构建适合程序设计类课程的SPOC平台,如何设计多样和具体的数据项以积累课程实施全生命周期的数据,以及如何开展多维度的数据分析,以“数据结构与程序设计”课程为例介绍改革的实践,并说明改革的成效。

“双减”背景下数据驱动的区域精准教学探究——以跨学科项目课程“爱护水资源”为例

“双减”政策要求教学活动更精细、作业设计更精简、学生评价更精准,而数据驱动的区域精准教学能支持师生开展精细化、个性化的学习实践,提升学习效果,为有效落实“双减”政策提供有力支撑。基于此,文章首先分析了“双减”政策与区域精准教学的适切性,并剖析了“双减”背景下数据驱动的区域精准教学要求。在此基础上,文章构建了“双减”背景下数据驱动的区域精准教学模式,包含课前资源均衡化、课中管理科学化、课后评价精准化三个环节,提供基础服务、拓展服务和创新服务。随后,文章以跨学科项目课程“爱护水资源”为例,对该模式的有效性进行了验证,结果表明:该模式能有效提升学生的学习成效,增强了学生的学习能力,学生对本次学习活动的兴趣浓厚且态度积极。文章构建的“双减”背景下数据驱动的区域精准教学模式为“双减”政策在教育实践层面的落地提供了可行路径,有助于切实减轻学生的学业负担,提高教学质量,促进技术与教学的深度融合,推动教育公平和教育优质均衡发展。

数据驱动的中温隔热陶瓷管件结构优化设计及性能评估

随着中温区电加热的电子产品和家电用品不断涌现,低成本的高效保温隔热材料研究日益成为热点。如何确保管路内部快速升温并避免外表温度大幅波动,有效提高能源利用率,是保温隔热材料领域的挑战。据此,本研究以低熔点玻璃助烧结的镁橄榄石、莫来石、珍珠岩和磷酸锌等复合物陶瓷为对象,从数据驱动的壁内多孔结构隔热管件优化设计出发,开展陶瓷隔热管件三维打印制造,通过显微结构和力学性能分析,并围绕管件的导热、隔热影响因素评估,系统考察了该类新型隔热管件的理化、力学和隔热性能及影响关系。结果表明,通过对沿管壁环绕的矩形大孔高度调控(400~1 200μm)、管腔内热源区的管壁倍增(1.2 mm×2 mm)以及有机微球造孔剂引入(~9%),同时通过烧结温度控制(700~750℃),可以显著改善热流出口区的温度水平(~20℃),并显著优于不锈钢真空隔热管的出口温度。研究结果表明,增材制造复合陶瓷管件具有优良的综合性能以及较低的原料成本,使得多孔陶瓷隔热管件在中温隔热领域具有广阔的应用前景。

基于数据驱动贝叶斯网络的化工事故风险分析

为减少化工厂风险分析中的主观干预,基于关联规则和贝叶斯网络构建1种数据驱动风险分析模型。该模型涵盖3个任务项,分别为数据集项、关联规则驱动项和贝叶斯网络风险评估项。首先,收集事故报告和事故因素构建事故数据库;其次,将事故数据导入Apriori算法,并根据关联规则的因素相关性确定贝叶斯网络和条件概率表结构;然后,基于事故因素出现频率计算先验概率和条件概率,并采用Fussel-Vesely计算事故因素的敏感度;最后,收集94起危险化学品中毒窒息事故实例,运用数据驱动风险分析模型评估事故因素的影响大小。研究结果可为减少和避免化工事故提供一定参考,有助于提高相关企业的整体安全水平。

大数据驱动下的国家矿产资源管理:赋能机理与模式创新

传统矿产资源管理模式面临着国内国际复杂形势和资源安全上升国家战略地位的双重压力。大数据作为信息时代的基础资源,为国家治理现代化提供了技术支撑。探讨大数据驱动下国家矿产资源管理新模式不仅是解决当下管理困境的应有之义,更是在新时代全球资源竞合中占据优势的主动之举。基于“需求锚定—结构赋能—平台接榫”三维分析框架,界定目前我国矿产资源管理中存在的职能、体制、决策、监管四个维度的现实问题;在此基础上,针对性地分析大数据技术从虚拟治理空间、多源数据聚合、数据情报智慧、全程动态留痕四个维度赋能国家矿产资源管理的机理;围绕大数据平台支撑下的职责分配明确、体制层级交错、智能情报决策和动态全景监管四个功能,提出构建国家矿产资源管理新模式的实现路径。

基于数据驱动的范数最优迭代学习控制

在系统模型确定的前提下,传统的范数最优迭代学习控制(NOILC)可以有效提高伺服系统的跟踪精度。但是在实际控制过程中,系统模型参数往往是变化的,从而导致控制器性能的下降。为此,提出了一种基于数据驱动的范数最优迭代学习控制方法。以系统的输入输出为依据,建立系统估计模型的代价函数,对代价函数进行偏微分处理,得到一种基于数据驱动的非参数模型辨识方法,最后将此模型辨识方法和NOILC相结合。实验结果表明:针对时变系统,此控制方法的跟踪误差为NOILC(Norm optimal iterative learning control,NOILC)的57.1%,并且相比NOILC提前5次收敛。因此,提出的方法能有效改善时变系统的跟踪性能。

数据驱动的半无限介质裂纹识别模型研究

缺陷识别是结构健康监测的重要研究内容,对评估工程结构的安全性具有重要的指导意义,然而,准确确定结构缺陷的尺寸十分困难.论文提出了一种创新的数据驱动算法,将比例边界有限元法(scaled boundary finite element methods,SBFEM)与自编码器(autoencoder,AE)、因果膨胀卷积神经网络(causal dilated convolutional neural network,CDCNN)相结合用于半无限介质中的裂纹识别.在该模型中,SBFEM用于模拟波在含不同裂纹状缺陷半无限介质中的传播过程,对于不同的裂纹状缺陷,仅需改变裂纹尖端的比例中心和裂纹开口处节点的位置,避免了复杂的重网格过程,可高效地生成足够的训练数据.模拟波在半无限介质中传播时,建立了基于瑞利阻尼的吸收边界模型,避免了对结构全域模型进行计算.搭建了CDCNN,确保了时序数据的有序性,并获得更大的感受野而不增加神经网络的复杂性,可捕捉更多的历史信息,AE具有较强的非线性特征提取能力,可将高维的原始输入特征向量空间映射到低维潜在特征向量空间,以获得低维潜在特征用于网络模型训练,有效提升了网络模型的学习效率.数值算例表明:提出的模型能够高效且准确地识别半无限介质中裂纹的量化信息,且AE-CDCNN模型的识别效率较单CDCNN模型提高了约2.7倍.

数据驱动的精准营销模型构建探索

精准营销作为一种新兴的营销模式,以其高度的针对性和有效性在市场中脱颖而出,随着大数据技术的不断成熟,数据驱动的精准营销逐渐成为企业关注的热点,本文旨在探讨在大数据背景下,如何构建数据驱动的精准营销模型,以实现企业营销活动的个性化、高效性和针对性。基于此背景,本文分析了数据驱动精准营销的价值,探讨了数据驱动的精准营销模型构建,并针对模型构建过程中面临的挑战提出了应对策略。

数据驱动与物理机制耦合的菜子湖流域水位预报模型研究

菜子湖作为引江济淮工程的关键调蓄湖泊之一,湖泊水位的变化同时受到自然降水和工程调蓄的影响。为了准确模拟及预报菜子湖水位,构建了菜子湖流域四水源新安江模型和菜子湖水位预报的神经网络(LSTM)模型。在此基础上,采用外部耦合的方法,构建了四水源新安江-LSTM耦合模型,进一步将物理机制模型模拟的入湖流量作为补充因子,驱动神经网络(LSTM)模型模拟菜子湖水位,从而实现两种不同模型在湖泊水位预报中的耦合应用。结果得出:直接模拟水位的洪水误差小于0.1 m,耦合模拟水位的洪水误差小于0.02 m,后者相较前者,水位误差精度提升了0.08 m。直接模拟水位验证期的洪水误差在0.02 m之内,纳什系数R^(2)分别为0.89、0.75及0.88,均方根误差RMSE分别为0.034、0.027及0.015;耦合模拟水位验证期的洪水误差在0.015 m之内,纳什系数R^(2)分别为0.91、0.82及0.88,均方根误差RMSE分别为0.019、0.021及0.008。研究结果表明,与单驱动因子得出的结果相比,双驱动因子得出的结果更有效地提高了水位的模拟精度。同时在考虑对应降雨的洪水过程中,数据驱动和物理机制相结合的方法与直接预测水位误差相对比,有效地提高了场次洪水水位预报的精度,得到更精确的模拟结果。为引江济淮工程的调水提供了重要的参考依据,也为相似调水工程的洪水水位预报提供一定的参考。

数据驱动的机身对接过程仿真技术研究

针对传统机身对接仿真中理论模型偏差较大、有限元模型消耗时间长等问题,开展数据驱动的机身对接过程仿真技术研究。首先通过虚实融合技术,构建六自由度平台运动学模型和机身–调姿平台位姿转换模型,通过数据交互实现仿真数据实时传输从而驱动虚拟模型,利用测量数据和虚拟模型进行了机身对接仿真,确定了对接过程位姿参数,为调姿平台参数修正提供数据基础。之后为提升数据求解效率,根据求解机身变形的有限元模型,计算出变形量并转化成机身位置变化量,将机身姿态角和位置变化量作为输入输出值构建代理模型,并验证方法有效性。最后开发了机身对接过程仿真系统,以机身试验件的对接过程为例,验证了仿真系统的可行性。

基于弹性力学第一性原理的数据驱动力学建模

提出了一种基于弹性力学第一性原理的数据驱动力学建模方法,其能够从基于弹性力学方程的数值计算结果建立简洁且能准确捕捉变形机制的力学模型。基于有限元计算得到的高精度数据和无监督数据驱动控制方程识别方法Seq-SVF,从梁的载荷和位移数据中自动识别出了Timoshenko梁形式的弯曲控制微分方程,得到了三种不同加载条件下剪切影响系数关于结构尺寸和力学参数的函数表达式。揭示了经典模型适用的加载条件,同时还给出了一种未发现的新模型。通过将基于弹性力学的第一性原理计算与数据驱动范式相结合,克服了传统建模方法的局限性和对人类经验的强依赖性,为建立简洁的力学模型提供了一种新途径。

状态依赖型切换系统的数据驱动方法建模

切换系统是由一系列连续或离散的子系统和切换机制组合而成的一类复杂系统,状态依赖型切换系统因其复杂性而尚未被深入研究.因此,通过系统的输入输出轨迹来对状态依赖的切换系统进行数据驱动建模,利用数据挖掘技术寻找数据之间的有用信息,建立输入与输出之间更形象的表达形式;在此基础上提出一种结构框架,根据辨识轨迹的切换时刻将数据分段,借助神经网络建立子系统的模型以及切换规则,深度挖掘状态依赖切换系统的信息,得到切换系统中子系统及子系统间的信息.实验结果表明:相比传统的机理建模,本文提出的数据驱动方法将建模的复杂度降低了17.3%.

知识-数据驱动的沉管隧道接头安全状态分析方法——以港珠澳大桥海底沉管隧道为例

为解决沉管隧道接头安全状态不断变化且难以直接感知的技术难点,以港珠澳大桥海底沉管隧道为工程背景,通过分析既有监测数据,总结管节接头的变形模式,揭示管节接头张合量与结构温度的强相关性,明确潮位变化对接头剪切变形的显著影响。在此基础上提出一种基于知识-数据驱动的沉管隧道接头变形快速推演方法,通过建立沉管隧道精细化有限元模型,开展海量典型变形模式下的沉管隧道结构力学行为分析,构建沉管隧道变形服役行为数据集;利用BP神经网络,建立基于仿真接头服役行为特征的沉管隧道接头全断面变形推演模型,实现基于有限实测数据的接头全断面变形快速重构。该方法在港珠澳大桥海底沉管隧道的现场管养中得到成功应用。以2023年台风“苏拉”为例,基于台风登陆过程中接头的局部位移实测数据,推演接头剪力键及止水带关键点位处管节接头的变形情况。结果表明,该沉管隧道接头系统整体受台风影响较小。

数据驱动的6R型串联工业机器人精度性能提升

随着工业机器人在高端制造领域应用中的不断深入,其绝对定位精度低的问题越加凸显。研究了基于神经网络的机器人实际位姿误差预测问题,针对Staubli TX60型串联工业机器人进行了运动学建模和误差分析,并搭建了基于Leica AT960激光跟踪仪的机器人测量实验平台,测量并计算了大量末端位姿误差数据。设计并优化最佳DNN神经网络结构,利用该神经网络预测机器人实际位姿误差,避免了基于模型的机器人精度提升方法中复杂的误差建模。补偿后的机器人平均绝对位置误差和平均绝对姿态误差分别由补偿前的(0.671 12 mm, 0.002 86 rad)降低至(0.048 58 mm, 0.000 46 rad),位置精度提升92.76%,姿态精度提升83.92%。最后,通过与BP、Elman神经网络以及传统LM最小二乘标定方法进行对比实验,验证了基于DNN深度神经网络进行机器人位姿精度提升具有更好的平衡性。