风电和光伏随机场景生成的条件变分自动编码器方法

随着风电、光伏等可再生能源渗透率的不断提高,其运行波动性及随机性对电网稳定运行、经济调度等方面带来不良影响,对可再生能源的不确定性进行建模愈加重要。随机场景分析法是解决该问题的主要方法之一,现有随机场景生成方法基于历史数据对风电、光伏出力进行概率建模,进而进行抽样生成场景,模型准确性差、计算复杂度高。为简化随机场景生成步骤,提高生成效率及精度,提出了一种基于条件变分自动编码器（variational autoencoder,VAE）的风电光伏出力随机场景生成方法,较已有概率方法,所提方法可无监督地学习风电、光伏训练数据的时间、空间及波动性特点,并按条件高效地生成符合观测特点的数据,无需场景约简。通过在单一发电单元、多发电单元、指定标签场景3个场景的成功应用,验证了所提算法的有效性。

一种基于条件变分自编码器的加密流量识别方法

传统模型在识别加密流量方面通常存在特征提取困难和没有考虑到样本类别不平衡的问题,针对此问题,提出了一种在类别不平衡条件下的基于条件变分自编码器的加密流量识别模型。首先,通过SMOTE算法平衡原始数据集,解决了由于样本类别不平衡造成模型欠拟合或过拟合的问题。其次,提取数据流前n个字节,并使用条件变分自动编码器模型自动提取分类特征隐层变量Z。最后,把m维的隐层变量Z输入基于遗传算法改进的随机森林分类器进行分类评估。实验表明,较现有的加密识别模型,所提方法不仅具有较快的收敛速度,而且在精确率、召回率和F1-measure评价指标上分别有较大的提高。

基于CVAE的时变工况轴承运行异常检测

数据驱动的异常检测技术被广泛应用于复杂机械设备状态监测中,工况(operating conditions,简称OCs)变化会导致监测数据的分布漂移,使传统数据驱动的异常检测方法的准确性受到极大干扰。为了解决时变工况下工况和健康状态之间的耦合问题,提出了一个新的特征解耦学习框架。首先,基于变分自动编码器(variation auto encoder,简称VAE)构建一个特征解耦条件变分自动编码器(conditional variation auto encoder,简称CVAE)网络,实现工况和健康状态的解耦;其次,对解耦后的健康状态相关特征进行降维处理,构建异常指标(anomaly indicator,简称ANI);然后,将ANI与统计异常阈值相结合,实现时变工况下轴承的异常检测;最后,通过基于时变转速退化的轴承加速疲劳退化实验,验证了该方法的有效性以及所构建的健康指标在消除时变工况干扰方面的优越性。

基于自生成深度神经网络的4D航迹预测

针对四维(4D)航迹预测的实时性不强和存在迭代误差的问题,提出了一种自动生成的条件变分自动编码器(AutoCVAE)。它以编码-解码的形式直接对未来一段时间的航迹进行预测,并能灵活选取观测点个数和预测步长。该方法以处理后的广播式自动相关监视(ADS-B)数据为引导,以减小预测误差为目标,通过贝叶斯优化的方法,在预定义的搜索空间内进行模型结构搜索,每一次的超参数取值都会参考之前的评估结果,使得每一次的模型结构都能向目标更靠近一点,最终实现了一个基于ADS-B数据的高精度的4D航迹预测模型。实验得出,所提模型能快速准确地进行航迹的实时预测,其中经纬度平均绝对预测误差(MAE)均小于0.03°,高度MAE小于30 m,各时刻点的时间误差也不会超过10 s,每次批量预测轨迹的延迟时间不超过0.2 s。

深度学习框架下的移动感知预缓存策略

为了在移动流量需求不断增长的条件下提高用户体验,本文针对小基站网络提出了一种基于深度学习的移动感知预缓存策略.该策略采用条件变分自动编码器根据大量历史数据建立用户移动模型,然后预测用户将来可能经过的基站,并且在这些基站上预缓存用户正在下载的文件的一部分.本文定义了缓存效用用以评估缓存策略的性能.通过在真实GPS轨迹数据上的仿真实验,验证了所提出的缓存策略与典型对比策略相比能够为用户提供更高的平均下载速度,具有更大的缓存命中率,产生更大的缓存效用.