梯度采样下的市场用电短期能耗优化预测仿真

为了提高市场用电短期能耗预测正确率,降低二次规划与用电能耗,提出梯度采样下的市场用电短期能耗优化预测方法。根据最小二乘支持向量机回归算法,将湿度、气温、气压、节假日变量作为输入,构建市场用电短期能耗预测模型,依据梯度采样序列二次规划方法优化用电能耗预测模型参数,进行了梯度采样序列二次规划,逐步优化求解LS-SVMR模型目标函数,完成市场用电短期能耗优化预测。实验结果表明:湿度、温度、气压、节假日因素对用电能耗产生影响,采样数量越大,优化性能越好,且能耗预测误差小。实现市场短期用电能耗的预测,预测准确度高,预测能力突出。

基于梯度采样序列二次规划方法的PSS参数协调优化

该文基于非光滑优化领域的最新进展——梯度采样理论,提出一种电力系统稳定器参数协调优化的序列二次规划方法,以解决现有方法由于特征值函数的非光滑性而无法同时保证最优性和收敛性的难题。该方法推导了特征值对电力系统稳定器参数的梯度表达式,在迭代点周围进行随机采样,形成采样点梯度的凸包,以近似谱横坐标对稳定器参数的次梯度,再构造一个使原点到次梯度投影最小的二次规划问题,用以求解变量的下降方向。算法的全局收敛性从理论上得到了保证,参数协调的目标可以达到最优值。WSCC 3机9节点系统、New England 10机39节点系统和IEEE 54机118节点的仿真表明:该方法的阻尼效果和计算效率优于启发式算法。

基于梯度采样的大数据交叉访问授权技术仿真

如何对数据进行授权管理,确保数据的机密性等至关重要。为此提出了一种基于梯度采样的大数据交叉访问授权方法。采用多项式变换技术,将数据转换为可直接使用双率数据进行采样的数学模型,推导出估计损失数据的梯度随机算法,并且在算法中加入遗忘因子实现数据的梯度采样。用户在进行数据访问前需要进行初始数据加密,然后在将其转交至重加密服务器进行处理。同时,进行代理重加密密钥的约束,分割重加密密钥,其中一部分交由云端代理重加密服务器进行处理,另一部分则为创建者所控制,实现大数据的交叉访问授权。仿真结果表明,所提方法相比传统方法性能有了一定程度的提高。

基于门限同态加密的自适应联邦学习安全聚合方案

针对当前联邦学习安全聚合算法应用在复杂网络环境时的通信瓶颈问题,提出一种基于门限同态加密的自适应联邦学习安全聚合方案。在保护梯度隐私的同时,用户根据当前可用带宽自适应压缩梯度,从而极大地降低联邦用户的通信开销。进一步地,在聚合梯度解密阶段,设计了一种全新的动态解密任务分发和梯度结合算法,缓解了用户上行通信压力。实验结果表明,当所提方案的数据通信量为现有方案的4%时,模型预测准确率仅损失1%。

采用低阶动态补偿器的电力系统分散控制

提出一种用低阶动态补偿器抑制电力系统低频振荡的分散控制方法。安装在不同地点的多个低阶动态补偿器通过给定结构输出反馈统一设计,使系统的所有机电振荡模态具有整体最优的阻尼效果。用本地可测量和广域测量系统(wide area measurement system,WAMS)提供的部分关键远方信息共同作为补偿器的输入,从而可使本地振荡模态和区间振荡模态都得到良好的抑制。同时考虑多种运行方式优化控制器参数,使控制器具有更好的适应性;采用区域极点配置保证控制器具有一定的鲁棒性。最后,将控制器的参数求解归结为一个非光滑优化问题,并用梯度采样法进行求解。2个示例系统的仿真结果表明,该文所设计的控制器对低频振荡有着明显的抑制作用,优于传统的电力系统稳定器(power system stabilizer,PSS)。

云计算环境下的大数据特征挖掘技术研究

基于梯度采样的大数据特征挖掘方法在大数据挖掘过程中,逻辑性较差,仅从单层角度进行大数据特征挖掘,极大降低大数据特征挖掘的精度。对此,提出基于云计算环境下大数据特征挖掘模型的特征挖掘方法,其大数据存储体系层包括多源信息资源服务层、核心技术层、多源信息资源平台服务层以及多源信息资源基础层,采用大数据特征分布函数实施大数据特征匹配,实现大数据特征初步挖掘;大数据特征挖掘处理层对存储体系层中的大数据进行抽取、转换、清洗、集成与加载实现大数据预处理,采用FP-tree对预处理后的大数据进行准确特征挖掘,通过用户层将获取的大数据特征挖掘结果反馈给用户,完成云计算环境下大数据特征挖掘。实验结果表明,所提方法在云计算环境下大数据特征挖掘方面准确率较高,具有低能量开销的优势。

延河流域种子植物区系特征与物种空间分布

以延河流域为例,采用环境梯度分层采样技术,对该流域种子植被的区系成分进行调查分析。结果表明,延河流域主要的种子植物区系共涉及57个科、148属、211种,其中裸子植物3科3属3种,被子植54科145属208种。从植物区系科属的分布型看,热带亚热带成分占31.57%,温带成分占28.07%;从属的分布型看,热带亚热带成分占11.72%,温带成分占60.54%。温带成分构成了本区系的主体,本区种子植物区系属温带性质。虽然数量上较整个黄土高原的植物区系成分较少,但这些物种却是该流域种子植物群落的主要构成种,对该区的生态恢复具有更重要的意义。在此基础上,进一步借助物种空间分布与环境要素响应图,分析211个物种分布的环境梯度空间,结果表明,它们可直接满足生态恢复重建的物种选择等需求,具有较好的应用价值。

基于LightGBM的网络入侵检测系统

入侵检测系统(intrusion detection system,IDS)是一种能够发现疑似入侵行为并采取相应措施的网络安全设备.现有IDS通常采用传统的常用机器学习算法和简单的深度学习算法,但始终难以避免训练速度慢、准确率不够高的缺点.针对这种情况,提出了一种基于LightGBM算法的网络入侵检测系统,对疑似入侵行为样本进行准确分类,该方法可以对数据进行采样从而极大地减小了数据计算量.使用入侵检测系统的标准数据集KDD99数据集,准确率达到94. 7%,训练时间缩短至422s.实验结果表明:基于LightGBM算法的网络入侵检测系统相较于常用算法在取得更高准确率的同时训练模型的速度也提高10倍左右.

基于LightGBM的改进表面肌电信号手势识别研究

为了提升表面肌电信号(sEMG)手势动作识别的准确性和训练效率,提出一种基于LightGBM的手势识别模型。传统的GBDT算法训练效率较低,准确率无法快速提升,LightGBM算法采用基于梯度的单侧采样和互斥特征捆绑改进性能,具有训练速度快、占用内存低、分类准确率高的优势。将臂环采集到的8通道sEMG数据按时间顺序进行扁平化处理,提取有效特征。实验结果表明,经过LightGBM改进的sEMG手势识别模型取得较高准确率,并且显著提升训练速度。

基于数据驱动的涡轮发动机剩余寿命预测

涡轮发动机系统工况复杂,经常在极端环境下工作,容易发生故障造成不可挽回的损失。通过建立物理模型的方法来进行寿命预测不仅建模困难、适用性不好,而且十分依赖先验知识。为建立适用于高维度特征的发动机剩余寿命预测模型,以及更加合理的对发动机的剩余寿命进行预测,使用改进后的梯度提升决策树(GBDT)和进行归一化处理后的涡轮发动机性能数据进行实验。在通用数据集上开展测试比较,结果表明改进GBDT模型适用于不同工况下涡轮发动机的剩余使用寿命预测,预测效果优于现有支持向量回归(SVR)、卷积神经网络(CNN)、长短期记忆网络等方法(LSTM),尤其是在运行时间上有较大幅度的提升,对于涡轮发动机的健康管理与运维决策能够提供保证。

基于深度学习的网络入侵检测系统

入侵检测系统,是一种可以监控网络运输,在发现异常现象时,能够发出警报或者主动响应的一种设备。但传统的机器学习算法以及一些简单的深度学习算法,于是就会出现准确率不够高或者训练速度过慢的问题,因此如何提高入侵检测系统性能成为一个亟待解决的关键问题。随着计算机计算能力的提升,入侵检测技术已经发展到智能分析阶段。在这种情况下,本文提出了一种,采用长短期记忆神经网络记忆模型的LSTM算法进行优化,组合LightGBM算法对入侵行为样本进行采样,减少了内存消耗和数据计算量的LightGBM-LSTM的组合模型,大大提高了效率。与传统算法相比,LightGBM-LSTM入侵检测系统的检测精度更高,训练时间更短。