基于贝叶斯深度学习的新能源多场站临界短路比区间预测方法

大规模新能源并网后电力系统的电压安全稳定问题突出,亟需一种兼具准确性和实用性的方法来评估系统的电压支撑强度。为此,该文提出一种基于贝叶斯深度学习的新能源多场站短路比(multiple renewable energy station short circuit ratio,MRSCR)智能增强方法。首先,聚焦于MRSCR缺乏准确的临界短路比(critical short circuit ratio,CSCR)问题,提出CSCR样本集的构建流程,并据此开发样本的批量仿真程序。然后,利用多门控混合专家网络对各新能源接入点的CSCR进行同步预测,并结合贝叶斯深度学习提升预测精度,量化预测不确定性。最后,考虑到点估计的弊端,提出一种基于动态阈值的不等式方法来给出兼具可靠性和清晰性的区间估计,为不同的决策需求提供多种属性的预测值。在CEPRI-FS-102节点系统上的测试结果表明,所提方法可有效提高电压支撑强度的评估精度和速度,其预测信息可为决策过程提供重要的指导意义。

基于贝叶斯深度学习的用户净负荷预测方法

分布式光伏(photovoltaic,PV)发电的随机性、间歇性和波动性给电网安全可靠运行带来了巨大的挑战。为了准确预测用户净负荷,同时捕捉分布式光伏发电和负荷带来的大量不确定性,提出一种基于概率的日前净负荷预测方法。将贝叶斯概率论与深度学习相结合,以处理认知不确定性和任意不确定性;采用子空间聚类技术,将住宅屋顶光伏输出作为输入特征,以提高综合净负荷预测的性能。基于细粒度智能电表数据进行了算例分析,与其他方法进行实验比较可知,所提方法具有更好的性能。

融合贝叶斯深度学习的计算机大数据频繁项挖掘算法

随着数据每天呈指数级增长,频繁项集挖掘的效率和可伸缩性问题变得更加严重。因此,提出融合贝叶斯深度学习的计算机大数据频繁项挖掘算法(Sequential growth),并在MapReduce框架上实现。为了测试算法的性能,在具有大型数据集的MapReduce框架上进行了不同方面的实验。结果表明,Sequential growth算法具有良好的效率和可扩展性,尤其在处理大数据和长项目集时。

基于t分布的贝叶斯深度学习模型及其应用

贝叶斯深度学习(BDL)融合了贝叶斯方法与深度学习(DL)的互补优势,成为复杂问题中不确定性建模与推断的强大工具.本文构建了基于t分布和循环随机梯度汉密尔顿蒙特卡罗采样算法的BDL框架,并基于数据不确定性和模型定不确定性给出了不确定性的度量.为了验证模型框架的有效性和适用性,我们分别基于人工神经网络(ANN)、卷积神经网络(CNN)和循环神经网络(RNN)构建了相应的BDL模型,并将模型应用于全球15个股票指数预测,实证结果显示:1)该框架在ANN、CNN和RNN下均适用,对全部指数的预测效果均很出色;2)在预测精度和通用性方面,基于t分布BDL的模型比基于正态分布的BDL模型具有显著优越性;3)在给定不确定性阈值之下的预测MAE比初始MAE显著提升,表明文中定义的不确定性是有效的,对不确定性建模具有重要意义.鉴于该BDL框架在预测精度、易于拓展和具备提供预测不确定性度量的优势,其在金融和其他具有复杂数据特征的领域均有广阔的应用前景.

基于深度贝叶斯主动学习的高光谱图像分类

针对高光谱图像分类中标记样本获取费时费力,无标记数据难以得到有效利用以及主动学习与深度学习结合难等问题,结合贝叶斯深度学习与主动学习的最新进展,提出一种基于深度贝叶斯的主动学习高光谱图像分类算法。利用少量标记样本训练一个卷积神经网络模型,根据与贝叶斯方法结合的主动学习采样策略从无标记样本中选择模型分类最不确定性的样本,选取的样本经人工标记后加入到训练集重新训练模型,减小模型不确定性,提高模型分类精度。通过PaviaU高光谱图像分类的实验结果表明,在少量的标记样本下,提出的方法比传统的方法分类效果更好。

基于分布式挖掘的支撑网告警关联规则处理技术

针对集中式挖掘方法不能满足支撑网告警关联规则精准挖掘的问题,提出一种基于分布式挖掘的支撑网告警关联规则处理技术。该技术将呈现碎片式分布的告警序列数据进行预处理之后,采用贝叶斯深度学习的方法实现告警事务频繁项集支持度和置信度数值分布的估计,并结合数值分布情况选取满足条件的告警事务频繁项集;在此基础上,采用LSTM挖掘故障的主因告警,帮助网管人员更好地诊断和排除故障。仿真表明,分布式挖掘的支撑网告警关联规则处理技术能够大大降低现有关联规则的计算量,减少传统算法所处理的数据量;除此之外,算法很好的适应分布式告警事务数据分布不均匀的问题,解决了由于告警事务数据分布不均匀造成的告警关联规则支持度和置信度变动频繁的问题,提高了告警关联规则处理的精度。

大数据智能风控平台的架构、设计与实现

大数据智能风控平台是基于大数据技术、区块链技术和人工智能技术(自然语言处理、知识图谱、生物识别)的综合型教学与科研服务平台,该平台利用Hadoop生态体系进行海量数据处理,利用贝叶斯深度学习对海量数据搭建精准化反欺诈机制,结合Hadoop生态体系与贝叶斯深度学习模型搭建新型智能风控平台。本平台提供智能多维标签、金融风险预警、风险事件追踪、风险传导关联、综合异构图谱等贯穿多场景全流程风险管理功能,提升金融机构风控能力。

基于不确定性感知网络的可信机械故障诊断

基于深度学习的故障诊断方法受其黑箱特性限制难以给出可信赖和可解释的诊断结果。现有可解释故障诊断研究多集中在开发可解释模块并嵌入深度学习模型以赋予诊断结果一定物理意义,或以结果为基础反推模型做出此决策的深层逻辑,对于如何量化诊断结果中的不确定性并解释其来源和构成的研究工作十分有限。不确定性量化及分解不仅能提供诊断结果的可信度,还能辨析数据中未知因素的来源,最终指导提升诊断模型的可解释性。因此,提出将贝叶斯变分学习嵌入Transformer以开发一种不确定性感知网络,用于可信机械故障诊断。设计了一种变分注意力机制并定义了相应的优化目标函数,可建模注意力权重的先验分布和变分后验分布,从而赋予网络感知不确定性的能力。制定了一种不确定性量化及分解方案,可实现诊断结果的可信度表征以及认知不确定性和偶然不确定性的分离。以行星齿轮箱智能故障诊断为例,在测试数据中含有未知故障模式、未知噪声水平以及未知工况样本的分布外泛化场景中,充分验证了所提方法用于可信故障诊断的可行性。