提出大型电力系统可靠性评估的一种新的蒙特卡洛模拟方法—马尔可夫链蒙特卡洛方法(Markov chain Monte Carlo,MCMC)。MCMC方法是一种特殊的蒙特卡洛方法,它将随机过程中的马尔可夫过程引入到蒙特卡洛模拟中,实现动态蒙特卡洛模拟。该...提出大型电力系统可靠性评估的一种新的蒙特卡洛模拟方法—马尔可夫链蒙特卡洛方法(Markov chain Monte Carlo,MCMC)。MCMC方法是一种特殊的蒙特卡洛方法,它将随机过程中的马尔可夫过程引入到蒙特卡洛模拟中,实现动态蒙特卡洛模拟。该方法通过重复抽样,建立一个平稳分布与系统概率分布相同的马尔可夫链,从而得到系统的状态样本。由于MCMC方法考虑了系统各个状态间的相互影响,相比于随机采样的蒙特卡洛方法所得到的独立样本序列,更准确模拟了电力系统运行实际情况。IEEE-RTS 24节点算例表明,该算法可快速收敛,节省计算时间,提高计算速度。同时,由于每条马尔可夫链均收敛于同一个分布,即所谓平稳分布,所以算法具有良好的稳定性。对西北330 kV电网的可靠性评估再次表明了该方法的正确性和有效性以及该方法用于大型电力系统的可靠性评估的优越性和潜力。展开更多
在计算机视觉领域,由镜头切换、目标动力学突变、低帧率视频等引起的突变运动存在极大的不确定性,使得突变运动跟踪成为该领域的挑战性课题.以贝叶斯滤波框架为基础,提出一种基于有序超松弛Hamiltonian马氏链蒙特卡罗方法的突变运动跟...在计算机视觉领域,由镜头切换、目标动力学突变、低帧率视频等引起的突变运动存在极大的不确定性,使得突变运动跟踪成为该领域的挑战性课题.以贝叶斯滤波框架为基础,提出一种基于有序超松弛Hamiltonian马氏链蒙特卡罗方法的突变运动跟踪算法.该算法将Hamiltonian动力学融入MCMC(Markov chain Monte Carlo)算法,目标状态被扩张为原始目标状态变量与一个动量项的组合.在提议阶段,为抑制由Gibbs采样带来的随机游动行为,提出采用有序超松弛迭代方法来抽取目标动量项.同时,提出自适应步长的Hamiltonian动力学实现方法,在跟踪过程中自适应地调整步长,以减少模拟误差.提出的跟踪算法可以避免传统的基于随机游动的MCMC跟踪算法所存在的局部最优问题,提高了跟踪的准确性而不需要额外的计算时间.实验结果表明,该算法在处理多种类型的突变运动时表现出出色的处理能力.展开更多
文摘在计算机视觉领域,由镜头切换、目标动力学突变、低帧率视频等引起的突变运动存在极大的不确定性,使得突变运动跟踪成为该领域的挑战性课题.以贝叶斯滤波框架为基础,提出一种基于有序超松弛Hamiltonian马氏链蒙特卡罗方法的突变运动跟踪算法.该算法将Hamiltonian动力学融入MCMC(Markov chain Monte Carlo)算法,目标状态被扩张为原始目标状态变量与一个动量项的组合.在提议阶段,为抑制由Gibbs采样带来的随机游动行为,提出采用有序超松弛迭代方法来抽取目标动量项.同时,提出自适应步长的Hamiltonian动力学实现方法,在跟踪过程中自适应地调整步长,以减少模拟误差.提出的跟踪算法可以避免传统的基于随机游动的MCMC跟踪算法所存在的局部最优问题,提高了跟踪的准确性而不需要额外的计算时间.实验结果表明,该算法在处理多种类型的突变运动时表现出出色的处理能力.
