基于多气象类型加权和改进高斯混合模型的光伏出力超短期概率预测

提出一种多气象类型加权和改进高斯混合模型,可实现对光伏出力提前15 min的超短期概率预测。首先,依据气象特征将历史数据划分为若干气象类型,然后,构建改进高斯混合模型获得每个气象类型出力数据的概率分布,其次,构建隶属度函数量化待预测时刻气象特征对于各气象类型的相似程度,最后,根据隶属度对各气象类型的概率分布加权。以实际光伏电站数据进行算例分析,结果表明相较于单一气象类型,多气象类型加权模型的MAPE平均减少16.87%,ACD平均提升10.45%,AW平均下降2.49%。

基于高斯混合模型的采煤工作面冲击危险性评价

【目的】深入了解声发射或微震能量分布所蕴含的概率学信息,对于工作面回采过程中的冲击危险性评价具有重要意义。【方法】以陕西大佛寺煤矿4号煤层40111工作面作为工程背景,运用物理相似模拟实验、理论分析、现场监测等相关方法进行分析,研究了声发射监测数据在回采过程中的演化规律,阐明了声发射能量概率分布呈现波动性的物理意义,提出了基于高斯混合模型(Gaussianminture model,GMM)及置信区间的冲击危险性评价指标模型,并由现场微震数据进行验证。【结果和结论】结果表明:回采过程中上覆岩层周期性垮落并伴随声发射能量的集中释放。总能量的概率密度函数呈现多自由度的非对称分布,通过对比残差平方和等多项拟合效果指标,确定高斯混合模型为最佳拟合模型。基于EM(expectation maximization)算法的GMM聚类分析,将声发射事件总能量分布划分为两类:高频低能型和低频高能型,其中低频高能型与冲击事件的突发性和高能量破坏特征一致。依据概率-能量梯度变化特征,对工作面开采过程中冲击危险性进行了评估。研究成果为采煤工作面冲击危险性评价提供了概率学上的创新思路,具有在冲击地压监测预警及后续防治中的潜在应用价值。

基于高斯混合模型及EM算法的建筑工程数据预警治理方法

结合初期雨水调蓄大直径顶管工程的实际设计及施工经验,对软弱地层条件下长距离大直径平行双管曲线顶管在设计及施工过程中存在的重点难点问题进行总结,并对顶管过程中的顶力及管周摩阻力做了深入分析研究,有针对性地提出了相应的解决方案,使该顶管工程顺利贯通。建筑工程行业在现代社会中发挥着重要的经济和社会作用,然而,它也伴随着诸多风险和不确定性。为了有效地管理和预测这些风险,本文提出了一种基于高斯混合模型(GMM)和期望最大化(EM)算法的数据预警治理方法。该方法旨在通过对建筑工程数据的建模和分析,提前识别潜在的问题和风险,从而改善工程项目的管理和决策。

基于高阶马尔可夫链和高斯混合模型的光伏出力短期概率预测

为提高光伏电站出力预测的准确性,给调度决策人员提供更丰富的预测信息,提出一种基于高阶马尔可夫链(high order Markov chain,HMC)和高斯混合模型(Gaussian mixture model,GMM)的光伏电站短期出力概率预测方法。首先对光伏电站的历史出力数据进行HMC建模,通过计算邻近时段光伏出力数据的Pearson相关系数确定马尔可夫链的阶数,并统计历史数据得到邻近时段光伏出力的状态转移概率矩阵。然后以此为基础建立GMM形式的光伏出力概率预测模型,并提出基于相似气象条件下的数据样本对GMM中各高斯分布的均值与方差进行修正,最终得到光伏电站出力的概率密度函数。以实际光伏电站数据为例进行分析,结果表明所提出的概率预测方法具有较高的准确性,且与传统的点预测方法相比,概率预测能够为电网运行决策提供更多有益信息。

基于高斯混合模型的物流非高斯随机振动损伤分析

针对公路运输环境中的振动信号具有明显的非高斯性,提出一种非高斯随机振动疲劳损伤分析方法。为了描述振动信号的幅值概率密度分布,采用移动加速度均方根来代表该段信号的振动强度,并引入高斯混合模型对加速度均方根值进行描述。在此基础上结合Tovo-Benasciutti方法和Dirlik方法推导出非高斯宽带频域疲劳损伤计算方法。最后,以雨流计数法作为参考,对不同峭度的实测振动信号进行疲劳损伤分析,结果表明,与传统频域疲劳损伤计算方法相比较,提出的非高斯疲劳损伤方法具有更高的计算精度。该研究对于运输包装件的随机振动加速试验设计有实际意义。

基于自适应高斯混合模型的含高渗透率分布式光伏电力系统风险评估

高渗透率分布式光伏(distributed photovoltaic,DPV)的接入增加了电力系统的运行风险。针对出力分布呈现形态复杂的特征,首先,提出一种基于改进近邻传播聚类的自适应高斯混合模型,优化了分布式光伏联合出力概率拟合迭代过程。然后,提出基于改进三阶多项式正态估计过程的Nataf变换方法,结合半不变量和Cornish-Fisher级数展开,实现分布式光伏出力相关性条件下的概率潮流计算。最后,采用电压越限和线路重过载指标计算电力系统运行风险。基于修改的IEEE 14节点电力系统,对不同分布式光伏渗透率的接入场景进行仿真。以蒙特卡洛模拟作为对比,结果表明所提方法在电网状态变量的概率分布计算上具有更高的精度,并验证了评估结果能够有效反映不同分布式光伏渗透率对电力系统风险水平的影响。

基于统计感知策略的高斯混合模型求解方法

高斯混合模型(Gaussian mixture model,GMM)是一种经典的概率模型,常被用于无监督学习领域来确定无类别标记样本点的类别分布。作为求解GMM参数的重要技术,期望最大化(Expectation maximization,EM)算法通过计算GMM对应似然函数的最优解确定基模型自身参数以及基模型的混合系数。利用EM算法求解GMM存在如下两个缺陷:EM算法易于陷入局部最优解以及EM算法确定GMM基模型相关参数的不稳定,尤其是针对多维随机变量。本文提出了一种基于统计感知(Statistical⁃aware,SA)策略的GMM求解方法——SA⁃GMM方法。该方法从估计给定数据集的未知概率密度函数入手,建立了核密度估计(Kernel density estimation,KDE)与GMM之间的关联。为避免KDE对“过平滑”窗口的选取,设计了同时最小化KDE与GMM之间的经验风险和KDE窗口结构风险的目标函数,进而确定了GMM的最优参数。在11个标准概率分布上的实验证明了SA⁃GMM方法的可行性、合理性和有效性,同时结果也表明SA⁃GMM能够获得显著优于基于EM算法的GMM及其变体的概率密度函数估计表现。

一种基于混合高斯模型的雷达最大探测距离评估

机载火控雷达的最大探测距离是表征雷达探测能力的一项关键指标。分析雷达方程可知雷达探测距离受多种影响因素制约,且部分环境变量往往无法度量,故直接从不同影响因素出发分析雷达最大探测距离的分布特性存在一定困难,所以大部分对雷达探测距离评估方法的研究均是从数据本身出发,通过统计学方法分析变量的分布特性。

介质阻挡放电灰度直方图的高斯混合概率模型研究

工业生产中对介质阻挡放电(dielectric barrierdischarge,DBD)均匀性的要求与实验室存在明显不同,较大时间尺度上实现的均匀放电在实际应用中也具有重要价值。基于高斯混合模型,提出一种能够较为准确地识别丝状和均匀DBD的灰度概率模型,通过采用信赖域算法对模型参数进行估计,并通过模型检验及应用实例对模型的有效性和实用性进行验证。研究结果表明:丝状放电的灰度直方图(gray level histogram,GLH)服从双高斯概率分布,而均匀放电的GLH则服从单高斯分布。随着曝光时间的逐渐增大,由双高斯概率模型计算得到的丝状放电中放电区域和背景区域的灰度平均值和标准差均逐渐增大,由单高斯概率模型计算得到的均匀放电的灰度平均值也逐渐增大,但标准差基本保持不变。空气气隙间距的减小使GLH由均值逐渐变大的双高斯分布转化为均值逐渐变小的单高斯分布,表明放电产生由丝状放电向均匀放电的转化,丝状放电强度逐渐增大,而均匀放电强度逐渐减小。以上结果表明,所建模型可以有效地对丝状和均匀放电进行定量识别。

基于改进INFO-CNN-QRGRU模型的农村分布式光伏发电短期概率预测

随着“双碳”目标的推进,清洁能源所占比重大幅度增加,分布式光伏发电在我国农村地区快速发展,但其随机性、间歇性的特点给新能源消纳和电网稳定带来很大的挑战。光伏发电预测可以在一定程度上改善新能源消纳问题,减少光伏发电的不稳定性对电网的冲击。因此,为提高光伏发电功率预测精度,提出一种基于改进向量加权平均算法优化CNN-QRGRU网络的光伏发电概率预测方法。首先采用ReliefF算法对特征变量进行选择,在此基础上利用高斯混合模型(Gaussian mixture model,GMM)聚类方法将天气分为晴天、晴转多云和阴雨天3种类型,将处理好的数据输入到CNN-GRU模型中,并利用向量加权平均(weighted mean of vectors algorithm,INFO)优化算法对模型超参数进行调参,将分位数回归模型(quantile regression,QR)与INFO-CNN-GRU模型相结合得到光伏功率条件分布,结合核密度估计法从条件分布中获得概率密度函数,完成概率预测。以实际光伏电站数据作为基础,将提出的INFO优化算法与其他几种传统的优化算法进行对比,结果表明INFO的优化效果更好,在此基础上进行概率预测,得到的概率预测结果相较于点预测能提供更多有效信息,更具有应用价值。

高斯混合模型的光学元件表面疵病边缘定位

为抑制光照突变对边缘定位的影响,提升疵病边缘定位效果,提出高斯混合模型的光学元件表面疵病边缘定位方法。引入光照变化因子,通过颜色直方图匹配算法自适应更新高斯混合模型参数;利用参数更新后的高斯混合模型提取光学元件表面疵病背景图像,通过差运算原始光学元件表面疵病图像与疵病背景图像,得到疵病前景图像;利用Canny边缘算子提取光学元件表面疵病的边缘前景图像;加权融合边缘前景图像与前景图像,得到光学元件表面疵病边缘定位结果。实验结果表明,该方法可有效提取光学元件表面疵病前景图像与边缘前景图像,得到疵病边缘定位结果;在不同光照变化情况下,不同疵病宽度时,该方法疵病边缘定位的边缘连接完整度均较佳;该方法定位不同类型疵病边缘时的灰度差分乘积均较高,即边缘定位清晰度较佳,定位的边缘较明显。

基于高斯混合模型和自适应簇数的文本聚类

针对海量文本难以精准聚类问题,提出了一种基于高斯混合模型和自适应簇数的文本聚类算法(TCA)。首先,采用无意义符号去除、基于齐次马尔科夫假设的文本分词和停用词去除方法,实现数据分词和清洗;其次,提出权衡关键词频率和普适性的关键词权重,选择关键词和进行文本向量化;再次,在高斯混合模型的基础上,引入文本相似度,提出权衡条件概率和相似度的文本权重;最后,通过轮盘赌初始化聚类中心,更新多维高斯分布模型参数,实现分簇数量确定的文本聚类。同时,为了自适应文本分簇数量,在肘部法则的基础上确定最优分簇数量,从而提高聚类效果。仿真结果表明:TCA能自适应文本聚类数量和获得其分布,提高聚类的准确率和召回率,有助于更好地实现海量文本的精确聚类。

用于含风电场的电力系统概率潮流计算的高斯混合模型

大规模风电并网使电力系统的不确定性显著增加,给电力系统的安全稳定运行带来更大的挑战,用于系统不确定性分析的概率潮流的研究日益重要。该文针对短期风电功率预测误差不对称甚至多峰的概率密度分布特性,提出采用高斯混合模型对预测误差概率密度分布进行拟合。在此基础上,针对各高斯混合模型中子高斯的随机组合结果,采用改进加权最小二乘法计算各组合对应状态变量的概率密度分布。最后,以各组合中子高斯权重系数的乘积为权重,将各组合对应状态变量的概率密度分布加权整合,得到电力系统概率潮流结果。该方法将高斯混合模型与改进加权最小二乘法相结合,很好地拟合了短期风电功率预测误差的概率分布特性,避免了传统加权最小二乘估计中繁琐的迭代寻优过程,大大简化了电力系统概率潮流求解过程。以改进IEEE14节点系统进行算例分析,验证了该方法的准确性和有效性。

采用分段离散化和高斯混合模型的多场景概率潮流计算

针对电网运行中风电和负荷的不确定性,提出了一种采用风电场输出功率分段离散化和负荷高斯混合模型的多场景概率潮流计算方法。在风电场有向功率特性曲线的基础上,分段离散化处理风电场输出功率,构造风电场输出功率多场景。同时,建立负荷的高斯混合模型,构造负荷功率多场景。然后,确定系统注入功率多场景及其对应的概率,在系统注入功率的每个场景中,风电节点输出功率为定值,负荷节点功率均服从高斯分布。最后,应用全概率公式,将系统注入功率的每个场景中计算所得状态变量的概率分布以该场景对应的概率作为权重,整合计算得到最终的概率潮流结果。以改进的IEEE 57节点系统进行仿真分析,结果表明所提方法简化了概率潮流求解过程,提高了计算效率。

基于高斯混合模型的风电场群功率波动概率密度分布函数研究

如何描述风电功率波动的概率密度分布特性一直是风电联网运行分析领域的难点。在利用概率密度函数法分析风电功率波动特性的基础上,首先验证了采用多种单一分布函数模型拟合风电波动概率密度分布特性的效果较差,并根据列维定理揭示了风电场群出力波动概率密度分布特性呈现多种分布的规律;在此基础上提出采用高斯混合模型替代单一分布函数模型来拟合风电波动概率密度分布特性的方法。仿真结果表明,高斯混合模型具有良好的拟合效果,适用于描述大型风电场群出力波动的概率密度分布特性。

混合高斯概率密度模型参数的期望最大化估计

混合高斯模型是对非高斯数据进行概率密度拟合典型模型,其参数估计可以通过期望最大化(EM)迭代算法获得。多维混合高斯模型参数的EM估计因结构庞杂而难以求解,而对主动检测背景的统计特性拟合来说,一维的混合高斯模型一般即已足够。描述了该情形下的混合高斯模型及其参数估计问题之后,导出了一种工程实用的、简化的EM迭代算法,并给出了可计算机编程实现的算法流程图。然后详细探讨了对EM估计精度与速度有着重要影响的参数初始化问题,给出了三种可选择的初值设置方案:高速度方案、高精度方案和二者的折衷方案,并分析了它们各自的适用场合。最后,结合一组数值仿真实例,演示了EM迭代算法的良好的混合高斯模型参数估计性能。

基于高斯混合模型的非高斯随机振动幅值概率密度函数

针对非高斯振动信号的幅值概率密度函数难以用数学模型表述的问题,提出了基于高斯混合模型的非高斯概率密度函数表示方法。首先,基于时域样本信号得到非高斯振动信号的高阶矩估计值。其次,基于高斯随机过程偶次高阶矩之间的定量关系,结合二阶高斯混合模型建立方程组,求解得到混合模型中每个高斯分量的方差和权值。然后,将各高斯分量的权值和方差代入高斯混合模型,得到适用于对称非高斯振动信号的幅值概率密度函数。最后,通过仿真信号和实测振动信号,验证了该方法的有效性和适用性。

基于直方图比较的高斯混合模型更新算法

高斯混合模型背景差法的难点在于对背景模型进行有效更新。针对该问题,提出一种高斯混合模型的自适应更新算法——HCGMM。通过量化帧间灰度直方图的差异,得到图像的亮度变化值,并依据亮度变化值对高斯混合模型参数进行调整。实验结果表明,即使在画面光强剧烈变化的情况下,该算法也能够准确地重构背景,避免过度检测现象,从而实现对运动目标的完整提取。

利用高斯混合模型实现概率密度函数逼近

针对图像的概率分布密度函数的不确定,利用有限高斯混合模型逼近图像的概率分布密度函数。理论上证明了有限高斯混合模型可以以任意精度正逼近实数上的非负黎曼可积函数,特别可以逼近任意的概率分布密度函数。实例表明有限高斯混合模型逼近已知分布密度函数或未知分布密度函数时,具有逼近精度高等优点,为函数逼近提供了理论和技术支持。

基于高斯混合分布模型的风电功率预测误差统计分析研究

针对风电功率预测误差的统计分析,研究了一种基于高斯混合模型的风电功率预测误差分布,采用期望最大化算法,从统计学角度分析了风电功率负荷预测误差数据,并且在理论上证明了该方法的合理性。该方法的优点在于,无论其统计分布是怎样的,所有风电功率预测误差的概率密度函数都可以使用高斯混合模型近似表示,然后进行适当的子模型削减。通过对高斯混合模型与其他各种统计分布模型的性能进行比较,证明了高斯混合模型在风电功率预测误差统计分析应用中的有效性。