基于混合混沌优化法的Hopfield网学习算法

提出了一个基于混合混沌优化法的Hopfield网学习算法。通过对Hopfield网权值不等式的处理,训练Hopfield网。利用混合混沌法的优点,即混沌的遍历性和禁忌搜索的“记忆性”和期望准则,有效地避免了局部最小解,克服了原Hopfield网学习的局限性,还能找到多个优化解。实验证明了该算法的有效性。

基于遗忘进化规划的Hopfield网学习算法

本文提出了一个基于遗忘进化规划的Ｈｏｐｆｉｅｌｄ网学习算法．通过遗忘部分个体，算法能避免局部最小．给定不动点、极限环或迭代序列，通过解不等式，算法能同时获得Ｈｏｐｆｉｅｌｄ网的拓扑结构和权值．该算法克服了进化Ｈｏｐｆｉｅｌｄ网学习的局限性．它还能找到多个优化解．实验也证明了该算法的有效性．

基于任意给定训练集的离散型Hopfield网学习算法

本文提出了一个离散型Ｈｏｐｆｉｅｌｄ网联想记忆学习算法，该算法增加了训练样本的维数，因而能存储任意给定的训练模式集．

基于分层约束强化学习的综合能源多微网系统优化调度

构建多微网系统是消纳可再生能源、提升电网稳定性的有效方式。通过各微网的协调调度,可有效提升微网的运行效益以及可再生能源的消纳水平。现有多微网优化问题场景多元,变量众多,再加上源荷不确定性及多微网主体的数据隐私保护等问题,为模型的高效求解带来了巨大挑战。为此,该文提出了一种分层约束强化学习优化方法。首先,构建了多微网分层强化学习优化框架,上层由智能体给出各微网储能优化策略和微网间功率交互策略;下层各微网以上层策略为约束,基于自身状态信息采用数学规划法对各微网内部的分布式电源出力进行自治优化。通过分层架构,减小通信压力,保护微网内部数据隐私,充分发挥强化学习对源荷不确定性的自适应能力,大幅提升了模型求解速度,并有效兼顾了数学规划法的求解精度。此外,将拉格朗日乘子法与传统强化学习方法相结合,提出一种约束强化学习求解方法,有效地解决了传统强化学习方法难以处理的约束越限问题。最后通过算例验证了该方法的有效性和优势。

一种基于稀疏贝叶斯学习的离网DOA估计算法

本文提出一种基于稀疏贝叶斯学习的改进离网DOA估计算法,以提升非理想测向环境下在低信噪比、低快拍数时的DOA估计性能,称之为MOGSBL算法。本算法将信号源方位区间进行离散化,得到方位离散网格。为阵列接收信号建立稀疏贝叶斯模型,将网格节点修正量设为模型超参数。采用期望最大化算法迭代更新网格节点修正量,使更新后的网格节点更接近真实源信号方位。为了检验MOGSBL算法的性能,本文进行了大量的数值实验,并将MOGSBL算法的DOA估计结果与RSBL算法、OGSBL算法和L1-SVD算法进行对比。在不同信噪比和不同快拍数时,MOGSBL算法均能清晰分辨方位很接近的两个信号源,角度分辨率明显高于RSBL算法、OGSBL算法和L1-SVD算法。随着信噪比和快拍数的增加,4种算法的RMSE均逐渐减小。但MOGSBL算法的RMSE明显低于RSBL算法、OGSBL算法和L1-SVD算法,且RSBL算法、OGSBL算法优于L1-SVD算法。实验还分析了方向测试范围的离散网格节点数对DOA估计的影响,发现细密的离散网格可以提高DOA估计精度,但DOA估计的计算量会增加。且在任意网格节点数时,相比于RSBL算法、OGSBL算法和L1-SVD算法,本文的MOGSBL算法均具有最低的RMSE和最短的计算时间。

网课之困:深度媒介化背景下大学生群体的学习异化与问题反思——基于高校网课的田野调查

网课是当代大学生必须掌握的新型学习途径,它在技术上彻底解决了特殊情境下授课时空连接的难题,但在大规模普及的过程中逐渐暴露出一些隐藏的缺陷。调查发现,当代大学生普遍存在在线学习方式异化的问题,并形成一种“网课之困”,其中包括过度强调学习设备的更新、在线虚拟痕迹的考核、知识传播仪式的忽视等。这些问题的产生与深度媒介化的教育现实密切相关,随之而来的是师生关系疏离、躺平习惯流行、糊弄交差横行、师生权力倒置等诸多“怪象”的发生,高等教育质量存在下降的风险。为此,要积极寻找破解“网课之困”的路径和方法,引导大学生重塑健康的学习习惯。

Gloo+:利用在网计算技术加速分布式深度学习训练

在分布式深度学习训练中,聚合通信是主要的通信方式。在聚合通信优化的研究中,有软件层面的优化和硬件层面的优化。SHARP是Mellanox提出来的一种聚合通信网络卸载协议,是针对聚合通信在硬件上的优化,其将聚合操作卸载到网络中的交换机,进而缩短了聚合通信时间。在Gloo的基础上集成了SHARP技术,设计并实现了一个能够利用在网计算技术来加速分布式深度学习训练的聚合通信库——Gloo+。评估并比较了Gloo+、Gloo以及MPI中聚合操作的性能,并将Gloo+应用于分布式深度学习训练中,以此来检验其实战能力。对Gloo+的实验评估结果显示,在基准测试时,在消息大小较小的情况下,Gloo+相对于Gloo的加速比最高能达到100以上;相比于以太网模式下的MPI,其加速比最高也能达到50以上;相比于IB网模式下的MPI,其加速比在10以内。在分布式深度学习训练的实际应用中,Gloo+相比于Gloo加速比最高能达到1.1,相比于以太网模式下的MPI加速比最高有1.3,相比于IB网模式下的MPI加速比最高有0.5。

基于多任务辅助学习的配网低电压成因分析

当前配网低电压愈发严重,已经严重影响居民的日常生活,而维护工单反馈模糊,难以准确定位其原因。为了准确定位配网低电压的成因,提出一种基于多任务辅助学习的配网低电压成因分析模型。首先,获取低电压用户96点电流、电压等原始数据,并实现原始数据的预处理;其次,利用双向门控循环单元神经网络(bidirectional gated recurrent unit,BiGRU)挖掘数据的深度特征;最后,将引发配网低电压的主成因分析设置为主任务,子成因的分析作为相关辅助任务,利用相关辅助任务强化数据中隐藏特征学习,为主任务提供额外的监督信息,并采用多任务联合训练方式训练主成因分析模型,协助模型学习到更具鲁棒性的特征表示,提高配网低电压成因分析的准确率。实验结果表明,提出的基于多任务辅助学习的配网低电压成因分析模型具有较好的分析定位能力,最终分类准确率可达95.58%。

基于强化学习的无人机智能组网技术及应用综述

针对无人机在民用和军事等领域中的研究热度及应用需求日益增长,传统Mode1-Based的网络部署、设计、操作方法无法应对动态变化的无人机场景的问题,本文综述了灵活性高、适应性强的AI-Based的智能组网技术,并引入强化学习这一人工智能领域的重要分支。对现有利用强化学习技术解决无人机组网难题的研究进行了概述,结合无人机组网的特性梳理了此领域应用强化学习技术的主要思路。从几个应用场景,以及组网关键技术的角度进行了归纳,给出了基于强化学习的无人机智能组网技术所面临的机遇与挑战,并进行了总结。探究了无人机通信的感知能力与决策能力,适应了其动态变化且需要高度自治的环境需求。为未来无人机智能组网技术的发展提供了有价值的理论基础和实践指导。

基于深度学习的无人机自组网分层入侵检测方法

针对无人机自组网携带重要信息却容易受到各种攻击的问题,提出了一种分层检测响应的方案。首先采用端节点误用检测方法,监测无人机行为并报告规则验证的结果。接着,地面站利用深度神经网络分类算法进一步优化验证结果。为抵御如干扰、黑洞、灰洞等不同类型网络攻击提供了新的解决方案。最后,与BRUIDS方案和分布式检测方案进行模拟分析和实验对比。结果表明,相较于另外两种方案,方法在检测率方面的下降率均保持在10%以内,检测率高达93%以上。误报率提升了1.2%,在检测攻击延迟方面与分布式方案相差无几,通信开销减少了约53.5 KBps,且对未知攻击检测问题有显著改善。

基于自适应学习率卷积神经网络的新型配电网源网荷储无功协调优化技术

随着“双碳”目标的推进,分布式新能源接入电网的容量大幅度提升,配电网源网荷储协调优化策略是实现分布式新能源消纳的重要方法,其中无功优化能够保证电网安全稳定运行。文章提出了一种基于自适应学习率卷积神经网络的配电网源网荷储无功协调优化技术。首先以最小网络损耗和最低电压偏移为目标,构建无功优化模型;其次利用卷积神经网络强大的非线性拟合能力,挖掘出电网运行场景和无功调压设备、储能充放电策略之间的映射关系,引入自适应学习率的方式更新网络参数,提高了网络训练效率;再次通过控制无功调压设备和储能装置充放电情况协调分布式电源出力,实现电力系统无功电压主动优化控制;最后通过IEEE33节点电网模型进行了仿真验证。结果表明,文章所提的配电网源网荷储无功协调优化方法提高了电力系统电压调节能力,为配电网安全可靠运行奠定了良好基础。

基于迁移学习的OMS配网瞬态稳定性控制方法

为了提升一体化控制效果,确保OMS配网的瞬态稳定,研究基于迁移学习的OMS配网瞬态稳定性控制方法。通过迁移学习调整网络中非固定层参数,依据提取的特征训练重构非固定层的网络,构建迁移学习卷积神经网络模型;输入二维电压电流数据图像,输出OMS配网瞬态稳定性预测结果;若OMS配网瞬态失稳,则求解OMS配网内发电机的灵敏度,按照灵敏度生成OMS配网瞬态稳定性一体化控制策略。实验证明,该方法在不同故障下,综合评价指标值较高,一体化控制效果较佳。

基于深度学习的配网态势感知和故障预警系统的研究

深度学习算法可有效解决配网缺陷,对比其他算法,深度学习主要优势在于,该算法是以模拟人脑展开分析学习所形成的一种神经网络,通过模拟人脑解释和处理数据,具有较强信息拟合能力。该研究分析配网态势感知和故障预警问题,提出深度学习的配网故障检测和预警系统,有效解决预防性维修局限性问题,用户能随时查看设备参数信息与故障预警报告。该预警系统可为维修人员提供数据提示,有助于及时查看配网故障,大大提升了设备运行管理能力,缩短重要设备停机时间。

基于强化学习的电-气-热多微网系统定价策略

随着能源交易的逐步市场化,含电-气-热的多微网系统中微网服务商的零售价定价策略将影响到系统的运行和所有参与者的利益。为研究微网服务商的定价策略,首先详细描述了电-气-热多微网系统内部交易过程并建立了系统模型。随后这一定价问题被描述为斯塔克尔伯格博弈,并证明了该博弈存在唯一的均衡解。为保护各主体隐私,提出了一种基于强化学习的求解方法以求解存在时间耦合的斯塔克尔伯格博弈。算例研究表明,该方法准确有效地解决了所提出的定价策略问题,微网服务商和各微网均采取了有效策略以保证自身利益。同时,该方法有效保护了市场参与者的隐私并展现了良好的计算性能。

双碳目标下基于贝叶斯改进深度学习算法的微网主从博弈调度优化

风机、光伏和负荷的不确定性及多主体利益的不协调,给微网调度优化带来了挑战,提出基于BNN-DL源荷预测的微网多主体多目标协调调度优化模型。首先深度神经网络融合贝叶斯法完成历史数据、气象因素和源荷的非线性关系映射,实现源荷精准预测。其次考虑微网经济性与能源利用率,提出微网日前与实时两阶段模型,日前阶段以储能运行、负荷调度、电能交易成本最低为目标构建模型进行优化。实时阶段为有效协调微网电能交互,建立微网发电与用户间的Stackelberg博弈模型,同时通过发电方非合作博弈和用户方演化博弈模拟电能价格和购电需求策略,并证明存在均衡解,然后运用反向变异麻雀搜索算法对两阶段模型进行求解。最后通过算例仿真分析,结果表明所提方法具有较好的自适应性,能够提高微网经济效益和能源利用率。

一种配网停电故障分类和源定位的深度学习方法

配网停电故障时产生的高斯噪声造成数据失稳,影响故障源头定位的精度,为此,提出基于深度学习的配网停电故障分类和源定位方法。构建配网停电故障二元模型,分析配网停电故障数据失稳特征。将所得到的规格化数据用矩阵格式输入到深度神经网络中,获取负载率、三相不平衡度分类指标。分析停电事件信息池和停电故障研判之间的关系,获取故障分类结果。使用深度学习的有监督训练算法,结合S注入法寻找源故障位置。由实验结果可知,该方法故障电流实部在0~0.5 A范围内变化,故障电流虚部在0~1.0 A范围内变化,与实际变化范围一致,说明使用所研究方法能够获取精准的故障定位信号。

基于跨学科学习的美术思维网搭建策略

美术思维网由形象思维和逻辑思维构成,与跨学科学习相依相生,具有系统与耦合、通达与变异、线性与多维、单触点与多触点、跳跃与迁移并存等特点。在教学实践中,教师通过以真实情境刺激艺术直觉、唤醒审美态度、激发思维活力,以思维导图捕捉关键信息、联结核心知识、点燃思维触点,以名作解析传导创作经验、整合学习经验、建构思维网络,以实践活动建立创作观念、发展创新能力、激励思维延展等路径帮助学生搭建美术思维网,促成学生知识、能力和素养系统全面成长。

基于元学习的源网储融合型屋顶光伏能量双向交互控制模型

在应用屋顶光伏时会存在内部不稳定情况,因此,研究基于元学习的源网储融合型屋顶光伏能量双向交互控制模型来解决该问题。利用多元学习方法构建负荷预测模型,利用该模型实现设备层中源、网、储等多个控制器的负荷预测,经微电网层传达负荷预测结果并以此为依据控制配电网主网和微电网,能量交换层接收该控制结果,处理后制定最优控制方案重新传输至微电网层与设备层光伏能量实现交互控制。模型中的能量交换器使用边缘计算框架采集与分析控制数据,将这些分析结果作为多工况下能量交换器控制策略的依据实现光伏能量双向交互控制。试验结果表明,该控制模型能够准确预测负荷变化,同时能够多工况下控制功率变化,具有较为良好的控制效果。

基于深度学习的配网设备故障预测方法研究

配网设备故障预测分析是电力系统正常稳定运行的关键操作。为了提升电力系统配网设备故障运维效率和精准率,利用ResNet50强大的特征提取能力和支持向量机(support vector machines,SVM)的高效分类性能,提出一种基于深度学习的配网设备故障预测方法,并且对配网变压器故障数据进行深入的学习和分析。实验结果显示,模型的预测结果与实际值之间的相对偏差保持在±2%的范围内,充分证明了该模型在实际应用中的有效性和实用性。

基于深度学习的主配网设备运行状态监测与预测研究

为提升电网的运行安全性和效率,提出了一种基于深度学习的主配网设备运行状态监测和预测方法。该方法能自动从主配网设备运行参数中学习特征,精准判断当前状态,并预测其未来状态。同时,它在状态监测和预测任务上均具有较高的准确率,能为电网运营提供强有力的支持,保障电网稳定运行。