基于KL散度距离处理风电不确定性的负荷恢复分布鲁棒优化

在构建以新能源为主体的新型电力系统的背景下,在恢复控制过程中积极利用新能源并充分应对其对运行安全带来的潜在风险对于减小停电损失具有重要意义。首先,为了表征风电出力的不确定性,采用KL散度(Kullback-Leibler)距离作为筛选极端风电出力场景的控制条件,并据此构建模糊集作为风电出力典型场景。在满足相关运行安全约束的前提下,建立了以最大化加权负荷恢复量为优化目标的分布鲁棒优化模型以制定计及风电的负荷恢复方案。经松弛处理和对偶转换所得到的混合整数二阶锥模型可调用商业求解器求解。以接入规模风电场的IEEE 10机39母线系统为例进行仿真,结果表明:相比于传统的鲁棒优化方法,该方法降低了优化结果的保守性,有助于加快负荷恢复,减小停电损失。

基于Bregman散度和差分隐私的个性化联邦学习方法

联邦学习因能解决数据孤岛问题而被广泛关注,但也存在用户隐私泄露风险和非独立同分布数据下模型异构导致性能下降的问题.针对该问题,提出基于Bregman散度和差分隐私的个性化联邦学习方法(FedBDP).所提方法采用Bregman散度衡量本地参数与全局参数的差异,并将其作为正则化项更新损失函数,以减小模型差异来提升模型准确率.同时,采用自适应差分隐私技术对本地模型参数进行扰动,通过定义衰减系数动态调整每轮差分隐私噪声的大小,以合理分配隐私噪声大小并提升模型可用性.理论分析表明FedBDP在强凸和非凸光滑函数下满足收敛条件.实验结果验证该方法在满足差分隐私的前提下,FedBDP模型在MNIST和CIFAR10数据集下能够保证模型准确率.

振动信号模型和散度在诊断滚动轴承故障中的应用

在分析旋转机械滚动轴承振动信号特点的基础上,首先建立轴承振动信号理论模型,并对其进行实验验证,然后计算待诊断样本和各种典型状态下振动信号模型之间的散度值,通过散度值的大小对比可知轴承故障部位和故障程度变化,最后通过对试验台数据和风电场实验样机数据的分析验证了此方法的有效性和实用价值,该诊断方法采用具有一定稳定性的轴承各部位故障特征频率为特征参数,且不需要对原始振动信号进行处理,也不需要大量具有典型故障的信号样本作为基础支撑,这三个特点决定了此诊断方法在实时性和鲁棒性方面的优越性,因此非常适合用于旋转机械滚动轴承的在线监测和自动故障诊断。

基于KL散度工况识别的混合动力汽车队列的分层控制

针对混合动力汽车队列行驶过程中工况的适应性问题,提出了一种基于KL(Kullback-Leibler)散度工况识别的分层控制方法。上层控制器利用车—车通信技术,获取队列中前车状态信息,采用模型预测控制(MPC)算法,实现队列纵向控制,并计算出最优跟车车速;下层控制器基于典型工况,离线求解需求功率的转移概率矩阵,并通过Q-Learning算法训练最优Q表嵌入整车模型中;在行驶中以固定时间长度在线更新转移概率矩阵,采用KL散度进行工况识别,根据识别的工况类型,结合当前时刻车速、需求功率和电池荷电状态(SOC),通过在线查表实现转矩分配。结果表明:与未考虑工况识别策略相比,本策略的油耗降低了8.6%;与作为基准的动态规划(DP)相比,增加了4.8%;在与DP油耗基本保持相同的前提下,该策略离线仿真时间缩短21%,不仅能够在线应用,还能实时适应工况变化。

不确定转子系统动力学降阶模型构建与模型散度参数辨识

在航空、航天、船舶等领域的实际工程转子系统中,广泛存在高维复杂的非线性系统。在航空发动机转子系统、燃气轮机转子系统等重点研究领域,通常还难以对高维复杂非线性系统进行直接的数据处理和分析统计。针对不确定性转子系统的模型维度较高等问题,提出了一种模型不确定性动力学降阶计算模型构建和模型散度参数辨识方法。首先,根据确定性动力学模型和静态矩阵降阶方法,完善了确定性动力学降阶模型;然后,基于随机矩阵理论和非参数动力学建模方法,提出了不确定性动力学降阶模型;最后,利用系统确定性模型的一阶临界转速、振型和实验数据,对不确定性动力学模型的散度参数进行了辨识;为了验证散度参数辨识方法的有效性,笔者又在转子实验平台上进行了实验验证。研究结果表明:实验结果与降阶之后振动响应均值的差异性较小,且与不确定性动力学模型相差不超过10%,表明所采用的理论模型在描述转子系统行为方面具备了较高的准确性和可靠性,该模型可以为深入研究模型不确定性转子系统提供参考。

基于电压序列最小KL散度索引的低压台区拓扑识别

为了实现对低压台区拓扑结构的准确刻画,提出一种基于电压序列最小KL(Kullback-Leibler)散度与深度搜索相结合的拓扑识别方法。首先,采用Neville插值修复电压采样序列,利用改进的KL散度计算用户电压序列概率分布,并依据KL散度大小对用户所属台区进行划分;其次,基于最小KL散度确定深度搜索的索引方向,通过主干搜索与分支搜索遍历台区用户节点,判断用户之间的连接关系;最后,针对不同场景分析所提方案拓扑识别性能。仿真结果验证了所提方案的有效性。

非高斯噪声下基于KL散度最小化的目标跟踪

在复杂环境下的目标跟踪系统中,由于受随机脉冲干扰、建模误差、未知异常值等因素影响,系统模型的过程噪声和测量噪声呈现出非高斯重尾的复杂特性。提出了一种在分布式融合框架下基于KL散度(KLD)最小化的算法。首先,包含了目标状态、过程噪声和测量噪声等多个参数的先验模型被构成学生t分布;其次,KLD最小化的方法解决近似分布拟合真实分布差距过大的问题,提高了学生t建模的准确性;最后,采用协方差交叉融合策略实现对局部平台状态估计融合与修正。仿真结果表明,所提算法较传统的NKF、STF、MCCKF算法,具有更高的估计精度。

基于动态核独立成分统计散度的高阻故障检测

为提高配电网运行的可靠性,提出了一种基于动态核独立成分统计散度的配电网高阻故障检测方法。将滞后系数和核独立成分分析结合得到动态核独立成分分析算法,将Wasserstein散度引入T^(2)统计量形成动态独立成分散度判别统计量,对动态核多元独立成分间的概率分布差异进行度量,最后将统计量幅值和越限时间构成判别条件用于对统计量度量结果的判别,实现高阻故障检测。通过仿真结果可知所提方法能够准确地检测出不同类型的高阻故障,具有有效性和可行性。

基于修正KL散度的复杂会计舞弊行为预警研究

近年来随着会计舞弊行为愈发复杂,系统性会计数据造假行为层出不穷,对于数据质量有高要求的机器学习模型在预警时不可避免的会遇到挑战。文章在深入分析当前会计舞弊类型与识别方式的基础上,重点关注会计数据的真实性水平。基于Benford法则和信息熵构建了修正KL散度因子提取会计数据真实性特征,并基于此构建了以数据真实性为核心的会计舞弊预警体系。以2018—2022年中国创业板上市企业为实验对象,对其会计舞弊行为进行预警,结果表明:高成本、更复杂化的手段的确可以帮助企业实现改造特定财务指标数据的目的。

χ^(2)-散度信息集下的分布鲁棒优化问题

讨论了χ^(2)-散度刻画的信息集下的一类分布鲁棒优化问题.利用测度转换技巧及凸分析理论,得到该分布鲁棒优化问题的确定等价形式,其结构为经验分布下目标函数的期望添加了关于模糊因子和标准乘积的罚项.发现χ^(2)-散度下的机会约束问题可以转化为经验分布下的更为保守的机会约束问题.最后讨论了一个χ^(2)-散度信息集下的分布鲁棒投资组合问题并得到了其解析解.

Cigar孤立子上加权散度型椭圆算子的特征值估计

本文研究了cigar孤立子(R 2,g,f)上加权散度型椭圆算子LA,f的如下Dirichlet特征值问题:{LA,f u+V u=λρu,inΩ,u=0,on∂Ω,其中V和ρ分别是Ω上的非负连续函数和正连续函数.我们建立了该问题的一些特征值不等式.

基于ARMAV模型和J-散度的结构损伤识别

损伤识别技术是结构健康监测系统的关键组成部分,为了进一步提高损伤识别的准确性和适用性,提出一种融合信息距离函数J-散度与向量自回归滑动平均(vector autoregressive moving average,ARMAV)模型的损伤识别方法。采用预白化过滤器对加速度时域数据进行消除激励相关性以及降噪处理;建立了ARMAV模型,并由模型的自回归参数和残差方差构建损伤判别指标;采用三层框架试验数据,并进行转播塔模型的损伤识别试验研究验证了该方法的有效性。结果表明:基于ARMAV模型和J-散度距离的损伤识别方法可操作性强,能够准确、高效地定位框架和塔架结构的损伤,且该方法受环境变化的影响较小,可为在线结构健康监测提供一种新思路。

基于加权JS散度分块策略的设备故障检测

在分块主成分分析(PCA)故障监测方法中存在2个主要问题,一是确定最佳的变量块划分阈值往往十分困难,二是PCA故障监测主要针对是服从正态分布的数据,而实际工业生产数据往往无法完全符合正态分布的要求。为了解决这些问题,提出一种基于加权JS散度分块策略的故障检测方法。通过观察变量的分布模式来判断过程变量的正态性,并将数据分为正态变量和非正态变量。为了解决变量块难划分问题,采用加权JS散度分块策略,将变量拓展为正态加权子块和非正态加权子块,再建立PCA和独立成分分析(ICA)检测模型对正态子块和非正态子块进行监控,在得到各个子块的检测结果后,采用贝叶斯融合推断方法将监测结果进行融合,得出全局的故障监测结果。通过在某卷烟厂制丝设备的故障数据上的应用验证了该方法的有效性和可行性。

散度加权的平均一阶依赖估计分类算法研究

平均一阶依赖估计(AODE)是对朴素贝叶斯分类算法的重要扩展,然而,AODE平等地对待各个属性,这限制了其分类性能的提升。为了准确刻画各个属性对于分类的作用,进一步提升AODE的分类性能,该文提出一种基于散度加权的AODE分类算法。该方法引入了Kullback-Leibler散度和Jessen-Shannon散度2种散度指标,基于类别的先验分布和给定属性取值的后验分布之间的散度,构建AODE分类框架中超级父属性一阶依赖估计器的权值,从而得到超级父属性一阶依赖估计器的更优组合方式。在36个加州大学机器学习数据集上的实验表明,基于散度的AODE属性加权算法显著优于原始的AODE算法。因此,散度加权能够有效提升AODE的分类性能。

茯砖茶中冠突散囊菌检测的不确定度评定

本文依据《测量不确定度评定与表示》(JJF 1059.1—2012)建立茯砖茶中冠突散囊菌检测的数学模型,并进行不确定度评定。结果表明,茯砖茶试样中冠突散囊菌检测结果为1.9×10^(5)~24.7×10^(5)CFU·g^(-1)。当置信区间为95%,包含因子k=1.8331时,扩展不确定度为0.5514。培养基质量对检测结果的影响较大,重复性检测、接种体积和梯度稀释次之,样液制备和样品称量的影响最小。本研究可为检验机构和茶企化验室检测冠突散囊菌提供技术支持。

基于光谱信息散度-光谱角的自适应密度峰值聚类波段选择方法

针对传统密度峰值聚类在波段选择时缺乏信息论角度的相似性度量以及波段数目确定问题,提出基于光谱角-光谱信息散度的自适应密度峰值波段选择方法(SSDPC:Spectral angle mapping and Spectral information divergence Density Peaks Cluster)。该方法将光谱信息散度和光谱角用于高光谱图像密度峰值聚类进行波段选择,取代传统的欧氏距离构建波段相似矩阵。通过构建波段评分策略,有效自动选择出重要的光谱波段子集。在3组高光谱数据集上调用RX(Reed-Xiaoli)算法进行异常检测,在SSDPC的相似性度量方法下,异常检测精度较欧氏距离度量方法分别平均提高1.16%、1.18%和0.07%;在自适应的SSDPC波段选择方法下,异常检测精度相较原始RX算法分别提升6.49%、2.71%和0.05%。结果表明,该算法具有良好的鲁棒性,能提升高光谱图像异常检测的性能并降低其虚警率。

基于累积KL散度和改进粒子滤波的滚动轴承剩余使用寿命预测

针对大量传统退化指标未考虑轴承在服役过程中的累积退化特性以及常规粒子滤波算法存在粒子退化和粒子多样性不足导致剩余使用寿命预测困难的问题,提出一种基于累积KL散度退化指标结合改进粒子滤波的轴承剩余使用寿命预测方法。利用累积缩放变换将从轴承振动信号中提取的原始KL散度转换为映射特征以优化其单调性与趋势性,构建累积KL散度退化指标;根据退化指标建立双指数退化模型,并利用灰狼算法优化粒子滤波的采样过程,引入残差重采样方法解决粒子退化问题,实现改进粒子滤波递推预测轴承剩余寿命。分别在6312/C3轴承全寿命实验数据与XJTU-SY公开轴承数据集上进行验证,利用对比实验证明了所提出的累积KL散度退化指标结合改进粒子滤波预测方法相比常规粒子滤波预测方法具有更高的预测精度。

基于粒子群算法的模糊散度多阈值图像分割方法

模糊散度图像中含有多个不同灰度级的区域,单阈值分割方法无法有效处理图像,导致图像分割方法效果较差.为此,提出一种基于粒子群算法的模糊散度多阈值图像分割方法.将彩色图像转换为灰度图像,简化数据复杂度,为后续处理做准备.采用均值滤波法去除图像中的噪声,通过计算滤波模板内像素的均值来替代中心点像素值,以减少冗余像素点对分割结果的影响.构建直方图均衡化图像增强模型,增强图像中目标信息与背景信息的对比度,恢复过明或过暗环境中丢失的细节信息,提高图像分割的准确性.利用粒子群算法,基于模糊散度的概念,将原始图像与分割图像之间的模糊散度作为适应度函数,通过迭代优化找到最优的多阈值分割方案.结果表明,所提方法的结构相似度指数和均匀性指数相对更大,由此说明所提方法有效提高了图像分割的准确性和效率.

基于KL-散度的电力用电数据自动脱敏算法研究

电力数据中包含一些隐私数据,一旦泄漏,就会对个人隐私安全造成隐患。为保证电力数据的安全性,提出了基于KL-散度设计电力用电数据自动脱敏算法。基于KL-散度算法建立敏感数据过滤模型,计算不同变量数据的KL距离,得到其相似性指标,对用户项目评分进行平滑处理,将具备相似性的敏感数据分成不同的批次。敏感数据去身份化处理,将数据匿名转换,计算用户真实路径被泄露的概率。设计数据自动脱敏算法,分别计算概念化数据、元组信息以及信息流的损失程度,以此判定脱敏后的数据是否可用。检验脱敏前后数据一致性,三类电力用电数据的变化率分别为0.43%、0.14%和0.11%,远远小于标准值。且算法在运行过程中单位时间处理数据量和平均延迟时间也较为理想,可见该脱敏算法具备实用性。

基于自组织聚类和JS散度的RBF神经网络

针对如何确定径向基函数(RBF)神经网络隐层结构这一问题进行研究,提出一种基于自组织聚类和JS散度的RBF神经网络。为解决K-means算法对初始值敏感的问题,提出基于距离的自组织初始聚类,将戴维森堡丁(DBI)指数作为准则函数,进一步提高聚类精度,得到代表数据集分布特性的隐节点;为解决隐节点冗余和相似的问题,提出一种基于敏感度分析的隐节点删除方法和基于詹森-香农(JS)散度的隐节点合并方法。仿真结果验证了该算法的有效性。