基于强化学习的含智能软开关主动配电网双层优化方法

由于大量分布式电源接入配电网,配电网调控能力不足导致电压波动大、可再生能源消纳水平低以及经济性指标差等问题突出。为此,提出了一种智能软开关(SOP)与配电网动态重构协同优化方法,充分调动网侧灵活性资源,并构建基于强化学习的双层优化模型。模型上层将生成的辐射型拓扑结构集合作为强化学习的动作空间,动态选择拓扑结构;下层基于上层的网络结构进行含SOP可控有源设备运行优化,挖掘SOP灵活的潮流调控能力,并依据优化结果不断修正上层拓扑选择,可高效求解此多时间尺度混合整数非线性规划问题。通过删减无效网络、对历史信息计及优先级采样等措施,加速了算法收敛速度。算例分析表明,基于强化学习的双层协同优化方法给出的优化策略有效改善了主动配电网运行水平,并且能够自适应源荷不确定性场景。

求解时变非线性不等式的新型动态学习网络

为有效地求解时变矢量型非线性不等式,针对传统的零化神经网络在求解时变矢量型非线性不等式时收敛速度慢、鲁棒性弱的问题,提出了一种新型混合变参动态学习网络(mixed variant-parameter dynamic learning network,MVP-DLN)。首先,定义矢量型的无界误差函数;其次,构造混合变参神经动力学设计公式;最后,通过替代方法和神经动力学设计公式,开发出MVP-DLN模型。理论分析表明MVP-DLN模型具有全局的收敛性能和强鲁棒性。最后,采用仿真实验验证模型的性能,实验结果表明,相比于传统的零化神经网络,MVP-DLN模型在求解时变非线性不等式时具有更好的收敛性能和更强的鲁棒性。

基于混合特征和深度学习的安卓恶意软件动态检测研究

为避免用于隐私泄露,设计基于混合特征和深度学习的安卓恶意软件动态检测方法,实现安卓恶意软件动态检测的高效性以及准确性。通过反探测方案防止恶意安卓软件检测模拟环境进程,并在模拟器中运行待测安卓软件,采集安卓软件动态运行数据,通过解压与反编译处理完成安卓软件运行数据文件预处理,从预处理后的安卓软件文件中提取以函数调用图特征、字节概率特征以及APK权限特征组成的安卓恶意软件混合特征,将获取的安卓恶意软件混合特征作为改进自编码网络的输入数据,输出安卓软件是正常或恶意软件的动态检测结果。实验表明:该方法可实现安卓恶意软件动态检测,并获取恶意软件类型,且动态检测时间短,具有较好的安卓恶意软件动态检测评价指标数值。