基于聚类的HPO-BILSTM光伏功率短期预测

考虑到光伏发电功率在不同天气类型下的波动性和不确定性,对此提出一种基于模糊C均值聚类算法(FCM)和猎食者优化算法(HPO)优化双向长短期记忆网络(BILSTM)的光伏发电短期功率预测模型。首先对光伏发电数据进行处理和分析,再进行主成分分析(PCA)降维和FCM聚类算法将数据按天气类型分为阴、晴、雨;最后通过HPO筛选得出BILSTM神经网络的最佳超参数,避免因超参数设置不佳对实验带来的影响,进一步提高实验的准确性和模型的泛化能力。最后通过预测和对比实验进行分析,验证所提方法的优越性。

基于动态诚信因子的主从博弈抑制微电网虚假信息交易研究

为了解决微电网群内交互信息中存在的虚假信息问题,在考虑微电网(Microgrid,MG)诚信行为的基础上,文章提出了一种基于动态诚信因子的主从博弈电能交易机制。首先,以MG上报电量与实际交易电量为基准,建立奖惩机制,通过动态调整诚信因子来调节交易电价。其次,构建了一个以微电网群运营商(Microgrid Cluster Operator,MGCO)为领导、MG为跟随者的主从博弈模型。上层模型以最小化微电网群整体功率波动为目标,通过建立交易定价的合约机制,有针对性地调节群内交易电价;下层模型以MG运行费用最小为目标,根据群内交易电价动态调整自身购售电需求量,实现电能优化。最后,通过算例分析验证了该交易机制能够有效抑制微电网群内人为上报虚假信息的行为。

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影(KLPP)对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。

基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先,将用电模式和天气作为影响因素,基于二阶聚类算法对区域内的负荷节点进行集群辨识,再从每个集群中挑选代表特征作为深度学习模型的输入,这样既能减少输入特征维度,降低计算复杂度,又能综合考虑预测区域的整体特征,提升预测精度。然后,针对区域电力负荷时序性的特点,用CNN-BiLSTM-TPA模型完成训练和预测,该模型能提取输入数据的双向信息生成隐状态矩阵,并对隐状态矩阵的重要特征加权,从多时间步上捕获双向时序信息用于预测。最后,在美国加利福尼亚州实例上分析验证了所提方法的有效性。

基于专利数据库对脉痹处方规律及核心中药的数据挖掘研究

目的 基于国家专利复方,探寻中医药干预脉痹的遣方用药规律。方法 计算机检索国家专利数据建库至2023年3月有关中医药干预脉痹的专利复方,运用Excel进行数据清洗和频次、性味、归经的统计,SPSS Modeler18.0和R.4.3.1进行中药关联性及层次聚类分析,Cytoscape 3.9.1对共现网络进行可视化升级。结果 本研究纳入专利复方124项,涉及中药324味;高频中药包括丹参、黄芪等;药性以寒、温为主,药味以苦、甘、辛居多,归经主要归肝经;常见药对包括“黄芪-丹参”等;常用角药组合包含“山楂-丹参-川芎”等;层次聚类得到4组聚类组合。结论 专利复方治疗脉痹以活血祛瘀,化浊降脂,补益气血为主,本研究梳理了治疗脉痹的核心中药,以期为临床遣方用药和未来新药研发提供思路。

基于贝叶斯自优化Bi-LSTM组合网络的高速铁路轨道-桥梁系统震后响应预测方法

中国高速铁路(HSR)规划建设逐渐向地震易发地区延伸,亟需一种及时、准确的灾后地震响应快速预测方法,以实现高速铁路系统运输生命线安全的快速评估。本文提出了一种基于贝叶斯自优化双向长短期记忆(Bi-LSTM)网络的快速预测方法,以经过实验验证的高速铁路轨道-桥梁系统有限元模型地震动响应计算数据为样本,将预测地震响应和有限元计算结果进行比较,验证所提方法的精度和鲁棒性,表明该方法在预测高速铁路桥梁结构的非线性地震反应方面是有效的,且高速铁路轨道-桥梁系统的不同预测位置对预测精度的影响不明显;此外,为了降低神经网络训练数据量需求,提出了一种基于离散小波分解的分层聚类算法,结果表明,基于小波分解的分层聚类方法在保证预测精度的同时,有效地减少了训练地震集的输入数量。

基于三方博弈的多能交互微网群系统双层优化模型

随着新能源占比不断提高,多能交互微网群凭借其促进微网间能源互济、提升新能源利用率的能力,将成为智能电网的重要发展方向。为解决多能交互微网群在与用户进行能源交易过程中,对能源交易价格具有操纵性,多能交互微网群与用户间无法建立公平的能源交易机制的问题,建立政府、多能交互微网群、用户三方博弈模型,保证多能交互微网群与用户间能源交易行为的公平公正。由于传统的单层优化方法难以揭示多主体之间的交互行为,建立基于政府、多能交互微网群、用户三方博弈的多能交互微网群系统双层优化模型。模型上层为政府、多能交互微网群、用户三方博弈,三方博弈目标为政府社会福利最大化、多能交互微网群效益最优、用户满意度最高;模型下层为多能交互微网群系统优化调度,多能交互微网群系统协调各类能源转化最优分配,运行成本最低。最后,通过算例仿真验证该模型的有效性。

进化双层自适应局部特征选择

局部特征选择(LFS)方法将样本空间划分为多个局部区域,并为每个区域选择最优特征子集以反映局部异质信息。然而,现有的LFS方法以每个样本为中心划分局部区域并找到最优特征子集,导致优化效率低下且适用场景受限。为了解决这个问题,提出一种进化双层自适应局部特征选择(BiLFS)算法。LFS问题被建模为双层优化问题,特征子集和待优化局部区域是该问题的两个决策变量。在问题的上层,使用非支配排序遗传算法-Ⅱ求解被选择的局部区域的最优特征子集,区域纯度和被选择特征比率是目标函数;在问题的下层,根据上层求解的最优特征子集,首先使用局部区域聚类分析得到区域内的中心样本,然后通过局部区域融合消除非必要区域并更新必要区域的种群。在11个UCI数据集上的测试结果表明,相较于基于进化算法的非自适应LFS方法,BiLFS的平均分类准确率达到前者的98.48%,而平均所需计算用时仅为前者的9.51%,运算效率得到大幅提升,且达到基于线性规划的LFS方法的水准。对迭代过程中BiLFS算法选择的用于优化的局部区域进行可视化分析,结果表明,BiLFS选择必要局部区域具有稳定性和可靠性。

含高渗透可再生能源的动态网络重构与无功电压调整协同优化

具有出力不确定性的可再生能源高渗透并入,导致传统单一的主动管理策略难以实现配网最优运行。在此背景下,提出一种动态网络重构与无功电压调整协同优化方法。首先,采用基于形态和幅值的双尺度相似性度量谱聚类算法对负荷进行聚类,进一步利用反映负荷曲线波动特征的自适应聚合算法对时段做出合理划分。其次,计及风光不确定性,构建考虑配电网动态重构与储能和微型燃气轮机出力调控协同的机会约束双层优化模型,模型上层以配电网综合运行成本最小为目标,下层以系统电压总偏差最小为目标,实现对配电网运行经济性和系统电压质量的综合优化。然后,针对该模型提出了基于十进制编码的改进鲸鱼优化算法和内点法相结合的混合策略对模型进行求解。最后,在改进的IEEE33节点系统中,对所提的运行优化模型进行分析和验证。仿真结果表明:所提双层优化模型能够有效提高电压质量和降低配电网运行费用,所提时段划分方法能够得到符合曲线变化趋势的分段方案,改进后的算法大大提高了求解效率。

城市交通网格集群的Bi-LSTM的流量预测

为提升交通流预测精度,深层次地挖掘交通流数据的时空特征,提出一种基于双向长短时记忆网络(Bi-LSTM)的城市交通网格集群流量预测模型。将所获得的网约车轨迹数据集网格化;考虑人为确定集群个数对结果的影响,用贝叶斯信息准则进行参数估计确定集群数,利用高斯混合模型对交通状况相似的网格进行聚类得到不同交通网格集群;利用集群内部交通网格的输入时间序列的相互影响设计多对多模型,构建Bi-LSTM模型预测不相交集群上的流量;以经典多元线性回归模型(MLRA)作为对照组进行实验验证,采用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和动态时间规整(DTW)这四类评价指标对预测结果进行综合评价,验证基于Bi-LSTM模型的城市交通网格集群流量预测的可行性。实验结果表明:MLRA模型和Bi-LSTM模型对城市交通网格集群流量的预测值小于真实值,早高峰时段尤为明显;各交通网格集群的交通状态态势相似,集群的簇内相关性较强,两类模型均可实现较好的流量预测效果,Bi-LSTM表现更优;MLRA和Bi-LSTM预测模型的精度MAE、RMSE、MAPE分别为3.2011、4.4009、0.3187,3.0687、4.2943、0.3045,Bi-LSTM与MLRA相比,模型精度分别提高了4.14%、2.40%、4.46%,说明所构建的Bi-LSTM交通流网格集群流量预测精度高、误差低,要优于MLRA模型,表现出较好的泛化性能;MLRA和Bi-LSTM的DTW结果分别为52938.6356、54815.1055,构建的Bi-LSTM模型较MLRA模型各自工作日和节假日时间序列相似性DTW结果提高3.42%,表现出更好的鲁棒性。利用城市交通流量的特点和交通轨迹数据网格化的优点,基于Bi-LSTM模型的城市交通网格集群流量预测与MLRA交通流量预测模型相比,具有精度高、误差低的特点。同时,DTW指标方面,基于Bi-LSTM对城市交通网格集群流量模型与真实流量变化趋势一致,表现出较好的鲁棒性。

基于BLAP聚类和多粒度犹豫模糊集的售电套餐推荐方法

现有基于用户评价信息的售电套餐推荐方法因忽略了差异化用户评价信息的多样性,且仅考虑了用户擅长评价售电套餐所有属性的情形,给推荐结果带来较大偏差。为此,提出了一种基于双层邻近传播(BLAP)聚类和多粒度犹豫模糊语言评价集的售电套餐推荐方法。首先,提出了基于用户画像标签体系和BLAP聚类的样本用户集划分方法,以辨别用电特性相似的用户;然后,考虑多粒度犹豫模糊语言评价集和权重不完整信息,提出了样本用户集对售电套餐选择的模糊评价方法;接着,提出了基于样本用户集评价信息的新用户满意度评估方法和售电套餐的全排序推荐方法,以实现售电公司对售电套餐的精准推荐。最后,以中国某地区用户为对象进行算例分析,结果表明基于BLAP聚类和多粒度犹豫模糊集的售电套餐推荐方法能够帮助售电公司提高推荐质量,进而提升用户满意度,增强用户黏性。

采用双向LSTM自编码器的驾驶风格谱聚类识别研究

不同驾驶风格的分类对驾驶安全、道路设计和燃油经济性具有深远的影响。考虑到驾驶风格受驾驶员即时操作和前后操作的影响,提出了一种采用双向LSTM自编码器的谱聚类模型对驾驶风格进行识别,以反映驾驶数据时序性对驾驶风格识别的影响。首先利用鲸鱼优化算法对驾驶过程生成的自然驾驶数据进行特征选择,再利用基于双向LSTM的自编码器模型,获得用于谱嵌入的特征值和特征向量,并最终通过谱聚类对驾驶风格进行识别。应用本文中所提出的方法对真实驾驶数据进行比较分析。结果表明:该方法在聚类的精确性优于SOM和LSTM-谱聚类方法。此外,该方法还能在降低数据特征的情况下有效地识别驾驶员的驾驶风格,并反映驾驶员的操作策略。

基于5G基站可调度潜力与配电网集群划分的储能选址定容方法

随着经济发展,海量、分散的5G基站与分布式光伏将被广泛接入配电网,传统的集中式处理方法不宜用于系统的控制管理。同时,基站自备储能为电网提供了容量可观、潜力巨大的灵活性资源。为此,文中提出一种考虑5G基站可调度潜力与配电网集群划分的储能规划方法。首先,提出考虑通信负载的基站自备储能可调度容量评估方法,建立基站参与电网调度交互模型;然后,根据系统网架结构和基站-光伏出力特性,采用Fast-Newman算法对配电网进行集群划分,将基站与光伏打捆;最后,建立储能双层规划模型,模型外层负责求解储能的规划方案,模型内层负责优化储能和基站的调度策略。算例结果表明,应用所提规划方法能够减少系统对储能的投入、提升系统电压水平、提高系统经济性与低碳效益。

面向用户侧分布式光伏资源集群开发的博弈策略

当前,用户侧分布式光伏呈现出分散建设与无序接入的低端量化扩张态势,难以满足电网低碳转型下分布式光伏发电规模化深度开发与可持续发展需求。文中探索分布式光伏集群一体化开发与运营模式,提出集群开发用户侧分布式光伏资源博弈策略。首先,构建以集群运营商为主体的分布式光伏集群开发与运营模式;其次,针对用户自建光伏或出租场地两种开发模式,提出用户光伏开发行为预测方法;然后,揭示集群运营商与用户在光伏开发资源分配上的博弈关系,构建分布式光伏资源主从博弈双层优化模型。最后,仿真结果验证了所提方法对于引导用户侧分布式光伏有序理性开发与合理高效配置的有效性。

双花簇状铁锰催化剂活化过一硫酸盐降解MB

该文以金属有机骨架MIL-Fe(100)为模板,经锰掺杂和高温煅烧得到双金属衍生物作为催化剂,高效活化过一硫酸盐(PMS)用于降解亚甲基蓝(MB)染料。采用扫描电子显微镜(SEM)、X射线粉末衍射仪(XRD)、傅里叶变换红外光谱仪(FTIR)和X射线能谱分析(EDS)对Fe_(1)Mn_(2)-400材料的表面晶貌和化学结构进行了表征,证明该催化剂具有特殊的双花簇状形貌。探究得出在Fe/Mn摩尔比为1∶2,催化剂投加量为0.3 g/L,PMS浓度为2 mmol/L的最优条件下,MB的降解率可达92.19%,TOC去除率为50.71%,反应过程符合伪一级动力学(R^(2)>0.9)。通过淬灭实验证明了在Fe1Mn2-400/PMS体系中,SO_(4)^(·-)和·OH均是降解MB的主要活性物种,其中·OH占主导作用。X射线光电子能谱(XPS)反映出铁锰之间的协同作用促进了Fe(Ⅲ)/Fe(Ⅱ)的价态循环,从而提高了PMS的激活效率,实现了MB的高效降解。

基于Kmeans++-Bi-LSTM的太阳辐照度超短期预测

针对地表太阳辐射的不确定性和随机波动性,进而对大型光伏发电并网对电力系统的稳定性造成冲击,提出一种新的太阳辐照度超短期预测方案。该方案通过使用皮尔逊相关性分析和无监督学习中的Kmeans++算法,对多种气象数据进行筛选,找出关键气象数据并进行划分以及添加标签,接着将带有标签的关键气象数据输入双向长短期记忆网络预测模型中,以达到10 min时间间隔的太阳辐照度超短期预测。结果表明所提预测模型相较于目前常用的模型提高了预测精度。

基于改进降噪自编码器和多元时序聚类的海上风电功率预测

针对海上数值天气预报(NWP)精度低、气象因素复杂等特点,提出一种基于改进的双向降噪自编码器(BDAE)和多元时序聚类的短期海上风电功率预测方法。首先,利用Toeplitz矩阵逆协方差聚类(TICC)进行风况相似性分类,即根据30、70、100 m海上NWP风速进行多元序列实时分割与聚类;然后,针对不同风况类型分别建立可提取过去、未来双向有效信息的改进BDAE修正模型,以修正轮毂高度风速的预测误差;最后,基于修正后的轮毂高度风速以及其余NWP数据,利用TICC算法划分气象相似类型,并在此基础上建立对应的海上风电功率预测模型。采用国内某海上风电场数据进行实验验证,结果表明所提方法能提高海上风电功率预测精度,具有一定工程实用价值。

双聚类的关联规则挖掘方法

为了使所有关联规则算法都可用于双聚类挖掘,将双聚类问题转化为关联规则的频繁集挖掘问题.在为双聚类挖掘提供大量算法的同时,不但能获得双聚类,而且还能得到额外的双聚类关联信息.基因表达数据的实验结果证明了其有效性.

基于联合聚类与用户特征提取的协同过滤推荐算法

协同过滤利用与目标用户相似性较高的邻居对其他产品的评价来预测目标用户对特定产品的喜好程度,用户间的相似性定义至关重要。传统协同过滤算法定义相似性时不考虑用户偏好,为了解决这一问题,本文提出基于联合聚类的协同过滤算法。该算法利用联合聚类识别用户偏好,定义用户偏好相似性。当可用数据还包括用户的属性信息时,算法提取有共同偏好的用户的公共特征,进一步定义基于属性的相似性,结合属性相似性与打分相似性产生推荐。实验用MovieLens数据验证推荐算法的准确性,实验结果表明本文算法可以处理极度稀疏数据,且预测的打分更加准确,推荐排名靠前的电影更受用户喜爱。

双向聚类方法在医学文本挖掘中的实现过程及应用意义探讨

介绍双聚类概念、基本原理以及相关研究、应用情况,阐述双聚类使用工具和方法,通过案例分析双聚类在医学文本挖掘中的具体实现过程,提出双聚类在数据挖掘方法中的应用前景,为相关研究提供参考。