基于DKDE与改进mRMR特征选择的短期光伏出力预测

随着光伏发电装机容量的增长,其在能源消费中的占比不断提升,准确预测光伏发电功率对电力系统发展规划和调度运行均具有重要意义。目前,针对光伏预测特征选择的研究比较少,不合理的特征选择往往导致信息丢失,气象参数与出力间的映射关系难以有效挖掘,最终导致预测精度偏低。因此,文中提出一种基于改进互信息计算与改进最大相关最小冗余(mRMR)的光伏预测特征选择方法。针对连续随机变量相关性互信息难以直接计算的问题,基于扩散核密度估计(DKDE)理论,提出一种依据概率密度的区间划分方法并应用于变量离散化,以提高互信息对实际有限数据集的表征能力。然后,对传统mRMR的增量搜索过程进行了改进,提出一种可并行筛选多个特征子集的改进mRMR算法,并针对各特征子集分别采用XGBoost算法构建气象信息与光伏功率的预测模型。最后,通过实际光伏电站测量数据验证了所提方法的有效性和准确性。

General limited information diffusion method of small-sample information analysis in insurance

When analyzing and evaluating risks in insurance, people are often confronted with the situation of incomplete information and insufficient data, which is known as a small-sample problem. In this paper, a one-dimensional small-sample problem in insurance was investigated using the kernel density estimation method （KerM） and general limited information diffusion method （GIDM）. In particular, MacCormack technique was applied to get the solutions of GIDM equations and then the optimal diffusion solution was acquired based on the two optimization principles. Finally, the analysis introduced in this paper was verified by treating some examples and satisfying results were obtained.

网络时代农产品质量安全事件风险扩散的路径研究——以镉大米事件为例

以镉大米事件为例,媒介报道数据为基础,综合应用核密度估计法、最邻近指数、热点分析和变异系数等方法以探索性揭示网络时代镉大米事件风险扩散的时间演化过程及空间路径。结果表明:镉大米事件风险扩散时间演化呈现“高—低—高”的V字态势在年际间波动显著,其变动可对应为爆发期、回落期、反弹期;事件风险的空间路径则表现为“单核心—发散式”特征在域间传播。

基于改进核密度估计的电动出租车快速充电行为研究

电动汽车充电行为研究是充电负荷时空分布预测、充电基础设施规划和有序充电管理的基础。本文基于上海市电动出租车的实测数据,划分充电片段并提取快速充电行为特征变量,开展相关性分析以揭示变量之间的内在相关性,从工作日和休息日两个时间维度揭示快速充电行为规律,提出一种基于扩散方程的自适应扩散核密度估计模型应用于快速充电行为特征变量的概率建模并使用拟合优度检验指标验证该模型的有效性。研究结果表明:电动出租车的快速充电行为在工作日和休息日具有明显的差异性,自适应扩散核密度估计模型可使电动汽车充电行为特征变量的概率建模更加准确,且具有更高的拟合精度。

半参数跳-扩散模型的近似极大似然估计——基于转移密度的闭式展开方法

首先,引入半参数跳-扩散模型,用闭式展开的方法得到转移概率密度的近似表达式,证明了转移密度的展开式收敛到真实的转移密度.然后,利用近似极大似然估计的方法对模型中的参数进行估计.针对时变参数和非时变参数,分两步进行估计:第1步,采用局部常数拟合对时变波动率参数进行近似,利用核函数加权的方法得到了时变参数的局部近似极大似然估计量;第2步,用传统的极大似然估计方法,得到了非时变参数的近似极大似然估计.最后,证明了所得估计量的渐近性质.

考虑相关性的牵引负荷功率对电网影响概率分析

我国已逐渐形成城市间高铁连接的网络化,沿铁路空间分布的牵引变电所接入区域电网,给电力系统带来重大影响和挑战。考虑多个牵引变电所单相牵引负荷功率的随机性和相关性,提出一种多牵引负荷功率对电网影响的概率分析方法。首先,基于扩散核密度估计方法建立高铁牵引负荷功率的非参数概率模型,并采用Spearman秩相关系数表示牵引负荷间的空间相关性。其次,提出基于等概率转换原则和秩相关Cholesky分解技术结合的方法,利用中值拉丁超立方抽样(Latin hypercube sampling,LHS)对相关性牵引负荷非参数概率模型进行随机抽样。最后,通过牵引供电系统的等效三相模型,实现含多牵引负荷接入电网的三相概率潮流计算。基于某高速铁路多牵引变电所的实测数据,并接入修改的IEEE-14节点三相系统进行仿真,从轮换相序、不同节点相关性情况分析多牵引负荷对电网的电压幅值、电压不平衡度和网损的概率影响,为高速铁路接入电网的概率影响提供参考。

基于混合模型的风电机组异常数据识别方法

结合风电机组异常数据的分布特征,采用参数模型与非参数模型结合的算法对异常数据进行识别。首先,在水平功率方向将风电机组运行数据以一定间隔分层,采用非参数模型扩散核密度估计建立不同水平功率区间内运行数据的数字概率密度曲线。然后,采用参数模型混合威布尔分布拟合概率密度曲线,利用威布尔分布的模型参数来准确描述不同水平功率区间复杂异常数据整体分布特征。最后,采用平均置信区间法识别和剔除异常数据。以2台风电机组的复杂异常数据为实例进行验证,结果表明该方法能够克服单一参数模型或非参数模型的局限性,可实现对风电机组异常数据的有效识别。

基于核密度估计密度峰聚类的通信辐射源个体识别

通信辐射源个体识别是通过发射机反映在信号上的差异来判别信号与辐射源个体之间的关联。传统的通信辐射源个体识别方法以及新兴的利用神经网络进行辐射源个体识别的方法都依赖带类别信息的信号样本,然而在实际中带类别信息的信号样本获取难度很大。为了解决这个问题,引入了无监督学习中的密度峰值聚类算法,在无类别信息信号样本的前提下进行通信辐射源个体识别。由于密度峰值聚类算法的性能受人工输入参数d c的影响较大,文中利用核密度估计(KDE)及热扩散方程改进算法,在不需要人工输入参数的条件下实现对数据的分类。文中所提算法在实际电台信号数据集上进行了实验,具有较好的效果,验证了该算法的可靠性和有效性。