基于小波变换和混合神经网络的短期负荷预测

提出通过小波分解对各负荷子序列进行特性分析初选影响因素后,采用信息熵法从初选变量中自动筛选出对负荷较重要的因素,然后采用改进的主成分分析法消除重要影响因素间的相关性,采用动态聚类法对各分解序列的样本归类,通过灰色关联分析选择出与预测时刻负荷模式最相似的类作为神经网络训练的典型样本集,采用蚁群优化算法训练各子序列相应神经网络模型,采用小波重构得到最终负荷预测结果。并利用某地区1999年的实际负荷对所提方法进行验证,结果表明了该方法的合理性和有效性。

基于信息熵改进的K-means动态聚类算法

初始聚类中心及聚类过程产生的冗余信息是影响K-means算法聚类性能的主要因素,也是阻碍该算法性能提升的主要问题。因此,提出一个改进的K-means算法。改进算法通过采用信息熵对聚类对象进行赋权来修正聚类对象间的距离函数,并利用初始聚类的赋权函数选出质量较高的初始聚类中心点;然后,为算法的终止条件设定标准阈值来减少算法迭代次数,从而减少学习时间;最后,通过删除由信息动态变化而产生的冗余信息来减少动态聚类过程中的干扰,以使算法达到更准确更高效的聚类效果。实验结果表明,当数据样本数量较多时,相比于传统的K-means算法和其他改进的K-means算法,提出的算法在准确率和执行效率上都有较大提升。

基于信息熵与动态聚类的文本特征选择方法

根据科技文献的结构特点,搭建了一个四层挖掘模式,提出了一种应用于科技文献分类的文本特征选择方法。该方法首先依据科技文献的结构将其分为四个层次,然后采用K-means聚类对前三层逐层实现特征词提取,最后再使用Aprori算法找出第四层的最大频繁项集,并作为第四层的特征词集合。在该方法中,针对K-means算法受初始中心点的影响较大的问题,首先采用信息熵对聚类对象赋权的方式来修正对象间的距离函数,然后再利用初始聚类的赋权函数值选出较合适的初始聚类中心点。同时,通过为K-means算法的终止条件设定标准值,来减少算法迭代次数,以减少学习时间;通过删除由信息动态变化而产生的冗余信息,来减少动态聚类过程中的干扰,从而使算法达到更准确更高效的聚类效果。上述措施使得该文本特征选择方法能够在文献语料库中更加准确地找到特征词,较之以前的方法有很大提升,尤其是在科技文献方面更为适用。实验结果表明,当数据量较大时,该方法结合改进后的K-means算法在科技文献分类方面有较高的性能。

动态关联子群信息熵视域下智慧政府信息协同度测度研究

[目的/意义]文章旨在明确我国智慧政府各部门间的信息协同度,为相关决策者明确我国智慧政府信息协同网络结构优化过程中的发力点提供依据。[方法/过程]采用命名实体识别与社会网络分析的方法,获取现阶段我国智慧政府信息协同网络结构数据,并以此为数据源,运用动态关联子群信息熵算法,对我国智慧政府不同部门间的信息协同度进行测度,并对测度结果进行分析与可视化。[结果/结论]研究结果可获得智慧政府中每两个不同政府部门间信息协同度的强弱分布。研究结果表明:中国智慧政府信息协同网络中,国家发展和改革委员会节点与国务院节点间的信息协同度最大,国务院节点与财政部节点间的信息协同度次之,国家发展和改革委员会节点与财政部节点再次之。[局限]由于研究精力与论文篇幅有限,本研究仅对智慧政府信息协同度进行了研究,尚未在此基础上对如何预测与引流智慧政府不同部门间信息协同的信息量进行研究。

基于信息熵时段划分的主动配电网动态重构

针对风力、光伏等分布式发电(DG)和电动汽车(EV)高渗透率下主动配电网的动态重构问题,提出一种基于信息熵时段划分的主动配电网动态重构方法。首先采用蒙特卡洛模拟法,结合日负荷曲线、风/光发电曲线、电动汽车充电曲线,形成电源?负荷等效日负荷曲线,提出基于信息熵时段划分的等效日负荷曲线分段方法;其次建立了以日损失费用最低为目标的动态重构模型,对主动配电网分时段重构;然后在杂草算法的基础上引入遗传算法的交叉和变异操作,提出基于十进制编码的改进杂草混合算法求解该模型。IEEE 33节点算例仿真结果表明,所提方法能够自动划分出符合曲线变化趋势的分段方案,动态重构后日损失费用明显降低。

基于融合熵时段划分的三相配电网动态重构

针对大规模电动汽车接入配电网带来的三相不平衡程度加剧问题,提出一种基于融合熵时段划分的三相配电网动态重构方法。在Fisher-最优分割的基础上,融合曲线的信息熵,对蒙特卡洛模拟得到的等效日负荷曲线进行更加精准合理的时段划分;将动态重构策略引入三相配电网中,以三相不平衡度最低为目标建立配电网重构模型;改进传统的帝国主义竞争算法,在殖民地革命环节中引入复合型微分进化思想,并提出自适应帝国合并机制以提高算法的收敛速度和精度。IEEE 33节点系统仿真结果表明,所提方法能对曲线进行合理的分段重构,并且有效解决了配电网中的三相不平衡问题。

一种基于路径优化的非平衡自由能预测方法

提出一种基于路径优化的非平衡自由能预测方法。首先,通过建立蛋白质复合物解离的多目标优化模型找出一条能耗小、速度快的拉伸分子动力学SMD(Steered Molecular Dynamics)解离路径,然后,沿此路径计算解离自由能。与Jarzynski按平均力势PMF(Potentials of Mean Force)的外推方法相比,本文方法有较高的预测效率,数值算例也给出了与实验值比较的预测精度。通过拉伸分子动力学模拟还可以揭示小配体与蛋白质之间的解离全过程,为药物设计提供重要的结构信息。

基于轻量级人工免疫计算的混合入侵检测方法

针对大规模网络环境下的入侵检测系统需要处理的网络数据含有大量的冗余与噪音的问题,设计了一种基于轻量级人工免疫计算的混合入侵检测方法.利用最小信息熵离散化算法预处理检测数据,根据主元分析算法(PCA)进行特征提取,通过提取特征矩阵降低数据维度;设计了基于否定选择算法的在线检测,对于未知的或者大规模的连接则提取其特征并实现基于人工免疫计算的入侵检测.最后利用进化能力的异常检测器进行训练和检测,并将提取的异常特征模式加入到快速匹配的数据库来及时地更新数据库.仿真实验表明算法能够提高混合检测器系统的检测效率,同时检测速度能够满足实时性的要求.