基于Q-learning的碳-电联合套利策略

针对发电企业在电力低碳转型过程中,部署可再生能源发电设备的成本问题,研究了一种基于Q-learning的碳-电联合套利策略。利用电力市场和碳市场价格实时波动的特点,在电力市场中在低价时存储电能,高价时卖出电能。在碳市场中,在低价时购入碳排放权。采取Q-learning算法学习碳-电联合套利策略,以欧洲的3个城市为研究对象,仿真结果表明,应用碳-电联合套利策略可提升可再生能源发电售电收入的1%,减少31%购买碳排放权开支,实现最大化套利目标。由于部署可再生能源发电带来的减排效益,使得碳排放开支再次减少10%-20%。通过将碳市场与电力市场相结合套利,使得套利利润得到了显著提升,验证了所提方法的有效性。

基于迭代多尺度深度网络的非线性逆散射成像方法

传统的迭代多尺度方法(iterative multiscaling approach,IMA)在求解非线性电磁场逆散射问题时,可以自适应提高成像空间的分辨率,缓解逆问题的病态性,但容易陷入局部极小值且无法做到实时重构.文中提出了一种迭代多尺度深度网络,该网络结合传统IMA和深度网络的优势,将IMA展开成深度网络模型(命名为IMA-Net).该方法迭代地执行一种感兴趣区域(regions of interest,ROI)提取算法,在不同尺度的ROI内构建目标函数,并将目标函数分解成若干个优化子问题,子问题的迭代更新过程映射到深度网络结构中,交替更新相关分量,求解出目标函数的最优值.实验结果验证了该方法的有效性和优越性,为目标实时重构提供了一个有效方案.

基于胜任力模型的新工科在线系统实验教学研究

新工科建设已经进入"深入推进、落实提高"的战略攻坚阶段,并提出"宽口径、厚基础、强能力、高素质"的复合型和创新型人才培养目标。新一代国际计算教育指南(CC2020)也提出以"知识、技能、性情"三位一体的胜任力培养目标。本文探讨新冠疫情驱动下开展在线教育常态性,提出新工科视域下以胜任力模型为理论依据的实验实践教学重要性,研讨信息大类跨学科实验实践教学融合方法,并以南昌大学信息工程学院在线实验融合教学为例,分析实验实践教学中胜任力模型与交互式定制,提供在线即时性、智能化教学支持,极大地提高了人才能力培养的有效性,是推进新工科建设深入推进与落实提高的有效探索。