Just-in-time defect prediction for software hunks

Just-in-time defect prediction can remind software developers and managers to verify and fix bugs at the moment they appeared, thus improving the effectiveness and validity of bug fixing. Existing studies mainly focus on just-in-time prediction for software files (JIT-F). JIT-F is a binary classification problem, which classifies (hence predicts) a file change as buggy or clean. This article provides a detailed analysis of just-in-time defect prediction for software hunks (JIT-H), which predicts bugs at a finer level of granularity, and hence further improves the efficiency of bug fixing. Classification is performed using the ensemble technique of bagging—aggregated combinations of random under sampling plus multiple classifiers (J48 and Random Forest). An empirical study with 10 open source projects was conducted to validate the effectiveness of JIT-H. Experimental results show that JIT-H is effective at predicting defects in software hunk changes. Compared with JIT-F, JIT-H is more cost effective. Additionally, analysis on the change features indicates that Text Vector features and hunk change level features are of more importance than features in other groups and levels.     

钻石型配电网的保护与自愈策略分析

为提升钻石型配电网供电可靠性,配网二次保护系统引入自愈方案。首先,在变电站出口和开关站母线分段处配置不同类型的自愈终端,通过线路光纤差动保护、简易母差保护和分支线过流保护协同,采用光纤手拉手连接的通信模式,确保实现故障的精确定位和快速隔离。其次,优选环内联络开关自愈控制,辅以站间备自投,由此实现正常态单一故障、检修态单一故障和正常态双重故障时,处于非故障段负荷的快速复电。仿真结果表明：所提方法能在最小范围内定位和隔离故障,在0.5 s内恢复非故障段负荷,从而满足供电可靠性需求。     

基于自适应扩散高斯核密度风电预测误差估计的 风火联合优化调度研究

随着风电大规模并网,风电出力不确定性增加了电力系统调度的难度。针对风荷不确定性对电力系统调度的影响,采用迭代自组织数据分析算法对风电功率预测值及对应风电功率预测误差进行分段。然后采用自适应扩散高斯核密度估计拟合分段后各风电功率区间段内的预测误差。在此基础上,提出一种整体考虑风电及负荷预测误差得到净负荷预测误差、并将净负荷预测误差计入正负旋转备用容量概率约束的优化调度模型。采用机会约束规划将概率约束转换为等价确定性约束进行求解。在IEEE39节点系统进行三种代表性场景的算例仿真,结果表明引入迭代自组织数据分析算法和自适应扩散高斯核密度估计后,备用成本降低6.71%,含碳排放的环境成本降低20.4%,总发电成本降低2.98%。最后分析了置信水平对备用容量和总发电成本的影响。     

基于动态优化马尔可夫链的线路继电保护装置状态预测方法

目前继电保护状态监测模型均利用静态故障概率进行装置失效率预测,未能计及设备老化与检修对失效率的动态影响,预测结果不可靠。对此,提出一种基于三参数威布尔分布动态优化的马尔可夫链状态预测方法。首先利用灰色-粒子群支持向量机算法求解更为精确的继电保护装置失效率函数,随后将其用于动态修正保护状态马尔可夫链中各运行状态之间的转移概率,最终实现对线路保护未来运行状态的推演。仿真结果证明,所求解的失效率函数相比传统方法求解的函数具有更高的计算精度,而动态优化马尔克夫链模型实现了设备老化与检修的动态量化处理。研究状态转移概率计算结果符合设备运行工况,可以有效预测设备规定投运年限内各时间点的运行状态。该方法对于保护检修策略的优化具有一定的指导意义。     

基于长短期记忆网络的UKF动态谐波状态估计

传统动态谐波状态估计的卡尔曼滤波预测步通常以单位阵构建状态空间模型,同时将系统噪声协方差矩阵假设为常数阵,从而导致动态估计预测精度降低,影响动态状态估计模型的滤波性能。为了准确建立谐波状态的空间模型,提出一种基于长短期记忆网络(Long Short-Term Memory, LSTM)的时序预测方法。通过大量历史数据离线训练模拟复杂的状态转移过程,基于历史时刻的滤波估计值预测当前时刻的谐波状态量,有效提高无迹卡尔曼滤波(Unscented Kalman Filter, UKF)中预测模型精度。在改进IEEE34节点三相不平衡系统上进行了测试分析。与传统算法进行对比,结果证明所提出的方法在谐波状态估计精度和鲁棒性方面均表现更好。     

考虑元件温-湿关联影响的氢燃料电池系统动态可靠性分析

为了研究元件关联作用对氢燃料电池系统可靠性的影响,以集流板、扩散层和催化层的性能状态与质子膜温度失效和湿度失效的关联关系为研究对象,利用马尔科夫方法建立元件多状态退化模型。通过转移系数描述元件状态转移率与关联特性的动态关系,构建新的状态转移矩阵;基于通用发生函数导出关联系统多态可靠性分析模型,并讨论了多元件关联情形的模型特点;结合Kolmogorov方程求得多态元件各状态下的概率,分别研究了单一关联组和多关联组温-湿复合影响两种情况下的系统可靠性趋势。结果表明: 质子膜的状态转移率会随着集流板、扩散层和催化层性能的退化而改变;当上述元件处于高性能状态时,质子膜的关联特性使系统的可靠度更高,而这些元件在低性能状态时,关联特性使系统的可靠度更低;冷却元件的状态对系统可靠性的影响比增湿元件状态的影响大。研究结果可为电池系统可靠性设计和寿命周期预测提供理论依据。     

考虑电压电流约束的感应电机容错运行对比研究

围绕电机驱动系统可靠性提高问题,对现有几种具备容错运行能力的三相感应电机驱动系统性能开展了对比研究。对容错控制策略的评估应考虑电机驱动系统输出的实际转矩和转速,而这主要取决于系统电流和电压约束。考虑到励磁电流的存在,感应电机驱动系统中的电流极限不如永磁电机驱动系统中的电流极限直观,同时逆变器和电机都存在对系统电压的限制,故通过推导故障后电机驱动系统的电压方程,分析得到了电机参数、运行工作点和电压电流约束对输出转速的影响,并指出优化拓扑可使故障后电机运行在额定转速以上以获得额外的功率。利用搭建的感应电机驱动测试平台开展了实验研究,不同容错策略的对比实验结果验证了理论分析。     

微波真空电子器件的发展与应用

根据真空电子器件的工作原理,其百年发展史可分为三个阶段:以静电控制的普通电子管阶段、以动态控制原理工作的微波真空电子器件阶段、基于相对论效应的新型器件阶段,每个阶段的代表管型在各自的应用领域都发挥了重要的作用。随着电磁波谱的开发利用,微波真空电子器件的技术水平向高频率、高功率、高效率方向发展,推动着军用装备和工业应用的不断拓展,特别在航天领域有长足发展。本文综述微波真空电子器件在厘米波段、毫米波段和太赫兹波段技术发展和装备应用概况,探讨未来的发展方向。     

基于拓扑链路识别的光网络流量数据合成算法

基于深度学习的光网络流量诊断与预测等场景中,由于保密等原因,光链路的流量数据采集和存储工作受限。针对数据量少而无法支撑深度学习的问题,文章提出了一种基于拓扑链路识别的光网络流量数据合成算法,其核心思想是在生成对抗网络框架下,联合基于光网络拓扑的条件生成模型和基于光网络流量的数据合成模型,以自监督的方式合成指定光链路的流量数据。仿真结果表明,所提算法合成的光网络流量数据在自相关系数指标上与真实数据接近且使得基于全连接神经网络的流量预测模型准确率达到95%以上。     

基于卡口上下文和深度置信网络的车辆轨迹预测模型研究

针对车辆轨迹预测中节点序列的时序特性和实际路网中的空间关联性,该文提出一种基于深度置信网络和SoftMax (DBN-SoftMax)轨迹预测方法.首先,考虑到轨迹在节点集合中的强稀疏性和一般特征学习方法对新特征的泛化能力不足,该文利用深度置信网络(DBN)较强的无监督特征学习能力,达到提取轨迹局部空间特性的目的;然后,针对轨迹的时序特性,该文采用逻辑回归的预测思路,用当前轨迹集在路网特征空间中的线性组合来预测轨迹;最后,结合自然语言处理领域中的词嵌入的思想,基于实际轨迹中节点存在的上下文关系,运用节点的向量集表征了节点间的交通时空关系.实验结果表明该模型不仅能够有效地提取轨迹特征,并且在拓扑结构复杂的路网中也能得到较好的预测结果.