基于模型预测控制的能源产消者端对端交易策略

新能源政策市场化无补贴发展背景下,为保障分布式光伏资源的消纳,须探索有效的市场机制,发挥用户调动灵活性资源的主动性。端对端(Peer-to-Peer, P2P)能源交易作为本地电力消费者和生产者间直接能源交易模式,有利于局部区域功率平衡。采用连续双向拍卖市场机制,提出基于模型预测控制的P2P市场交易策略。针对储能参与后的产消者电量投标决策问题,利用模型预测控制滚动优化储能的充放电功率,指导市场主体的电量投标。在此基础上,将具有学习能力的增强零信息策略作为报价方法,实现各主体的自主决策。辽西某区域电网算例结果表明：所提方法能够有效调动市场主体的积极性,指导其投标行为,进一步增加个体收益,提高配网接纳分布式光伏的能力。     

基于层次化可塑性回声状态网络的混沌时间序列预测

为了提高回声状态网络对于混沌时间序列特征提取与预测的能力,提出一种层次化可塑性回声状态网络模型.该模型将多个储备池顺序连接,通过逐层特征变换的方式增强对非线性多尺度动态特征的提取能力.同时,引入神经科学中的内在可塑性机制模拟真实生物神经元的放电率分布,以最大化神经元的信息传递为目标对储备池进行预训练.层次化可塑性回声状态网络不仅能够增加模型的容量,降低随机投影所带来的不稳定性,而且也为理解储备池的表示、处理、记忆及储存操作提供一种新的思路.仿真实验结果表明,相比于其他7种改进的回声状态网络模型,所提出的模型在人造数据和真实数据所构成的混沌时间序列预测任务中均能取得最优的预测精度.     

考虑特征重要性值波动的MI-BILSTM短期负荷预测

在短期负荷预测中,含有循环单元的深度学习模型应用广泛,但训练时采用的权值共享结构具有时不变性,忽略了输入特征(气象、日期、历史负荷值等)在不同时刻下给负荷变化带来的不同影响,即权值共享结构无法追踪输入特征的重要性值波动。针对此问题,提出一种考虑特征重要性值波动的互信息(MI)-双向长短期记忆(BILSTM)网络预测方法。利用MI法提取输入特征在不同时刻下的重要性值,组成重要性值波动矩阵,并将其作为系数修正原输入特征。然后,代入BILSTM网络中完成训练和预测工作,弥补权值共享结构无法追踪特征重要性值波动的缺陷,进一步提高预测精度。最后,以某地区实际电网负荷数据为例,验证所提短期负荷预测方法的有效性。     

基于热成像的机房热点成因自动诊断方法

服务器设备的异常高温在机房内部会形成热点,不仅会影响服务器的稳定和寿命,还会导致机房制冷效率的降低,从而增加机房的制冷能耗,增加运营费用。导致产生热点的原因有很多,例如空气流通不畅、风扇失灵、长时间满负荷运行等等。通过自动诊断热点的成因,可以有针对性的消除热点,为机房环境控制提供数据支持,有助于降低机房制冷能耗。根据热像仪拍摄的服务器出风口一侧的红外图像,利用人工智能技术,提出了自动诊断热点成因的方法。针对实际工程应用中热点样本数量不足的问题,提出了基于深度卷积对抗生成网络(DCGAN)合成热点样本的解决方案。通过多组实验验证了方法的有效性,热点成因的诊断准确率约为95%。     

编码曝光图像的L0正则化去模糊重建方法

目标的运动会导致其成像模糊。为了从模糊的图像中恢复清晰的目标图像,本文采用了编码曝光成像技术。与传统相机成像中快门一直处于开启的状态不同,编码曝光相机成像是在快门开启和闭合转换过程中成像。由于在时域快速转换的编码等效为频域较宽的滤波器,因此编码曝光成像有效地保留了目标的高频信息。为了从编码曝光图像中清晰地复原图像,本文设计了能保留图像高频细节的L ₀正则项约束的图像重建和模糊核估计方法。通过待重建图像与模糊核的交替迭代更新来完成图像重建。仿真合成图像和实际采集图像的实验表明,本方法对多种运动产生的模糊均有良好的图像复原效果。     

基于改进结构保持数据降维方法的故障诊断研究

传统基于核主成分分析(Kernel principal component analysis, KPCA)的数据降维方法在提取有效特征信息时只考虑全局结构保持而未考虑样本间的局部近邻结构保持问题, 本文提出一种改进全局结构保持算法的特征提取与降维方法.改进的特征提取与降维方法将流形学习中核局部保持投影(Kernel locality preserving projection, KLPP)的思想融入核主成分分析的目标函数中, 使样本投影后的特征空间不仅保持原始样本空间的整体结构, 还保持样本空间相似的局部近邻结构, 包含更丰富的特征信息.上述方法通过同时进行的正交化处理可避免局部子空间结构发生失真, 并能够直观显示出低维结果, 将低维数据输入最近邻分类器, 以识别率和聚类分析结果作为衡量指标, 同时将所提方法应用于故障诊断中.使用AVL Boost软件模拟的柴油机故障数据和田纳西(Tennessee Eastman, TE)化工数据仿真, 验证了所提方法的有效性.     

基于动态特性描述的变量加权型分散式故障检测方法

现代工业生产过程往往具有复杂的动态特性: 不同测量变量间会存在不同的时序相关性, 且变量间的相互影响会反映在不同的采样时刻上. 现有的动态过程监测模型往往不能充分挖掘变量间的动态特性, 其故障检测效果也有待进一步提高. 在此背景下, 本文提出一种基于动态特性描述的变量加权型分散式故障检测方法. 利用最大相关最小冗余(Minimal redundancy maximal relevance, mRMR) 算法更准确地描述动态过程变量间的相关性关系, 并利用该相关性的值对原始增广矩阵进行加权处理, 且不同延迟变量对当前测量值的影响大小就通过权值来体现, 因此能更加全面地刻画该测量值的动态特性. 最后建立一种融合mRMR算法, 贝叶斯推理以及动态主成分分析(Dynamic principal componemt amalysis, DPCA)模型的新的分布式建模策略, 提高了模型的容错能力和泛化能力, 取得了更好的故障检测结果.     

一种基于压缩感知的水下目标被动测距方法

基于目标空间域的稀疏性和聚焦波束形成的机理,提出了一种基于压缩感知的水下目标被动测距方法.首先,按照先方向后距离的方法对整个搜索空间进行网格划分;其次,根据球面波传播的均匀线列阵声纳接收数据模型,针对空间每个搜索方向按均匀距离间隔构造了每个方向上完备的阵列流形,并将其作为对应方向上压缩感知的感知矩阵,结合压缩感知理论数学模型,构建了对应方向上水下目标信号估计的凸优化模型;再次,采用基追踪算法对凸优化模型进行求解,计算出每个搜索方向、距离上目标信号的能量;最后,通过搜索整个空间的信号能量峰值,实现了水下目标被动测向与测距.仿真分析表明,该方法在距离估计上具有较高的聚焦性,可有效解决传统聚焦波束形成技术距离分辨率低的问题,能够实现对水下多个互不相干窄带目标信号的被动测向和测距.     

基于博弈论的人类驾驶与无人驾驶协作换道模型

无人驾驶汽车根据自身获取信息进行决策,与人类驾驶缺乏有效的交互机制,在复杂交通环境下难以发挥优势,甚至会引起事故。为此,引入智能网联汽车的设计思想,针对车辆在行驶过程中的换道行为,基于博弈论构建一种包含车辆协同机制的换道模型。考虑驾驶员实施换道的行为特征,车辆在做出换道决策后观察分析其他车辆的驾驶风格,其结果会影响最终决策。根据安全前提下可能获得的加速空间决定支付函数,同时加入表征驾驶风格的参数,并量化得到驾驶风格分数。在SUMO仿真软件上的测试结果显示,使用博弈换道模型的车辆在不同车流密度环境下平均通行数量提高5.60%,平均通行时间减少8.44%,测试中未发生事故,表明模型具有感知、判断人类驾驶风格的能力,可在保证安全的前提下提高通行效率。     

基于静息态fMRI低频振幅的首发抑郁症与功能脑区关联研究

利用功能磁共振成像(Functional magnetic resonance imaging, fMRI)技术,研究静息态下首发抑郁症患者脑功能的改变。 采用Siemens3.0T磁共振仪对5名首发抑郁症患者和1名性别年龄相仿的正常对照志愿者进行 静息态fMRI采集,采用低频振幅（Amplitude of low frequency fluctuation, ALFF）的 方 法分析数据,进行双样本t检验后分析静息态脑功能的差异。结果发现,抑郁症组大脑 左侧小脑6区、左侧颞下回、双侧尾状核、右侧舌回、左侧眶部额上回、右侧中央沟盖、右 侧前扣带和旁扣带脑回、右侧额中回、右侧岛盖部额下回、右侧补充运动区、左侧顶上回、 右侧中央后回、右侧背外侧额上回ALFF降低。首发抑郁症患者大脑的额叶、颞叶、扣带回及 尾状核等位置存在功能异常,这些区域的异常与情绪、认知、记忆等领域有关,与抑郁症息 息相关。