基于半监督机器学习法的光伏阵列故障诊断EI北大核心CSCD

由于光伏组件的非线性输出特性,传统故障保护装置难以检测到所有故障,从而导致光伏阵列出现安全问题和火灾危险。针对传统故障保护装置存在的缺陷问题,提出一种基于半监督机器学习(semi-supervised machine learning,SSML)算法的光伏阵列故障诊断模型,模型利用参考光伏组件将光伏阵列电压与电流归一化,通过半监督机器学习算法分析光伏阵列工作点状态,进而检测故障和识别故障类型。该故障诊断模型仅需要少量容易测量的标签数据,且对环境变化有较强适应能力。最后,通过仿真和实验,验证该故障诊断模型的有效性。     

机器学习算法在反窃电分析中的应用

针对现阶段利用高科技手段进行窃电的行为,提出了基于机器学习算法构建的反窃电模型,分析用户用电数据、异常事件以及线损,介绍随机森林算法以及其在反窃电分析中的应用,通过进行验证测试,认为随机森林算法在反窃电领域可行、有效。     

基于专家知识与BP神经网络的架空导地线状态评价研究

目前输电设备运维过程存在着规程过于繁杂,规定的参量较为冗余等问题。提出了一种导地线状态评价方法,该方法通过关联分析从规程中提取出日常运维过程中广泛应用的关键参数作为运行状态的评价指标,并采用灰色关联确定对设备运行状态具有强关联性的外界因素作为影响因子,结合运维专家经验建立导地线状态评价专家系统,提高状态评价的准确性与可靠性。采用历史缺陷样本与专家系统评价样本作为训练样本,通过Levenberg-Marquardt算法进行BP神经网络的训练,建立融入专家经验的导地线智能状态评价模型。通过运行实例分析表明本文训练得到的状态评价模型能够准确地实现对导地线的状态评价,具有相当可靠性。     

中文微博情感分析方法概述

微博短文本的情感分析是Web数据挖掘的研究热点之一,中文微博情感分析主要有两类方法,一是基于情感词典的分析方法,一是基于机器学习的分析方法。本文首先介绍了中文微博情感分析的过程,然后介绍了各种情感分析方法的特点,为面向中文微博情感分析的研究提供参考。     

建成环境对街道活力的非线性效应——基于 XGBoost模型的多源大数据分析

深入认知建成环境对街道活力的影响效应,是街道 环境优化与城市更新的基础。但多数研究忽略了二者之间的非 线性关系,难以有效指导设计实践。基于多源大数据测度街道 活力与建成环境,使用机器学习算法来分析其非线性效应,并 针对不同类型街道进行探索。结果表明：1)提升开发强度是促 进街道活力的最有效措施;2)建成环境要素对街道活力的影响 表现出非线性特征,将其控制在合理范围内,街道活力才会有 效提升;3)街道环境要素的综合设置应考虑其交互效应,一个 要素的影响会随着另一个要素的变化被放大或缩小;4)老城 区、商务片区、工业与区域交通设施周边区域及景观性街道的 活力形成机制存在显著差异。相关规律可为街道的精细化设计 提供人本尺度的理论参考。     

土木工程智能科学与技术研究现状及展望

人工智能为土木工程学科和行业带来了新的发展机遇,土木工程智能科学技术的发展和创新与智能材料、3D打印、大数据、物联网、智能计算、机器人、元宇宙等数学、计算机科学和新兴产业技术进行深度融合,将深刻变革土木工程全寿期,包括城市规划、建筑设计、结构设计、工程建造、服役运维、防灾减灾等阶段。为此,从智能材料、智能设计、智能建造、智能运维、智能防灾等多个维度,总结当前土木工程智能科学与技术的研究现状,提出物理机器学习(基于数据范式与物理定律有机融合)的土木工程智能科学与技术特征;同时,探讨虚拟科学家在创造崭新土木工程智能科学与技术的前景。最后,展望了土木工程智能科学与技术发展目标,即从基于现有知识体系建立纯数据驱动和物理机器学习土木工程智能理论,到发展出具有自学习能力的智能体及其理论体系,最终创造出具有自我进化能力的虚拟科学家,发现新的数学方法与物理定律等。     

综合能源系统整体架构设计及负荷预测

综合能源系统可有效减轻化石能源依赖、提升可再生能源利用水准,然而该类能源系统供能环节繁杂,耦合能源类型众多,合理规划并精准预测负荷势在必行。借助能源节点构建系统整体架构并对负荷做出预测。预测模型采用四类算法训练对应基学习器,借助已有结果训练元学习器从而得到最终结果,并选取欧洲ENTSO提供的瑞士多年份电力负荷数据佐证该模型的有效性。算例结果显示本文模型预测精度高于现有模型,可有效预测波动负荷,契合该类能源系统负荷预测场景。     

基于可学习EKF的高超声速飞行器航迹估计

临近空间高超声速目标因具有高速、大机动、全球到达的特点,已成为国防安全的一类新型威胁.此类目标具有非惯性的航迹形式、并可进行复杂的策略性机动,给其航迹估计带来了新的挑战.为应对目标的机动特性,提升航迹估计性能,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了基于可学习扩展卡尔曼滤波的航迹估计方法.首先,通过分析目标机动特性,建立了参数化的目标机动模型.然后,考虑目标复杂机动特性对航迹估计造成的影响,将循环神经网络与扩展卡尔曼滤波深度嵌合,提出了可学习扩展卡尔曼滤波方法.通过使用已有航迹数据进行训练,所嵌入的两个循环神经网络,可发现目标机动的隐含规律,并对目标复杂机动所引起参数与模型不确定性的进行在线识别与动态补偿.最后,以某临近空间高超声速目标的航迹估计为例,选取典型机动场景,对所提出方法与EKF、AEKF等传统方法进行了对比分析. 分析结果表明,所提出的可学习扩展卡尔曼滤波方法可有效应对目标复杂的机动,具有比EKF、AEKF方法更高的估计精度和更优的估计动态性能.