光伏出力随机性分量的提取和统计特性分析

准确刻画光伏出力的随机特性对分析光伏电站并网的影响具有重要的作用。然而受日地运动和大尺度天气过程影响,光伏出力整体上却表现出日周期性和年周期性而并非一个单纯的随机序列,因此从光伏出力序列中区分规律性与随机性特征并正确提取出其随机性分量显得尤为重要。根据不同物理因素的影响,基于太阳辐射模型和最小二乘原理,提出了一种光伏出力随机性分量的提取方法。基于该提取方法,利用甘肃及德国的光伏实测数据对所提随机性分量进行了详细的统计特性分析。     

基于DVR的感应电动机柔性快速再启动方法

对感应电动机失电后存在的残压影响及其再启动的问题进行了研究,提出利用动态电压恢复器补偿一个幅值和相位逐渐变化的"柔性电压",保证电动机的供电电压在再启动初始时刻和残压相等,随后幅值逐渐增大、相位逐渐移动直到和电源电压相等,使得感应电动机可以快速再启动,同时可以大幅减小再启动过程中的冲击电流和冲击转矩。提出了一种无静差地跟踪"柔性电压"的控制方法,通过对比分析,说明所提控制方法具有简单、可靠、快速的特点;通过理论分析及软件仿真,证明了所提控制方法的有效性以及动态电压恢复器在感应电动机再启动方面应用的可行性。     

基于多元大数据平台的用电行为分析构架研究

随着智能电网的发展,越来越多的测量装置向底层延伸。高级测量体系和配电网的发展不可避免地使用户用电数据量呈几何倍数增长,另一方面,电网也在积极寻求方法让需求侧可以充分地参与电网调控,增强电网可控性和经济性。在上述背景下,运用配用电数据分析用户用电行为建立相关驱动方法,可充分利用现有资源,为政府政策制定、电力公司业务拓展和用电行为引导提供新的解决思路。在配用电数据采集、聚合、处理和应用等方面提出了以大数据平台为基础的整体构架,设计了基于流处理和批处理的数据驱动方法,提出了适用于多维大数据用电行为分析的随机矩阵相关性算法,最后讨论了用电行为分析面向不同对象的应用场景。     

各向异性随机场下的边坡模糊随机可靠度分析

土性参数具有很大的空间变异性,且在水平方向和垂直方向上差异显著。基于随机变量模型的传统边坡模糊随机可靠度分析方法并未对此进行考虑。提出一种能合理考虑土性参数空间变异性的边坡模糊随机可靠度分析方法。首先,视黏聚力和内摩擦角的均值为正态模糊数,对其取不同的λ截集水平并在各截集水平上进行参数组合。其次,利用各向异性随机场模拟土性参数的空间变异性,将有限元法和Monte–Carlo模拟相结合,计算各参数组合对应的可靠度指标。再通过数学方法得到边坡在各截集水平上的可靠度指标。最后,运用加权平均法计算边坡的模糊随机可靠度指标。算例分析表明:与水平方向的空间变异性相比,垂直方向的空间变异性对边坡模糊随机可靠度的影响更为显著;不考虑土性参数的空间变异性在一般情况下会低估边坡的模糊随机可靠度指标,但在抗剪强度参数变异性较大时,反而可能会高估边坡的模糊随机可靠度指标;此外,黏聚力与内摩擦角之间的相关性对边坡失效概率的影响趋势基本不受土性参数空间变异性的干扰。     

刚性连体位置对非对称双塔连体结构动力可靠度的影响

考虑地震动的非平稳性,变化连体位置,对非对称双塔连体结构运用虚拟激励法进行非平稳随机激励下的动力可靠度研究。采用刚度退化的 Bouc-Wen 模型模拟塔楼各楼层的滞变特性,建立非线性化动力方程。运用混合精细积分法对每一时刻的响应进行求解,得到连体位置变化时非对称连体结构在非平稳随机激励下的时变方差。基于首次超越破坏准则与 Markov 假定,研究非平稳随机地震激励下连体结构的动力可靠度。运用上述理论,在8度罕遇地震作用下对某非对称双塔连体结构进行随机地震响应与动力可靠度分析。研究结果表明,地震作用下结构的层间位移响应呈现强烈的非平稳性,变化连体位置对连体结构的随机地震响应与动力可靠度将产生显著影响。     

基于多特征融合条件随机场的人脸图像分割

由于发型、头部姿势、服装、遮挡等现象的多样性,人脸图像分割一直是一个具有挑战性的课题。为了提高复杂背景图像的人脸分割正确性,提出了一种基于多特征融合条件随机场（CRFs）的方法。该模型建立在图模型上,图中的每一个节点对应一个超像素,每一条边缘则连接一对相邻的超像素。使用颜色和纹理特征定义节点的能量函数（一元能量函数）,使用位置信息和相邻超像素之间的差异定义边缘的能量函数（二元能量函数）。分割是通过条件随机场融合节点能量函数和边缘能量函数推理而得。考察了该模型在2个无约束人脸数据库上的分割性能,实验结果表明该方法可以有效地从复杂人脸图像中分割出面部皮肤、头发和背景区域。     

MEMS IMU随机误差建模在SAR运动补偿中的应用

随着SAR小型化发展趋势,低精度小型化微机电系统惯性测量系统（MEMS IMU）在SAR运动补偿中越来越受到重视。鉴于MEMS IMU 中随机误差较大,为提高其短时间内相对运动测量精度,从IMU测量误差对SAR成像的影响分析出发,采用基于时间序列分析方法对MEMS IMU中随机误差进行建模,并构建Kalman方程对IMU原始数据进行了滤波处理,减小了随机误差,从而降低随机误差在合成孔径时间内对SAR运动补偿的影响。机载SAR飞行试验数据处理结果表明,此方法能够有效的减小随机误差,提高SAR图像聚焦质量。     

Robust spectrum sensing algorithm based on free probability theory

In low signal‐to‐noise ratio (SNR) cases, the performance of spectrum sensing algorithms cannot meet the practical needs, which is a major problem faced by spectrum sensing technology in current cognitive radio field. Now, existing algorithms based on random matrix theory (RMT) have high sensing performance, but they require a large number of samples, which are very difficult to satisfy in practice. Free probability theory (FPT) is a main branch of RMT. It describes the asymptotic behavior of large random matrices and portrays a strong link between two matrices and their sum or product matrices. FPT can also be utilized to the digital communication system that can be modeled by random matrices and has been applied to spectrum sensing in simplified ideal channels, for example, additive white Gaussian noise channel. The most pivotal issue and difficulty of the FPT‐based methods is to set up and solve the asymptotic freeness equation corresponding to a specific communication model. In this paper, FPT‐based spectrum sensing schemes are proposed for some typical wireless communication systems, such as multiple‐input multiple‐output system, Rayleigh multipath fading system, and orthogonal frequency division multiplexing system. It is shown that the asymptotic freeness behavior of random matrices and the property of Wishart distribution can be used to assist spectrum sensing for these typical systems with low SNR and very limited samples. Simulation results demonstrate that compared with the existing RMT‐based spectrum detection methods, for example, the maximum and minimum eigenvalue detectors, the proposed FPT‐based schemes offer superior detection performance and are more robust to low SNR cases, especially for a small sample of observations. Copyright © 2015 John Wiley & Sons, Ltd.     

Large‐scale fading behavior for a cellular network with uniform spatial distribution

Large‐scale fading (LSF) between interacting nodes is a fundamental element in radio communications, responsible for weakening the propagation, and thus worsening the service quality. Given the importance of channel‐losses in general, and the inevitability of random spatial geometry in real‐life wireless networks, it was then natural to merge these two paradigms together in order to obtain an improved stochastical model for the LSF indicator. Therefore, in exact closed‐form notation, we generically derived the LSF distribution between a prepositioned reference base‐station and an arbitrary node for a multi‐cellular random network model. In fact, we provided an explicit and definitive formulation that considered at once: the lattice profile, the users' random geometry, the effect of the far‐field phenomenon, the path‐loss behavior, and the stochastic impact of channel scatters. The veracity and accuracy of the theoretical analysis were also confirmed through Monte Carlo simulations.     

基于空间谱的多天线盲频谱感知算法

现有的频谱感知算法主要在时间、频率以及地理空间维度进行检测,对角度维的利用尚不成熟。将多天线技术中的到达角（AOA, angle of arrival）估计算法应用到频谱感知领域,提出了2种基于空间谱的盲频谱感知算法,分别为最大—最小延迟相加谱值比检测和平均—最小延迟相加谱值比检测。利用空域匹配滤波的优势,新算法在低信噪比下得到了较高的检测概率,同时为角度维的频谱接入提供了AOA信息,从而提高了频谱利用率。此外,运用随机矩阵理论,推导了检测阈值和检测概率的理论值。仿真结果表明,在Nakagami-m信道下,提出的算法具有比现有盲感知算法更优的检测性能。