5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。     

天然气水合物的开采方法及困境

我国对天然气水合物研究取得了一批重要成果,已步入世界先进水平。但目前天然气水合物的开发仍受到理论认知、开采方案、关键技术、安全环保、开采成本等方面的制约而难以实现规模化的商业开采。文章概述了目前关于可燃冰开采的几种方法及其优缺点,并对开采困境作出了阐述,对开发前景做了展望。     

潮流方程线性化误差分析及最优状态空间选取

线性潮流方程广泛应用于经济调度、规划优化、概率分析等场景中,不同线性潮流方程的根本差别在于"状态变量函数形式"的选取。从一般的线性潮流方程出发,将潮流方程线性化误差分解为电压相角和电压幅值相关的线性化误差,通过理论推导及数值分析,提出一种潮流方程状态空间变换的归一化分析方法,得到潮流方程线性化误差的一般特性,给出常用状态变量函数形式下潮流方程线性化误差的分布规律。基于上述理论,设计一种潮流方程最优状态空间的选取方法,并对实际应用场景中选择最优的线性潮流模型进行分析。     

戴维南等值参数时域仿真跟踪算法分析与改进

从物理意义和数学假设两方面对现有的2种基于时域仿真的戴维南等值参数跟踪算法进行了详细的分析,揭示了两者共同的本质和算法实现上的差异。针对系统中所有负荷节点的处理方式,对现有2种算法进行了修正,使两者在物理本质、数学前提和计算结果三方面实现了统一。在统一现有算法的基础上,为了尽量减小"两状态法"可能带来的误差,以原算法的前提假设为出发点,对不同类型的发电机节点和负荷节点分别按照不同的方式进行处理,提出了改进的戴维南等值参数时域仿真跟踪算法。以等阻抗模判据为依据,通过稳态和暂态实例验证了改进算法能够更加准确地判断电力系统的电压稳定性。     

考虑风电不确定性及柔性负荷的安全约束机组组合问题研究

针对风电出力的不确定性,采用基于拟蒙特卡洛(quasi-Monte Carlo,QMC)模拟的场景分析法生成风电出力初始场景,选取考虑风电预测误差较大的极限场景实现场景缩减。在不同的风电出力场景下,兼顾发电侧与需求侧柔性负荷的双侧协调配合,提出了计及柔性负荷的安全约束机组组合模型,实现了可削减负荷、可平移负荷以及可转移负荷3类柔性负荷的分类调度。通过对不同场景下10机系统的仿真计算,对比分析了需求侧柔性负荷调度对系统的经济成本、负荷峰谷差以及弃风量的影响。在考虑风电不确定性时,需求侧柔性负荷调度对提高系统经济性、缓解负荷高峰期用电压力具有重要作用,并且有利于增加风电的消纳,降低弃风电量。     

排除网卡常见故障的有效方法

为有效排除网卡故障,保障网络高效运行,简要介绍几种排除网卡常见故障的方法。     

水果蔬菜中常见植物生长调节剂分析检测方法研究进展

植物生长调节剂是一类广泛应用于现代农业生产的化学物质,能够调节果蔬生长,使之达到增产、丰收等目的,是农业生产中不可缺少的重要手段。近年来,由于超量、超范围滥用植物生长调节剂而造成的食品安全问题时有发生,其安全性及残留问题也引起了广泛关注。相关的研究也不断增多,检测手段层出不穷。本文综述了国内外对植物生长调节剂残留检测的主要分析技术、优缺点及其应用。分别介绍了前处理方法和多种仪器分析方法。并对国内外植物生长调节剂的限量法规进行了简要对比,为相关限量法规及检测标准的制定和研究提供参考。     

基于人工神经网络的IT项目风险评价模型

[摘要]：首先本文在构建IT项目风险评价体系的基础上,提出一种基于人工神经网络的多指标综合风险评价模型。其次,利用神经网络的自学习和自适应能力,经过训练的神经网络系统能够将专家评价思想以连接权的方式赋予风险评价模型。最后,通过实际IT项目评价数据的验证,该风险评价模型能够准确地按照专家评价法进行工作。     

一种改进的软件项目开发风险管理模型

该文提出了一种改进的软件项目开发风险管理模型。该模型在贝叶斯网络的建模过程中以样本数据集为基础进行结构学习和参数学习,建立更符合实际软件项目特征的贝叶斯网络。同时,进一步完善了软件项目开发风险管理流程,并利用贝叶斯网络的信念更新过程实现动态软件项目风险管理。经实践检验,该改进模型能够更有效地对软件项目开发过程中的风险进行管理,提高软件开发的成功率。     

一种基于遗传算法的样本集数据分割方法

提出了一种基于遗传算法的样本集数据分割方法。数据挖掘过程中该方法能够解决如何对一个样本集进行数据分割,从而得到最佳训练集和测试集的问题。通过该方法进行数据分割,不仅提高了分类模型的分类精度,而且能够最小化训练集和测试集之间的噪声百分比。最后,以一组软件项目样本数据为例说明该方法的有效性。