分布式多元随机动态场景生成及快速精准场景降维算法

高比例新能源及多源耦合是电力系统发展的重要特征,这也为系统稳定经济运行提出了新挑战。该文以园区型多能系统为对象,研究了分布式多元随机动态场景分析,从多时空角度有效量化不确定因素给系统造成的影响,可为系统灵活重构、多维度协同运行与决策提供有力模型与场景支撑。首先由预测误差驱动拟合多元功率预测误差概率分布,全面反映随机功率出力信息,提高模型泛化性;以时序相关范围参数为数据驱动关联变量,高效动态控制波动强度;最终场景生成利用逆变换映射思想保证置信度。然后针对典型场景提取,提出一种综合递归聚类思想的多段嵌套削减算法,结合改进Wasserstein距离指标,兼具准确、时效、稳定方面的优势。最后由对比实验论证该方法的前沿有效性。     

含新能源发电的电力系统状态估计研究

新能源发电不确定性改变了传统状态估计的边界条件，给不良数据辨识和电力系统运行状态预测等状态估计基本功能带来新问题，影响含新能源电网的调度与运行控制决策。在综述传统电力系统状态估计功能、模型与算法的基础上，分析了新能源发电不确定性带来的主要影响；结合新能源发电的特点，从估计对象和时间2个维度提出一种含新能源发电的分层状态估计框架，针对不同估计对象实现电站层级与全网的状态估计信息合理拼接，在时间维度上考虑历史数据挖掘、实时状态估计和状态趋势预测的有机衔接，并在对比所提框架与传统状态估计差异的基础上，提出了亟待解决的关键技术问题。     

基于负荷增长不确定性方法的网架负载能力评估

为了更准确地评估负荷的不确定增长对网架负载能力带来的影响,将所研究电网按经济发展水平划分为4个区域,然后采用蒙特卡洛法对经济发展水平不同区域的负荷进行抽样;分析了每个区域的负荷增长率,得到不同的负荷增长方式,从而对网架负载裕度进行评估;通过引入线路负载率约束,使得规划后的网架能够应对未来小幅度、短时间的不确定性的负荷波动;最后以某省为例对500 kV线路与主变进行最大负载率的计算得到具有最大负载率的500 kV线路与主变。计算结果表明与传统分析方法相比,所述方法能够更加精确地对网架负载能力进行评估。     

大坝服役非概率可靠性分析方法

针对大坝服役可靠性影响因子具有非概率不确定特征的情况,建立了定量刻画大坝服役可靠性非概率影响因子的Info-gap模型,运用Info-gap决策理论和体积比非概率可靠性度量方法,提出了大坝服役非概率可靠性分析方法,拟定了大坝服役非概率目标可靠度。应用提出的非概率方法分析了某大坝结构服役可靠性,各功能模式可靠性分析结果说明了该方法的工程适用性,同时也验证了所拟定大坝服役非概率目标可靠度的合理性。     

计及时间相关性的微能源网鲁棒规划方法

微能源网以能源的梯级利用为原则,可实现风、光等多种新能源的高比例消纳,满足区域内电、热、冷等多种能源需求。微能源网中存在新能源出力与冷、热、电负荷的多重不确定性。为增强系统规划结果的鲁棒性,常采用不确定集表述新能源出力与多种用能需求的不确定性,实现针对微能源网的鲁棒规划设计,往往使系统规划结果过于保守,降低系统经济性。为克服以上问题,规避实际运行中不可能发生的场景,降低系统规划结果的保守性,文章提出一种考虑时间相关性的微能源网鲁棒规划模型。该模型在计及多重源荷不确定性的基础上,进一步考虑新能源出力与冷、热、电负荷的时间相关性。通过算例对传统不确定集与所提出的改进不确定集进行对比分析,验证了所提模型及方法的优越性和有效性。     

基于滑模的运载器主动段俯仰通道姿控系统设计

与传统比例-积分-微分（PID）控制方法相比，滑模控制（SMC）方法可以比较容易地将不确定性纳入控制器设计中，从而增强系统的鲁棒性。探索了SMC技术在运载器主动段姿态控制中的工程应用，首先通过分析基于趋近律的SMC系统，提出了降低不连续切换项系数的需求，然后研究了基于干扰上界的SMC方法。三通道小偏差仿真结果验证了两种方法的控制效果，表明第2种控制器的鲁棒性更好，稳态误差小，同时发动机喷管摆角需求较小。     

困境下砥砺前行 期待中茁壮成长——2019年硅产业市场情况与发展趋势

2019年,在各种因素影响下我国硅产业度过了艰难的一年。这一年中,整个产业经历着格局急速转换、技术快速更迭,承受着价格持续下滑和需求前景的不确定性,大多数企业在默默地苦练内功,进一步降本增效,度过产业最为寒冷和黑暗的夜,期待着2020年黎明的曙光及新一轮的产业发展契机。     

重新找回人工智能的可解释性

针对深度神经网络AI研究的可解释性瓶颈，指出刚性逻辑（数理形式逻辑）和二值神经元等价，二值神经网络可转换成逻辑表达式，有强可解释性。深度神经网络一味增加中间层数来拟合大数据，没有适时通过抽象把最小粒度的数据（原子）变成粒度较大的知识（分子），再把较小粒度的知识变成较大粒度的知识，把原有的强可解释性淹没在中间层次的汪洋大海中。要支持多粒度的知识处理，需把刚性逻辑扩张为柔性命题逻辑（命题级数理辩证逻辑），把二值神经元扩张为柔性神经元，才能保持强可解释性。本文详细介绍了从刚性逻辑到柔性逻辑的扩张过程和成果，最后介绍了它们在AI研究中的应用，这是重新找回AI研究强可解释性的最佳途径。     

基于非参数密度估计的不确定轨迹预测方法

随着大量移动设备的出现，准确和高效的轨迹预测有助于提高面向位置的应用和服务的质量和水平.针对现有方法对轨迹不确定性缺乏有效建模的问题，提出了基于非参数密度估计的不确定轨迹终点预测方法.在轨迹建模及模型训练阶段，利用非参数估计对起点与终点相同的轨迹构建基于密度分布的不确定轨迹模型；在轨迹预测阶段，将待预测轨迹视为轨迹数据流，并通过KS（Kolmogorov-Smirnov）检验方法与具有相同起点的不确定轨迹模型进行匹配，其中匹配程度最高的不确定轨迹即为预测轨迹.通过真实轨迹数据集上的实验表明，与现有各类主要轨迹预测方法相比，本方法在不同条件下的预测效率与准确性都有较明显优势.