正则稀疏化的多因子量化选股策略

针对高维度数据集特征之间的复杂性,而传统的L1惩罚项不满足Oracle性质的无偏性,将逻辑回归弹性网（LR-Elastic Net）中的L1惩罚项替换为SCAD（Smoothly Clipped Absolute Deviation）和MCP（Minimax Concave Penalty）惩罚项,分别构建了LR-SCAD和LR-MCP模型,在保留稀疏性的同时满足了无偏性,并利用ADMM（Alternating Direction Method of Multipliers）算法进行求解。通过模拟实验发现,LR-Elastic Net模型能很好地处理特征存在相关性的小样本数据,而LR-SCAD和LR-MCP模型在特征存在相关性的大样本数据中表现较好;建立LR-Elastic Net、LR-SCAD和LR-MCP策略,并应用于沪深300指数成分股数据。回测结果显示,LR-SCAD和LR-MCP策略在股票相关性很强的数据中比LR-Elastic Net策略表现更好。     

稀疏约束的时空正则相关滤波无人机视觉跟踪

目的 基于相关滤波的跟踪算法在无人机(unmanned aerial vehicle,UAV)视觉跟踪领域表现出卓越的性能。现有的相关滤波类跟踪算法从样本区域的所有特征中学习滤波器,然而某些来自遮挡或形变的特征可能会污染滤波器,降低模型判别能力。针对此问题,提出一种稀疏约束的时空正则相关滤波跟踪算法。方法 在相关滤波目标函数上施加空间弹性网络约束以自适应地抑制跟踪过程中的干扰特征,同时集成空间—时间正则相关滤波算法(spatial-temporal regularized correlation filter,STRCF)中的时间正则项以增强滤波器抑制畸变的能力。采用交替方向乘子法(alternating direction method of multipliers,ADMM)将带有约束项的目标函数转化为两个具有闭式解的子问题迭代求局部最优解。此外,提出一种相关滤波框架通用的加速策略,根据当前帧的目标位移量,对检测定位阶段的特征矩阵进行等距离的循环移位,将其作为在线学习阶段的特征矩阵,每帧可节省一次训练样本的特征提取操作,提高跟踪速度。结果 在3个UAV数据集上与14种主流跟踪算法进...     

基于ADMM算法的主动配电网分层优化经济调度

主动配电网(active distribution network,ADN)因其具有调度控制灵活、用户交互性高、能源利用率高等特征正逐渐取代传统配电网,在系统安全运行的前提下实现了经济性最优的目标。文章充分考虑配电网整体运行的经济性,提出一种基于交替方向乘子法(alternating direction method of multipliers, ADMM)的主动配电网分层优化经济调度方法。首先,以最小配电网整体运行成本为目标建立了主动配电网分层优化调度模型,借助ADMM算法分解为上下两层进行求解,上层以最小化配电网整体运行成本为目标进行优化,下层考虑配电网内部节点接入的分布式光伏和储能单元,以最小化本地储能运行成本和购电成本为目标进行优化。其次,上下两层通过有限的边界信息交换,相互迭代,直至满足收敛条件,得出最优解。最后,通过设计算例进行测试,验证了所提调度方法的有效性和可行性。     

基于自适应步长ADMM的电-气混联系统多时间尺度优化调度

随着微型燃气轮机和以其为基础的热电联供单元的大量配置,电力、天然气系统之间的联合优化调度越来越受到关注。针对电-气混联系统的优化调度问题,提出双层多时间尺度优化调度框架,考虑到各子系统间信息的不透明特性,上层基于日前预测数据和自适应步长交替方向乘子法(ADMM)建立以系统成本为目标函数的分布式日前优化调度模型;针对可再生能源和负荷的波动,下层基于短时预测数据建立以遵循日前调度方案为目标的实时调度模型。通过算例分析验证了所提电-气混联系统优化调度模型和框架的有效性。     

合作模式下含多利益主体的综合能源系统协同优化研究

在能源转型的背景之下,园区综合能源系统成为现代能源领域发展的重要趋势,多园区综合能源系统(multiple park integrated energy system, MPIES)能量协同优化受到了重点关注。针对多园区综合能源系统的多主体分布自治特点,具有模型求解困难与主体隐私问题的集中式调度模式将难以为继。文中提出了一种多主体经济调度架构及竞争合作机制,利用博弈合作理论构建了MPIES博弈合作优化调度模型,基于交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）对其进行求解,并给出了算法流程。MPIES合作调度模型实现了PIES之间的能源交互,充分挖掘了园区间能源潜力,不仅有效提高新能源利用率和储电设备使用寿命,还具有良好的环保性。算例以多园区综合能源系统为例进行分析,结果验证了所述方法的有效性和准确性。     

大规模海上风电场的双层分布式有功控制

传统集中式的风电场有功控制策略在风电场规模较大时面临中央控制器计算负担重、鲁棒性差等问题,完全分布式控制的收敛性受通信延迟和迭代次数的影响显著.为此,提出了一种双层分布式的控制结构.上层控制基于分布式一致性算法进行设计,降低通信系统的建设投资和缓解集中控制器的求解负担.下层控制采用基于模型预测控制(Model Pred...     

Optimal operation of integrated energy system including power thermal and gas subsystems

As a form of hybrid multi-energy systems, the integrated energy system contains different forms of energy such as power, thermal, and gas which meet the load of various energy forms. Focusing mainly on model building and optimal operation of the integrated energy system, in this paper, the dist-flow method is applied to quickly calculate the power flow and the gas system model is built by the analogy of the power system model. In addition, the piecewise linearization method is applied to solve the quadratic Weymouth gas flow equation, and the alternating direction method of multipliers (ADMM) method is applied to narrow the optimal results of each subsystem at the coupling point. The entire system reaches its optimal operation through multiple iterations. The power-thermal-gas integrated energy system used in the case study includes an IEEE-33 bus power system, a Belgian 20 node natural gas system, and a six node thermal system. Simulation-based calculations and comparison of the results under different scenarios prove that the power-thermal-gas integrated energy system enhances the flexibility and stability of the system as well as reducing system operating costs to some extent.     

面向物联网隐私数据分析的分布式弹性网络回归学习算法

为了解决基于集中式算法的传统物联网数据分析处理方式易引发网络带宽压力过大、延迟过高以及数据隐私安全等问题,该文针对弹性网络回归这一典型的线性回归模型,提出一种面向物联网(IoT)的分布式学习算法。该算法基于交替方向乘子法(ADMM),将弹性网络回归目标优化问题分解为多个能够由物联网节点利用本地数据进行独立求解的子问题。不同于传统的集中式算法,该算法并不要求物联网节点将隐私数据上传至服务器进行训练,而仅仅传递本地训练的中间参数,再由服务器进行简单整合,以这样的协作方式经过多轮迭代获得最终结果。基于两个典型数据集的实验结果表明：该算法能够在几十轮迭代内快速收敛到最优解。相比于由单个节点独立训练模型的本地化算法,该算法提高了模型结果的有效性和准确性;相比于集中式算法,该算法在确保计算准确性和可扩展性的同时,可有效地保护个体隐私数据的安全性。     

Automatic foreground extraction from imperfect backgrounds using multi-agent consensus equilibrium

Extracting accurate foreground objects from a scene is an essential step for many video applications. Traditional background subtraction algorithms can generate coarse estimates, but generating high quality masks requires professional softwares with significant human interventions, e.g., providing trimaps or labeling key frames. We propose an automatic foreground extraction method in applications where a static but imperfect background is available. Examples include filming and surveillance where the background can be captured before the objects enter the scene or after they leave the scene. Our proposed method is very robust and produces significantly better estimates than state-of-the-art background subtraction, video segmentation and alpha matting methods. The key innovation of our method is a novel information fusion technique. The fusion framework allows us to integrate the individual strengths of alpha matting, background subtraction and image denoising to produce an overall better estimate. Such integration is particularly important when handling complex scenes with imperfect background. We show how the framework is developed, and how the individual components are built. Extensive experiments and ablation studies are conducted to evaluate the proposed method.