计及灵活性提升的热电厂日前市场竞价策略

针对含多类型燃煤热电机组与多种电热解耦设备的热电厂在电力现货市场中的报价决策问题,提出了基于价格接受者角色的热-电分步决策竞价模型。首先,依据次日预测价格进行热电厂日前最优产量决策,确定厂内电热解耦设备的运行计划。然后,根据机组调节能力,计算热电厂在次日各时段的发电功率范围;进而,构建分段阶梯形报价曲线。最后,以中国北方地区某典型燃煤热电厂为例,基于现货市场试点的3种典型场景出清电价,验证了所提热-电分步竞价决策模型的有效性;同时分析结果表明,日前市场难以为燃煤热电厂灵活性提升改造提供足够的经济激励。     

多类型热电机组群实时负荷动态分配方法

在运行灵活性提升背景下,考虑热电厂内不同类型热电机组的可行运行区间及其相关辅机运行动态安全边界,以实现热电厂整体效益最大为目标,提出一种多类型热电机组群实时负荷动态分配方法。该方法计及热电厂的售电收益、运行成本、辅助调峰市场收益、负荷跟踪惩罚,并通过设置机组出力最小调整量降低各机组出力调整频次。基于东北地区某热电厂实际数据的算例结果验证了所提方法的有效性和优越性。     

一种基于决策表的核增量式高效更新算法

引入简化决策表,结合简化二进制差别矩阵设计思想,提出一种基于决策表的核增量式高效更新算法.该算法在更新简化的二进制差别矩阵时,只需在原决策表基础上对记录进行相应的更新,不需要重复计算原决策表的二进制差别矩阵.采用边更新简化二进制差别矩阵边计算核,显著地提高了算法的效率和灵活性.新算法的时间复杂度和空间复杂度分别为O(|C||U′|)和O(|C||U′pos||U′|).最后用一个实例说明了新算法的高效性.     

对象间差异度的限制非对称相似关系模型

经典Rough集理论主要是利用了不可分辨关系对完备信息系统进行分析的。对现有粗糙集模型进行扩充后,才可以应用于不完备信息系统。容差关系、非对称相似关系、基于对象间完备度的限制容差关系、限制非对称相似关系等是现有的扩充模型。通过分析其优点和不足之处,提出一种新的模型——对象间差异度的限制非对称相似关系模型,在该模型中,给出的知识粒度更精确,更符合实际。实例结果也证明新模型可以从不完备信息系统获取更加精确的知识粒度。     

一种提高Apriori算法效率的方法

Apriori算法是关联规则挖掘中的经典算法。在Apriori算法中，需要大量进行两个操作：判断两个k-项集是否前k-1项相同且最后一项不同；判断一个项集是否为另一个项集的子集。利用Apriori算法中项集之间都是有序的这一特点可以减少以上两个操作的执行次数，从而达到对Apriori算法进行优化的目的。实验结果表明，经过优化了的Apriori算法在运行效率上有一定的提高。     

刍议全媒体时代城市新闻广播发展

全媒体时代,新媒体技术层出不穷,使得传统广播的经营模式和运营方式都得到不断更新.受众作为信息消费者其消费方式的转变,使得传媒生态环境随之呈现出动态的发展态势,广播频率也被得以充分开发.     

超声回弹综合法在剑麻纤维珊瑚混凝土 强度检测中的应用*

为了研究剑麻纤维增强珊瑚混凝土的抗压强度回归方程,本文利用超声回弹综合法和混凝土抗压试验,通过对掺有3 kg/m3剑麻纤维的珊瑚混凝土和未掺剑麻纤维的珊瑚混凝土试件分别进行试验,分别建立该试验中剑麻纤维珊瑚混凝土的超声声速、回弹代表值与抗压强度的之间的相关关系,给出该试验中相应的强度曲线,便于实际中为与剑麻纤维珊瑚混凝土抗压强度相关的研究提供参考。     

关于“一种信息系统求核的新方法”的注记

指出文献[3]的定理2中对核的理解是不正确的。在此基础上,讨论了信息系统中不同属性约简下核的定义。证明了在协调信息系统下基于代数观的属性约简中的核与基于差别矩阵的属性约简中的核的等价性;同时还证明了,在一般信息系统中基于代数观的属性约简中的核是基于差别矩阵的属性约简中的核的子集。     

基于索引数组与集合枚举树的最大频繁项集挖掘算法

由于其内在的计算复杂性，挖掘密集型数据集的全部频繁项集非常困难，解决方案之一是挖掘最大频繁项集。集合枚举树是最大频繁项集挖掘算法中常用的数据结构，最大频繁项集的挖掘过程也可以看作是集合枚举树的搜索过程。为缩小集合枚举树的搜索空间，采用宽度优先和深度优先相结合的混合搜索策略，提出了一种新的最大频繁项集的挖掘算法Index-MaxMiner。该算法首先设计了索引数组这种新的数据结构，并给出了一个基于二进制位图技术的索引数组的计算方法。通过为每个频繁项增加包含索引，Index-MaxMiner利用一次宽度优先搜索得到了候选最大频繁项集，使集合枚举树的第一层结点个数大幅度减少。然后在候选最大频繁项集中通过深度优先搜索，得到全部最大频繁项集，从而实现了集合枚举树的跳跃式搜索，大大缩小了搜索空间。实验结果表明，该算法可有效提高最大频繁项集的挖掘效率。     

基于索引数组和复合频繁模式树的频繁闭项集挖掘算法

频繁闭项集惟一确定频繁项集且规模小得多.CROP是一种基于复合频繁模式树的、频繁闭项集高效挖掘算法,但存在着候选结点过多的问题.这些非闭合结点的生成、检查和剪裁带来了大量不必要的操作.提出了一种改进的频繁闭项集挖掘算法CROP_Index.该算法用＂索引数组＂来组织数据,找到频繁共同出现的项集.基于二进制位图,给出了一个包含索引的计算方法,并利用索引启发信息合并,得到复合型频繁模式树的初始结点;同时给出一些新的性质,使得改进的算法只生成闭合结点,从而节省了大量不必要的操作,缩小了搜索空间.实验结果表明该算法效率较高.