基于深度学习的新能源爬坡事件预测方法

随着新能源渗透率的逐渐增大,有功功率不平衡的爬坡事件时有发生,甚至造成较大负荷损失。因风电和光伏预测的精度不够,需要考虑的运行场景较多,时域仿真不能满足在线评估要求。提出一种基于深度学习的方法,综合考虑机组和联络线的调节能力,利用堆叠降噪自动编码器提取各层特征训练支持向量机。将风电、光伏和负荷预测数据及上一时刻联络线功率等相关量作为输入,是否发生爬坡事件为输出,通过支持向量机快速预测是否发生爬坡事件。实际电网的仿真结果表明,本研究方法快速准确,能够对爬坡事件进行有效辨识。     

新能源爬坡事件综述及展望

从爬坡的定义方式、预测方法、控制策略三个层面出发, 对以风电、光伏为代表的新能源爬坡事件进行概述。列举爬坡事件常用的定义并分析其优劣性; 总结爬坡事件目前主流的预测方法,根据是否利用功率预测结果分为直接法和间接法, 并对常用的评价指标进行介绍; 阐述目前爬坡控制策略常用的方法, 按照有无储能参与分为无储能参与的有限度控制策略和有储能参与的联合控制; 对目前研究仍存在的问题和未来重点研究方向进行总结。     

一种基于深度学习的精准商品推荐方法

随着互联网技术的飞速发展,互联网用户在畅游网络的同时也面临着信息过载的问题,而个性化推荐技术则成为了解决信息过载问题的有力工具。为了对用户提供更精准的商品推荐服务,提出了一个基于栈式降噪自编码器（SDAE）和贝叶斯个性化排序（BPR）相结合的深度神经网络模型SDAE-BPR。首先,使用SDAE把商品评分数据作为输入,编码后得到隐特征。其次,用BPR的方法学习对应商品的隐特征向量。该模型能够避免矩阵稀疏性的影响,因此达到了更精准推荐商品的效果。最后,分别使用Movielens 20 M和Movielens 1 M数据集,对SDAE-BPR模型与传统基于商品的协同过滤模型（IB-CF）、传统基于用户的协同过滤模型（UB-CF）做了对比,结果发现SDAE-BPR具有更高的准确度。     

基于集成学习方法的蛋白质相互作用预测

针对蛋白质相互作用的预测问题,提出了集成学习的方法.该方法使用人工神经网络和支持向量机为成员分类器的集成学习方法,并分别用自协方差编码方式和二肽组成来表示蛋白质序列的特征集合,预测的准确率和ROC曲线面积分别达到92.16%、94.38%和0.972 5、0.981 5.通过对成员分类器、集成学习方法以及集成学习方法之间的预测效果进行比较,结果表明,集成学习方法可获得更优的预测效果,并能有效提高预测精度,避免采样学习带来的不稳定性.     

基于小波降噪与支持向量机的岩性预测方法

随着机器学习和人工智能技术的发展,复杂地层岩性的自动估计已成为石油工程中最关键的要求之一。通过对正安两口水平井测井数据进行小波降噪处理,提升数据信噪比。同时利用声学(AC)、补偿中子(CNL)、密度(DEN)、伽马(GR)、光电(PE)、铀含量(U)和钍含量(TH)测井数据作为训练和测试样本,运用支持向量机(SVM)建立岩相识别模型。岩性识别准确度可达95.2%,相较于未采用降噪技术的人工智能模型相比,预测准确度提升近5个百分点。     

基于深度自动编码器与Q学习的移动机器人路径规划方法

针对移动机器人在静态未知环境中的路径规划问题,提出了一种将深度自动编码器( deep auto-encoder)与Q学习算法相结合的路径规划方法,即DAE-Q路径规划方法。利用深度自动编码器处理原始图像数据可得到移动机器人所处环境的特征信息;Q学习算法根据环境信息选择机器人要执行的动作,机器人移动到新的位置,改变其所处环境。机器人通过与环境的交互,实现自主学习。深度自动编码器与Q学习算法相结合,使系统可以处理原始图像数据并自主提取图像特征,提高了系统的自主性;同时,采用改进后的Q学习算法提高了系统收敛速度,缩短了学习时间。仿真实验验证了此方法的有效性。     

基于时序分解与误差修正的新能源爬坡事件预测

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆（LSTM）网络预测误差的爬坡预测模型. 为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因素的主成分建立基于LSTM的趋势和余项预测模型,实现功率的时间特征与影响因素主成分的映射关系刻画. 在采用LSTM对趋势和余项进行初步预测的基础上,引入误差修正算法计算拟合预测模型的动态误差并构建新的非平稳时间序列,获得准度性更佳的趋势和余项预测值. 通过加法模型融合趋势、余项以及利用朴素法获得的周期,得到最终预测功率. 结合风电和光伏爬坡事件定义,运用所提模型分别进行风电和光伏爬坡预测. 实验结果表明,与其他预测方法相比,所提模型在功率直接预测和爬坡事件间接预测上均具有更优的精度,能够为电网调度提供更可靠的依据.     

大气低频声信号识别深度学习方法研究

针对全面禁核试低频声监测中需要对大气低频声信号进行有效识别的问题,对深度神经网络中的卷积神经网络进行了研究,提出了一种将低频声信号转换为图像,然后采用卷积神经网络进行识别,并对学习过程进行改进的方法。将该方法与基于人工设计特征的支持向量机方法进行了对比实验,实验结果表明,在训练数据集不大的情况下,通过改进学习过程的卷积神经网络可以挖掘出信号的潜在特征,具有和支持向量机同等的识别能力。     

栈式降噪自编码器在波形单元识别中的应用

为提高多功能雷达(Multi-Function Radar,MFR)波形单元的识别准确率和鲁棒性,提出一种栈式降噪自编码器(Stacked Denoising Autoencoders,SDAE)与支持向量机(Support Vector Machine,SVM)相结合的波形单元识别方法.首先摒弃传统依赖脉冲序列分析技术对MFR信号进行处理的方法,通过分析波形单元结构并借助参数间的联合变化特征,提出一种MFR波形单元分段识别模型,将传统对脉冲序列的识别转化为对MFR波形单元的识别;然后在该模型的基础上引入SDAE,对训练样本数据、SDAE隐含层神经元节点进行加噪处理,并利用这些加噪后的样本数据训练优化SDAE网络模型,提取出样本数据的深层稳健特征;最后引入SVM算法,借助SDAE挖掘出的样本深层特征,实现SVM模型的优化,得到最终的波形单元识别模型(SDAE-SVM).仿真实验表明:提出的波形单元识别方法在相同样本数目和测试误差的条件下,与SVM算法相比,能够取得较高的识别准确率,具备更优越的识别效果.证实MFR波形单元识别模型是有效的,且通过SDAE网络的引入,使得SDAE-SVM方法能够自主地挖掘原始信号的深层特征,提高波形单元识别的鲁棒性和准确率.     

基于深度学习的微博命名体识别

针对微博用语不规范,噪声多,更新快,缩略语多,且数据量大等相关特点,本文提出基于深度学习的方法进行微博命名体的识别。本文首先利用大量的未标注的微博信息对自动编码器训练,获得抽象特征,随后将这些特征作为深度学习网络的输入,最后得出句子中每个字的类标。在进行自动编码器训练的过程中,本文提出卷积方法替代窗口移动方法,以此获取句子中的长依赖信息。通过对新浪微博数据的实验结果表明,本文所给出的深度学习方法能够提高微博中命名体识别的F1值,说明了本文算法的有效性。     

基于支持向量机的增量式算法

为了扩展支持向量机在大规模数据集和成批出现数据领域的应用,提出了一种基于支持向量机的增量式学习算法.利用标准的支持向量机算法训练得到初始的目标概念,通过增量式步骤不断更新初始的目标概念.更新模型是求解一个与标准支持向量机具有类似的数学形式的凸二次规划问题.证明了在可分情况下,如果新增加的样本不是位于边界区,那么增量式过程既不会改变分类平面也不会改变分类平面的表达.与现有的增量式支持向量机算法相比,该算法无需额外计算就可实现增量式的逆过程并且训练时间与增量式步骤数成反比.实验结果表明,该算法满足稳定性、能够不断改进性能以及性能回复三个准则.     

基于Gabor滤波器和深度学习的图像检索方法

针对图像数据库日渐庞大的问题,研究了将特征提取与深度学习相结合进行图像检索的方法,提出了基于Gabor小波变换和受限玻尔兹曼机(RBM)的特征提取和降维模型.将整幅图像划分成局部图像块,利用Gabor滤波器组提取图像特征,通过RBM对特征进行学习和编码,从而实现图像特征的降维处理.采用基于深度信念网络(DBN)和Softmax分类器的图像检索算法,利用Corel图像库进行新方法的图像检索实验,并与其他两种方法进行比较.结果表明,本文方法在准确率、查全率和检索时间上均具有较好的性能,能得到更好的图像检索结果.     

基于极限学习机的短期风力发电预测

随着风力发电技术的发展,风能已成为最具吸引力的可再生能源发电资源之一。然而,由于风能资源具有间歇性和随机性的特点,风力发电系统并入电网将对电力系统的稳定运行和规划带来巨大的冲击和挑战。在此背景下,为了加强电力系统的稳定性和可靠性,提出基于极限学习机的短期风速预测技术,实现精确的风力发电预测。根据开源风速数据的仿真结果表明,该方法不仅能有效地捕捉风速数据的非线性特性,而且与大多数传统方法相比,所需计算时间更短。     

基于主动学习的视频对象提取方法

提出了一种基于主动学习的SVM视频对象提取方法。利用主动学习的思想,对传统的支持向量机进行了改进,将SVM和主动学习的优点结合起来,实现了更加准确提取视频对象的目的。通过自适应变化检测获取初始视频对象,并以其作为训练样本,选取正类样本训练支持向量机,构造加强的分界面。实验结果表明,该方法能克服一般SVM方法的缺点,使视频对象的边缘更加精确,同时减小了计算量。     

基于深度强化学习的交通信号控制方法

针对基于深度强化学习的交通信号控制方法存在难以及时更新交叉口信号控制策略的问题,提出基于改进深度强化学习的单交叉口交通信号控制方法. 构建新的基于相邻采样时间步实时车辆数变化量的奖励函数,以及时跟踪并利用交叉口交通状态动态的变化过程. 采用双网络结构提高算法学习效率,利用经验回放改善算法收敛性. 基于SUMO的仿真测试结果表明,相比传统控制方法和深度强化学习方法,所提方法能明显缩短交叉口车辆平均等待时间和平均排队长度,提高交叉口通行效率.     

多源性数据SVM集成算法研究

针对数据特征的多源性特点,提出基于分组特征支持向量机集成算法．该方法将特征分组,对不同组特征采用不同的核函数映射到高维空间后用支持向量机分类,最后采用投票的方法得出决策标记,所得到的成员分类器具有较高的差异性．与传统的集成方法相比,该方法具有较好的检测性能．     

Method for assessment of network security situation with deep learning

The traditional methods for assessment of network security situation rely on manual label and evaluation.When faced with a large amount of data,there appearsome problems such as low efficiency and poor flexibility.First,we propose a Deep Autoencoder-Deep Neural Network (DAEDNN) model to identify all kinds of attacks on the network.Then,the Under-Over Sampling Weighted (UOSW) algorithm is designed to improve the detection rate of the model on categories with a few training samples.Finally,we conduct model testing and calculate the attack probability.Besides,we determine the impact score of each type of attack and calculate the network security situation value.Experimental results show that the precision and recall of the proposed model are better than those of the compared models,and that the proposed model has a better performance in accuracy and efficiency.     

支持向量机改进序列最小优化学习算法

为提高支持向量机序列最小优化学习算法的学习性能,提出了一种支持向量机改进序列最小优化学习算法,对传统SMO学习方法进行了多方面改进,从优化变量的选择和2个变量的优化方法分别提出具体可行的改进方法．改进后的SMO学习算法提高了学习速度,加快了网络收敛速度．基于改进SMO算法的仿真结果验证了改进SMO算法的有效性和优越性,并通过仿真,与原始算法进行了比较,显示了改进SMO算法的快速性．