电力市场均衡模型述评

传统的电力系统运行模型缺乏对参与者市场行为的考虑,不适应于新的市场环境,需要结合市场的竞争性研究电力市场的建模问题.对电力市场均衡模型在国内外研究的进展进行了较为全面的总结.对两类常用的电力市场模型Cournot模型和供给函数均衡模型,从应用领域到求解方法进行了评述.总结了两类模型在分析市场不完善性、市场仿真以及风险分析等方面取得的成果,指出了均衡模型存在的缺陷和改进的方法,充分考虑发电公司的市场行为,提高假设条件的准确性和模型的实用性.     

基于VOLL定价思想的用户重要性分类研究

为解决电力系统应对突发事件时的用户限电顺序问题,借鉴负荷损失定价法VOLL(Value ofLoad Loss)的思想,并将其经济的思想扩展到安全、政治和环境,构建了以安全、政治、环境、经济等4个指标为一类指标的电力用户重要性分类指标体系,并且根据所构建指标体系的特点和所选指标的数据特性.结合层次分析法和三角模糊数原理.采用改进的模糊层次分析法确定评价指标的权重.给出了一个电力用户重要性分类的算例,示范电力用户重要性分类的使用方法.最后.介绍了采用熵值法动态调整电力用户重要性指标权重.     

一种基于融合计费的动态月租业务出账解决方案

近年来,随着电信运营商互联网业务的发展,客户对于产品订购出账的个性化、场景化的需求不断趋于多样化,作为支撑业务运营发展的融合计费系统,如何设计更加贴近客户需求的业务流程将是融合计费系统^[1]迭代优化的一个重要方向,动态月租的出账解决方案便是其中之一。     

基于核心概念的单元整体教学设计策略——以“算法与程序设计”为例

本文提出,单元整体设计是在学习目标的引领下,对教材相关联的概念进行梳理,并应用到一个真实的问题场景中,实现知识的整体建构。其过程可以归纳为凝练主题、形成概念链、分解目标和设计活动内容。作者认为,进行单元整体教学有助于学生完整地思考问题,形成知识体系。     

基于模糊率的FCM自适应图像分割方法

提出一种基于模糊率的模糊C均值自适应图像分割方法。该方法根据波谷波峰梯度检测法自动确定模糊聚类数目,利用模糊阈值法快速确定较为准确的初始聚类中心,建立包含特征信息和空间信息的新目标函数,实现图像的自动分割。实验结果表明,该方法的分割速度快、精度较高,具有较强的鲁棒性。     

全局自动图像配准算法加速器

由于全局自动图像配准算法计算和存储复杂度高,不易实现实时处理,为此提出一种改进的基于块的全局自动图像配准算法加速器结构(BWAGIR Ⅱ).该结构采用双组多体存储结构及优化的数据放置策略,支持在单个时钟周期内同时读取4×4插值窗口中的16个像素值;并采用定浮混合计算逻辑,以支持定点和浮点操作数的混合计算.FPGA实现结果表明,采用文中结构对5个BWAGIR Ⅱ处理单元的数据吞吐率超过258×106像素/s.     

XQuery并行实现中的任务调度算法

为提高XQuery语言的处理性能,针对XQuery并行实现中的任务调度问题,提出一种适用于共享内存多线程环境的调度算法。在一种新型调度策略的指导下,能够利用XQuery语言中存在任务并行性、数据并行性和流水线并行性的特点,提高程序并行执行效率;针对流水线并行执行方式,建立一种流水线局部并行自动机模型,通过利用流水线中各节拍之间的空闲等待时间,提高系统资源的利用率。通过实验验证了该算法的可行性和有效性。     

物联网环境下基于演化博弈的动态频谱分配算法

研究物联网环境下垄断频谱市场中两个有限理性的服务提供商基于需求响应的价格竞争。服务提供商购买频谱拥有者提供的频谱,相互动态竞争提供给次用户使用以谋求自身利益的最大化。引入动态频谱接入,同时考虑次用户对价格的反应,将服务提供商的动态价格策略选择建模为演化博弈模型。通过复制动态,提出的算法收敛到演化稳定均衡(ESS)。仿真结果表明所该算法是收敛的,可以达到ESS,分析结果验证了演化博弈算法的稳定性和有效性。     

发电机的非线性自适应逆推综合控制

发电机励磁和汽门系统是一个典型的多变量、非线性、强耦合、不确定复杂系统,其综合控制将会改善电力系统稳定性和动态品质,所以设计简单、有效的综合控制器既必要又困难.针对单机无穷大励磁与汽门系统,运用自适应逆推方法和系统的Lyapunov函数,获得了发电机的非线性综合控制器和参数替换律,文中给出了该控制器的具体设计步骤.由于在控制器设计中没有运用任何线性化方法,因而所得控制器充分利用了系统的非线性特性;同时考虑了发电机阻尼系数的不确定性,使得控制器对系统参数的变化具有很强的鲁棒性.数字仿真结果表明,所设计的控制器具有鲁棒性,并可有效地提高电力系统的稳定性.     

多项选择和分布式排序

本文定义了多项选择概念,并给出了串行和分布式多项选择算法以及基于多项选择的分布式排序算法。该分布式排序算法所需要的平均信件数为O(p×max{log_2×log_2p,p}),最坏情况为O(p×n),其中n为要排序的元素个数,p为参加排序的机器台数。因此所提出的算法比现有的分布式排序算法好。