中长期电量灰色预测中数据预处理方法研究

中长期电量预测是电网调峰、电源和电网建设规划以及电力需求侧管理等工作的基础.在研究传统中长期灰色预测模型的基础上,分别引入滑动平均、幂函数变换和结合预期影响等方法,改进了传统灰色模型的数据预处理环节.其中的预期影响调整环节是首次被应用到电量预测中,通过挖掘和利用更多、更深层次的信息,使预测精度得到提升.此外,介绍了定量检测模型拟合和预测精度的手段;利用介绍的多种改进模型,根据中国1999-2011年的电量数据,分稳定期和波动期情景对模型进行拟合和预测的对比研究,也测算了2012、2013年全国用电情况.     

含大规模风电场的电力系统动态经济调度

电力系统动态经济调度(DED)问题是一个高维、非凸、多约束的优化难题,风电场并网进一步增加了问题的难度.针对风功率波动性和随机性的特点,模型中引入了风电场出力爬坡约束条件,考虑了含风电场的系统上、下旋转备用量.在大规模风电场并网的基础上,根据电力系统所能提供的最大备用容量,适时优化风机出力,既满足了系统可靠运行,又实现风电最大化利用.为了更好地优化DED问题,增强算法的收敛性能,在二进制微分进化算法的基础上,加入了自适应调整控制参数、共享适应度等改进措施.运用旋转备用、最小启停时间、爬坡等修正策略来处理约束条件,大大提高寻优能力.经典算例分析表明,该方法能快速、有效地求解动态经济调度问题.     

基于声学测温与人工神经网络的炉膛结渣在线监测方法

以某电厂锅炉炉膛结渣问题为研究背景,以实现炉膛受热面结渣监测为目的,提出了基于声学测温与人工神经网络的炉膛结渣在线监测方法。该监测方法结合非接触式测温工具——声学测温装置和BP神经网络,声学测温装置能够实时测量炉膛出口烟温,为炉膛结渣实时在线监测提供了前提条件,利用BP神经网络的非线性映射优点计算炉膛理想出口烟温,提出利用污染系数判断炉膛整体的结渣状况。在某电厂采集数据进行验证,结果表明:声学测温装置测量的炉膛理想出口烟温与BP神经网络预测的炉膛理想出口烟温相对误差在3%左右,能够满足工程要求。     

空间机器人的动力学等价机械臂DEM

本文讨论了如何将一个自由飘浮空间机器人等价成一个通常固定基座上 机器人，本文将之定义为动力学等价机械臂方法。本文阐述了ＤＥＭ方法的理论推导过程，展示了动力学与运动学的等价性，并通过仿真验证了在闭环控制下ＤＥＭ与空间机器人的等价性。     

基于Zigbee的无线抄表系统设计

提出一种利用Zigbee技术进行无线抄表的解决方案;在对Zigbee网络层和应用层研究的基础上,设计并实现一个基于Zigbee的无线抄表系统AMKS,它能够满足多种抄表模式要求,实现无线抄表功能.     

信贷自动审批模型的对抗攻击风险研究

近期,银行等金融机构引进自动信贷审批系统来取代传统的人工审批,而自动信贷审批系统在何种程度上会受到对抗样本的攻击有待研究。通过实验对信贷对抗样本攻击的问题进行了验证。首先,基于申请人的信贷数据对XGBoost模型进行训练,预测申请人行为,并选择原始样本。其次,使用"非违约申请人"对改进的GAN模型进行训练,并用于生成特征值,通过修改原始样本以构建对抗样本,使得修改后的特征值接近于"非违约申请人"密集分布的特征值。最后,使用训练好的XGBoost模型将对抗样本进行分类。在实验中生成的对抗样本可以混淆XGBoost模型。当修改后的特征值的数量增加时,对抗样本的生成率总体呈上升趋势。实验验证,对抗样本的攻击将对自动信贷审批系统造成安全风险。     

嵌入式软件异常处理机制的研究

异常处理作为实现嵌入式软件容错的一种机制,对嵌入式系统的可靠性具有十分重要的作用.文中主要分析了嵌入式系统原有的异常处理机制的不足,并依据实际工作中的发现,加入了新的异常处理机制,作为对原有异常处理机制的补充.并且以uC/OS-Ⅱ为例,叙述了这种新的异常处理机制的设计和应用.最后说明了在实际工作中应用这种新的异常处理机制应该注意的问题.     

空间机器人遥控、自主与协同操作的软件基础

空间机器人控制语言是实现空间机器人三种控制方式:遥控操作,自主操作和协同操作的软件基础,本文描述了该语言的基本结构,对于自主方式,给出了编程示例;对于遥控方式,运用程序辅助的方法,解决了操作员单独进行主/从操作时难以解决的问题.     

一种低电压亚阈值CMOS基准电路的设计

利用负反馈技术设计了一款基于CMOS亚阈值MOS器件的低压高性能CMOS基准源电路。基于SMIC 0.18μm标准CMOS工艺,Cadence Spectre仿真结果表明：所设计的基准电路能在0.8V电压下稳定工作,输出380.4mV的基准电压;在1kHz频率范围内,电源噪声抑制比为-56.5dB;在5℃到140℃范围内,温度系数6.25ppm/℃。     

不平衡多分类算法综述

不平衡数据分类是机器学习领域的重要研究内容,但现有的不平衡分类算法通常针对不平衡二分类问题,关于不平衡多分类的研究相对较少。然而实际应用中的数据集通常具有多类别且数据分布具有不平衡性,而类别的多样性进一步加剧了不平衡数据的分类难度,因此不平衡多分类问题已经成为亟待解决的研究课题。针对近年来提出的不平衡多分类算法展开综述,根据是否采用分解策略把不平衡多分类算法分为分解方法和即席方法,并进一步将分解方法按照分解策略的不同划分为“一对一（OVO）”架构和“一对多（OVA）”架构,将即席方法按照处理技术的不同分为数据级方法、算法级方法、代价敏感方法、集成方法和基于深度网络的方法。系统阐述各类方法的优缺点及其代表性算法,总结概括不平衡多分类方法的评价指标,并通过实验深入分析代表性方法的性能,讨论了不平衡多分类的未来发展方向。