考虑随机特性的独立微网储能裕度计算方法

依据含储能设备的独立微网的功能和运行特性,提出微网储能裕度的概念及考虑随机特性的微网储能裕度的计算方法,以便对微网负荷承载能力进行量化评估,并使微网在满足系统可靠性要求的同时合理调节储能设备的充放电。针对风电、光电及负荷的随机特性,在日前预测的基础上,建立考虑预测误差的风电、光伏出力和负荷的概率模型。提出一种基于场景生成和削减技术、储能设备充放电优化技术和弦截法的考虑随机特性的储能裕度计算方法。以某微网为例,验证了所提方法的有效性和准确性,并对蓄电池容量、出力限制和初始荷电状态等可能影响储能裕度的因素进行了分析。     

可变样本容量和抽样区间的和R控制图

最近的理论研究证实了具有可变抽样区间(VSI)的过程控制图和可变样本容量(VSS)控制图比常规控制图(FSSI)能较大地提高控制图的效率。文章假定过程处于统计控制状态的时间t服从负指数分布:f(t)=λe-λt(t≥0),利用Costa的马氏链方法[1],设计具有可变样本容量和抽样区间(VSSI)的中位值(x)和极差(R)图。所设计的控制图较之常规控制图能更快地发现过程的变化,从而大大地降低不合格品数。     

关于有限混合总体的抽样

本文讨论混合总体的抽样性质,该总体由有限几个子体按比例充分混合得到.采样的均值与方差得到研究。我们也讨论了在保证采样质量的前提下对每一子体的最优配额问题.     

逐步增加II型截尾下指数分布简单步加试验的统计分析

步进应力加速寿命试验是一种经济实用的寿命试验方法,讨论了逐步增加Ⅱ型截尾指数分布简单步加试验的参数估计。利用Fisher信息阵获得了参数的Jeffreys无信息先验,并利用蒙特卡罗马尔可夫链方法给出了参数的Bayes估计。最后,通过Monte Carlo方法对Bayes估计和最大似然估计进行了模拟比较,统计表明Bayes估计是高效而实用的。     

基于抽样方法的燃耗计算核素积存量不确定度分析

基于抽样基本原理研究了应用于燃耗计算的不确定度分析方法,并开发了燃耗计算不确定度分析程序。基于评价核数据库ENDF/B-Ⅷ.0的裂变产额标准差和衰变常量标准差计算得到了衰变常量协方差矩阵和带相关性的裂变产额协方差矩阵,并结合SCALE6.2程序包的56群反应截面协方差数据库,对Takahama-3压水堆组件基准题中SF95-4样品进行不确定度分析。计算了反应截面、衰变常量和裂变产额不确定度引起的核素积存量的不确定度。计算结果表明,反应截面的不确定度是锕系核素积存量不确定度的主要来源,裂变产额和衰变常量的不确定度对部分裂变产物的积存量会引入较大的不确定度。但考虑裂变产额相关性后,裂变产额引起的不确定度显著降低。     

一种面向不平衡数据集的核Fisher线性判别分析方法

实际应用中,很多分类问题是面向不平衡数据的分类,而不平衡数据集会导致许多分类器的性能下降。文中介绍核Fisher线性判别分析的分类机制,分析不平衡数据导致核Fisher线性判别分析失效的原因,进而提出一种加权核Fisher线性判别分析方法。该方法通过调整两类样本的核协方差矩阵对核类内离散度矩阵的贡献, 可克服不平衡数据对分类性能的影响。为进一步测试该方法, 对UCI数据集进行实验测试,实验结果表明该方法可有效改进分类器的分类性能。     

基于LDA-wSVM模型的文本分类研究

SVM分类算法处理高维数据具有较大优势,但其未考虑语义的相似性度量问题,而LDA主题模型可以解决传统的文本分类中相似性度量和主题单一性问题.为了充分结合SVM和LDA算法的优势并提高分类精确度,提出了一种新的LDA-wSVM高效分类算法模型.利用LDA主题模型进行建模和特征选择,确定主题数和隐主题—文本矩阵;在经典权重计算方法上作改进,考虑各特征项与类别的关联度,设计了一种新的权重计算方法;在特征词空间上使用这种基于权重计算的wSVM分类器进行分类.实验基于R软件平台对搜狗实验室的新闻文本集进行分类,得到了宏平均值为0.943的高精确度分类结果.实验结果表明,提出的LDA-wSVM模型在文本自动分类中具有很好的优越性能.     

基于提升方法的短期负荷预测的研究

目前有很多方法可以实现电力负荷预测,但各种方法都有各自的局限性,如何充分利用各种算法,使负荷预测的精确度提高,组合预测方法便应运而生了.然而当前的组合预测方法过于重视算法,而忽略样本.文中给出了一种基于提升方法的电力负荷预测挖掘算法,该方法通过样本权值进行抽样,训练生成模型,并根据模型效率改变样本权值,再次抽样训练生成模型,如此迭代生成多个模型后进行负荷预测.实际应用结果表明该方法比其它方法具有较高的精度.     

兼顾网络负载与公平的数据流抽样算法

为实现大规模数据流抽样的公平性与可行性,设计一种自适应数据流公平抽样算法。根据网络负载状况,自适应地调整抽样间隔,对数据流进行分段采样,采集初始样本;根据数据流的大小,以反比例函数为抽样函数,对初始样本进行概率抽样。通过对数据流采集过程的两阶段控制,实现在资源有限的情况下,对数据流进行公平合理的抽样。仿真结果表明,相较其它抽样算法,使用该算法抽样的样本更加公平准确。     

基于数据挖掘的启发式抽样方法研究

在数据挖掘中应用抽样技术,可以显著提高数据挖掘任务的效率.通过采用不同的抽样方法,使得数据挖掘算法可以针对比原始数据集小得多的样本数据集进行分析,从而大幅度提高性能.随之而来的问题就是,由于采用了抽样方法,在大幅提高性能的同时,对分析的精确性就会产生影响.如何选取合适的反映总体数据水平的样本成为数据挖掘中的关键问题.传统意义上的抽样大多采用单一的抽样方法,进行单一抽样,抽取的样本在一定程度上具有局限性.本文对传统抽样方法和样本容量的选取进行总结,对传统的分层抽样思想进行改进,提出了一种新的基于数据挖掘的启发式抽样思想,大大提高了抽取样本的精确性.