车用双面散热IGBT模块随机振动性能分析与应力预测

针对双面散热绝缘栅双极型晶体管(IGBT)模块在车载状态下由不同频率的振动载荷导致的焊料层失效问题,分别从材料和结构两个角度,以直接覆铜(DBC)板陶瓷层材料、陶瓷层厚度以及焊料层厚度为变量,以芯片底面焊料层应力为指标进行随机振动分析优化与应力预测,得到模块结构的最佳参数值组合。3个变量对芯片底面焊料层应力的影响由大到小为：陶瓷层厚度、焊料层厚度、陶瓷层材料。最后提出一种对芯片下焊料层应力的预测模型,相较仿真的准确率为95.61%。该研究结果对车载双面散热IGBT模块的振动性能分析提供参考,同时为模块结构的设计提供理论依据。     

生存分析在电信客户流失中的应用

近年来电信行业发展迅猛,电信市场趋于饱和,在目前的市场环境下,预测电信客户的流失及流失时间有利于挽留客户,减少客户损失。针对电信客户流失的预测,文中采用KM与Cox的电信客户生存分析模型预测电信客户流失的时间,将KM分析模型用于电信客户流失的组间比较;运用Cox风险比例模型对多因素进行分析,全面预测电信客户的生存时间。通过构建生存分析模型可实现对潜在流失客户及客户流失时间的预测,从而制定相应的有效方案挽留目标。     

基于GPIO的永磁同步电机模型预测转矩控制

在永磁同步电机模型预测转矩控制(model predictive torque control,MPTC)中,由于目标函数控制变量的量纲不同,为了在代价函数中选取最优的权重系数,提出一种改进高斯变异鸽群算法(Gaussian mutation pigeon-inspired optimization algorithm, GPIO)实现权重系数自整定。首先,基于代价函数最小化原则设计PIO的目标函数,用电流id、iq脉动误差均方根评价权重系数。其次,在传统高斯变异算子的基础上引入自适应调整动态参数实现变异。仿真和实验结果表明,将改进后的算法应用于永磁同步电机模型预测转矩系统,能在较少的迭代次数内整定出最优的权重系数,极大地降低了转矩误差和电流谐波畸变率。     

考虑可控负荷的多区域电力系统分布式模型预测负荷频率控制

由于同步发电机的惯性较大,导致传统的集中式负荷频率控制模式反应不够迅速,而用户侧具有快速响应能力的可控负荷资源为系统的频率调节提供了新机遇。研究了考虑用户侧可控负荷资源主动参与系统频率调节的多区域互联电力系统分布式模型预测负荷频率控制问题。通过建立的含可控负荷的多区域互联电力系统负荷频率响应模型及自动发电控制模型,基于连续时域交替方向乘子法和分布式模型预测控制方法,提出了一种用户侧可控负荷资源主动参与的多区域互联电力系统分布式模型预测最优负荷频率控制模型。基于修改的IEEE39节点三区域互联电力系统进行仿真验证,结果表明所提考虑可控负荷的分布式模型预测控制策略可显著减少系统恢复至稳态所需的时间。分布式控制策略的控制自由度更高,增强了系统的可控性。     

基于Blending集成学习模型的电力市场日前出清电价预测

精准的掌握未来电价信息对把握市场的运行状态、支撑市场参与各方进行有效决策、推动市场主体合理优化资源配置具有重要意义。因此基于Blending集成学习机制构建了一种面向于日前电价预测的综合模型。该模型充分考虑电价的高波动性特点,采用Ashin变换,减小了输入数据波动性对预测模型的影响;选取SVM、LightGBM、EWNN、SARIMAX 4种较为成熟的单一电价预测模型作为初级学习器,进而保证了基于Blending集成学习模型的预测精度。选用美国PJM电力市场实际运行数据对上述构建的电价预测模型进行验证,通过对预测结果的对比分析,表明构建的基于Blending 集成学习机制的电价综合预测模型集成了多种传统预测模型的优点,具有较好的准确性与稳定性。     

基于定频MPC的飞跨电容储能双向直流变换器低频波动功率抑制策略

为抑制直流母线低频波动功率对储能系统的影响,以飞跨电容双向直流变换器为研究对象,提出基于单目标定频模型预测控制(model predictive control, MPC)低频波动功率抑制策略。为降低传统MPC算法的运算负荷,通过对变换器数学模型进行分析,提出一种单目标定频MPC控制算法。该算法仅需通过电感电流单目标约束函数,即可实现对系统电流及双端飞跨电容电压的控制,无须对两端飞跨电容电压进行独立寻优,极大地降低了计算量。为实现对储能系统低频波动功率的抑制,引入低频波动功率抑制算法,通过与所提MPC算法的融合,使最终控制方案能够在实现储能控制目标的前提下,具备低频波动功率抑制能力,且保持良好的动态性能。通过搭建小功率实验平台对所提控制策略的有效性进行了验证。     

基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。     

深度学习在IP网络优化中的应用

随着新型业务涌现和IP网络技术的不断演进,云网融合步入新阶段,展现出数字化、智能化和服务化的发展特征。其中智能化需要结合相关的人工智能技术,而深度学习和深度强化学习是常用的人工智能算法。图神经网络等技术的发展,也使得深度学习和深度强化学习分别在图信息表示和最优化问题处理方面的能力得到本质提升。IP网络可以用图结构抽象化表示,相关的预测和优化问题可以用深度学习和深度强化学习算法处理和求解。因此阐述了深度学习和深度强化学习在流量预测、网络规划和流量工程3个场景下的相关算法与应用,分析了在实践过程中可能面临的问题与挑战。     

基于关系强度理论与反馈机制的信息传播动态网络表示

现有多数网络表示学习方法不能很好地贴合真实世界的信息传播网络,且无法对信息传播动态网络的时间特性与动力学演化特征进行有效建模。提出一种新的信息传播动态网络表示模型,基于关系强度将信息传播动态网络划分为关系网络与传播网络,并分别计算变化节点对的概率密度和邻接矩阵。通过更新节点注意力强度矩阵,聚合节点邻域变化信息,并融合节点邻域变化信息、自身历史信息以及外部影响因素,对信息传播动态网络进行归纳式表示学习。引入反馈机制,将最新的节点表示反馈到邻居节点,解决网络表示不及时的问题,提升网络表示性能。实验结果表明,与Know-Evolve、DyRep、LDG等模型相比,该模型的命中率和平均排名提升显著,与LDG模型相比,其时间效率在Social Evolution数据集和Github数据集上分别提升了91.8%、87.2%。     

模糊认知图在时间序列预测中的应用综述

时间序列预测是基于当前及历史数据对未来演化趋势的推演.准确的、可解释的时间序列预测是进行科学决策的关键技术支撑,广泛应用于金融、交通、气象等诸多领域.具有可解释性和强推理能力的模糊认知图已在时间序列预测中取得较好的效果,但目前尚无文献对该方法进行全面综述.为此,本文首先对模糊认知图及扩展的高阶模糊认知图、直觉模糊认知图和深度模糊认知图进行梳理,并在此基础上归纳了学习模糊认知图的优化算法.其次,具体介绍了模糊认知图以及扩展的模糊认知图在时间序列预测中的应用,并做出系统性的总结.最后,对模糊认知图在时间序列预测中的发展趋势进行展望.