基于高斯混合模型的海洋能发电资源优化配置研究

针对海洋能资源丰富的海岛电网,提出了以消纳率最优为目标的海洋能发电资源优化配置方法。首先,采用高斯混合模型描述海洋能发电的随机波动性,并生成出力场景;然后以海洋能消纳率最优为目标构建了海岛电网的海洋能发电资源优化配置模型;最后,对渗透率、消纳率及源荷匹配度三个指标进行综合分析,获得最优配置方案。基于实际海岛负荷、波浪和潮流数据构建了海洋能发电资源优化配置算例,并重点分析了资源优化配置过程中渗透率约束的取值范围。结果表明,在不同的渗透率约束下,源荷匹配度呈现先升后降的趋势。因此,可以根据最大的源荷匹配度,确定资源优化配置模型中的渗透率约束取值范围。此外,在最优渗透率约束取值范围内,高斯混合模型出力场景与实测数据场景的优化配置结果相差不大且趋势一致,验证了高斯混合模型生成海洋能出力场景的有效性。     

双孢蘑菇中一种4R型MYB转录因子的基因克隆和生物信息学分析

MYB转录因子广泛存在于真核生物中,在植物的生长发育、逆境胁迫等过程中发挥重要作用。与植物相比,对食用菌中MYB转录因子的研究有限。为探究MYB转录因子在食用菌中的生物学功能,对前期转录组发现的一个编码双孢蘑菇（Agaricus bisporus）MYB转录因子的基因进行克隆和生物信息学分析。结果表明,该基因编码区长1 209 bp,翻译402个氨基酸;编码的蛋白分子量为45.95 kDa,等电点9.17,是一种不存在跨膜结构、不含信号肽的亲水性蛋白,具有4个高度保守的SANT结构域,属于4R型MYB转录因子,与白环蘑（Leucoagaricus）中的4RMYB转录因子亲缘关系最近;二级结构预测显示以无规则卷曲和α-螺旋结构为主;亚细胞定位分析显示该转录因子位于细胞核中;此外启动子序列分析表明,该基因启动子区域含有多个与生物抗逆应答、激素响应等相关的顺式作用元件。     

基于知识图谱的电力科技专家遴选系统设计与应用

当前电力企业对科技的投入越来越多,每年的科技项目数量逐步增长,项目涉及的学科领域也越来越多样化。为保证项目质量,专家评审环节必不可少。面对规模不断增加、信息不断更新的专家库和大量科技项目评审专家遴选需求,文章设计一套基于知识图谱和多特征融合的电力科技专家遴选系统,利用流程自动化机器人自动收集更新数据并进行同名消歧,然后根据设定的三元组模式自动化构建专家知识图谱,并根据专家标签与项目标签相似度计算结果推荐合适的评审专家。所提系统的研发与应用可辅助项目管理人员高效地管理专家信息并提高专家遴选效率。     

基于PCA的冰上运动体育建筑可持续运维潜力评价指标 体系研究

随着国家冰雪运动战略发展和建筑可 持续运维理念的推广,冰上运动体育建筑正逐 渐成为当前体育建筑发展的新着眼点。冰上运动 体育建筑的运维,面临使用场景的变化性、设备 技术的复杂性、智能化技术的冲击性、空间尺度 的特殊性等众多特殊问题,实际工程的需求与理 论研究上的匮乏形成巨大矛盾。如何判断众多要 素对其可持续运维潜力的影响权重,以最小的代 价提高其可持续运维潜力也成为业界的焦点。本 文提出了可持续运维指标体系的要素及维度,并 设计专家调查问卷,借助主成分分析法（PCA） 对初始指标集进行分类和修正,确定各指标权 重,从而构建了冰上运动体育建筑可持续运维潜 力评价体系。所得到的评价体系包括 12个一级 指标和50个二级指标。期望研究成果可为促进 冰上运动体育建筑可持续运维发展提供参考。     

面向配电异构数据的生成对抗式数据增殖技术研究

配电大数据跨媒体、小样本特征愈发凸显,为配电数据分析带来了新的挑战。为了解决样本分布不均匀的海量配电数据资源难以得到有效利用的问题,提出了面向配电异构数据的生成对抗式数据增殖方法。该方法通过引入生成对抗网络对数据完备的配电异构数据空间进行稠密化,而后利用峰值聚类算法实现样本空间的有限开覆盖,实现数据样本的有益增殖。仿真实验验证了所提出的生成对抗式数据增殖方法对于配电设备台账数据与巡检影像数据的有效性与稳定性,为配电数据分析提供了新的视角与思路。     

面向电力系统智能分析的机器学习可解释性方法研究(二)：电网稳定分析的物理内嵌式机器学习

将知识融入机器学习模型是提升算法可解释性与计算性能的重要途径之一。针对电力系统运行的稳定分析问题，提出一种新的物理内嵌式机器学习框架与方法，将描述故障动态过程的微分-代数方程作为先验知识，引导神经网络模型训练。相比于完全依赖数据的通用机器学习方法，物理内嵌式机器学习直接模拟物理过程，通过数据背后所蕴含的物理方程来约束机器学习决策空间，并输出故障后的动态曲线，结果物理含义与可解释性更强。同时，物理内嵌模式也大幅降低了模型训练对海量数据的依赖，为小样本学习及以及模型向真实系统迁移应用过程中的参数辨识提供一种新的思路。     

面向电力系统智能分析的机器学习可解释性方法研究(一)：基本概念与框架

机器学习的可解释性是其在电力系统领域安全、可靠应用的关键环节与重要基础之一。针对电力系统智能分析的机器学习模型可解释性方法进行初步探讨。首先，阐述了机器学习模型可解释性的基本概念、数学描述与相关评价维度；之后，梳理了实现机器学习可解释的整体思路与技术路线，将可解释方法分为建模前解释、训练后解释与模型自解释3大类，并对其在模型诊断、安全评估、数据纠偏、知识发现等场景的应用进行了分析；最后，对目前电力智能分析的机器学习可解释性研究面临的挑战进行了展望。