|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 采用极限梯度提升算法的电力系统电压稳定裕度预测显示文摘将极限梯度提升树(XGBoost)算法应用于电力系统电压稳定评估问题.根据电压稳定问题特点,提出能够反映电力系统运行状态的特征集;把电压稳定裕度绝对值作为映射目标,并介绍生成样本集的方法.在介绍XGBoost算法基本原理的基础上,研究该算法的技术细节.在IEEE-39节点系统上进行验证,结果表明,XGBoost算法在R方值和平均绝对百分误差2项回归指标上均优于其他几类机器学习算法,且模型的计算速度最快,可以满足在线应用要求.同时,XGBoost算法具有良好的数值错误和数值缺失容错性,并可以针对预测偏差较大的样本进行数据补充,实现模型的更新,使得模型表现趋于稳定. | 王慧芳 张晨宇 | 2020 | 浙江大学学报(工学版)2020，54，3： | 8 |
| 2 | 机理与数据融合驱动的含IIDG配电网短路电流计算方法显示文摘目前含逆变器型分布式电源(IIDG)的配电网短路电流计算主要采用物理建模方法,在IIDG高渗透情况下其在计算速度、准确性、通用性等方面存在不足。因此提出一种机理与数据融合驱动的适用于含IIDG和IIDG高渗透下配电网的短路电流计算方法。为与数据驱动建模的计算方法进行对比,在对含IIDG的配电网进行特征分析的基础上,提出了反映短路电流的2种特征组合方式:一种使用蕴含机理的特征,即将不接入IIDG时配电网的短路电流作为关键特征,另一种则使用配电网特征。通过运行MATLAB/Simulink上搭建的仿真模型自动积累样本集合,使用机器学习中的集成方法(包括随机森林、极限随机树、XGBoost、LightGBM)进行2种特征下的模型训练。在IEEE 34节点系统上验证了集成方法建模的可行性和有效性,同时对比了不同集成方法以及不同特征组合方式的计算误差,结果表明,各集成学习方法均能够准确地进行短路电流计算,机理与数据融合的驱动方法在机理未失效情况下,比单纯的数据驱动模型计算更准确。与物理建模方法的对比结果也验证了所提方法的准确性和快速性。 | 郑翔 王慧芳 姜宽 曹建伟 刘莹 陈永炜 | 2021 | 电力自动化设备2021，41，1： | 8 |
| 3 | 基于5G技术的多智能机器人应用研究显示文摘本文通过在机器人中内置小型存储器,建立分布式传输网络,并通过远端控制技术统一分配系统云计算能力。机器人除了作为信息采集点之外,还可以作为云计算终端进行数据处理。引入自定义网络(Software Defined Networking,SDN)和网络功能虚拟化(Network Function Virtualization,NFV)技术,利用不断成熟的云计算技术,来满足这些高传输和低延迟的要求,在5G网络中为机器人系统提供稳定的数据传输和较低的通信时延,提高机器人对环境和控制命令的反应,最大程度优化机器人系统的运算能力。 | 盛春明 | 2021 | 网络安全技术与应用2021，，5： | 4 |
| 4 | 基于流形理论与L1+L2约束的智能电网故障定位显示文摘现有的故障定位算法只能适应于小数据样本并且对于数据的依赖程度高。若数据中存在异常数据会带来较大的定位误差,且故障区域与故障位置需要分别进行求解。采用流行学习方法对智能电网中全局信息进行数据提取,充分利用了高维数据中包含的故障信息,并构造了故障区域与故障位置相统一的模型,通过L1+L2约束摆脱了对数据的依赖。算法中的参数统一采用Adagard方法进行学习,自动调节学习效率,提高参数学习的准确度和速度。最后,在PSCAD中搭建IEEE39节点模型,并在不同的场景下对算法的鲁棒性和定位精度进行了验证。 | 李泽兰 曹一家 彭寒梅 孟凡东 | 2020 | 电力系统保护与控制2020，48，18： | 2 |
| 5 | 电力领域数据驱动建模实践与思考显示文摘数据驱动建模综合利用理论、试验及数据三大研究范式且模型应用快速,将在解决新型电力系统技术问题中得到更多的应用。为此,对电力领域数据驱动建模的实践情况进行了总结并提出了相关思考。首先,介绍了电力领域数据驱动建模的技术与应用现状。然后,分析了针对理论建模性能欠佳问题的数据驱动建模实践情况并总结了建模过程中的共性步骤,介绍了基于电力文本数据和电力图像数据的数据驱动建模实践情况并总结了相关经验与体会。最后,对电力领域数据驱动建模的定义、条件与步骤、优势与风险等提出了一些理解与思考,讨论并总结了电力领域数据驱动建模应重视的若干问题。 | 王慧芳 叶睿恺 罗斌 张波 吴雪峰 刘建敏 | 2022 | 浙江电力2022，41，10： | 1 |
| 6 | A local density optimization method based on a graph convolutional network显示文摘Success has been obtained using a semi-supervised graph analysis method based on a graph convolutional network(GCN).However,GCN ignores some local information at each node in the graph,so that data preprocessing is incomplete and the model generated is not accurate enough.Thus,in the case of numerous unsupervised models based on graph embedding technology,local node information is important.In this paper,we apply a local analysis method based on the similar neighbor hypothesis to a GCN,and propose a local density definition;we call this method LDGCN.The LDGCN algorithm processes the input data of GCN in two methods,i.e.,the unbalanced and balanced methods.Thus,the optimized input data contains detailed local node information,and then the model generated is accurate after training.We also introduce the implementation of the LDGCN algorithm through the principle of GCN,and use three mainstream datasets to verify the effectiveness of the LDGCN algorithm(i.e.,the Cora,Citeseer,and Pubmed datasets).Finally,we compare the performances of several mainstream graph analysis algorithms with that of the LDGCN algorithm.Experimental results show that the LDGCN algorithm has better performance in node classification tasks. | Hao WANG Li-yan DONG Tie-hu FAN Ming-hui SUN | 2020 | Frontiers of Information Technology & Electronic Engineering2020，21，12： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员