电波传播特性预测是无线电系统设计的基础,其中路径损耗特性关系到系统覆盖范围,决定系统布局,时延特性决定数字通信系统的最大数据传输速率.提出一种预测矩形隧道中电波传播特性的方法,该方法可以通过几何光学原理精确地计算出由发射...电波传播特性预测是无线电系统设计的基础,其中路径损耗特性关系到系统覆盖范围,决定系统布局,时延特性决定数字通信系统的最大数据传输速率.提出一种预测矩形隧道中电波传播特性的方法,该方法可以通过几何光学原理精确地计算出由发射天线到达接收天线的电波主要路径,避免了复杂度很高的射线跟踪过程,使传统预测方法的计算复杂度大大降低.仿真结果表明:该模型对电波传播的路径损耗预测精度不低于传统的射线跟踪方法;隧道环境中收发天线相距越近,其接收的多径信号的平均时延扩散与均方根(root mean square,RMS)时延扩散越大;隧道截面积越大,其接收的多径信号的平均时延扩散与RMS时延扩散越大.展开更多
可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多...可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。展开更多
针对传统层次聚类法采用贪婪策略的聚类过程可能无法达到聚类效果最优的情况,提出了一种基于rollout策略下的层次聚类法对所得聚类方案进行优化改进。分析了聚类过程中决策实体、平台与任务之间的关系以及约束条件,以作战任务的执行时...针对传统层次聚类法采用贪婪策略的聚类过程可能无法达到聚类效果最优的情况,提出了一种基于rollout策略下的层次聚类法对所得聚类方案进行优化改进。分析了聚类过程中决策实体、平台与任务之间的关系以及约束条件,以作战任务的执行时间作为工作负载测度,建立以决策实体工作负载的均方根(root mean square,RMS)为目标函数的问题数学模型,以任务与平台的分配关系作为输入信息,在基于最小RMS值的平台合并准则下采用rollout策略对层次聚类法的每层聚类进行优化,得到平台与决策实体的优化配置关系。最后通过联合作战仿真算例和一般算例进行仿真分析,验证了该方法的可行性和优越性。展开更多
文摘电波传播特性预测是无线电系统设计的基础,其中路径损耗特性关系到系统覆盖范围,决定系统布局,时延特性决定数字通信系统的最大数据传输速率.提出一种预测矩形隧道中电波传播特性的方法,该方法可以通过几何光学原理精确地计算出由发射天线到达接收天线的电波主要路径,避免了复杂度很高的射线跟踪过程,使传统预测方法的计算复杂度大大降低.仿真结果表明:该模型对电波传播的路径损耗预测精度不低于传统的射线跟踪方法;隧道环境中收发天线相距越近,其接收的多径信号的平均时延扩散与均方根(root mean square,RMS)时延扩散越大;隧道截面积越大,其接收的多径信号的平均时延扩散与RMS时延扩散越大.
文摘可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。
基金Key Research and Development Project of Guangdong Province(No.2020B0101320002)Natural Science Foundation of Shandong Province(No.ZR2020MF124)Key Research and Development Program of Shandong Province(No.2019GGX104017)。
文摘针对传统层次聚类法采用贪婪策略的聚类过程可能无法达到聚类效果最优的情况,提出了一种基于rollout策略下的层次聚类法对所得聚类方案进行优化改进。分析了聚类过程中决策实体、平台与任务之间的关系以及约束条件,以作战任务的执行时间作为工作负载测度,建立以决策实体工作负载的均方根(root mean square,RMS)为目标函数的问题数学模型,以任务与平台的分配关系作为输入信息,在基于最小RMS值的平台合并准则下采用rollout策略对层次聚类法的每层聚类进行优化,得到平台与决策实体的优化配置关系。最后通过联合作战仿真算例和一般算例进行仿真分析,验证了该方法的可行性和优越性。
