Monte Carlo模拟(Monte Carlo simulation,MCS)在复杂电力系统可靠性评估中广泛应用,但计算效率较低。针对此,该文提出一种基于卷积神经网络(conventional neural network,CNN)的可靠性评估方法,在时序MCS框架下采用CNN加速系统状态评...Monte Carlo模拟(Monte Carlo simulation,MCS)在复杂电力系统可靠性评估中广泛应用,但计算效率较低。针对此,该文提出一种基于卷积神经网络(conventional neural network,CNN)的可靠性评估方法,在时序MCS框架下采用CNN加速系统状态评估计算。首先,构造反映系统运行状态的特征向量,建立基于CNN的系统失负荷量回归模型;其次,针对可靠性评估样本不均衡、回归训练效率低的问题,进一步建立系统状态分类器,形成基于CNN的分类-回归模型;此外,针对CNN训练样本和实际评估样本不一致的问题,提出分类结果矫正机制,进一步提升模型的实用性;最后,通过改编IEEE-RTS系统的计算分析验证了所提方法的有效性和优越性。展开更多
为了减小室内环境因素对室内无线定位的影响,提高定位精度和扩大定位区域,提出了一种新的基于SVM的WiFi室内无线定位方法。通过将室内区域划分为多个小的区域,建立每个区域RSSI(received signal strength indication)和位置的非线性关系...为了减小室内环境因素对室内无线定位的影响,提高定位精度和扩大定位区域,提出了一种新的基于SVM的WiFi室内无线定位方法。通过将室内区域划分为多个小的区域,建立每个区域RSSI(received signal strength indication)和位置的非线性关系,再利用SVM强大的分类和回归能力来实现定位。实验结果表明,本定位方法能够达到1.83 m的定位精度,说明区域划分和非线性回归能够有效地控制误差范围和提高定位精度。展开更多
文摘为了减小室内环境因素对室内无线定位的影响,提高定位精度和扩大定位区域,提出了一种新的基于SVM的WiFi室内无线定位方法。通过将室内区域划分为多个小的区域,建立每个区域RSSI(received signal strength indication)和位置的非线性关系,再利用SVM强大的分类和回归能力来实现定位。实验结果表明,本定位方法能够达到1.83 m的定位精度,说明区域划分和非线性回归能够有效地控制误差范围和提高定位精度。
