几何转换Boosting回归算法及其在高耗能企业负荷预测中的应用

针对高耗能企业的电力负荷预测问题, 提出了一种基于几何转换关系的Boosting集成预测方法. 该方法将分类问题中广泛采用的AdaBoost算法引入回归问题, 通过几何关系转换将负荷预测这一回归问题转化为一个两类分类问题, 在此分类问题上应用置信度AdaBoost算法得到最优集成分类面. 证明了此分类面等价于原回归问题上的一个回归函数, 同时证明了该方法与原始AdaBoost算法有着类似的收敛性. 实际算例表明, 该方法通过多预测模型的集成有效提高了负荷预测精度, 克服了传统单一预测模型在高耗能企业的电力负荷预测问题上泛化性能不佳的缺陷.     

基于通用复时频分布的进动目标微多普勒提取

首先建立了进动锥体目标的雷达回波模型,推导了目标微多普勒频率与进动参数的定量关系。针对进动目标雷达回波具有的多分量非线性调频特点,提出了通用复时频分布(generalized complex time frequency distribution, GCD)的微多普勒提取方法,与线性和二次Cohen类时频分布相比,GCD具备高时频分辨力、低交叉项的优点。同时针对峰值估计微多普勒瞬时频率(instantaeous frequency, IF)方法受信号频率交叉覆盖和噪声干扰严重的问题,提出基于Viterbi算法的微多普勒IF估计方法,有效提高了微多普勒IF估计精度。实验中利用仿真和暗室测量数据验证了GCD Viterbi方法的性能。     

面向主动配电网的安全多智能体深度强化学习电压优化控制

针对主动配电网电压优化控制中模型不确定性和通信代价大的问题，提出了一种基于灵敏度矩阵安全的多智能体深度强化学习(SMS-MADRL)算法。该算法利用安全深度强化学习，应对主动配电网的固有不确定性，并采用多智能体结构实现通信代价较小的分布式控制。首先，将电压优化控制问题描述为受约束的马尔可夫博弈(CMG);然后，对无功功率进行适当修改，通过分析节点电压的变化得到灵敏度矩阵，进而与主动配电网环境进行交互，训练出若干可以独立给出最优无功功率指令的智能体。与现有多智能体深度强化学习算法相比，该算法的优点在于给智能体的动作网络增添了基于灵敏度矩阵的安全层，在智能体的训练和执行阶段保证了主动配电网的电压安全性。在IEEE 33节点系统上的仿真结果表明：所提出的算法不仅能够满足电压约束，而且相较于多智能体深度确定性策略梯度(MADDPG)算法，网络损耗减少了4.18%,控制代价减少了70.5%。该研究可为主动配电网的电压优化控制提供理论基础。     

序列ISAR像复杂结构航天器在轨姿态估计

针对“中国空间站”等复杂结构航天器在轨姿态估计误差精度优化的问题，提出了一种基于多线性结构特征优化选择的姿态估计方法。首先采用奇异值分解方法获取ISAR等效成像平面的空间位置，然后通过Unet3+神经网络分割出航天器的典型部件，进而获取各部件的线性结构，最后建立优化函数求解航天器在轨姿态角。仿真和实测实验结果表明，相比现有方法，所提方法能够实现结构特征的自动提取并有效减少姿态估计误差。