基于改进多种群粒子群算法的光伏组件参数辨识

针对光伏组件参数辨识问题,本文首先通过调整光伏单二极管超越方程重构出低计算复杂度的目标函数,又预估计模型参数对搜索空间进行优化,再结合多种群粒子群算法与单纯形算法的优点,构造出N-MPSO混合新算法用于光伏组件模型参数的精确稳定辨识。最后利用多种实际光伏组件测量数据对所提方法进行检验。结果表明N-MPSO算法相较于传统算法能够更加准确、快速且稳定地辨识出任意环境条件下光伏组件的模型参数,对于光伏组件及光伏电站的设计、测试与诊断具有实际意义。     

科技成果转化的非正式机制、路径研究与展望

近年来,科技成果转化的非正式机制与路径因其灵活开放备受瞩目,但目前该领域的相关研究缺乏系统梳理。本文以“科技成果转化的非正式机制与路径”为研究主题,采用CiteSpace可视化软件,对2001—2023年WOS和CNKI数据库的161篇精选文献进行了计量分析,梳理了科技成果转化非正式机制的内涵,展示了相关研究热点,剖析了科技成果转化的非正式机制和路径,展望了前沿动向和研究机会。研究发现：1）国内外现有科技成果转化的非正式机制内涵尚未统一,但可以从人际互动、合同契约、转化代理视角进行辨析;2）科技成果转化的非正式机制与路径的相关研究涵盖非正式组织、非正式制度、私人关系、非正式网络、数智化时代、企业数字化、内部网络结构等主题;3）科技成果转化的非正式机制与路径的研究热点已从最初揭示非正式组织、制度在组织内外的运作关系,逐步转向数智化时代背景下的“非正式”因素影响效益研究。此外,构建了过程导向、内外部驱动因素影响的不同核心主体参与科技成果转化的非正式机制和路径分析框架。最后,探讨了科技成果转化的非正式机制与路径的未来研究方向,以期从新的视角丰富科技成果转化领域的研究。     

“引江济太”工程背景下河网稀释净污需水计算及其应用

在分析河网水体稀释容量和自净容量的基础上,以太湖流域“引江济太”工程为契机,探讨河网水系污染物稀释扩散和截留净化规律,建立河网稀释净污需水量的计算模式,给出引水总量和流量确定的方法．以张家港市引长江水改善市区河网水环境工程为例,研究引长江水改善水环境的总体方案和实施的可行性,运用河网一维水量水质模型,分析计算各种引水方案,并进行引水效果预测评估,确定了张家港市区河网的引水量和引水方案,为“引江济太”工程的实施提供理论依据和技术支持．     

CAS范式在南水北调东线水资源供应链管理中的应用

将CAS范式引入南水北调东线水资源供应链管理项目,研究其复杂性、动态性和整体性,为水资源配置与调度提供理论依据．从供应链的结构、节点企业以及外部环境等角度,分析其复杂自适应性．指出基于软件平台Swa肿仿真的可行性和有效性,从复杂性的角度提供了供应链量化建模仿真的理论基础。     

V/F变换器作低成本A/D转换的方法与途径

提出了V／F变换器通过与AT89C52单片机的接口来实现低成本A/D转换的方法。由于利用了单片机的资源,故使得实现电路比较简单,可靠性好,且提高了转换精度。计算了相关参数并给出了流程图和汇编程序。     

基于幂律方程的致密油藏产能预测模型研究

选取鄂尔多斯盆地长7致密储层岩心,通过实验测定了致密岩心的渗流曲线,提出采用幂律方程及拟线性模型的复合渗流模型描述致密油藏渗流特征,建立了符合致密油藏的产能预测新模型,并进行了参数敏感性分析。结果表明：新模型预测的产能比拟启动压力梯度模型预测的产能偏高,井底流压越大越明显;达西线性流模型预测的产能比新模型预测的产能偏高,井底流压越小越明显。在同一井底流压下,产能随平衡系数的增大而增大,随幂律指数的增大而减小。     

舰船多层衰波媒质的振动传递矩阵模型

舰船多层衰波媒质隔振技术是一种基于新型机理的隔振技术。针对其在振动传递效率影响中的静力学问题,通过分析结构物振动能量表征方式并采用声学边界条件,建立振动波斜入射多层衰波媒质时的声强二维传递矩阵模型。推导出声强透射、反射系数。通过专门的验证性实验,证明了多层衰波媒质隔振技术高效的实施效果。同时将二维传递矩阵模型理论计算值与文献中的计算结果进行比较,对比结果验证了模型计算的准确性,说明利用该模型从理论上考察多层媒质的衰波隔振效率是合适的。     

三角形多势垒结构的共振透射系数的计算

使用艾里(Airy)函数和转移矩阵方法精确求解了一维三角形多势垒结构的电子一维定态薛定谔方程,求出了在一维三角形多势垒结构中电子共振透射系数的一般表达式,并进一步研究了三角形结构势垒的共振透射系数与有效质量、势垒宽度、势垒高度及势阱宽度之间的关系。     

基于联邦迁移学习的应用系统日志异常检测研究

迄今为止,基于日志的异常检测研究已经取得了很多进展,然而,在现实条件下仍旧存在两个挑战：（1） 是日志数据通常以“数据孤岛”形式储存在不同的服务器上,单一公司或组织的日志数据中异常样本量不足,且异常模式较为固定,很难通过这些数据训练出一个准确率高的检测模型. 为了解决这个问题,将不同来源的日志数据整合成更大的数据集可以提高模型训练的效果但可能会在数据传输过程中产生日志数据泄露问题;（2） 是不同应用系统类型的日志数据通常在结构和语法上存在差异,简单地整合并用于训练模型效果不佳. 基于以上原因,本文提出一种基于联邦迁移学习的日志异常检测模型训练框架LogFTL,该框架利用基于匹配平均的联邦学习算法,在保证客户端数据隐私安全的前提下于服务器聚合客户端的模型参数形成全局模型,再将全局模型分发给客户端并基于客户端的本地数据进行迁移学习,优化客户端本地模型针对自身常见异常行为的检测能力. 经过实验表明,本文提出的LogFTL框架在联邦学习场景下效果超过了传统的日志异常检测方法,同时也证明了该框架中迁移学习的效果.     

基于PSO-LSSVM算法的隧道掘进机掘进参数预测方法

为了规避隧道掘进机(tunnel boring machine, TBM)掘进参数人为设定的主观性,提出了一种基于粒子群-最小二乘支持向量机算法(PSO-LSSVM)的TBM掘进参数预测方法。通过从海量TBM工程掘进数据中探寻参数变化规律,降低了TBM主司机设定掘进参数的主观性,辅助其合理选择掘进参数,有利于提高掘进效率、规避工程风险,经实验和工程数据验证,PSO-LSSVM算法通过对样本粒子全局迭代寻优来优化参数,提升了预测算法泛化能力和预测精度,对推力、扭矩和推进速度参数预测数值偏差满足要求,可辅助指导主司机设定掘进参数。