简介:摘要:面对日益扩大的风能应用规模,抽水蓄能也将在风电出力消纳上发挥越来越重要的作用,尤其是在扩大电网接纳风电能力以及保障风电场有功功率平稳输出等方面更是能起到重要支撑作用。如何利用抽水蓄能电站平抑快速变化的风电出力波动,进而缓解系统负荷峰谷矛盾、保障电网安全稳定运行,是现阶段能源结构转型进程中的一项重要研究内容。抽水蓄能-风电联合运行系统模型,不仅可以为优化协调控制策略提供仿真工具,还可研究风力消纳过程中联合系统的动态响应特性,为实际生产提供技术参考与支持,具有较高的研究意义与工程价值。基于此,本篇文章对基于改进模型预测控制的电气系统新能源功率波动平滑策略进行研究,以供参考。
简介:摘要:在配电网中合理引入智能技术,可以建立完善的网络,实施智能性的调控,为配电网系统的稳定运行提供重要的保证。随着社会经济的不断发展,短时停电损失越来越大,电力用户对供电可靠性提出了更高的要求。近年来,分布式电源发展迅速,其大量接入传统配电网会造成短路电流超标、电压波动过大、线间功率分布不均等问题。配电网采用闭环运行方式可有效提高供电可靠性及分布式电源接纳能力,但受环网两侧系统的电压、内阻抗以及馈线负荷分布等因素的影响,可能会出现较大的循环功率,造成两侧出力不均,甚至引起逆功率运行。基于现代电力电子技术的智能软开关具有强大潮流控制能力,为同区甚至异区配电线路闭环运行提供有效技术支撑。
简介:摘要:分析短时交通流预测的意义,对国内外的研究方法和主要成果进行详细的阐述、分析、归类,主要包括基于传统统计分析的预测模型、非参数回归预测模型、基于非线性理论的预测模型、智能预测模型等4种单一预测模型和组合预测模型,对各类模型复杂性、精度、适用性进行逐一分析。短时交通流预测研究领域在未来一段时间内发展趋势是数据来源多样化、混沌理论和深度学习深度发展,组合预测模型多样化,预测精度不断提高。
简介:摘要目的探讨时序预测模型中的差分自回归滑动平均(ARIMA)和自回归(AR)模型在预测广州市急救调度日出车数量方面的价值。方法采用Matlab仿真软件对广州市2021年1月1日至2021年12月31日的急救调度出车记录分析计算日出车数量时间序列,对该序列进行时序预测模型辨识,得到ARIMA(1,1,1)、AR(4)以及AR(7)模型,利用这些模型对日出车数量做出预测拟合。ARIMA(1,1,1)模型将数据分为训练集和测试集,参数运算采用Prony方法,预测拟合未来的出车数量;AR(4)和AR(7)模型采用均匀系数,预测当天出车数量。结果ARIMA(1,1,1)、AR(4)以及AR(7)都可以实现对日出车数量的有效预测,ARIMA(1,1,1)的预测拟合误差随着预测时间的延长下降。两个月内的急救调度日出车量预测拟合平均绝对百分比误差(MAPE)低于6%,结果基本都位于95%置信区间内,利用模型的残差分析验证了模型显著有效。结论ARIMA模型可以对两个月内的急救调度日出车量做长期预测拟合,AR模型可以对急救调度日出车量做短期有效预测。
简介:摘要目的系统评价脑卒中后抑郁(PSD)风险预测模型。方法计算机检索Web of Science、The Cochrane Library、PubMed、Embase、CINAHL、知网、中国生物医学文献服务系统、万方和维普数据库中建库至2022年6月1日收录的PSD风险预测模型相关文献,采用预测模型构建研究数据提取和质量评价清单(CHARMS)对纳入文献中的模型进行质量评价,并对纳入模型中具有共性的预测因子的预测价值采用RevMan 5.3软件进行Meta分析。结果共纳入9篇文献,包含11个PSD风险预测模型,所有模型的建模时受试者工作特征曲线下面积(AUC)为0.726~0.854,其中7个模型的AUC≥0.8,预测效能较高,但仍存在偏倚风险,主要原因包括未报告缺失数据的处理、模型效果评价不完整以及未对模型进行内外部验证。Meta分析结果显示抑郁或其他精神疾病病史(OR=6.73,95%CI:3.87~11.73)、艾森克人格问卷(EPO)评分(OR=1.13,95%CI:1.03~1.23)、高血压(OR=0.47,95%CI:0.30~0.74)、Barthel指数(OR=0.98,95%CI:0.98~0.99)均是PSD的有效预测因子。结论PSD风险预测模型整体预测性能良好,但也仍存在一定的偏倚风险,未来应对建模方法进行改进;PSD风险预测模型的建立可重点关注抑郁或其他精神疾病病史、EPQ评分、高血压、Barthel指数等预测因子。
简介:摘要不同抑郁症患者的最优治疗方案一般需通过长期、低效率的试错过程来逐步确定。为实现抑郁症的精准治疗,有必要通过特异性生物标志物来选择有效的治疗方法。深度学习是机器学习的一个分支,该技术能处理大量高维、复杂的数据,适用于自动提取和学习临床、基因组学和神经影像数据的特征。近年来,研究人员正在使用深度学习技术开发抑郁症治疗反应的预测模型,有利于指导临床医生为患者选择最佳治疗方案以及在全球范围内推进更为高效的个体化精准医疗方案。本文从人口学、临床症状数据、基因组学数据和功能磁共振成像数据三个方面,对深度学习预测抑郁症疗效方面的相关研究进行综述,并对未来的深度学习研究方向尤其是多组学数据结合深度学习的应用进行展望。