【摘 要】
：
精准的风电功率预测是对以新能源为主体的新型电力系统安全高效运行的重要支撑。针对现有预测方法未充分考虑不同气象条件下风电出力特性差异的问题，提出基于改进秃鹰搜索（IBES）-最大期望（EM）算法的混合高斯模型（GMM）聚类与气象分型的风电功率概率预测方法。首先，基于Levy飞行与自适应t分布变异策略改进秃鹰搜索算法，提出基于IBES-EM算法的GMM聚类，以增强其全局搜索能力。以此为基础，利用IBE
【基金项目】
：
国家电网公司科技项目（5700-202014195A-0-0-00）；
论文部分内容阅读
精准的风电功率预测是对以新能源为主体的新型电力系统安全高效运行的重要支撑。针对现有预测方法未充分考虑不同气象条件下风电出力特性差异的问题，提出基于改进秃鹰搜索（IBES）-最大期望（EM）算法的混合高斯模型（GMM）聚类与气象分型的风电功率概率预测方法。首先，基于Levy飞行与自适应t分布变异策略改进秃鹰搜索算法，提出基于IBES-EM算法的GMM聚类，以增强其全局搜索能力。以此为基础，利用IBES-EM-GMM聚类对历史气象-功率数据集进行聚类划分，并采用混合深度神经网络与Cornish-Fisher级数分别训练不同气象模式的数据集以得到其概率预测结果。最后，选取中国冀北地区风电场实际数据进行算例仿真，结果表明，相较于无聚类和现有的GMM聚类，所提IBES-EM-GMM聚类使聚类效果、风电功率点预测与概率预测精度均得到了显著提升。
其他文献
对国内外远程护理在老年群体中的应用进行综述，阐述相关概念、护理模式和影响因素，旨在为护理人员实践远程技术提供参考依据。
目的:因腹股沟嵌顿疝急诊手术采用补片修补的可行性研究。方法:选择2009-01-2016-01月因腹股沟嵌顿疝而行急诊手术88例患者,按随机分为应用补片43例（观察组）,未应用补片的45例为对照组。观察研究2组患者下床活动时间、住院时间、围手术出血量、围手术用时等基本治疗情况及术后并发症方面。结果:临床参数比较,观察组的下床活动时间、住院时间、围术期出血量、手术用时均显著优于对照组。2组均未发生死
通过对我国“互联网+护理服务”现有的服务模式中存在的护士执业风险状况进行综述，分析目前在开展“互联网+护理服务”过程中存在的人身安全、医疗安全和隐私安全等护士执业风险，并提出应对措施，为推进我国“互联网+护理服务”提供思路。
为了简化交通流模拟的过程，保持预测参数的多样性和准确性，在研究了蒙特卡罗方法基础上，设计了自由流道路和控制流道路交通噪声预测的概率模型。同时，对实测结果进行分析，提出了一种基于车辆噪声排放概率分布模型的交通噪声预测方法。通过仿真分析，提出的方法与传统动态交通噪声模型相比，提出的方法泛化能力更强，预测结果更加符合实际情况。仿真结果进一步验证了提出方法的有效性及实用性。
居民电力负荷预测主要用于电力调度工作的停电计划，以提高供电可靠度及居民用户满意度。由于电力数据量大且不确定性因素过多，对其负荷进行预测的难度较大。现有的电力负荷预测方法无法获取电力数据的自由度数值，导致负荷预测过程稳定性差、预测结果精度低。提出一种基于深度条件概率密度函数的居民电力负荷预测方法。引入四次方核函数，得出随时间变化下居民电力负荷数据的观测值与预测值间的变量关系；通过高斯回归方程使得预测
赴美上市曾是许多中国企业家的梦想,但近些年来,中概股却卷起了一波波私有化退市,并回归A股的浪潮,尽管如此,仍有不少国内新兴企业逆流而上赴美上市融资,这种现象也引起了国内外学者的广泛关注。本文梳理了诸多学者的观点之后,发现“中美估值差异”是引发退市的最主要动因之一,但大多数学者对估值与退市关系的研究仅停留在定性研究层面,鲜有从定量估值的角度进行论证。并且由于各行业具有不同特性,所适用的估值模型也不尽
肝癖，现代医学称之为脂肪性肝病，其已成为我国最常见慢性肝病，其中以非酒精性脂肪肝最为常见，重度脂肪性肝病易发展为肝纤维化甚至肝硬化，早期干预疾病进展是重中之重。现代医学目前无有效的特异性治疗药物，文章介绍了张斌教授治疗肝癖的经验。张斌教授认为：肝癖的病因主要为饮食失节、劳逸失常，病机根本在于肝郁脾虚、痰湿内蕴，肝癖久病多有痰淤互结之征象。张斌教授通过中药疏肝健脾、祛湿化痰、活血化瘀，联合饮食控制、
针对短期风电功率预测问题，在现有概率预测方法的基础上，提出一种由基于时变滤波器的经验模态分解（timevaryingfilter-basedempiricalmodedecomposition，TVFEMD），样本熵（sampleentropy，SE），Yeo-Johnson转换分位数回归（Yeo-Johnsontransformationquantileregression，YJQR）和高斯核函
探讨“互联网+”背景下共享养老模式的优势、存在的问题并提出相应对策，为我国养老模式的深入研究提供理论和实践参考。
筒仓卸料时的动态侧压力是导致筒仓结构被破坏的重要原因，但影响筒仓动态侧压力的因素众多，且相互之间存在着复杂的非线性关系。因此，建立一种考虑多因素影响、高效、准确的动态侧压力的预测方法尤为重要。基于机器学习方法，将支持向量机、BP神经网络和随机森林等3种机器学习方法应用到筒仓动态侧压力的预测中。选取影响筒仓动态侧压力的相关因素作为输入变量，动态侧压力为输出值。对常用的3种机器学习中的参数进行寻优与设