摘要：电动汽车是一种可以向电力系统提供灵活性的柔性负荷。现有研究对电动汽车灵活性进行建模时,多数仅考虑了充电行为的不确定性以及分时电价的影响,忽略了日前电价与实时电价的偏差,缺少对实时电价、充电负荷多时间尺度时序特征的建模。针对此问题,文中总结了电动汽车灵活性的表现形式与影响因素,考虑面向电价的响应不确定性以及充电行为不确定性,提出基于时序注意力机制的电动汽车灵活性概率建模方法。通过时序注意力机制提取不同时序权重,设计基于时序卷积网络的多时间尺度特征提取网络学习充电行为、电价等不确定性,提取多时间尺度灵活性波动特征。算例表明,所提模型能够有效学习充电行为不确定性与面向电价的响应不确定性,其概率建模效果具有更高的可靠性与精度。

摘要：负荷功率与气温紧密关联,但两者之间的定量关联关系缺乏有效的表征方法,该定量关系在海量历史数据中有所体现。深度挖掘电力系统中实际负荷功率与气温的大量历史数据,通过概率建模的方法建立相邻2 d相同时刻下负荷变化量与温度变化量的关联概率模型,选取三参数通用分布模型对实际分布进行拟合,提出一种基于气温因素概率建模修正的负荷功率区间预测方法。最后,通过实际数据验证了所提出方法能够给出一定置信水平下的负荷功率置信区间,实现了考虑气温因素的区间负荷预测。

摘要：随着现代机械设计理论不断完善及对产品安全运行需求的提升,对结构的可靠性指标也提出了更高的要求,推动了概率疲劳寿命分析方法的发展。在机械结构的概率疲劳寿命评估过程中,充分考虑各类不确定性因素,进行结构疲劳进程驱动参数与概率疲劳寿命分布统计分析,是概率统计学和复杂结构计算力学交叉领域的热点问题。旨在系统阐释概率疲劳寿命评估发展史及基本分析流程,剖析相关概率分析理论、方法、模型及发展现状与瓶颈,主要内容涵盖概率疲劳问题的不确定性来源、疲劳进程驱动参数表征及寿命评估模型构建与应用三方面内容。总结、梳理该领域的最新研究成果并对概率疲劳寿命评估的未来发展趋势及关键问题作出展望。

摘要：概率建模是现代机器学习和人工智能的基础之一。文中提出了一种新的概率模型:隐依存森林模型。隐依存森林模型用森林的结构来建模随机变量之间的关系,并且这个森林的结构可以随着变量取值的不同而做出相应的改变。因此,隐依存森林模型能够建模上下文相关的独立性。我们使用一阶依存文法来参数化隐依存森林模型。隐依存森林模型的学习可以被构建为一个存粹的参数学习问题,从而避免了复杂的结构学习问题。在我们测试的九个数据集上,隐依存森林模型在大部分数据集中取得了最好的效果。