摘要：为了应对新形势下的电力营销服务形势,提升互联网时代的电网优质服务水平,利用蜣螂优化(dung beetle optimizer,DBO)算法,设计了一种“互联网+营销服务”虚拟机器人模型。首先针对电网营销部门可能发生的人机交互情景开展交互分析与关系框架设计,然后基于深度Q网络(deep Q network,DQN)建立虚拟机器人自主学习模型,引入DBO算法完成模型超参数的高效寻优并通过训练完成优化后的模型学习,最终将实际的电力营销数据输入到模型中进行实验测试。在特定的测试环境下综合检测模型的实际应用情况,测试结果表明:该虚拟机器人模型在功能性实验、非功能性实验和安全性实验中模型运转和系统运转正常率达到100%,能够较好地实现人机交互功能,达到全天候客户需求精准响应的战略目标。

摘要：以事故数据为基础研究事后风险状态,建立了基于改进深度森林算法的交通运行风险状态等级预测模型。首先分析了事故特征重要度,建立了基于极端梯度提升算法的事故特征筛选机制,引入贝叶斯参数寻优和十折交叉验证法实现了深度森林模型的超参数优化;同时设计了循环多粒度扫描方法和加权级联森林结构,获取了交通运行风险状态等级与事故特征的映射关系,建立了基于改进深度森林模型的交通运行风险状态等级预测方法。为了验证本文方法的有效性,与支持向量机、随机森林等方法进行了对比分析,实验结果表明:本文模型预测准确度为90.80%,roc曲线下的面积auc值为0.99,表现出了良好的预测性能和泛化能力,与对照实验相比,本文模型具有明显的优越性,且在实效检验中同样取得了良好的预测效果。

摘要：电网的可靠运行及持续发展离不开对短期电力负荷的高效、准确预测。针对表征电网负荷变化的历史数据具有复杂性和时序性等特点,且现有的机器学习预测方法仍存在依据经验选取关键参数的不足,利用卷积神经网络(CNN)提取表征负荷变化的多维特征向量,构造成时间序列输入到门控循环单元(GRU),并使用改进麻雀搜索算法(ISSA)对GRU网络中的超参数进行迭代寻优。预测试验样本来自云南某地区的负荷数据,所提方法的预测精度达到了98.624%,与循环神经网络(RNN)、GRU和长短期记忆(LSTM)等神经网络预测方法进行对比,算例表明,所提方法克服了依据经验选取关键参数难题的同时具有更高的预测精度。