教学课程资源库 更多>>

关键词： 送端电网   新能源   新能源多场站短路比   风电   光伏  

摘要： 随着新能源占比不断增加,新能源多场站短路比(Multiple Renewable Enersy Staions Short Circuit Ratio,MRSCR)逐渐成为制约电网安全运行的重要指标。对MRSCR的主要影响因素及机理进行分析,结果表明,电网初始电压、近区新能源出对MRSCR及暂态稳定均有不同程度的影响。从电网规划建设、生产运行等多角度探讨提升MRSCR的合理方法。提出应参MRSCR指标进行新能源布点、线路选型,做好MRSCR专题计算分析工作,利用MRSCR估算电网强度、预算新能源消纳能力建议,结合内蒙古电网近期规划网架,基于功率差异化控制原则,制订满足MRSCR安全约束的新能源出力优化措施,为释放能源发电能力提供思路。

关键词： 信息偶遇   Z世代   冲动性购买意愿   感知愉悦   错失恐惧   自我控制  

摘要： 基于SOR理论，探究感知愉悦和错失恐惧在信息偶遇与Z世代消费者冲动性购买意愿之间的中介作用，以及自我控制的调节作用。经上述研究得出以下结论：在社交媒体闲逛情境下，信息偶遇正向影响Z世代消费者冲动性购买意愿；感知愉悦和错失恐惧分别在信息偶遇对Z世代消费者冲动性购买意愿的影响中发挥显著中介作用，其中，感知愉悦的中介效应占比为18.45％，错失恐惧的中介效应占比为24.36％；自我控制对“信息偶遇→感知愉悦→冲动性购买意愿”以及“信息偶遇→错失恐惧→冲动性购买意愿”这两条中介路径的后半段起调节作用。

关键词： 短视频平台   健康信息说服   精细加工可能性模型   扎根理论   模糊集定性比较分析  

摘要： 研究短视频平台健康信息说服的形成路径，有助于提升短视频平台健康信息在个体健康管理与决策中的效用。基于精细加工可能性模型（ELM），从信息特征和个体特征出发，运用扎根理论和模糊集定性比较分析方法探索短视频平台健康信息说服的关键影响因素并分析其组态路径。结果表明，信息质量、来源可信度、呈现质量、同侪影响、健康意识、健康素养、自我效能是影响短视频平台健康信息说服的关键因素。组态分析进一步揭示了3条驱动短视频平台健康信息说服的路径：信息质量支持下的健康素养驱动型、信息质量和同侪影响双元驱动型、呈现质量支持下的自我效能驱动型。

关键词： 主动配电网   角蜥优化算法   动态重构   能量优化   可调控负荷  

摘要： 为了实现清洁能源的有效消纳和电网的稳定运行,主动配电网中的可调控资源越来越多,但同时也增加了主动配电网能量优化问题的复杂性。为此,以经济环境成本最小、调控成本最小和节点电压偏差最小为目标函数,建立了一种协调配电网重构、无功补偿设备、有载调压变压器和可调控负荷的主动配电网能量优化模型。采用改进的IEEE33系统进行测试,结果表明,本研究所提的基于角蜥优化算法的主动配电网能量优化方法表现出优异的效果,在电压偏差和网络损耗方面比单一手段控制平均降低了51.62%和22.16%。在电网的智能化升级和主动控制转型中,本方法可以为新能源的消纳和电网的稳定运行提供技术支撑。

关键词： 激光增材制造   缺陷演化机理   原位调控   机器学习   质量控制  

摘要： 激光金属增材制造技术由于复杂的热力耦合效应和非平衡态相变过程，在构件成型中易产生孔隙、裂纹以及翘曲变形等缺陷，严重制约了其在精密制造领域的应用。针对这一问题，首先梳理了三类典型缺陷，并结合数值模拟方法阐明材料-能量作用的热物理过程以及缺陷形成的内在机理，为解决缺陷问题提供理论依据。其次聚焦于实际生产的质量控制需求，从原位过程调控的角度归纳了两种主要解决策略：原位监控（In-Situ Monitoring）系统和原位场辅助 (Field-Assisted)。最后，围绕智能工艺预测、智能感知决策、参数性能优化及集成物理信息机器学习（Physics-Informed Machine Learning，PIML），探讨了机器学习在质量控制中的应用，基于其高效挖掘多源数据深层特征，推动质量控制由经验驱动向数据与知识双驱动转变，为后续激光金属增材制造质量管理提供新思路。

关键词： 影响力最大化   关键用户发现   深度强化学习   图注意力机制  

摘要： 传统影响力最大化问题旨在选择一定数量的信源种子发布特定信息，使该信息传播影响范围最大。然而，通过算法选定的种子用户未必愿意发布指定的信息。此外，传统的影响力最大化算法在不同结构的网络上需要重新运行，效率较低。为了解决上述问题，首先将影响力最大化问题形式化为一个新的信息传播关键用户发现KUIP(Key User Identification for Information Propagation)问题，即如何发现一定数量的关键用户，不要求他们发布指定信息，而是通过干预他们传播信息的态度倾向，来最大化该信息的传播影响。为了更真实地描述信息传播场景，提出一种可调阈值模型ATM(Adjustable Threshold Model)来模拟用户传播信息的态度倾向和环境影响。进而，为了保证在不同结构的网络上关键用户发现的效率和效果，提出了一种基于传播特征强化学习的关键用户发现方法 KPRL(Key user identification based on Propagation Reinforcement Learning)，利用图注意力机制学习用户的传播特征，采用双深度Q网络DDQN(Double Deep Q-Network)训练模型参数。在6个真实网络数据集上的实验表明，KPRL在影响范围指标上平均提升了11.7%，超越了现有的基线方法，展示了其在关键用户发现领域的有效性。