本发明公开了一种基于 GPU/CPU 混合架构的流程序多粒度划分与调度方法，包括：根据数据流程序各个任务的计算特点以及任务之间的数据通信量，将任务分配到合适的计算平台上；利用 GPU 端任务的并行性将其均衡分裂到各个 GPU，以避免 GPU 间高额的通信开销；通过选择 CPU 核，将 CPU 端各任务均衡分配给各 CPU 核，以保证负载均衡并提高 CPU 核的利用率；采用多种数据存储结构和多种访问类型的方法，以提高内存的访问效率；通过生成目标模板类和压缩目标结点的个数，降低目标代码的冗余量。本发明在

一种基于虚拟发电厂的配电网无功功率优化调度方法及系统，在沿馈电网络接入的每个节点连接设 置一个监测装置，控制过程包括当虚拟发电厂的当前调度时间段开始时，各监测装置向虚拟发电厂的集 中控制器上传所接入节点的实时电压有效值；集中控制器建立无功功率优化调度模型并求解得到各分布 式电源的无功输出给定值，集中控制器向各分布式电源发送无功输出给定值，各分布式电源相应输出无 功功率至馈电线路。本发明通过集中控制器的优化调度，使得配电网中各个节点电压偏离额定值

本发明涉及一种基于光伏预测误差模糊性的电力系统调度方法。步骤：本发明将获取光伏预测出力 和实测出力的历史统计数据，及气象预测信息，估计未来一天光伏预测误差的概率分布参数。针对光伏 预测误差的不确定性，引入模糊理论，并利用信息熵转换法将光伏预测误差随机变量转换为光伏预测误 差模糊变量。根据光伏功率短期预测的结果，并考虑光伏预测误差的模糊性，建立含光伏发电的模糊机 会约束调度模型。将所建立的模型中含有模糊变量的约束条件转化为清晰等价类。最后利用 C

1. 痛点问题 随着电力系统的发展，电网运行方式时变性和复杂性日益增强，运行专家难以把握电网安全运行的特征和规律，极大的增加了电网运行风险和控制难度。在传统的调度机制中，一方面，运方人员人工选择典型的运行方式，通过离线电力系统分析程序，计算电网潮流，分析电网稳定性，制定电网安全运行边界，进而人工归纳形成“年度运行方式手册”，来长期指导电网运行；另一方面，调度员将上述运行规则作为安全边界（安全约束），输入能量管理系统（Energy Management System，EMS），进而对电网进行调度和控制，以求在安全边界内达到最优运行点。 然而传统的调度机制存在问题，近年来国内外频繁发生的大停电事故也说明了这一点。主要问题归纳如下： 第一，极端运行方式下不安全：电网运行方式多变，离线规则可能不满足极端运行方式的安全要求。 第二，常规运行方式下经济性差：受能力和时间所限，运方人员离线制定运行规则时，仅分析典型运行方式，规则形成后长期使用，相对粗放，缺乏精益化管控，导致电力网络资源利用率低。 第三，随着新能源的大规模并网、需求响应的逐步实现，运行边界频繁变化，不确定性增强。 第四，电力系统运行受到其他系统影响，电力系统安全已经演变成为一个多系统、多因素综合分析问题。以微气象系统为例，对于发电侧，微气象直接影响风电、光伏等新能源的出力；对于需求侧，微气象直接影响工业负荷、智能楼宇、电动汽车等的负荷功率。因此，微气象系统通过影响发电负荷水平，进而影响电力系统安全。因此，随着电力系统与其他系统的关系日益紧密，电力系统安全评估时需要考虑其他系统（例如微气象系统）的影响。 综上所述，传统的调度机制已经无法适应新的形势。因此，亟需研究支撑复杂电网断面发现的智能机器调度员软件的关键技术，通过人工智能、深度学习等信息领域与能源领域的交叉研究，突破支撑复杂电网断面发现的智能机器调度员的基础理论瓶颈，从实际电力系统出发（物理维），立足现有调度机制，基于在线运行方式，采用模型驱动的安全评估方法（模型驱动），形成海量电力系统安全评估仿真样本（数据维）；再以这些样本为基础，通过机器学习训练数据驱动的电力系统在线安全评估模型（数据驱动），形成电力系统安全运行知识图谱（知识维），以代替运方的“年度运行方式手册”。 2. 解决方案 本成果提出了一种支撑复杂电网断面发现的智能机器调度员技术，包括可再生电源的数据驱动电压频率响应特性建模方法、用于暂态稳定预测的失稳样本主动生成方法、电力系统暂态稳定评估方法、结合深度学习和仿真计算的暂态稳定严重故障筛选方法、考虑运行约束的调整潮流生成方法等关键技术，开发了支撑复杂电网断面发现的智能机器调度员软件。该软件用“人工智能”代替“专家智能”，以电力系统安全评估产生的海量仿真数据为基础，以人工智能和机器学习为手段，构建电力系统安全运行知识图谱，从而将“专家智能”离线制定粗放运行规则的模式，变革为“人工智能”在线发现精细运行规则的模式，逐步代替运方的“年度运行方式手册”，保证复杂电网安全、稳定、经济运行。 3. 合作需求 寻求应用场景和资源对接，应用场景和业务能覆盖断面规模众多的大省如浙江、广东等，并且有与输电网断面发现的大中型企业有合作经验，同时具有一定的技术开发能力、市场推广资源和现场工程实施经验，能与现有团队形成合力，通过信息领域与能源领域的交叉研究，突破支撑复杂电网断面发现的智能机器调度员软硬件难题。为保障项目实施质量和进度要求，拟合作团队需通过ISO9001质量管理体系认证，且是国家高新技术企业。期望通过合作，全面开展产品和服务的推广销售。

本发明公开了一种计算复杂度感知的视频解码宏块级并行调度 方法，包含两项关键技术：一是根据熵解码和重排序之后的宏块信息， 如非零系数个数、宏块帧间预测编码类型、运动矢量等，建立宏块解 码复杂度预测线性模型，对每个模块进行复杂度分析，充分利用已知 的宏块信息，提高并行效率；二是在满足宏块解码依赖的前提下，将 宏块解码复杂度与计算并行相结合，对已获取的宏块复杂度进行排序， ·945·根据排序结果对宏块进行分组并发执行，分组

本发明公开了一种电网发生大功率缺额事故后网内快速备用的 协调优化调度方法。该方法首先以各区域间的可用输电能力和每个子 区域的剩余备用容量最大为优化目标，同时考虑省间断面限额、区域 备用限制等约束条件，求解备用调集总量在各省市的分摊方案；进一 步，根据各类机组的调节性能和控制方式，得到各省市备用调集量在 机组间的分配原则。该方法通过网省两级调度协调控制，实现大功率 缺额事故后省间紧急功率支援的协调优化调度，确保了功率缺失扰动 的快速处理。 

本发明公开了一种基于敏感性分析的梯级水电站调度方案评价方法，在梯级水电站制定出日计划发电调度方案的基础上，通过改变径流大小、改变径流方差对水库入库径流的蒙特卡洛模拟，通过改变负荷大小对电网负荷的蒙特卡洛模拟，模拟径流的不确定性和负荷的不确定性，进而通过常规优化调度模型计算电站运行指标参数，统计分析参数指标敏感性的平均值和方差从而实现对调度方案进行评价的优劣。本发明可用于定量评价发电调度方案是否健壮，是否能应对径流和负荷的不确定性。

本发明公开了一种广播环境下，针对周期、连续性实时任务查 询的数据调度方法。本发明所公开的广播调度方法是首个非固定优先 级广播调度方法，其在保证广播查询任务可持续完成的前提下，充分 考虑了广播带宽高效利用的基本要求。本发明所提出方法的主要步骤 包括：数据项分类与初始任务集合生成处理，通用任务调度处理，私 有任务调度处理和总体调度处理，其中，通用任务和私有任务的定义 将在发明中具体给出。使用本发明所提出方法的广播服务器可

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本发明公开了一种计及交直流微网应对灾害事件弹性能力的鲁棒调度方法，包括以下步骤：步骤10）获取不确定性预测参数，构造交直流微网中的不确定性集；步骤20）基于步骤10）构造的不确定性集，线性化可再生能源发电机组的出力约束；步骤30）获取交直流微网中各设备的运行成本系数和运行限值，基于步骤10）和步骤20）建立灾害事件下交直流微网的鲁棒调度模型；步骤40）求解步骤30）建立的鲁棒调度问题：利用嵌套型列约束生成算法迭代求解该鲁棒模型，获得交直流微网在灾害事件发生情况下的鲁棒运行计划。该方法提高交直流微网在应对灾害事件上的弹性能力，为制定特殊天气情况下交直流微网的运行计划提供重要指导。