为精准估计光伏直流微电网故障电流参数,提升故障电流过零点预测效果,提出一种基于加权最小二乘法(weighted least squares,WLMS)算法的光伏直流微电网故障电流过零点预测方法。通过故障电流参数来估计误差平方加权值与幅度因子,确定WLM...为精准估计光伏直流微电网故障电流参数,提升故障电流过零点预测效果,提出一种基于加权最小二乘法(weighted least squares,WLMS)算法的光伏直流微电网故障电流过零点预测方法。通过故障电流参数来估计误差平方加权值与幅度因子,确定WLMS算法内步长因子的取值范围,改进WLMS算法;利用改进WLMS算法来估计故障电流参数,并依据该结果建立光伏直流微电网故障电流模型;先通过F0假设检验方法在模型内提取故障电流初始相角,再通过调整采样数据窗,令建立的故障电流模型和实际模型相同,则当故障电流初始相角超过设定阈值时,可利用该模型来预测故障电流过零点。实验结果表明:所提方法下,光伏直流微电网故障电流估计的时间常数和初始电压相角与实际结果非常接近,最大误差分别为3 ms和8°;不同故障时,均有效预测了故障电流过零点,准确率为100%;在故障电流内添加谐波后,预测过零点的稳态误差较低,最高稳态误差低于24 A。展开更多
为构建科学合理的城市道路自动驾驶测试场景,基于美国加利福尼亚州机动车管理局(California Department of Motor Vehicles, DMV)2021—2023年公开的280起自动驾驶汽车(Autonomous Vehicle, AV)碰撞事故报告,挖掘典型危险场景并完成测...为构建科学合理的城市道路自动驾驶测试场景,基于美国加利福尼亚州机动车管理局(California Department of Motor Vehicles, DMV)2021—2023年公开的280起自动驾驶汽车(Autonomous Vehicle, AV)碰撞事故报告,挖掘典型危险场景并完成测试场景转化。首先,通过多元Logistic回归分析提取人员受伤情况的显著影响因素。其次,引入独热编码(One-Hot Encoding)对分类变量进行二进制向量转换,消除传统标签编码的数值顺序偏差。然后,采用二阶聚类算法挖掘典型危险场景组,并进一步通过交叉表分析场景组与事故结果变量、道路环境变量间的关联性。最后,将危险场景转化设计为自动驾驶测试场景。结果显示,独热编码处理后的变量,聚类质量较传统方法提升50%;聚类分析共识别出12类典型危险场景,且交叉表分析表明场景组与事故结果及道路环境变量显著相关;进一步结合事故机理与测试需求,将这12类危险场景归纳为6类代表性测试场景,其中“AV停止或减速状态下被后方直行车辆追尾”的场景最为典型,在全部场景中占比46.1%。研究表明,独热编码方法显著提升了聚类分析的准确性,基于真实事故数据的场景聚类方法能识别AV在城市道路的事故模式,并为自动驾驶测试场景库的优先级划分与标准化设计提供数据驱动支撑。展开更多
文摘为精准估计光伏直流微电网故障电流参数,提升故障电流过零点预测效果,提出一种基于加权最小二乘法(weighted least squares,WLMS)算法的光伏直流微电网故障电流过零点预测方法。通过故障电流参数来估计误差平方加权值与幅度因子,确定WLMS算法内步长因子的取值范围,改进WLMS算法;利用改进WLMS算法来估计故障电流参数,并依据该结果建立光伏直流微电网故障电流模型;先通过F0假设检验方法在模型内提取故障电流初始相角,再通过调整采样数据窗,令建立的故障电流模型和实际模型相同,则当故障电流初始相角超过设定阈值时,可利用该模型来预测故障电流过零点。实验结果表明:所提方法下,光伏直流微电网故障电流估计的时间常数和初始电压相角与实际结果非常接近,最大误差分别为3 ms和8°;不同故障时,均有效预测了故障电流过零点,准确率为100%;在故障电流内添加谐波后,预测过零点的稳态误差较低,最高稳态误差低于24 A。
文摘为构建科学合理的城市道路自动驾驶测试场景,基于美国加利福尼亚州机动车管理局(California Department of Motor Vehicles, DMV)2021—2023年公开的280起自动驾驶汽车(Autonomous Vehicle, AV)碰撞事故报告,挖掘典型危险场景并完成测试场景转化。首先,通过多元Logistic回归分析提取人员受伤情况的显著影响因素。其次,引入独热编码(One-Hot Encoding)对分类变量进行二进制向量转换,消除传统标签编码的数值顺序偏差。然后,采用二阶聚类算法挖掘典型危险场景组,并进一步通过交叉表分析场景组与事故结果变量、道路环境变量间的关联性。最后,将危险场景转化设计为自动驾驶测试场景。结果显示,独热编码处理后的变量,聚类质量较传统方法提升50%;聚类分析共识别出12类典型危险场景,且交叉表分析表明场景组与事故结果及道路环境变量显著相关;进一步结合事故机理与测试需求,将这12类危险场景归纳为6类代表性测试场景,其中“AV停止或减速状态下被后方直行车辆追尾”的场景最为典型,在全部场景中占比46.1%。研究表明,独热编码方法显著提升了聚类分析的准确性,基于真实事故数据的场景聚类方法能识别AV在城市道路的事故模式,并为自动驾驶测试场景库的优先级划分与标准化设计提供数据驱动支撑。
