关键词： 大数据技术   电气自动化   设备健康管理   预测性运维   智能调控  

摘要： 电力系统加快向数字化和智能化转型,传统的基于规则的自动化方式不能满足大规模实时数据的计算以及复杂的运行状态预测的要求,而大数据技术基于其分布式存储、深度挖掘以及智慧决策支持能力,能够对电力系统的运行情况进行精细化的监视;对电力系统的调控过程进行动态调整以及对电力系统的设备进行精细化健康管理等。可以有效地提高电力系统调度速度,保障了电网的安全稳定运行。同时多源异构数据融合、预测模型的应用与实时闭环控制策略也在电力自动化中具有极大的工程运用价值,为数字电网的安全稳定运行提供了技术支持。

关键词： 算法   政府治理   法治风险   多元共治   权利保障  

摘要： 算法可以通过优化政府治理决策的一致性、透明性、中立性和理性化的方式提升政府治理的法治化水平。但算法嵌入政府治理还会带来正当程序制度被虚置、民众权利空间被压缩、政府治理权力被商业算法平台俘获、弱势群体被歧视、相关责任难以合理分配等法治风险。在法治风险应对原则上，应当遵循技术、伦理、法治方案多元共治原则、公权力—平台权力—个人权利相平衡原则以及浮动的比例原则。在具体方案上，应当建构清单制度以明确算法嵌入政府治理的应用领域；完善算法解释制度、弱势群体保护制度、算法审查制度以提升算法决策的公正性和可信赖性；积极保障民众的知情权、参与权、平等权以及获得专家帮助权等权利以应对治理权力被不当行使风险；将政府治理部门作为担责主体从而提升责任分配方案的合理性。

关键词： 深度学习   复杂工况   仪表异常检测   算法设计   特征提取  

摘要： 复杂工况中仪表常因高温、振动、电磁干扰等作用产生运行偏差,对设备运维安全构成潜在风险,传统检测手段难以契合实时性与准确性诉求,依托仪表产品设计特质,构建基于深度学习的异常检测算法,剖析复杂工况对仪表数据的影响机理,搭建“数据预处理—特征提取—异常识别—部署适配”的完整架构。选用 CNN-LSTM 融合模型挖掘时序数据特征,融入自适应注意力机制提升异常识别精准度,并行推进模型轻量化构建适配于仪表硬件资源,算法设计深度契合仪表产品的工作原理与结构特质,达成复杂工况下的高效异常检测,为仪表智能化升级筑牢技术根基。

关键词： 大数据   工程测绘   数据处理   传感器网络   机器学习  

摘要： 为应对大数据时代工程测绘数据处理在效率、精度和类型多样性方面面临的全新挑战,本研究旨在探索数据处理方法的创新路径。研究系统分析了大数据背景下测绘数据海量、多样、高速、高价值的特点,报告了传统方法在处理大规模、多源异构数据时效率低下、灵活性不足的现状。通过具体案例,对传感器网络、无人机遥感、分布式存储(如Hadoop HDFS)及机器学习算法等新技术在数据采集、存储、处理与分析各环节的综合应用进行了研究。研究表明,这些创新方法能显著提升数据处理的精度与效率,并有效解决数据隐私安全、技术与人才短缺等问题。结论指出,推动数据处理向智能化、实时化发展,并加强跨学科合作与人才培养,是未来的关键方向。

关键词： 氢电混动汽车   多能耦合   主从博弈   Stackelberg均衡   两阶段鲁棒博弈   iNC&CG算法  

摘要： 近年来氢电混动汽车的快速发展有效地缓解了可再生能源“反调峰”特性造成的新型电力系统调峰问题，促进能源-交通耦合及低碳减排。本文重点考虑可再生能源出力不确定性及氢电混动汽车的充能响应对微网调度的影响，以氢电混动汽车作为连接微网多区域之间的纽带，建立了微网两阶段鲁棒博弈模型，同时为了缓解C&CG算法在迭代过程中不断往主问题中添加约束造成求解效率低的问题，提出i NC&CG算法进行求解。最后，仿真分析结果表明，所提微网两阶段鲁棒博弈模型能够实现微网与氢电混动汽车用户之间的利益均衡，并有效应对可再生能源出力不确定造成的影响，同时也验证了改进算法的优势。

关键词： 黑翅鸢算法   优化   反向学习   拟牛顿策略  

摘要： 针对黑翅鸢算法(black-winged kite algorithm, BKA)存在的全局搜索能力不足和种群多样性衰退问题,提出一种融合反向学习和拟牛顿策略的黑翅鸢算法(BKA integrating opposition-based learning and quasi-newton strategy, OQBKA).该算法在迁徙阶段引入凸透镜反向成像策略,增强种群空间分布,帮助个体跳出局部最优;在迭代后期融合拟牛顿法,提升局部寻优精度与收敛性能.CEC2017测试函数的消融实验表明,两种策略具有良好的互补性,且融合两种策略后能显著提升算法在各类函数上的求解能力;CEC2022测试集上的进一步实验验证了OQBKA在探索与开发能力平衡以及搜索精度方面的优越表现.

关键词： 数智化   高职教育   大数据与会计   实践教学模式  

摘要： 为应对数字经济时代会计行业向智能财务转型的需求,解决高职大数据与会计专业传统实践教学与企业岗位需求脱节的问题,本研究聚焦数智化背景下大数据与会计专业实践教学模式的重构与应用。首先分析数智化技术对会计教育的影响、行业人才培养新要求及传统实践教学的局限性,进而从实践教学目标重构、项目驱动教学内容设计、信息技术融合教学平台建设、“岗课赛证”融通路径四个维度,构建“三维一体”新型实践教学模式。研究成果为高职会计类专业数字化转型提供理论参考与实践范例,对推动会计行业数字化转型具有重要支撑作用。

关键词： 大数据   建设工程   造价预算   风险预警   平台设计  

摘要： 针对传统建设项目造价预算风险管理中存在的数据信息孤立、预警延迟明显以及评估主观性强等问题,本研究设计并开发了一套基于大数据技术的造价预算风险智能预警平台。该平台围绕项目全生命周期造价数据,融合政府部门行业数据、企业历史项目数据及外部市场动态信息等多源数据,构建了“数据采集—分析处理—风险预警—决策辅助”的全流程闭环管理系统。利用 FP- 树关联规则算法深入挖掘风险因素间的内在联系,并结合加权最小二乘与粒子群优化混合模型实现风险水平的精确预测,进而建立分层预警与智能化管控体系。实际应用结果显示,该平台能够将造价预算偏差预警的准确率提高至 92% 以上,并使风险响应效率显著提升,从而为工程造价的科学管理提供了有效的数据支持与决策依据。

关键词： 隐性关联关系   债务融资成本   供应链   工商大数据   信息不对称  

摘要： 隐性关联关系因隐蔽性强、识别难度大，成为上市公司规避关联交易披露、实施财务操纵的重要手段，其经济后果备受关注。本文以2010～2024年A股上市公司为研究对象，借助供应链工商大数据，从共同人物关系和共同联系关系两个维度构建隐性关联关系的识别指标，并实证考察其对债务融资成本的影响。研究结果表明，上市公司和主要交易对象之间的隐性关联关系与债务融资成本显著正相关，说明银行等债权人能够依托现场走访调查、金融科技赋能等特有的信息优势，识别出隐性关联关系，并将其纳入信贷定价考量。在进行一系列稳健性检验后，研究结论依然成立。进一步研究表明，隐性关联关系对债务融资成本的提升作用存在显著的情境依赖。具体而言，在金融科技发展水平较高的地区以及上市公司对外担保占比较高的情形下，这种正向影响表现得更为突出。本文拓展了关联交易经济后果的研究边界，为识别隐性关联关系提供了可复制的度量工具，也为银行信贷决策与监管完善提供了经验证据。

关键词： 海冰   异常检测   GNSSGR   遥感   半监督学习  

摘要： 海冰影响着大气、生态、海洋和人类生产生活等各个方面,因此开展海冰反演具有重要意义。目前,基于全球导航卫星系统反射测量(global navigation satellite system reflectometry,GNSS-R)技术的机器学习方法已应用于海冰遥感领域,取得了良好的效果。然而现有算法存在过度依赖标签、结构冗余,以及在样本失衡情况下无法有效反演海冰的问题。因此,本文提出了一种异常检测驱动的GNSS-R海冰半监督多任务反演算法,将半监督异常检测思想应用于遥感海冰反演领域,解决对标签的过度依赖和样本失衡情况下的反演问题。该算法包含数据预处理模块和基于GNSS-R的海冰多任务反演网络(sea ice multitasks retrieval network,SIMTRN)。SIMTRN包含海冰检测模块与海冰浓度反演模块,运用模块间数据特征共享机制实现基于单个网络的海冰检测与海冰浓度反演任务,解决结构冗余的问题。另外,针对海冰浓度反演任务,本文考虑了不同大气、气象特征与海冰浓度之间的关系,通过与海冰DDM (delay Doppler maps)特征的融合提高预测精度。实验结果表明,SIMTRN的海冰检测准确率达到了0.973 3,海冰浓度反演相关系数达到了0.969 9,优于现有4种机器学习算法——基于反向传播学习的多层感知器神经网络、基于单层卷积的卷积神经网络、基于特征选择的支持向量、基于双层卷积的卷积神经网络的性能。同时,本文还证明了所提算法的泛化能力优于现有机器学习算法。