计算机科学技术

能源互联网信息技术研究综述

王继业，孟坤，曹军威，等

摘要：目的：鉴于可再生能源将在一定程度上缓解能源供给的紧张局势，且在未来能源体系中的地位将日益凸显。为系统解决当前可再生能源与已有能源系统的有机融合所面临的诸多问题，明晰构建能源互联网所必需面对的挑战。从基础架构角度总结能源、信息基础设施发展的一般规律，阐述能源互联网概念和基本特征；总结能源互联网体系结构与技术框架、综述国内外相关信息技术研究成果；详细分析发展能源互联网过程中信息技术所面临的关键问题和挑战。方法：借鉴信息技术领域的互联网理念、方法与技术等成果，梳理能够保证能源生产、传输到消费全过程、各阶段需求的开放对等、便捷接入、智慧用能的能源互联网架构及其所需的信息技术。互联网是当前信息服务的基础设施之一，其成功得益于开放、高效的标准和可扩展的架构，并成为了最为成功的系统运行模式。为了明晰能源互联网信息技术的研究方向，本文从能源互联网的概念和设计目标出发，明确了能源互联网的概念内涵为构造具有互联网特征的智慧能源基础设施平台。通过梳理互联网成功运行的核心技术，从服务对象、架构、目的、相关协议、服务及相互关系等方面对比信息互联网与能源互联网的特点，分析现有能源互联网的研究原型，从主体职能发展、建设功能需求等角度对能源互联网的发展模式展开分析，梳理相关的信息技术。通过总结相关信息技术的成功运用，从结构组织优化、信息传输共享、能源调配控制、模块融合协同等共性信息技术问题进行梳理。此外，还针对大数据、物联网等新技术在能源互联网中应用的可行模式进行探讨。结果：对能源互联网存在3种不同的理解，（1）侧重信息互联网，本质与当前的智能电网类似，以欧洲的e-energy为典型代表。（2）侧重能源网络结构，借鉴互联网开放对等的理念和体系架构，实质为一种分布式的能源网络，以美国的 FREEDM 为典型代表。（3）革新性能源互联网，互联网技术和能源网络的深度融合，能源和信息的双向通信，信息流支撑能源调度，能源流引导用户决策，最大限度地利用可再生能源，以日本的数字电网、电力路由器为代表。未来能源互联网将逐步走向统一，其将是能够充分继承现有能源供给系统（能源生产、能源传输、能源存储等）的基础设施，能够通过新能源技术与互联网技术的深入融合，实现将大量分布式能量采集装置和分布式能量储存装置互联起来，通过智能化的管理，实现能量和信息双向流动的能源对等交换和共享。能源互联网具备的特征至少应包括，（1）分布式。（2）联接互动。（3）开放性。（4）安全性。（5）健壮性。（6）基础设施继承性。能源互联网的架构发展是互联网与能源网络的融合过程，发展途径包括“1＋1”和“1×1”模式，前者保证对已有资产的继承，后者保证新建系统的高效。系统规划技术、电子控制技术、信息通信网络技术、能源技术、管理调度技术等构成了能源互联网的支撑技术，其中网络结构设计、通信网络、标准与协议设计等是必须的信息技术。在相关能源技术中，当前急需突破的热点包括：多类型能源的优化调度、开放智能的能源控制、综合信息获取与高效利用等，物联网和大数据技术在能源互联网中的应用方法。结论：能源互联网发展受到使用主体职责的影响，必然采用互联网理念、方法和技术，最终构建能源—信息融合的基础设施体系，实现能源、信息网络的革新。能源互联网信息技术研究领域面临的热点问题得到了系统梳理，作为极其复杂的工程系统，本文总结的可行研究方法和可能遇到的挑战为开展支撑能源互联网发展的基础技术研究工作提供了方向。未来在该方面的所取得的研究成果不仅具有学术价值，还具有重要的战略意义，是使我国在相关领域保持先机的重要保证。

来源出版物：计算机研究与发展, 2015, 52(5)：1109-1126

入选年份：2016

大数据分析的无限深度神经网络方法

张蕾，章毅

摘要：目的：深度神经网络（deep neural networks，DNNs）及其学习算法，作为成功的大数据分析方法，已为学术界和工业界所熟知。与传统方法相比，深度学习方法以数据驱动、能自动地从数据中提取特征（知识），对于分析非结构化、模式不明多变、跨领域的大数据具有显著优势。目前，在大数据分析中使用的深度神经网络主要是前馈神经网络（feedforward neural networks，FNNs），这种网络擅长提取静态数据的相关关系，适用于基于分类的数据应用场景。但是受到自身结构本质的限制，它提取数据时序特征的能力有限。无限深度神经网络（infinite deep neural networks）是一种具有反馈连接的回复式神经网络（recurrent neural networks，RNNs），本质上是一个动力学系统，网络状态随时间演化是这种网络的本质属性，它耦合了“时间参数”，更加适用于提取数据的时序特征，从而进行大数据的预测。将这种网络反馈结构在时间维度展开，随着时间的运行，这种网络可以“无限深”，故称之为无限深度神经网络。本文将重点介绍这种网络的拓扑结构和若干学习算法及其在语音识别和图像理解领域的成功实例。方法：“无限深度网络”，是一种全互连的回复式神经网络，神经元之间存在反馈连接，其学习算法有两种：BPTT（backpropagation through time）和RTRL（real-time recurrent learning）。BPTT算法是经典BP算法的扩展，采用“误差”回传的方式更新网络。它首先将无限深度神经网络按时间步展开变换为一个前馈网络，展开后的前馈网络，每层具有相同的权值，且与原来的回复式网络权值相同。根据阶段性和连续性两种不同的网络权值调整方式，进而形成了Epochwise BPTT和Real-time BPTT两种算法。与BPTT不同，RTRL是一种前向传播“活动性”信息的算法，该方法采用连续更新网络权值的方式进行训练。BPTT和RTRL分别在“误差”和“活动性”信息传递的过程中存在“梯度爆炸”和“梯度消失”的问题，为解决梯度问题，利用神经元与自身的线性反馈连接的LSTM（long short-term memory）及其各种变形相继被提出并得到广泛应用。结果：“无限深度网络”在语音识别、图像理解等领域均取得了成功。（1）在图像理解领域，Donahue J等人的论文采用LRCN（Longterm Recurrent Convolutional Network）模型在行为识别、图像理解、视频理解领域进行了研究并取得了较好的结果。（2）在语音识别领域，Sutskever I等的论文利用LSTM模型直接翻译输入语句，以实现将英语语句翻译为法语语句的任务，并用实验表明LSTM相比于其他语义理解算法能够取得更高的分数，其优势尤其体现在短句的理解与翻译。（3）在文本理解领域，无限深度网络能够按顺序处理一段话中的每个单词，在处理后面的内容时，网络的参数里还保留了前文信息的“抽象和整合”。结论：“无限深度神经网络”在处理时序数据方面具有巨大的潜力，在大数据分析预测任务中的强大计算能力日益显现。随着“结合智能计算的大数据分析”成为大数据时代的研究热点，“无限深度神经网络”计算领域更多新的理论和方法将被提出，其应用效果也必将不断被刷新，推动大数据分析技术的发展和革新。

来源出版物：计算机研究与发展, 2016, 53(1)：68-79

入选年份：2016

结合分数阶微分和Canny算子的边缘检测

张桂梅，刘建新，孙晓旭，等

摘要：目的：在基于像素梯度的边缘检测算法中，经典的边缘检测算子有Sobel算子、Prewitt算子、Roberts算子、LoG算子及Canny算子，这些经典的算子都是基于整数1阶和整数2阶的算子，其中Canny算子被证明是基于像素梯度边缘检测算法中最有效的方法。但是传统的边缘检测算法对于具有分形结构等复杂纹理的图像和弱边缘图像检测精度较低，为此本文针对纹理图像和弱边缘图像进行研究，将分数阶微积分应用到Canny算子中，提出结合分数阶微分和Canny算了的边缘检测方法。方法：将Grünwald-Letnikov（G-L）分数阶微分引入到Canny算子中，提出一种新的基于分数阶微分的Canny边缘检测算法。设计了一种新的基于G-L定义的分数阶微分掩模，在分数阶阶次的选取上更灵活（阶次可取正数和负数）；分析了分数阶微分掩模中的参数与边缘检测精度之间的关系，并引用了3种评价指标来评定算法的性能。结果：将G-L分数阶梯度代替Canny中传统的梯度算子，不但可以增强图像的细节信息，而且可以增强灰度均匀和弱纹理区域的梯度信息，从而提高了边缘检测的精度和稳定性；设计了一种新的基于G-L定义的分数阶微分掩模，该掩模在分数阶阶次的选取上更灵活，具有差分方向可调性，可以根据不同的需要调整其差分的方向，其应用范围更广；并通过实验给出了边缘检测精度与模板参数之间的关系，从而为最佳模板参数的选取提供了依据。用综合图像和真实图像进行了实验，并与传统的5种边缘检测算子和3种基于分数阶微分的边缘检测算法进行比较，从检测精度，检测效率和抗噪性能3方面验证本文算法性能，大量的实验结果表明，本文算法在检测精度，检测效率和抗躁性能方面都有较大的提升。结论：理论分析和实验结果均表明，该算法可用于检测图像中的纹理细节和弱边缘，且检测精度和稳定性都有明显的提高，本文算法是Canny算法应用的一个重要延伸。

来源出版物：中国图象图形学报, 2016, 21(8)：1028-1038

入选年份：2016

有向传感器网络覆盖控制算法

陶丹，马华东

摘要：目的：覆盖控制是传感器网络的基本问题之一。近年来，得益于图像/视频、红外、超声波等传感器的引入，有向传感器网络覆盖控制问题得到广泛关注并成为研究热点。本文综述该领域国内外研究成果，指出未来发展趋势。模型：设计合理的感知模型以准确刻画有向传感器网络感知能力是研究有向传感器网络覆盖控制的理论基础。有向传感节点包含属性和行为两方面特性。其中属性定义节点的基本要素：感知半径、感知方向、感知夹角、视域以及通信半径等；行为包括运动和移动两种。特别地，从感知区域角度，可分为二维模型和三维模型；从感知能力角度，又可分为布尔模型和概率模型。手段：通过合理选择节点部署策略，优化节点规模及布局，整合网络整体资源，实现有向传感器网络覆盖优化。通常采用以下5种手段。（1）冗余部署：以牺牲网络成本为代价，可以分为随机部署和计划部署两类。（2）节点运动：在附加云台设备等支持下，优化节点的感知方向以降低覆盖冗余。（3）节点移动：节点位置移动以解决网络覆盖完整性及连通性，但需要外界设备辅助。（4）添加新节点：利用二次部署消除网络覆盖空洞，但成本较高。（5）混合策略：部署异构节点实现全方位多粒度覆盖。要素：有别于传统的传感器网络，有向传感器网络覆盖控制是一个全新的研究领域，需要综合权衡以下设计要素：模型准确性、覆盖完整性、能量有效性、通信连通性、网络动态性、网络异构性、算法复杂性/精确性/扩展性等。算法：有向传感器网络覆盖控制研究可以分为4大类。（1）区域覆盖：要求目标区域内的每一点至少被一个节点覆盖。早期提出基于图论和计算几何的集中式算法，单纯从图形角度优化区域覆盖。集中式算法优点：由汇聚节点收集网络全局拓扑并决策，覆盖优化性能较好。其局限性在于：不适于大规模拓扑结构频繁变化网络。由此，研究成果多倾向于分布式算法，提出基于图论、虚拟势场、贪心、模拟退火等近似优化方法。利用节点本身及其与邻居节点间的交互数据，在各节点上独立计算，实现分布式决策。此类算法仅需网络局部拓扑信息，计算复杂度低。（2）目标（点）覆盖：保证每个目标（点）至少被一个节点所覆盖。针对最少节点最大覆盖这个 NP-complete问题开展广泛深入研究，先后提出集中式和分布式算法解决，主要采用整数线性规划、贪心、遗传等优化方法。随即开展有向多覆盖集研究，找到若干个感知不相交的覆盖集，使得该覆盖集中有向传感节点对区域中目标实现完全覆盖，通过多覆盖集轮流工作的方式延长网络工作时间。考虑到个别监测应用对热点区域及目标的覆盖具有较高要求，研究有向k覆盖问题，确保多重覆盖以提高可靠性。（3）栅栏覆盖：保证当任意移动目标穿越监控区域时都能被监测到。按目标运动轨迹可分为强栅栏覆盖和弱栅栏覆盖两类，前者更具有现实应用意义而引起广泛关注，先后提出集中式和分布式算法。继面向网络栅栏覆盖性能的静态评估，探索性开展基于动态持续旋转感知模型的弱栅栏动态覆盖控制理论研究。按目标穿越模型分最坏与最佳情况覆盖和暴露覆盖两类。前者采用计算几何方法中V图和D三角网实现最大突破路径和最大支撑路径的定义和构造，奠定此类研究的理论基础。后者普遍采用渗透理论解决暴露路径问题和虚拟力方法解决路径覆盖问题。（4）连通覆盖：研究如何选择（最少）活跃节点，实现对监控目标的覆盖并保持活跃节点的通信连通。早期研究成果大都设计活跃节点集轮换机制。随后，连通点覆盖部署被证明是NP-Hard问题，并提出一系列近似算法。类似有向感知能力，部分节点也可能具有定向通信能力，即传输能力集中在一定角度范围以此提高网络通信质量。采用图论方法研究网络单向通信连通性检测问题。基于通信能耗模型，通过动态调节桥接节点通信半径，以较少能耗实现网络连通空洞的修补。展望：（1）从感知区域和感知能力出发，设计对实际应用刻画更合理有效的新模型。（2）设计针对场景三维空间的立体覆盖、不规则表面覆盖以及全视域覆盖算法。（3）研究静态＋动态/动态＋动态节点协同覆盖，以及对热点区域、移动目标的跟踪覆盖。（4）从传感节点和网络异构特性出发研究覆盖控制算法。

来源出版物：软件学报, 2011, 22(10)：2317-2334

入选年份：2016