【正文】 V2G 運行的某一方面，有的適用于頻率調(diào)節(jié)，有的適用于調(diào)峰，并沒有提出一個統(tǒng)一的策略。 V2G 雙向充電器要使電動汽車實現(xiàn) V2G，需要在電網(wǎng)和汽車間配備雙向的智能充電器。此雙向充電器必須具有為電動汽車電池充電的功能，同時產(chǎn)生最小的電流諧波，也應(yīng)具有根據(jù)調(diào)節(jié)向電網(wǎng)回饋能量的能力。一般來講，雙向充電器由濾波器、雙向 DCDC變換器以及雙向 ACDC 變換器組成。當(dāng)充電器工作于電池充電模式時，交流電首先通過濾波器濾除不期望的頻率分量，然后通過雙向 CDC 變換器將交流整流成直流。由于雙向 ACDC 變換器的輸出電壓可能與直流儲能單元的電壓不匹配，還需要一個雙向 DCDC 變換器來保證合適的充電電壓。當(dāng)變換器工作于電池放電模式時，其過程則恰好相反。隨著電網(wǎng)負(fù)荷的快速發(fā)展,電網(wǎng)峰谷差逐年增大,電網(wǎng)調(diào)峰壓力越來越大。如今大力開發(fā)和利用新能源的發(fā)展戰(zhàn)略進(jìn)一步加大了各電網(wǎng)的調(diào)峰和調(diào)頻的難度。V2G技術(shù)給未來電網(wǎng)的調(diào)峰和調(diào)頻問題開辟了新思路。目前，我國正大力發(fā)展電動汽車產(chǎn)業(yè)，考慮到 現(xiàn)階段我國智能電網(wǎng)的發(fā)展水平，V2G 的發(fā)展可適當(dāng)參考以下兩條建議：（1）在建設(shè)電動汽車基礎(chǔ)設(shè)施過程時，盡量考慮V2G因素，建設(shè)方便于V2G技術(shù)的設(shè)施。（2）建立 V2G 試點工程，進(jìn)行適當(dāng)宣傳，使廣大電動汽車用戶了解V2G技術(shù)的益處。參考文獻(xiàn)[1] 錢科軍，周承科，[J].電網(wǎng)與清潔能源，2010, 26(11): 17.[2] 楊健，王媚，張屹， 調(diào) 峰 的 應(yīng) 用 [J].華 東 電 力，2010，38(11): 16851687.[3] 廖強(qiáng)強(qiáng)，周國定，葛紅花，（V2G）支持高峰電力的技術(shù)經(jīng)濟(jì)分析[J].中國電力，2012,45（4）：9395.[4] KEMPTON W, TOMIC power fundamentals: Calculating capacity and net revenue ［J］.Journal of Power Sources,2005,144（1）:268279.[5] Turton H, Moura systems for sustainable development: an integrated energy analysis[J].Technological Forecasting and Social Change, 2008, 75(8): 10911108.第五篇：學(xué)科前沿講座心得桂林電子科技大學(xué) 學(xué)科前沿技術(shù)講座心得體會學(xué)號：102031105姓名：劉瑞指導(dǎo)教師：王沖專業(yè)名稱：計算機(jī)應(yīng)用技術(shù)所屬學(xué)院：計算機(jī)科學(xué)與工程學(xué)院成績：近年來，數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界的極大關(guān)注，其主要原因是存在大量數(shù)據(jù)，可以廣泛使用，并且迫切需要將這些數(shù)據(jù)轉(zhuǎn)換成有用的信息和知識。獲取的信息和知識可以廣泛用于各種應(yīng)用，包括商務(wù)管理，生產(chǎn)控制，市場分析，工程設(shè)計和科學(xué)探索等。機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘這些年一直是計算機(jī)應(yīng)用方面研究的重點和熱點，首先要了解什么是數(shù)據(jù)挖掘，簡單地說，數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取或“挖掘”知識。我一直對這方面的知識頗感興趣，這學(xué)期學(xué)院開設(shè)的學(xué)術(shù)前沿講座的課程，很有幸聽到了文益民教授對于自己在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘方面研究的講座，讓我對這些知識有了深入淺出的理解，受益匪淺。12月5號，文益民教授做了題為“大規(guī)模數(shù)據(jù)的分類”的講座，在講座的最開始，文教授提到了戈登德萊頓《學(xué)習(xí)的革命》一書，皆在指導(dǎo)我們?nèi)绾畏e累知識如何思考如何學(xué)習(xí)如何去做研究，具有拋磚引玉的指導(dǎo)意義。在這之后，又對了解機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘首先要了解的知識做了簡要的說明，比如對于問題的分類是分為線性問題和非線性問題；比如聚類的含義是將物理或抽象對象的集合分成由類似的對象組成的多個類的過程；比如對于這個世界上計算機(jī)的分類可以只分成工人（maker）和思考者（thinker）兩類。至此正式進(jìn)入問題的討論。對于這次講座，文教授從四個方面進(jìn)行了講授。第一，實際應(yīng)用中的大規(guī)模數(shù)據(jù)分類問題。第二，大規(guī)模數(shù)據(jù)給機(jī)器學(xué)習(xí)帶來的挑戰(zhàn)。第三，大規(guī)模數(shù)據(jù)分類算法的研究。第四，展望發(fā)展前景。文教授主要是在第三點中做了很多工作也取得了可喜的成績。在機(jī)器學(xué)習(xí)的實際應(yīng)用中，大規(guī)模數(shù)據(jù)分類問題一般會應(yīng)用在以下幾個方面，在高速高精度的工業(yè)圖像檢測方面，在專利分類方面，在生物信息數(shù)據(jù)快速增長方面，在支持向量機(jī)參數(shù)選擇方面。大規(guī)模數(shù)據(jù)給機(jī)器學(xué)習(xí)帶來的問題有：算法一般不是收斂太慢就是難以收斂，訓(xùn)練時間過長。海量數(shù)據(jù)無法一次裝入內(nèi)存。算法可靠性得不到保證。已經(jīng)訓(xùn)練好的學(xué)習(xí)器遇到心得訓(xùn)練樣本時需要重新訓(xùn)練。在最重要的部分，文教授提到了幾個重要的研究方法，包括算法，這里面包含有：基于并行計算的算法，以并行計算方法求解工作集方法中每個迭代步中二次規(guī)劃的子問題，Metalearning，最小最大模塊化支持向量機(jī)以及快速模塊化支持向量機(jī)，ClusterSVM，ClusterbasedSVM，CascadeSVM。文教授在第三和第四點中都有自己的工作和貢獻(xiàn)，在第三點中，他提出了分類面拼接算法，在第四點中，提出了分層并行支持向量機(jī)訓(xùn)練算法。對于分類面拼接算法我進(jìn)行了比較仔細(xì)的了解，并下載閱讀了文教授于2009年3月份在湖南大學(xué)學(xué)報上發(fā)表的論文“基于分類面的快速模塊化支持向量機(jī)研究”，對于分類面拼接算法有了初步的研究，下面說說我對這個算法的理解。信息采集和信息處理技術(shù)的快速發(fā)展導(dǎo)致了諸如公共健康數(shù)據(jù)、信用交易數(shù)據(jù)、國家經(jīng)濟(jì)普查數(shù)據(jù)、網(wǎng)絡(luò)文本數(shù)據(jù)和地理信息數(shù)據(jù)等大規(guī)模數(shù)據(jù)集的產(chǎn)生。由于訓(xùn)練時間很長和空間需求很大，現(xiàn)有的大多數(shù)機(jī)器學(xué)習(xí)算法很難被直接用于大規(guī)模數(shù)據(jù)的機(jī)器學(xué)習(xí)。這個算法是針對大多數(shù)現(xiàn)有的機(jī)器學(xué)習(xí)算法處理大規(guī)模問題時需要的訓(xùn)練時間很長和存儲空間很大的難點而提出的，英文名是psfnr SVMs，在訓(xùn)練階段，psfm2SVMs采用一簇平行超平面對大規(guī)模問題實施軟劃分，然后針對每個子問題并行訓(xùn)練支持向量機(jī)。在測試階段，測試樣本坐落于哪個子問題所在空間中，就由該子問題訓(xùn)練的支持向量機(jī)給出判別結(jié)果。在4個大規(guī)模問題上的實驗表明:與采取硬劃分的快速模塊化支持向量機(jī)(fm2SVMs)相比，軟劃分能夠使psfm2SVMs得到更加光滑的分類面，因而ps2fm2SVMs的泛化能力較高。在不增加訓(xùn)練時間的條件下，psfm2SVMs減少了由于訓(xùn)練集分割導(dǎo)致的分類器泛化能力下降。支持向量機(jī)方法的本質(zhì)是在訓(xùn)練集的一個高維像空間中尋找最大間隔分類超平面，這個分類超平面對應(yīng)于訓(xùn)練集所在空間的一個光滑曲面。如果采用訓(xùn)練集分割的方法，將這個光滑曲面分段求出，然后進(jìn)行連接，就可以得到這個光滑曲面的近似曲面。該算法使用平行超平面簇對訓(xùn)練集實施軟劃分，使得拼接后的分類面相比fm2SVMs得到的分類面更光滑，更接近最優(yōu)分類曲面。因而，psfm2SVMs 的泛化能力比fm2SVMs的泛化能力要高。在并行條件下，兩者的訓(xùn)練時間和測試時間相同。在多核計算技術(shù)快速發(fā)展的今天，本文提出的算法，提供了一種可行的并行機(jī)器學(xué)習(xí)框架，對于研制高速高精度的機(jī)器學(xué)習(xí)算法具有一定的借鑒意義。未來計劃研究隨機(jī)向量w的方向?qū)sfm2SVMs泛化能力的影響，并將該算法用于高速高精度工業(yè)圖像檢測。這就是我的心得體會，在講座的最后，文教授還對機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的未來進(jìn)行了展望，諸如現(xiàn)在流行的云計算，還有動態(tài)數(shù)據(jù)流學(xué)習(xí)，例外的發(fā)現(xiàn)，學(xué)習(xí)更復(fù)雜的函數(shù)，粒計算等等，都是今后發(fā)展的的熱點。聽完這個講座，我感到責(zé)任重大，即使是一個點，也還有很多方面值得拓展和探索，作為研究生，研究是我們主要的工作，想要取得滿意的結(jié)果和優(yōu)異的成績，我們所要做的就是倍加努力，汲取現(xiàn)有的知識，在新的領(lǐng)域開拓新的研究道路，積極探索，永不止步。