通信行业调研报告:5G领潮 业内公司业绩持续改善(27p)

行业仍在底部,静待新周期
样本公司说明:选取申万通信行业划分的行业公司为主要参考标准,剔除了今年确定会退市的公司,例如全亚科技、*ST上普等;长期停牌的公司,例如*ST信威:
以及B股公司。剔除后,剩余100家公司,为我们主要研究分析的样本。同时二级行业划分上,仍采用申万的行业划分方法。行情分析时间截止日期为5月31日,基本面业绩数据截止3月31日。

通信行业上半年收益率居中,超七成公司获得正收益道信行业上半年获得正收益,收益率居中。截止到5月31日,中万通信指数上涨了18.81%,收益率排在中万28个子行业的第14位,同期沪深300指数收益率为20.56%,通信板块跑输沪深300指数1.75个百分点,但是板块受市场关注度相比去年同期明显好转,这主要得益5G建设带来的市场关注度提升。

七成公司获得正收益,收益率分步符合正态分布。上半年,100家样本公司有77家公司收益率为正。其中,超过100%的公司有5家,收益率在0-30%的公司有51家,该收益率区间是公司最多的区间;上半年下跌的公司整体跌幅在20%以内,下跌幅度超过20%的只有4家。样本公司的收益分步符正态分布的特征,在和行业整体收益率重叠的收益区间分布的公司最多,极端收益率公司分布也较少。

行业费用增长平稳,行业毛利率回升
1Q2019行业费用增长平稳,财务费用和管理费用增长较大。2019年一季度行业三费合计为335亿元,同比增长13.76%。其中,销售费用142亿元,同比下滑
1.89%:财务费用22.34亿元,同比增长45.12%:管理费用180亿元,同比增长27.05%。2019年一季度行业三费增长平稳,行业费用和行业营收是相匹配的,财务费用绝对额在最近三年单季中排第二,延续了18年4季度的快速增长趋势。

5G产业有望加速,中国处在有利地位
5G定义三大应用场景,未来有望产生万亿产出三大应用场景和八项能力指标定义5G,万物互联即将到来。2015年6月,ITU
(国际电信联盟)为5G定义了eMBB(增强移动宽带)、mMTC(海量大连接)、uRLLC(低时延高可靠)三大应用场景。实际上不同行业往往在多个关键指标上存在差异化要求,因而5G系统还需支持可靠性、时延、吞吐量、定位、计费、安全和可用性的定制组合。5G的三大场景中,mMTC和uRLLC两大场景都是以物为主要连接对象,在可预期的未来,千亿级的设备将接入到5G网络中来,万物互联的时代即将到来。

5G永载网相比4G发生巨大变革。相比于4G来说,5G的接入网发生了翻天覆地的变化,进而带着承载网也发生了巨变。5GRAN网络将从4G/LTE的BBU(基带处理单元)、RRU(射频拉远单元)两级结构,演进到:CU(Centralized Unit,集中单元)、DU(Distribute Unit,分布单元)和AAU(Active Antenna Unit,有源天线单元)三级结构。同时,根据业务需求和部署条件的不同5GRAN三级架构实际部署形态多样化,存在多种场景。在5G网络中,之所以要功能划分、网元下沉,根本原因,就是为了满足不同场景的需要。不同场景下,对于网络的特性要求(网速、时延、连接数、能耗等),其实是选择性的,有的甚至是矛盾的。5G提出了一个“切片”的概念。简单来说,就是把一张物理上的网络,按应用场景划分为N张逻辑网络。不同的逻辑网络,服务于不同场景。不同的切片,不同的场景。网络切片,可以优化网络资源分配,实现最大成本效率,满足多元化要求。



原文链接:http://www.vipsky.cn/201906/2883.html

内容概要:本文提出了一种基于改进扩散模型的高海拔地区新能源高波动出力场景生成方法,并提供了完整的Python代码实现。该方法针对高海拔地区风能、光伏等新能源出力波动剧烈、不确定性高的特点,通过优化扩散模型的结构与训练策略,有效捕捉历史数据的概率分布特征与时序相关性,从而生成高质量、多样化的出力场景。文中详细阐述了模型的数学推导、网络架构设计、损失函数优化及采样算法改进,并通过实验证明其在拟合精度、场景多样性与稳定性方面优于传统生成模型,为电力系统在高比例新能源接入下的规划、调度与风险评估提供了可靠的场景输入支持。; 适合人群:具备一定Python编程能力和机器学习基础,从事新能源发电预测、电力系统分析、智能优化、场景生成等方向研究的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①用于高海拔地区风电、光伏出力的不确定性建模与多场景生成;②支撑含高渗透率新能源的电力系统随机优化调度、鲁棒决策与风险评估;③为相关学术研究、论文复现与算法改进提供可运行的技术方案与代码基础; 阅读建议:建议读者结合所提供的完整资源(代码、数据集、说明文档)进行实践操作,重点关注扩散模型的前向加噪与反向去噪过程的设计细节,以及如何将其适配于新能源时序数据的生成任务,通过参数调优与对比实验深入理解模型的生成机制与性能边界。
内容概要:本文围绕基于静态约束法的配电网电动汽车接入容量评估展开研究,提出了一种在新型电力系统背景下评估主动配电网对电动汽车承载能力的方法。研究通过构建数学模型,结合流计算与关键约束条件(如电压越限、线路过载等),量化分析配电网可承受的最大电动汽车充电负荷容量,旨在识别规模化电动汽车接入带来的潜在运行风险,并为电网规划与运行提供科学依据。文中配套提供了完整的Matlab代码实现,便于仿真验证与结果复现。此外,该研究与分布式光伏承载力评估、电动汽车可调能力分析等方向形成技术联动,展现了多主题协同的研究体系。; 适合人群:具备电力系统分析基础理论知识及Matlab编程能力的高校研究生、科研机构研究人员,以及从事新能源并网、智能配电网规划与运行等相关域的工程技术人员。; 使用场景及目标:①用于学术研究中的模型复现与论文撰写支撑;②评估实际配电网中电动汽车大规模接入的可行性与安全边界,指导充电基础设施布局;③作为高校教学案例,帮助学生深入理解电网承载力评估的核心原理、建模方法与仿真技术; 阅读建议:建议结合文中提及的相关研究方向(如二阶锥规划、多面体聚合方法等)进行对比学习,充分利用所提供的Matlab代码与网盘资料开展仿真实验,重点关注约束条件的设定逻辑与流计算模块的实现细节,以深化对评估模型机理与工程应用价值的理解。
内容概要:本文围绕“考虑隐私保护的分布式联邦学习电力负荷预测研究”展开,提出了一种基于Python实现的联邦学习框架,旨在解决居民或行业电力负荷预测中用户电表数据隐私泄露的风险。该研究通过构建分布式机器学习模型,使各参与方在不共享原始数据的前提下协同训练全局模型,有效实现了数据“可用不可见”。文中详细阐述了联邦学习的整体架构设计、本地模型训练流程、参数加密传输与安全聚合机制,并结合差分隐私等技术进一步增强系统的隐私保护能力。同时,研究利用真实电力负荷数据集进行了实验验证,展示了方法在预测精度与隐私保障之间的良好平衡,并提供了完整的代码实例与复现指南,便于后续研究与应用拓展。; 适合人群:具备一定机器学习基础和电力系统背景知识,从事智慧能源、隐私计算或人工智能相关方向研究的研究生、科研人员及工程技术人员。; 使用场景及目标:① 实现跨区域、跨主体的电力负荷协同预测,打破数据孤岛;② 在确保用户用电数据隐私安全的前提下提升负荷预测准确性;③ 推动联邦学习在智能电网、需求响应、虚拟电厂等场景中的实际部署与应用。; 阅读建议:建议结合文中提供的Python代码与网盘资料进行动手实践,重点关注联邦学习的通信轮次设计、模型聚合算法(如FedAvg)的实现细节以及差分隐私噪声添加策略,深入理解其对模型性能与隐私强度的影响,为进一步优化与创新奠定基础。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值