电力数据融合:基本概念、抽象化结构、关键技术和应用场景

为给"电力—信息—社会"深度耦合下的电力数据融合提供参考,对电力数据融合的基本概念、抽象化结构、关键技术及应用场景进行综述性讨论。首先讨论了目前电力数据融合的必要性和存在的挑战;其次介绍了其基本概念和3个层次的抽象化融合结构;接下来对包括贝叶斯网络、D-S证据理论及深度学习等常用的关键技术进行了归纳;并从结构层次的角度对故障诊断、负荷预测等应用场景进行了讨论;最后对未来多模态、跨层次、全范围的网状融合结构进行了综合性描述。     

电力人工智能技术理论基础与发展展望(二):自主学习与应用初探EI北大核心CSCD

电力人工智能技术不断取得突破的同时,实际应用中也面临诸多挑战,在电力人工智能的假设分析与应用范式研究基础上,探索电力人工智能自主学习的创新应用模式。首先,针对电力人工智能研究中存在的可信伦理、数据分布与进化迁移等瓶颈,提出并详细阐述数据知识融合、平行互动、模型进化三大机制;进而,基于生物脑认知原理,提出适用于电力领域人工智能应用的意识引导的自主学习技术,通过构建电力领域机器意识引导算法进行模型构建、数据组织、训练调优等自主学习应用,解决规则复杂、数据价值低、场景泛化等情况下的电力人工智能模型训练优化难题;最后,在设备运维检修领域开展应用探索,通过意识引导知识、数据、任务的理解分析,构建面向复杂运维检修任务端到端算法生成的智能应用。     

基于双预训练Transformer和交叉注意力的多模态谣言检测

社交平台上文本和图像相结合的多模态谣言比纯文本谣言更易于误导用户，因此研究多模态的谣言检测方法具有重要意义。现有方法大多只是对各个模态特征直接进行向量拼接，忽略了模态间联系，不能充分利用多模态信息。为了解决上述问题，提出了一种基于双预训练Transformer和交叉注意力机制的多模态谣言检测模型：首先使用预训练的Transformer(BERT和ViT)分别提取文本单词和图像的特征，克服了训练样本小的局限性；然后使用交叉注意力机制将文本和视觉特征进行特征融合，充分地学习到两种模态间的潜在联系；最后将得到的多模态融合特征输入谣言检测模块进行分类。实验结果表明，该模型在Twitter和微博数据集上的检测性能均高于多模态基准模型，有效性和泛化性进一步提升。     

关注电力战略防御系统

从分析导致电力系统脆弱性的各种因素出发，从自适应保护、自适应网络重构、自适应自愈、通信体系及分层分散多代理结构等方面介绍电力战略防御系统的构架及其软硬件实现，就电力战略防御系统中电力市场作用机制的模拟及该系统面临的技术挑战作阐述，同时对未来的研究方向和应积极开展有的工作进行前瞻。     

基于电力数据及信息融合的电力客户行为分析

随着售电市场的进一步开放,立足当前电力改革形势,进一步挖掘用户价值,提升供电服务质量已经成为电网企业转型的必要手段。提出利用电力业务数据以及多模态双向交互信息融合、大数据分析等信息技术,抽取出存在于电力营销数据、客户语言、情绪等信息中的相关特征,实现对电力营业厅客户用电行为、用电习惯的分析,提供针对性、差异化的服务方案,满足客户需求,让电力客户感受更舒适、更优质的服务体验,提高营业厅的服务质量、服务效率。     

高比例新能源电力系统多模态振荡监测方法及装置设计

新型电力系统正向高比例新能源和高比例电力电子设备("双高")方向发展,电力电子设备引起的宽频电磁振荡日益显著。为了能够掌握宽频电磁振荡的动态变化行为,提出了能够适应多个电磁振荡模态的同步相量监测方法。该方法通过振荡模态监测环节从电压/电流信号中粗略筛选出振荡频率,以此频率作为中心频率自适应动态构建模态滤波器;然后对采集的电压/电流信号进行模态滤波,对滤波后的信号进行相量计算、校正和补偿,从而得到各电磁振荡模态的相量信息。最后,基于该算法设计了多模态电磁振荡监测装置,并通过理想数据和现场试验对装置的性能进行了验证。结果表明,该装置能够快速、准确地对多模态电磁振荡进行实时监测,满足同步相量测量装置标准的性能要求。     

面向智能电网的自适应调度管理机制研究

为实现电力调度精益化管理,提出了一种电力调度自适应管理机制.首先分析了自适应管理机制的内涵和外延,提出了自适应管理机制的特征.根据电网调度自适应管理的影响要素,对管理组织结构、管理技术支撑和管理人才培养进行了分析.提出了电网调度自适应的管理结构和管理协同功能.以电力调度数据交互为案例,说明了自适应管理的流程和工作构架.     

基于碳卫星与电力排放数据的碳计量

目前,基于温室气体卫星遥感探测技术的碳感知正逐步成为新一代碳计量方法的重要组成部分。然而,从碳卫星数据中准确提取由人类活动产生的碳排放数据是一项至关重要且极具挑战性的任务。文中结合碳卫星与电力排放数据,提出一种新的人工智能算法,以实现准确的碳排放计量。首先,介绍了所使用的包括碳卫星和电力数据在内的多模态数据源,并设计了相应的数据筛选方法。然后,提出了考虑此多模态数据特性的深度学习方法,构建反映碳卫星数据、发电量数据与碳源碳排放量之间函数关系的数据驱动模型。最后,基于美国OCO-2碳卫星的碳浓度遥感数据及美国1 304家火力发电厂的连续烟气监测系统数据验证了所提方法在发电厂碳排放量计量问题上的有效性。     

数据驱动的电力网络分析与优化研究综述

数据驱动的电力网络分析与优化近年来受到广泛关注。首先,对比了电力网络分析与优化中数据驱动及基于物理模型方法的思维模式,阐述了数据驱动方法和基于模型方法的区别与联系。进一步,对于电力网络分析与优化研究对象的分类,分别从拓扑辨识、参数—拓扑联合辨识、系统矩阵辨识、潮流计算及最优潮流计算等多个方面总结了现有数据驱动电力网络分析与优化的研究进展,总结了现有研究中采用的数据驱动方法。最后,提出了数据驱动电力网络分析与优化所面临的挑战,展望了该领域未来可能的研究方向。     

多模态数据驱动的城市固废焚烧过程验证平台设计与实现EI北大核心CSCD

鉴于城市固废焚烧(municipal solid waste incineration,MSWI)过程控制系统的封闭特性与工业现场的安全性要求,如何实现离线多模态数据的时间同步发布和如何搭建数据驱动预测模型的类工业现场验证环境,是实现智能建模算法落地应用需首要解决的关键问题。该文开发多模态数据驱动的MSWI过程验证平台,由多模态历史数据同步子系统和多模态历史数据驱动建模子系统组成。首先,结合现场领域专家预测关键工艺参数过程的抽象化描述,设计验证平台的结构;然后,建立以炉膛温度、烟气含氧量和锅炉蒸汽流量为输出的多模态数据驱动预测模型;最后,搭建硬件环境并开发相应的软件系统,实现子系统间的协同运行。利用实际过程数据与火焰视频验证该平台能够解决多模态数据驱动预测模型构建中存在的采样难、同步难、匹配难等问题,能够提供可靠的工程化验证环境。     

电力大数据面临的机遇与挑战

电力行业信息化和工业化融合发展促使电力数据迅速增长和不断融合,电力大数据时代已经到来。电力大数据源自电力行业,与智能电网、智慧城市紧密相连,是未来电力发展的重要资源。面临电力大数据的机遇与挑战,研究多数据融合、数据模型、数据可视化、内存计算、分布式计算等关键技术,促进电力大数据在电力生产和企业经营管理中的应用,对更好地服务节能减排、服务经济社会发展、服务资源节约型和环境友好型企业建设意义重大。     

社会符号学视角下多模态话语意义分析

系统功能语言学、符号系统理论、多媒体技术以及网络技术的发展催生出了多模态理论,该理论一出现就成为语言研究领域的一个热点。近二十年来,国内的研究主要停留在语言本身的多模态分析,而鲜见关于图像、颜色、声音等的研究。高校校徽是一个常见的多模态形式,而有关它的多模态话语分析没有得到学术界的关注。为此,以西北农林科技大学校徽为研究对象,运用多模态理论分析其版式设计、颜色运用、图形结构以及整体意义构建等,以期引起学术界广泛关注。     

华为高端存储支持电力业务高速增长

正在数据大爆炸的背景下,电力系统用户的IT基础架构面临着全新挑战,其中核心数据存储的挑战尤其显著,这些挑战主要体现在如何在电力业务超预期增长的情况下,确保数据安全性、业务连续性和业务高峰期的服务质量等。为应对这些挑战,华为不仅仅熟识电力发、输、变、配、用、调各环节,更了解新时期的IT存储系统向着松耦合、虚拟化、高性能、高安全、智能化等技术趋势,以支持电力业务高速增长。1.华为智能高端存储再助南网科研院云数据中心南网科研院是中国南方电网公司控股子公司,是南方电网公司党组按照"集团化管理模式、一体化管理制度"     

基于无监督方法的电力文本专业词汇识别研究

电力专业词汇识别是面向变电运检文档进行深入语言理解和知识图谱构建等智能应用的基础。领域无关识别方法的效果不能令人满意,为此本文根据电力领域词汇的语言学特征提出一种面向电力领域的无监督专业词汇发现方法。首先以通用词典对电力文档语料分词,然后根据电力专业词汇的特征设置不同大小的滑动窗口,将之前分词结果的多种组合作为候选词。进一步计算邻接变化度、信息熵、点态互信息以及词频等四种候选词统计量。最后基于综合语言学特征和成词边界三种语法规则对候选词进行筛选形成专业电力新词。在公开数据集上与基线方法进行了对比实验,实验结果表明了本文提出方法的有效性。     

基于深度学习和知识图谱的变电站设备故障智能诊断

及时发现并诊断变电站运行中设备存在的问题,是保障电网安全运行的关键手段之一.基于深度网络与知识图谱技术,提出一种关联变电站设备多模态信息的故障智能诊断方法.利用深度学习技术和知识图谱方法对采集的多模态数据进行知识提取和融合,构建一个多模态信息融合的语义知识图谱;使用YOLOv4算法对故障样本聚类并提取先验框参数;将多模...     

基于随机矩阵理论和聚类算法的电能表运行状态评估方法

随着智能配电网络规模的扩大以及电网结构的复杂化,电力大数据呈指数级增长,电力设备的检、监测评估面临新的挑战。在大数据原理和数据挖掘分析的基础上,提出一种基于随机矩阵理论和聚类算法的电能表运行状态评估方法。首先,对电力大数据统一预处理,完成时间序列数据表征;然后,采用实时分离窗技术整合时序数据;其次,基于随机矩阵理论,对多维度电能表时间序列数据实时计算、分析统计量时序特征;进一步,采用改进的时间规整聚类算法计算时序数据相似度,从而对随机矩阵统计量聚类分级;最后,分析聚类结果,得到电能表运行状态评估等级和范围,完成电能表实时运行状态评估。实例分析和对比研究结果表明,与传统的主元分析评估方法相比,所提出的新型电能表运行状态评估方法具有良好的鲁棒性、可靠性和时效性,为电力电网检测技术应用研究提供了新思路。     

基于随机矩阵理论和聚类算法的电能表运行状态评估方法

随着智能配电网络规模的扩大以及电网结构的复杂化,电力大数据呈指数级增长,电力设备的检、监测评估面临新的挑战。在大数据原理和数据挖掘分析的基础上,提出一种基于随机矩阵理论和聚类算法的电能表运行状态评估方法。首先,对电力大数据统一预处理,完成时间序列数据表征;然后,采用实时分离窗技术整合时序数据;其次,基于随机矩阵理论,对多维度电能表时间序列数据实时计算、分析统计量时序特征;进一步,采用改进的时间规整聚类算法计算时序数据相似度,从而对随机矩阵统计量聚类分级;最后,分析聚类结果,得到电能表运行状态评估等级和范围,完成电能表实时运行状态评估。实例分析和对比研究结果表明,与传统的主元分析评估方法相比,所提出的新型电能表运行状态评估方法具有良好的鲁棒性、可靠性和时效性,为电力电网检测技术应用研究提供了新思路。     

电力大数据应用综述

电力大数据具有真实性高、时序性强、数据量大的独特优势,深入挖掘电力大数据的应用潜力是目前电网企业应对经济下行、提质增效的重要手段.首先介绍了电力大数据的国内外研究现状,其次阐述了电力大数据在居民互动用能、企业智慧运营、政府政策制定方面的应用,最后提出了该技术在具体应用时所面临的困难与挑战.     

基于深度学习的智能电网电力负荷精准预测方法研究

针对因电力系统中短期电力负荷预测不准确,导致智能电网无法有效协调电能生产、运输、分配的问题,为降低因过载或低负荷所造成的资源浪费,减少不必要的二氧化碳排放,本文提出了一种新的深度学习方法来解决此类电网短时电力负荷可靠预测问题。该方法利用卷积神经网络建立能量预测计算模型,利用CNN自适应数据特征挖掘特性、量化电力不确定性,利用丢弃正则化对深度网络结构进行优化,采用深度森林对所提取的数据特征进行学习并建立预测模型,以实现对电力负荷的准确预测,解决电力随机波动造成的现有预测方法精度下降问题。经过基于实际负载数据验证,在电力负荷不确定波动情况下,该方法能准确预测电力负荷,且精度比目前较为流行的方法高,有望成为解决智能电网核心问题的重要技术支撑。     

随机矩阵理论在电力系统认知中的应用初探

数据是智能电网建设的战略资源乃至主要驱动力。如何处理智能电网中呈现海量、多样、实时、真实等4个特征的4 Vs数据,并从中提取信息,是电力系统大数据建设所面临的核心问题。描述了大数据的特征和引入了随机矩阵理论作为基础,以及提出电力系统大数据的应用思路和架构。具体电力应用方面,介绍了所开发的早期事件发现、事件诊断和定位、相关性分析、可视化3D Power Map辅助展示等一系列功能。在此基础上,建立起以随机矩阵为理论基础,以数据为主要驱动力的电力系统认知体系框架,并探讨其与传统经典认知方案的区别。进一步设计案例考查了其对坏数据的鲁棒能力,其结果表明,随机矩阵理论这种工具可以有效地处理电网中的复杂数据,具有很好的学术研究意义和工程应用价值。另通过仿真算例验证了随机矩阵方案对数据异步的鲁棒性。