排序方式: 共有4条查询结果,搜索用时 7 毫秒
1
1.
随着电网的快速发展,用电信息采集系统的数据计算业务面临着巨大挑战.近年来,图形处理器(GPU)因其在浮点计算速度和存储带宽方面的优势成为高性能计算问题中的研究热点,也被成功应用在电力系统计算分析等科学计算领域.在基于人工智能方法的电力负荷预测问题中,以往大部分研究仅考虑了使用GPU加速预测模型的训练,而并未应用在数据集的获取和计算上.提出了一种基于中央处理器-图形处理器(CPU-GPU)异构计算框架下全流程加速的高性能用电负荷预测方案.首先结合统一计算架构(CUDA)和多线程技术实现了使用多台GPU完成用电负荷的并行预处理,随后在聚类分析后基于XGBoost算法完成了多台区负荷预测,并利用GPU加速了模型的训练计算.最后通过对深圳市43254个台区用电信息的实例分析,验证了所提方法的高效性与适用性. 相似文献
2.
基于事件分解的负荷匹配方法计算快内存少,工程应用适应性强。首先面向事件分解型负荷辨识方法分析了稳态特征量的提取方法,梳理出典型家用电器辨识特征库,并指出谐波特征量是空调及小功率电器复杂工况下负荷辨识的重要判据。然后分析了工程应用中谐波特征量提取影响因素,基于快速傅里叶变换(FFT)算法频谱泄露原理,研究了电网频率动态变化和电器谐波相角抖动对于谐波特征量提取的影响。提出了针对性解决方法,通过多点均值方法解决电网频率波动导致的非同步采样问题,并提出极值差量方法解决电器谐波相角影响,两种方法结合,可有效将基次谐波误差降到1%以下,偶次谐波误差降到2%~4%。最后通过实验平台和工程实证,验证了谐波改进提取方法的有效性,相对于改进前可有效提升负荷辨识精度5%以上。 相似文献
3.
4.
本文针对传统非侵入负荷辨识技术中电热细分能力不足的问题,提出了一种基于先验知识与统计学习模型的居民非侵入式负荷辨识算法。本文对洗衣机辅热、电水壶、电饭锅、电热水器等设备进行了电热细分研究,通过设备运行关联算法实现了辅热设备的细分,并在用户有限反馈信息和专家标注的基础上,实现了非辅热设备分类的模型训练。实验结果表明,本文所提技术框架在事件检测负荷辨识算法的基础上实现了电热设备的细分,且在运行状态分解的F1指标中取得了0.9以上优异效果。 相似文献
1