基于电力大数据的供电服务指挥平台构建技术研究

随着配电网中网架结构日益复杂、一二次设备深度融合与电力数据指数化增长,配电网运检管理、生产调度、安全监控等电力业务应用难度迅速增加。为了适应多源异构电力数据场景下的电力多重业务需求,本文基于通信协议交互融合技术、主动服务管理技术与电力大数据技术,研究了构建统一控制、格式兼容、信息共享的供电服务指挥平台关键技术及其软件、硬件、数据等多维复杂结构,从而实现不同场景的海量数据一体化组织和管理。通过对配电网电力大数据在智能需求响应的实际应用算例,证明了该服务指挥平台在配电网稳定运行管理中的重要作用。     

基于隐含狄利克雷分布主题模型和特征级异构数据融合的电力故障主动性预警研究

智能化客服系统是国家电网在传统人工客服上转型的重要方向。相对于传统客服,智能客服可以并发处理电力用户的诉求事件,掌握覆盖辖区内配电网准确、可靠、全面、及时的状态信息,并通过分析历史诉求文本数据和电力用户相关的多源异构大数据来积极应付突发事件,对诉求热点进行预测并进行主动性预警。文中首先通过隐含狄利克雷分布概率(LDA)主题模型对电力用户的交互式诉求文本进行主题挖掘,获得诉求用户的诉求主题标签。根据电力公司所收集到的多源异构大数据,文中设计多种特征提取算法,搭建基于卷积神经网络(CNN)和特征级数据融合的分类模型,来实现对未来时间内诉求热点的预测。实验证明LDA模型可以很好地提取出诉求文本中的主题,多源异构数据分类模型最终得到高达94%的分类准确率,相对于传统分类器平均提升12.6%,最终可以实现电力公司对电力故障和用户诉求的主动性预警功能。     

基于改进支持向量机的中长期电量预测算法设计

为确保电网能够安全、平稳地运行,且实现经济、科学地发展,应对其建立中长期的电力需求预测体系。对于传统方法在中长期电量预测时所面临的非线性问题,文中基于深度神经网络的方法,设计了一种电力需求的映射器与预测器,来完成对电力需求数据的自动编码。同时针对预测模型中复杂函数难以取得数值解的问题,通过使用混合支持向量机算法,设计并提出了基于各种模型优点的预测算法,进而实现更为精准的模型预测。最终通过与线性回归器等多种算法的对比实验结果可知,所提算法的收敛性最优,且预测平均绝对误差最低。     

基于多种数学模型的电力需求预测系统

对电力需求预测发展进行了介绍,对几种较为经典的、具有较好预测效果的数学预测模型进行分析。提出采用数学预测模型来有效提高用电需求预测的精度。     

基于多渠道融合的智能故障预测技术

近年来，随着大数据和人工智能技术的不断发展，基于日志数据的智能故障预测方法逐渐受到关注。传统的基于日志数据的故障预测方法仅关注单一的需求属性，难以面向多维度预测需求进行适配调整。针对该问题，提出一种多渠道融合的智能故障预测模型Multi-Det，该模型采用机器学习和深度学习相融合的调度方式。通过特征提取和数据融合，面向用户不同属性需求进行系统模型适配，优化特定场景下的故障预测准确性和可靠性。为了验证Multi-Det的有效性，在公开数据集下对多个场景下的需求参数进行了实验对比，结果表明该方法能够有效适配不同故障预测需求，在特定场景下智能调整预测策略，为专业领域设备的维护和管理提供有力支持。     

基于不同神经网络模型预测体测成绩

为更加准确地反应当前学生的身体素质情况,基于多个不同的神经网络模型构建体测成绩预测模型,为降低体测成绩中各项目数据之间的相关性,使用主成分分析法对数据集进行处理。使用BP神经网络结合脉冲神经网络构建一个预测模型,加强模型处理分析数据集的能力,提高预测的准确性。在长短期记忆神经网络中加入注意力机制构建另一个预测模型,使模型更加关注数据集中的关键信息。通过实验,预测模型输出的预测值与实际值的重合率高达90%以上,预测准确率整体在95%以上。     

基于单因素与多因素灰色理论在电力负荷预测中的对比分析

电力一直是中国的重要基础产业和公用事业,电力系统负荷预测作为电力规划、投资、生产、调度和交易等工作的基础?在电力安全和经济运行中发挥着至关重要的作用,由于电力负荷增长的不确定性和非线性,因此很难对其进行准确的预测?本文针对电力负荷预测的难题,讨论基于灰色理论的两种预测模型,即单因素负荷预测与多因素负荷预测,笔者搜集了10年的社会用电数据,通过不同结构的用电量数据,分别建立基于多因素与单因素的GM(1,1)用电负荷预测模型。最后,分析并对比了基于多因素与单因素的灰色模型预测误差,基于多因素与单因素的电力负荷预测结果表明,基于多因素与单因素两个模型预测平均误差均小于5％,但本文推荐使用基于多因素的负荷用电预测模型,因为其结果更为精确,最大平均误差仅为15.7%,上述研究对于完善灰色预测理论,丰富电力负荷预测手段均具有十分重要的现实意义。     

基于时空聚类的多源异构时序数据集成方法

针对传统多源异构时序数据集成方法执行和抽取时间较长、筛选准确率较低的问题,设计基于时空聚类算法的多源异构时序数据集成方法。协同处理多源异构时序数据,根据协同处理结果与时空集合标定结果构建时空聚类矩阵,以时空聚类矩阵为基础计算多源异构时序数据集成需求,通过时空聚类算法转换数据,以此进行多源异构时序数据集成。实验结果表明,该文方法的多源异构时序数据执行和抽取时间在20 s以内,筛选准确率高于95%,集成效果更好。     

基于异构数据的电力短期负荷大数据预测方案

随着多种可再生能源电力的接入,电力系统正在向更智能、更灵活、交互性更高的系统过渡。负荷预测,特别是针对单个电力客户的短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。提出了一个基于异构数据的电力短期负荷大数据预测方案,该方案收集来自智能电表和天气预报的数据,预处理后将其加载到非关系型数据库中进行存储并做进一步的异构数据处理;设计并实现了一个长短期记忆递归神经网络模型,用于确定负荷分布并预测未来24 h的住宅小区用电量;最后利用一个住宅小区的智能电表数据集对提出的短期负荷预测框架进行了测试,并使用均方根误差和平均绝对百分比误差两个指标,对比了预测模型与两种经典算法的性能,验证了所提模型的有效性。     

基于FCN和LSTM深度学习模型的电力终端负荷预测方法

针对目前研究的电力终端负荷预测方法在预测过程中,未考虑负荷终端时序性和非线性的特点,存在预测精度较低,速度较慢的问题,提出了基于FCN和LSTM深度学习模型的电力终端负荷预测方法。利用循环神经网络,建立电力终端负荷预测模型,分析记忆状态,对电力终端数据进行预处理,并编码非数字特征,确定预测模型。利用均方误差公式得到的电力终端负荷预测模型的损失函数,通过数据预处理、优化数据参数、训练电力终端负荷预测模型完成负荷预测。实验结果表明,基于FCN和LSTM深度学习模型的电力终端负荷预测方法充分分析了终端时序性和非线性特点,有效确保预测精度,提高预测速度。     

基于用户画像与关联规则的全域电力资源调度算法

为解决应用调度算法进行全域电力资源调度,资源剩余率依旧较高的问题,提出结合用户画像与关联规则的新型调度算法,实现全域电力资源的合理分配。运用双聚类算法,对整个调度区域内所有用户用电数据进行分析,构建电力用户画像从而描述用户用电个性化需求;以用户画像为基础,建立以满足用户需求为核心的全域资源分配模式;总结全域内资源调度子任务,计算不同子任务之间的支持度和置信度,结合关联规则实现子任务的分组;根据子任务组进行资源分域,在每个分域中设置二级调度中心,再与全域一级调度中心相连接,实现全域资源集中调度。实验结果表明,所提调度算法应用后,电力测试系统每日的全域资源剩余率出现了大幅降低,仅保持在12%左右。该算法具有较好的实际应用价值。     

基于多层多核卷积神经网络的非侵入式负荷监测方法研究

非侵入式负荷监测仅依靠测量得到的总负荷的电压、电流与功率等承载电力信息的信号就实现负荷监测,无需额外的计量装置和线路改造,因此得到广泛研究。针对传统深度神经网络分解模型准确度仍不能满足实际需求的现状,本文提出了一种基于多层多核卷积深度神经网络分解模型。为体现不同设备的特性,模型在数据分割时采用不同的序列长度。然后,模型将分割后的数据先通过高维映射将输入的功率时间序列映射到高维向量,再利用多层卷积法与多核卷积法共同构建出的深度神经网络对生成的信息向量进行特征提取,经多次迭代学习生成负荷分解模型。与多种用于非侵入式负荷分解的深度学习方法相比,本模型对负荷识别准确率提升效果显著,在REDD数据集上的识别准确率达到99.41%。     

风光储微网系统多时间尺度模型预测调度策略

针对风光储微网系统,建立基于模型预测的多时间尺度微网调度策略。首先,为提高微网调度运行准确性,采用灰色GM(１,Ｎ)－BP神经网络方法构建微网发电量及负荷需求的预测模型,然后构建基于预测模型的多时间尺度微网调度优化策略,该策略考虑了储能装置充放电运行的功率变化,以日前调度中的能源出力为参考,在日内调度阶段采用滚动修正,通过细化滚动时间,实现微网运行调度的精确修正,减少储能装置的充放电损耗。最后,基于微网运行数据进行了算例分析,验证预测模型与调度策略的有效性。结果表明,相较于传统单一灰色预测方法,所采用的组合预测模型预测精度更高,所构建的多时间尺度调度策略使得清洁能源得到充分利用,实现微网经济安全运行。     

基于负荷分解与聚类融合的短期用电负荷预测研究

传统负荷预测算法通常仅以单一的数据源为基础进行计算,因此在面对动态随机特性较强的场景时难以准确预测。针对这一问题,提出了一种负荷分解后再聚类融合的短期用电负荷预测算法。该算法根据负荷行为按时间顺序分类及分解客户负载,并进行负荷数据的聚类融合,再基于贝叶斯时空高斯过程模型描述不同用电区域间的相关性。同时利用深度学习负荷数据中存在的时空相关性来表征电力消费行为特征,从而实现短期用电负荷的精准预测。在对公开数据集进行的预测实验结果表明,与现有方法相比,所提算法的误差较低,且预测性能显著提高。     

基于异构处理平台的机载实时图像识别

近年来,深度神经网络模型在机载图像识别方面的应用场景不断扩大,为了满足神经网络模型对硬件资源更高的实时算力需求,适应机载场景下的设备运行条件,集合嵌入式异构处理器资源,选取FTD2000/8作为主处理器进行算法调度,选取复旦微FMQL100TAI作为协处理器进行智能计算,并设计了具体的并行处理流程以加快计算过程。实验结果表明,相比于CPU单处理器,在CPU+NPU这样的异构处理平台下可以将图像识别帧率提高至2.8倍,同时识别精度误差控制在1.035%内,具有良好的性能功耗比表现。     

广义确定性标识网络

随着智能制造、智能交通等重大国家战略实施,确定性成为信息网络尤其是行业专网的新焦点.现有确定性网络技术始终关注网络传输要素（带宽、时隙等）来保障数据流的确定性传输.然而,仅靠保障传输要素无法支撑新兴行业应用的多样化需求.例如,在算网融合场景,智算任务要求同时保障传输与计算要素的确定性来实现高性能通信;在绿色通信场景,需要考虑节点能量要素的确定性以维持网络稳定运行.针对上述需求,本文基于前期提出的标识网络技术,研究面向传输、计算、存储、能量等多要素的广义确定性网络.首先提出广义确定性标识网络架构,包括差异化服务层、异构融合网络层和智慧化适配层.差异化服务层和异构融合网络层,分别实现差异化确定性应用需求和异构化确定性网络要素的统一标识和描述,并通过标识解析映射实现确定性信息向智慧化适配层的统一封装和传递;智慧化适配层完成差异化确定性应用需求和异构化确定性网络要素的适配.现有确定性资源适配方法,即使仅考虑单一网络内的基本确定性要素,仍面临计算时间长、求解复杂性高、灵活度低等问题,为了支持更加复杂的多确定性要素、多种异构网络的协同适配,设计了基于深度强化学习的端到端的确定性调度（End-to-...     

基于BP-MC模型的大型机电设备备件需求预测研究

针对大型机电设备备件需求具有非线性和随机波动性的特点,建立基于马尔科夫链修正的BP神经网络预测模型．以提高模型的预测精度。通过对训练样本的学习,利用BP神经网络实现了对备件需求时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于实际预测中,结果表明该模型优于BP神经网络单项预测模型,具有精度高、科学可靠的特点,为大型机电设备备件需求预测提供了新的途径。     

区域物流需求预测的应用研究

为了提高区域物流需求精度,综合考虑区域物流需求线性、周期性和非线性信息,提出了采用组合模型的预测方法.通过将各种单一预测模型看作代表不同信息的片段,通过BP神经网络对不同信息进行集成,充分利用各单项预测方法的有用信息,从而提高区域物流需求预测精度.通过上海市的物流需求数据对组合模型进行测试,实验结果表明,组合模型很好揭示了上海物流需求的变化规律,提高了物流需求的预测精度,为区域物流需求预测提供了一种新的思路和方法.     

基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法

针对5G网络场景下缺乏对资源需求的有效预测而导致的虚拟网络功能(VNF)实时性迁移问题,该文提出一种基于深度信念网络资源需求预测的VNF动态迁移算法。该算法首先建立综合带宽开销和迁移代价的系统总开销模型,然后设计基于在线学习的深度信念网络预测算法预测未来时刻的资源需求情况,在此基础上采用自适应学习率并引入多任务学习模式优化预测模型,最后根据预测结果以及对网络拓扑和资源的感知,以尽可能地减少系统开销为目标,通过基于择优选择的贪婪算法将VNF迁移到满足资源阈值约束的底层节点上,并提出基于禁忌搜索的迁移机制进一步优化迁移策略。仿真表明,该预测模型能够获得很好的预测效果,自适应学习率加快了训练网络的收敛速度,与迁移算法结合在一起的方式有效地降低了迁移过程中的系统开销和服务级别协议(SLA)违例次数,提高了网络服务的性能。     

电力需求精确预测对需求侧管理水平的影响分析

随着科技的进步和经济的发展,我国社会各领域部门对电力的需求也逐渐增长。为了满足当今社会对电力资源的需求,电力行业必须采取一系列的方法对电力系统的负荷进行预测。在电力发展中,电力需求预测是重要的组成部分,能够对需求侧管理起到至关重要的影响。本文就此分析了电力需求精确预测的意义,阐述了电力需求精确预测的方法,并论述了电力需求侧管理中存在的问题,在此基础上提出了科学合理的解决策略。