基于注意力时序网络的非侵入式负荷分解

非侵入式负荷分解的本质是根据已知的总功率信号分解出单一的负荷设备的功率信号.目前基于深度学习模型大多存在网络模型负荷特征提取不充分、分解精度低、对使用频率较低的负荷设备分解误差大等问题.本文提出一种注意力时序网络模型(Attention Recurrent Neural Network, ARNN)实现非侵入式负荷分解,它将回归网络与分类网络相结合来解决非侵入式负荷分解问题.该模型通过RNN网络实现对序列信号特征的提取,同时利用注意力机制定位输入序列中重要信息的位置,提高神经网络的表征能力.在公开数据集Wiki-Energy以及UK-DALE上进行的对比实验结果表明,本文提出的深度神经网络在所有考虑的实验条件下都是最优的.另外,通过注意力机制和辅助分类网络能够正确检测设备的开启或关闭,并定位高功耗的信号部分,提高了负荷分解的准确性.     

峰平谷电价下动态修正充电目标的EV充电负荷预测

电动汽车EV(electric vehicle)充电负荷的合理预测是准确评估电动汽车对电网影响和电动汽车充放电有序控制研究的基础。以具有确定出行时间和行驶里程且充电时间不受分时电价影响的电动公交车、出租车和公务车为研究对象,提出了一种根据某市现行峰平谷电价政策并综合充电起始和结束时间所处的峰平谷阶段动态修正充电目标的EV充电负荷预测方法,通过Matlab进行了仿真计算。结果表明,在分时电价政策调控下动态修正充电目标的充电方式可有效调整峰谷差、降低用户充电费用,所提方法的预测数据可为峰平谷电价下充电方式的确定提供参考。     

基于魅力因素的微型电动车造型设计

面向城市通勤出行的微型电动车日渐得到广泛关注。不同于燃油汽车的技术与结 构布局,微型电动车在概念造型设计时其创意自由度较高,然而创新型产品是否能够满足用户 偏好是设计师需要重点关注的问题。基于能够有针对性地解决用户与产品之间吸引力问题魅力 工学研究方法,通过评价构造法和数量化I 类对微型电动车样本进行用户偏好分析,寻求能够 有效满足用户偏好的形态魅力因素,植入设计方案中。该方法对提升创新型产品的形态吸引力 提供了一定参考,也对用户感性层面的研究提供了研究案例。     

QuEChERS技术在土壤半挥发性有机物检测中的应用进展

土壤半挥发性有机物的分析检测中,目标组分的有效提取是影响检测结果最为重要的环节,一种快速有效的提取方式在分析检测中具有至关重要的作用。QuEChERS前处理技术因其快速、高效、低成本等优势在有机物检测中引起广泛关注,本文介绍了QuEChERS技术的基本原理,对该方法近些年在国内土壤半挥发性有机物检测中的应用情况进行了简介,同时分析了方法在土壤半挥发性有机物中的应用前景。