基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务，提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量，再提取脑电独立分量的4个不同频段的能量特征，并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验，得到平均分类准确率分别为60.52%，86.14%，后者比前者提高了42.33%.     

一种经验模态分解与深度神经网络协作的短时电力负荷预测方法

为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的...     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于小波回归分析法的短期负荷预测模型研究

电力负荷预测在能源领域中是一项非常重要的研究课题，它对于保障系统的安全运行，并在此前提下实现能源的节约和生产的效益最大化真有非常重要的应用价值．本文以大孤山选矿厂的电能消耗为研究对象，首先利用小波变换对负荷序列进行分解，得到不同频率的各个负荷分量，然后利用数据分类和多元回归分析方法分别对各个分量进行预测，最后再将各个分量的预测值组合起来，得到最终的预测结果。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

基于CEEMDAN算法及NARX神经网络的短期负荷预测

为了提高电力负荷预测精度,提出一种基于自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)算法和外部输入非线性自回归(nonlinear auto regressive with exogenous inputs,简称NARX)神经网络的短期负荷预测模型.首先,通过CEEMDAN算法对电力负荷原始信号进行分解,得到若干个本征模态函数分量和1个残差分量;然后,将得到的若干个本征模态函数分量和1个残差分量输入NARX神经网络进行预测;最后,将各分量的预测结果进行叠加得到短期负荷预测的最终结果.实验结果表明:CEEMDAN算法与NARX神经网络相结合的负荷预测模型有较强的收敛性能,能减少噪声对预测结果的不良影响、有效提高预测精度.     

利用数据可视化实现智能非侵入式负荷辨识

针对传统人工智能负荷辨识算法网络参数规模庞大、计算复杂度高、辨识准确率不足的局限性,提出一种多维数据融合可视化方法,融合负荷的电压、原始电流和电压-无功电流轨迹信息,生成尺寸更小、区分度更高的真彩可视化图像,作为人工神经网络的输入数据.实验结果表明:在采用真彩可视化图像后,仅用不到传统算法1%规模的人工神经网络和计算量,就可以在PLAID(即插即用设备标识)数据集上达到96.63%的负荷辨识准确率、在WHITED(全球家庭和工业瞬态能量)数据集上达到99.05%的负荷辨识准确率.     

配电网短期负荷小波组合预测研究

分析不同规模的配电网负荷,验证了配电网短期负荷变化复杂的特征,采用单一预测方法进行配电网短期负荷的预测仿真.考虑到配电网短期负荷变化规律性不明显的特点,利用db4小波函数对配电网的历史负荷数据序列进行最大尺度分解重构,将历史数据划分成不同频段的分量,根据不同频段负荷分量特点分别采用GM(1,1)模型、时间序列法及二次指数平滑法对低、中、高频分量进行预测,再将各分量预测值叠加得到总的预测结果.结果表明,该组合预测法可有效提高预测精度,获得较为满意的预测结果.     

应用小波变换和支持向量机的商业电力负荷预测

提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.     

基于小电网短期负荷预测方法的研究与分析

电力负荷预测依据经济、社会、气象等相关数据并结合电力负荷历史数据变化规律来估计和推测未来电力负荷的走势.介绍岱山电网负荷结构及特性,并对影响负荷的要素进行了分析.因岱山负荷轻,受气象、大用户影响大的特征,提出、分析将温度、降雨量、风力大小及检修计划作为自变量的多元线性回归短期负荷预测法.以实验结论和事实数据论证该方案的可行性,此方案可用于结构简单的小电网中,以提高短期负荷预测的准确性.     

基于小波回归分析法的短期负荷预测模型研究

电力负荷预测在能源领域中是一项非常重要的研究课题,它对于保障系统的安全运行,并在此前提下实现能源的节约和生产的效益最大化具有非常重要的应用价值.本文以大孤山选矿厂的电能消耗为研究对象,首先利用小波变换对负荷序列进行分解,得到不同频率的各个负荷分量,然后利用数据分类和多元回归分析方法分别对各个分量进行预测,最后再将各个分量的预测值组合起来,得到最终的预测结果。     

基于趋势组合的知期电力负荷预测模型

在运用神经网络进行短期电力负荷预测中，天气是影响负荷的重要因素。为了更好地捕捉天气对负荷的影响，文中提出了一种基于神经网络的趋势组合短期负荷预测思想和模型，将短期负荷与天气变量的内在关系分解为3个不同的趋势分量，即周趋势分量、日趋势分量和小时趋势分量，每一个趋势分量分别用一个神经网络模型捕获，趋势分量的预测结果再用一个神经网络模型进行组合，从而得到最终的预测值，分别用改进的和传统的模型预测一周的小时负荷，结果表明，这种神经网络模型能取得更好的预测精度。     

基于相似日搜索的改进LMD与ESN相结合的短期电力负荷预测模型

短期电力负荷容易受到自然因素及社会因素的影响,这使得负荷预测比较困难.为了提高短期负荷的预测精度,提出了基于相似日搜索的改进局部均值分解(ILMD)和回声状态网络(ESN)相结合的短期电力负荷预测模型.首先用模糊聚类分析将与预测日最相似的多个日期筛选出来.然后把这些相似日的整点负荷数据按照时间先后排成一组数据序列,用改进的LMD进行分解,对分解出的各个分量分别建立一个ESN网络,对每一个网络分别训练并进行预测.最后把每个网络的预测结果累加起来就是最终的预测值.实验证明此方法能有效提高预测精度.     

基于EMD和多重分形谱参数的耐火材料损伤模式识别

考虑到耐火材料损伤声发射信号模式识别困难,提出一种结合经验模态分解(EMD)、多重分形谱参数和支持向量机的耐火材料损伤形式分类方法。首先对耐火材料损伤声发射信号进行EDM分解得到若干本征模态函数(IMF)分量,并取前4个分量作为研究对象,然后将整个信号的多重分形谱宽及各IMF分量的多重分形谱宽组成的特征向量输入支持向量机进行学习训练,最后实现耐火材料损伤模式识别。研究结果表明,采用由原信号及各IMF分量的多重分形谱宽值组成的特征向量能够有效进行损伤信号的特征提取。该方法对耐火材料界面相损伤的分类准确率为99%,对其基质相损伤的分类准确率为89%。     

一种新的注意力相关脑电分类算法设计

提出了一种新的基于支持向量机(SVM)学习机制的注意力相关脑电分类算法.在对脑电信号进行3级小波分解之后,采用主分量分析方法提取主要的特征分量,并且采用SVM方法对其进行分类.在此基础上,依据数据融合理论,对多导分类结果进行综合判断.结果表明,本方法具有良好的鲁棒性,对注意力相关脑电信号分类的准确率可达89%左右,高于单导最优准确率.该方法对注意力缺陷反馈治疗、注意力机制研究等具有较高的实用价值.     

基于因子分析的母线负荷异常数据辨识方法

针对现有母线负荷数据异常辨识方法适应性差、辨识精度不高的问题,基于母线负荷数据现状剖析异常数据的基本特征,分析因子分析的理论及其应用于母线负荷异常数据辨识的原理,提出了基于因子分析的母线负荷异常数据辨识方法.该方法引入因子分析将母线负荷曲线分解为表征曲线正常时序变化规律的基本分量和表征曲线数据异常或随机波动特征的随机分量;同时基于负荷曲线随机分量给出了异常数据辨识的3σ判定准则.最后,以重庆某供电公司算例验证了所提方法较现有方法更具合理性、有效性.     

用于短期电力负荷预报的人工神经网络方法

提出了一种新的短期电力负荷预报方法。该法首先将小时电力负荷解成增长趋势、日模式、周模式、气候敏感及随机变动等分量，然后应用人工神经网络等方法对各分量分别预报，最后由各负荷分量相失加得到小时负荷预测值。并以我国某省实际电力系统负荷预报为例，说明了所提方法的有效性。     

基于VMD的CNN-BiLSTM-Att的短期负荷预测

为提高短期电力负荷预测精度,提出了基于变分模态分解(VMD:Variational Mode Decomposition)的CNN-BiLSTM-Att(Convolutional Neural Network-Bidirectional Long Short-Term Memory-Attention)的短期负荷预测模型。该模型将历史的负荷数据使用VMD分解成多个子序列负荷并结合天气、日期、工作日类型等因素作为输入特征,得到各个子序列负荷的预测值,然后相加重构组成实际负荷预测曲线。通过与其他模型实验对比,VMD-CNN-BiLSTM-Att模型在测试集上相比于其他模型均有所降低,在连续的周负荷预测中,日负荷预测的平均绝对百分比误差基本维持在1%～2%之间。在复杂负荷变化的非工作日中,平均绝对百分比误差相比CNN-LSTM降低0.13%。证明VMD-CNN-BiLSTM-Att短期负荷预测模型能提高电力负荷预测的精度。