基于双通道多特征融合的电力负荷智能感知方法

负荷识别是分析用户用电行为的主要工具之一.提高负荷识别的精度对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于双通道多特征融合的电力负荷智能感知方法.首先,从电器设备的基本属性出发,分析了电流、谐波、功率等数值特征以及电压-电流(V-I)轨迹图像特征对负荷识别的影响;其次,考虑了特征之间的互补性,分别采用主...     

变负荷模式下电力多级冗余数据精细化校验算法

由于已有算法未能对电力数据进行聚类处理,导致查全率下降,为此,提出一种变负荷模式下电力多级冗余数据精细化校验算法。在变负荷模式下,通过电力信号的稀疏特性,将变换系数线性投影到低维观测向量,求解稀疏最优化高概率,完成数据采集。采用遗传聚类优化算法对采集的电力数据进行聚类划分。根据聚类结果,引入层次分析法获取不同数据之间的关联关系,构建电力多级冗余数据精细化校验准则,并通过其完成数据校验。实验结果表明,所提算法能有效降低校验用时和额外存储开销,增加查全率和校验结果的准确性。     

数据挖掘在电力负荷坏数据智能辨识与修正中的应用

负荷历史数据由于各种原因含有一定的坏数据,在进行高精度的电力负荷预测或系统分析前必须对历史数据进行预处理.本文采用基于加权核函数的模糊C均值聚类的改进算法-WKFCM,以核诱导距离的简单两项和替代欧氏距离作为聚类目标公式的不相似性测度函数,减小了计算复杂度.对数据进行聚类之后,采用收敛速度快、模式分类能力强的超圆神经元网络数据辨识模型,并对识别出的坏数据进行修正,实例证明本文提出的数据处理模型具有较好的效果.     

结合改进聚类算法与PSO-GA-BP神经网络算法的日最大负荷预测方法

为向负荷预测模型提供准确可靠的相似日训练样本集合,针对现有聚类算法在初始聚类中心选取方面的不足,提出了一种基于数据中心度的改进聚类算法,并搭建集数据筛选、聚类、优化、训练、预测为一体的日最大负荷预测模型.首先,基于各被聚类对象的中心度,选取聚拢效果最好的对象作为第一个聚类中心代入Canopy算法,形成初始聚类中心集合;然后,采用K-means聚类算法,得到不同类别相似日的训练样本;最后,利用PSO-GA-BP神经网络算法搭建日最大负荷预测模型进行预测分析.算例对某地区2011—2012年日最大负荷开展预测分析,结果表明：所提方法在聚类指标与预测指标上均具有一定优越性,具备一定实际工程应用价值.     

理想调节网络与电力负荷聚类特征

讨论了理想调节网络对三相电力负荷中的无功与三相不平衡进行完全调节的基本原理,给出了应用理想调节电纳与模糊c均值聚类算法提取负荷聚类特征的方法,聚类特征可用于用户电力调节系统的优化设计。工程实例表明了该方法的正确性与有效性。     

井底模式特征量的提取与模糊聚类分析

By studying the an approach to the shape of bottom-hole pattern, the paper has mainly made an approach to the bottom-hole pattern characteristics, presented a group of characteristic parameters, and the type of rock bit by fuzzy cluster. The results calculated by forecast equation of drilling speed,cone gear ratio etc. have accorded with those from experiments.     

基于多维缩放和KICIC的电力负荷聚类

电力负荷曲线聚类在电力大数据研究中有重要的应用。针对传统负荷聚类方法难以有效处理海量化的高维负荷数据,以及存在簇间样本模糊导致算法聚类质量不高、聚类效率低下等问题,提出一种结合多维缩放(multi-dimensional scaling, MDS)和一种新的集成簇间、簇内欧式距离的加权K-means方法(weighting k-means clustering approach by integrating intra-cluster and inter-cluster distances, KICIC)的聚类算法(MDS-KICIC)。该方法首先采用MDS算法对高维负荷数据进行数据降维处理,得到降维后的低维矩阵和归一化的特征值向量作为KICIC算法的输入矩阵和权重向量,KICIC通过在子空间内最大化簇中心与其他簇数据对象的距离来融合簇内和簇间的距离进行聚类,得到最终聚类结果。通过算例表明该方法运算时间短、聚类质量高,进一步提高了负荷曲线的聚类性能。     

聚类分析在超短期电力负荷中的应用

针对超短期电力负荷值,提出了一种对其进行归类的算法.通过蚁群聚类确定数据类别,作为下一步模糊C均值聚类的初始条件,改进后的聚类分析确定了超短期负荷值与类别之间的隶属度关系.采用LM神经网络对聚类结果训练,并加以仿真,为将来的系统调度提供决策依据.     

考虑多维特征和数据增强的空间负荷预测方法

针对空间负荷预测的影响因素多样及历史数据匮乏的问题,提出了一种考虑多维特征和数据增强的空间负荷预测方法。该方法首先综合考虑多种影响电力负荷的因素,从开发强度、发展水平、气侯条件建立地区多维度指标模型。然后构建生成对抗网络(generative adversarial networks,GAN)的数据生成模型,对训练集进行数据增强,生成数量充足且符合地区特点的训练样本。其次采用基于粒子群算法(particle swarm optimization,PSO)优化初始权重和阈值后的反向传播(back propagation,BP)神经网络建立空间负荷预测模型,并利用增强后的数据集实现空间负荷预测。最后,以东部某市4个区为例,对本文的方法进行验证,仿真结果表明本文提出的方法可以提高空间负荷预测精度,具有实用性和有效性。     

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。     

特殊节假日的短期电力负荷预测新方法

针对电力系统短期负荷预测中特殊节假日负荷预测的特殊性，提出一种基于模糊逻辑的预测方法，该方法合理运用了模糊逻辑对不确定问题的推理能力，克服了特殊节假日由于负荷特性的不同以及历史数据的缺乏所导致的预测困难，仿真结果验证了该方法的可行性。     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

一种基于特征偏移补偿的深度智能化教学评价方法

针对慕课(MOOC)评论中存在少数类特征偏移的问题, 提出一种基于特征偏移补偿的深度智能化教学评价方法. 该方法首先使用Glove预训练模型获取MOOC评论的分布式词向量; 然后采用浅层卷积神经网络, 通过多个卷积核学习教学评价的语义, 引入不同类别评论的数量设计影响因子, 归一化该影响因子并应用到交叉熵损失函数中; 最后基于Coursera平台的本科学生教学评论数据集, 通过与其他损失函数在F₁,gmean,balance,gmeasure等评价指标上进行性能对比实验. 实验结果表明, 基于归一法的特征偏移补偿损失函数在gmeasure指标上比基类损失函数得到了最多15.40%的性能提升, 并且采用该损失函数的分类模型也表现出较强的稳定性.     

基于过滤浓度日数的新风PM2.5过滤负荷特性的研究

我国建筑环境PM2.5过滤或净化计算方法研究已引起广泛关注。针对我国不同区域新风PM2.5过滤负荷差异及变迁,引入不保证天数法,计算确定了各地区PM2.5新风设计负荷;类比空调度日数和采暖度日数提出过滤浓度日数(Filtering Concentration Days,简称 FCD)的概念;根据各地PM2.5动态浓度数据及其室内标准浓度,计算得到了历年全国省会及直辖市的FCD;利用统计学方法获得了各地区FCD和新风设计负荷的关系。研究结果表明,FCD指标清晰地反映了全国各地新风PM2.5设计计算负荷水平;FCD值与新风设计负荷表现为高度线性相关,显著性水平P<0.01;可用FCD来直接指示建筑PM2.5的新风设计负荷水平,可为将来新风PM2.5过滤系统设计、对比提供简单直观的依据。     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模式，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。同时，以三种短期负荷预测为例，进行了大量的仿真研究，结果表明神经网络用于电力负荷预测不但可满足短期负荷预测的技术要求，而且精度比常规方法高，且算法快速简单。     

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。     

基于特征选择的神经网络集成方法

将特征选择技术ReliefF引入Bagging方法中,提出了一种新的神经网络集成方法——ReBag．实验结果表明,本方法的泛化能力优于Bagging方法,与Attribute Bagging方法相当但效率更高．     

基于脉冲耦合神经网络的目标特征抽取方法

为解决待识别目标的特征抽取问题,提出了一种脉冲耦合神经网络结合形状信息的图像混合特征抽取方法。该方法利用脉冲耦合神经网络将图像空域信号转化为时域信号的特性,结合物体形状信息,对图像的灰度和形状进行了统一描述。实验结果证明,该方法在一定程度上对物体的形变、平移、缩放不敏感,对目标识别系统是一种很好的特征抽取方法。