基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

采用可拓展交互式设计的负荷特性综合分析平台

基于多源数据的负荷特性分析可以提高配用电的智能化水平,为开展用户属性辨识、负荷监测、需求响应分析等提供指导。为了增加上述功能开发的便捷性,提高配用电综合分析能力,搭建了以负荷特性分析功能为核心,能够拓展高级功能的交互式负荷特性综合分析平台。该平台采用Brower/Server架构,能够跨平台、适配多类终端,实现“一次设计,全局使用”;利用Django框架实现可拓展设计,并集成多种算法与数据,为负荷特性分析提供便利;基于HTML5技术实现交互式设计,并通过Canvas渲染方案提升大数据背景下平台的可视化效果。通过日前负荷预测实例验证了所提负荷特性综合分析平台的有效性和优越性。     

基于双向GRNN与时间序列翻译模型的非侵入式负荷分解算法

非侵入式负荷分解是用户侧精细化能量管理的关键技术,为了提高算法分解准确率与模型训练速度,提出了一种基于双向GRNN与时间序列翻译模型的非侵入式负荷分解算法。使用局部注意力机制对中间向量的传递过程进行了优化,在增加模型注意力的同时降低了算法的运算量。使用集束搜索算法使解码环节得到了更多的功率概率曲线,实现了分解准确率的提高。使用人工合成训练数据方法克服了数据集不平衡问题,提高了算法的稳定性。最后在REDD数据集上对文章所提算法进行了验证,与其他先进算法相比,所提出算法的准确率具有较大幅度提高,并且与基于LSTM的算法相比,本算法的模型训练速度提高了40%以上。     

人工智能方法在配用电领域的应用

近年来人工智能方法在图像分类、物体检测、自然语言处理等领域取得了突破性进展。在电力行业,特别是配用电领域也涌现了诸多应用人工智能方法的研究成果,这些成果的应用有助于促进配用电的智能化发展,提高配用电系统运行的经济性和可靠性。文章回顾了近期人工智能方法在配用电领域应用的热点问题,从配电设备故障诊断、配电负荷和分布式发电预测、配电系统运行优化、负荷特性分析4个热门方向进行归纳总结,希望能为相关研究提供借鉴与参考。     

基于参考序列与全卷积网络的风速数据缺失与异常修复方法

针对风速缺失与异常数据修复问题，考虑到风速采样网络中的节点数据相关性，提出了一种基于参考序列与全卷积网络的风速数据缺失与异常修复方法。首先，构建了基于全卷积插值网络与全卷积门控网络的数据修复模型。然后，利用全卷积插值网络计算无参考修复数据，利用全卷积门控网络计算无参考修复数据与参考数据的权重系数，并将两种数据带权重求和得到最终修复数据。最后，使用两个风电场数据验证了所提方法的效果。结果表明，与其他无参考修复方法相比，所提方法能够利用相近节点的参考风速数据，提高目标节点的风速时序数据修复精度。     

基于MMoE和GRU的PMU数据有损压缩算法

为解决同步向量量测装置广泛部署带来的数据冗余度与数据量快速增长、系统数据储存及传输成本大幅增加的问题，本文提出一种基于多任务学习和门控循环单元自编码器的有损数据压缩算法。首先，根据同步向量量测装置三相量测数据具有相关性的特点，采用多门控混合专家模型和门控循环单元构建了变分自编码器一次数据压缩模型，将各相数据进行特征融合，利用多任务学习挖掘三相量测数据之间的相关性；其次，使用无损压缩算法对一次压缩数据进行二次压缩，得到最终压缩数据；最后，通过算例分析表明，所提算法能够充分利用各相数据之间的相关性，实现对压缩数据的高精度重构，提高数据压缩效率。