“大营销”促进标准化供电所建设

正乡镇供电所是供电公司的重要组成部分,其标准服务水平高低直接影响供电公司整体服务形象。为了促进标准化乡镇供电所建设,平邑县供电公司将标准化乡镇供电所建设纳入"大营销"体系重点建设内容。该公司按照"大营销"体系建设模式,统一乡镇供电所组织架构,推进乡镇供电所专业化、精益化管理,有力提升了服务"三农"水平。1主要做法1.1以"大营销"体系建设推动标准化乡镇供电所建设乡镇供电所是供电公司的重要组成部分,由于历史     

基于知识图谱的营销服务智能问答系统设计

针对营销服务智能问答系统存在问答耗时长、问答准确率低和平均可接受率低的问题，设计了基于知识图谱的营销服务智能问答系统。系统硬件通过知识图谱结构，获取营销服务领域的知识卡片，采用文本相似度计算模块，实现营销服务语义搜索；系统软件在LSTM基础上选择属性，获得推理规则，构建营销服务的知识图谱，在相同数据条件下使营销服务智能问答系统回答更多的问题，完成营销服务智能问答系统的设计。实验结果表明，所设计系统的问答耗时短、问答准确率和平均可接受率较高。     

基于粒子群算法的多电源配电网储能功率配置方法

针对目前设计的多电源配电网储能功率配置方法存在配置灵敏度较低、功率损耗大等问题,提出一种基于粒子群算法的多电源配电网储能功率配置方法。对配电网储能功率进行优化布置,得出了配电网网损灵敏度标准差,通过网损灵敏度标准差确定各路径接入储能的顺序,对配电网储能功率进行了容量优化;利用粒子群算法对储能的有功功率和无功功率进行优化,得到了配电网储能功率的最优配置容量。实验结果表明,所提方法优于其他方法,能够有效降低多电源配电网的网损、减少路径电流的波动,该方法具有很好的有效性和可靠性。     

大数据时代下的供电服务“微管理”

正国网日照供电公司依托大数据时代下的新经济形态,多角度挖掘客户用电需求,利用微信平台实现供电服务资源优化共享,开启供电服务微管理的新模式,在企业部门之间、企业与客户之间,畅享大数据时代下"微管理"带来的各种快捷和便利。主要做法如下:1以"零距离服务"为理念的大客户"微管理"日照供电公司对区域市场全面调研、解剖,围绕地方经济发展主轴,紧抓营销重点,放开视野,更新观念,主动把电力企业与用电大客户的关系由"管理与被管理"转变为"服     

深化用电信息采集系统应用,提高营销精益化管理水平

用电信息采集系统的建设大大提高了供电部门在线数据支撑能力,但采集系统应用初期还存在数据质量不高、分析处理流程不健全等问题。文章通过数据同步、明确分工、加强监测等措施,有力促进了实现线损、计量在线监测等高级功能应用,大幅提高了营销精益化管理水平。     

基于长短记忆神经网络优化的短期光伏发电预测方法

针对现阶段光伏发电输出功率不稳定和发电预测模型实施难度较大的问题,对基于长短记忆神经网络优化的短期光伏发电预测方法进行研究。通过分析神经网络分布特点,在数据优化模型中代入初始数据,不断迭代计算目标权重,引入自循环乘积法获取模型的最佳优化函数;通过待预测数据之间的类间距计算可分性,将数据划分为对比序列和参考序列,分析参考序列内每个单位时刻下数据的类簇关联度,根据关联度量化值提取下一时刻的数据权重,完成短期光伏发电数据的预测。仿真实验表明,所提方法的预测精度高,该模型结构直观、易实施,对数据包容性强,可以高效实现对发电数据的预测。     

基于长短记忆神经网络优化的短期光伏发电预测方法

针对现阶段光伏发电输出功率不稳定和发电预测模型实施难度较大的问题,对基于长短记忆神经网络优化的短期光伏发电预测方法进行研究。通过分析神经网络分布特点,在数据优化模型中代入初始数据,不断迭代计算目标权重,引入自循环乘积法获取模型的最佳优化函数;通过待预测数据之间的类间距计算可分性,将数据划分为对比序列和参考序列,分析参考序列内每个单位时刻下数据的类簇关联度,根据关联度量化值提取下一时刻的数据权重,完成短期光伏发电数据的预测。仿真实验表明,所提方法的预测精度高,该模型结构直观、易实施,对数据包容性强,可以高效实现对发电数据的预测。     

基于集成学习的分布式光伏发电功率日前预测

对于光伏发电功率精准的日前预测有助于电网设计未来调度计划，降低新能源发电对电网的冲击，提高消纳率。提出一种Boosting集成学习框架下的光伏发电功率日前预测方法。首先，根据光伏出力主要受天气影响的特点，通过皮尔逊系数获得相关性强的气象因素，利用k-means++对与光伏发电功率相关性极强的总水平辐照度进行聚类以获得相似日数据集；然后，将极限学习机（extreme learning machine，ELM）引入Boosting框架，构建光伏出力日前预测模型（B-ELMs）；最后，利用真实光伏电站运行数据验证模型有效性，该模型在试验过程中展现出良好的适应性，最高决策系数（R²）达0.9819。实验结果表明，由于集成学习框架的存在，B-ELMs能对复杂天气下的规律性弱、波动性强的光伏出力曲线提供较为精确的预测结果；同时，相较于深度学习网络，B-ELMs的收敛速度更快，在维持较快训练速度的同时保障更为精确的预测结果。     

基于粒子群算法的多电源配电网储能功率配置方法

针对目前设计的多电源配电网储能功率配置方法存在配置灵敏度较低、功率损耗大等问题,提出一种基于粒子群算法的多电源配电网储能功率配置方法。对配电网储能功率进行优化布置,得出了配电网网损灵敏度标准差,通过网损灵敏度标准差确定各路径接入储能的顺序,对配电网储能功率进行了容量优化;利用粒子群算法对储能的有功功率和无功功率进行优化,得到了配电网储能功率的最优配置容量。实验结果表明,所提方法优于其他方法,能够有效降低多电源配电网的网损、减少路径电流的波动,该方法具有很好的有效性和可靠性。