基于视觉注意力模型的电表铭牌识别研究

为实现电力设备铭牌中文字信息的自动识别,提升设备管理的效率,提出一种面向场景文字（scene text）的文本内容识别方法。该方法依赖于从卷积特征中训练得到的基于长短时记忆网络（long short-term memory,LSTM）的视觉注意力模型。一组特征向量由与图像不同区域对应的卷积层提取,从而将图像空间信息编码到特征中。通过这一方式,模型可以选择关注图像的不同部分,并结合卷积特征与注意力权重识别文字。进一步地 ,引入语言模型并修改集束搜索（beam search）策略可以显著改善识别效果。在真实数据集上的结果验证了该方法的有效性。     

基于PCA-LSTM算法的非侵入式负荷辨识方法

了解用户负荷分布特征是智能电网建设的重要部分,非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)以其便捷、高效、成本低的优点被电力系统工作人员广泛认可。文中提出了一种基于长短期记忆网络的NILM方法,通过采集用户电力入口处的电流波形并进行数据处理,得到用户的负荷特征数据。使用主成分分析手段,减少负荷特征数量,提高运算效率。使用擅长处理连续数据的长短期记忆网络模型,在划分好的验证集与测试集上对模型优劣进行评价,以获得最优参数模型。预测实验结果显示,文中所设计的非侵入式负荷监测方法可以对包括小功率用电器在内的家用电器进行准确辨别。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法。模型的输入因子是负荷数据和气象信息等。粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型。通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。     

基于模糊聚类的异常用电行为识别研究

窃电等异常用电行为的识别是用电检查的重点和难点。由于数据采集问题,以往研究大多专注于大客户窃电行为方面,对居民窃电行为的研究相对较为薄弱。针对小用户级别的窃电等窃电监测问题,提出一种基于聚类的异常用电行为识别方法。该方案首先从智能电表收集的数据中提取用电特征,然后使用模糊聚类分析数据结构,提取出正常用户的行为特征。在真实数据集上的实验结果表明了该方法的有效性。     

基于深度学习的智能电表数据挖掘分析与研究

人口的指数增长和电子电气设备的使用增加了对能源生产管理的需求。从而使得更加需要精确的能源管理系统，可以预测消费者的使用，以供未来的政策制定。提出了一种基于集群算法的用电功耗水平预测技术，用于智能传感器数据的分析。提出的框架基于深度自动编码器和自适应组织映射。安装在电表和家电上的智能传感器可以有效地分析能源使用情况，根据居民的能源消费水平来生产和分配电力。提出的能耗分析集群算法，将消费者用电量划分为不同层次。提出的深度自动编码器将低维能耗数据输入自适应组织映射集群算法。然后，对集群算法得到的数据进行统计分析，确定电能消耗水平。最后，将结果可视化到图形中，并在城市地图上绘制出能源消耗的预测水平，为能源利用分析提供了一个有效的解决方法。     

基于智能电能表的智慧城市峰值负荷概率估计

充足的变电站和馈线的容量规划主要取决于对未来高峰电力需求的准确估计.然而,传统的未来峰值需求估计是基于经验值进行度量,在多样性最大需求之后进行的,表示个体峰值消费水平和多居民需求多样性.针对智能城市智能电能表的特点,提出了一种基于细粒度智能电能表数据和用户社会人口统计数据的数据驱动的概率峰值用电量估算框架.特别是,在提出的方法中集成了四个主要阶段:负荷建模和抽样;通过所提出的可变截断R-vine连接方法;基于相关性的客户分组;归一化最大多样化需求估计和新客户的概率峰值需求估计.利用平均绝对百分误差和弹球损失函数定量地证明了该方法在点估计值和概率结果上的优越性.