基于行业发展趋势的回归模型在电费回收风险预测中的应用研究

近年来,受电力体制改革、经济转型升级、环保力度加大、极端天气频发以及新冠疫情等影响,一些用电客户面临产量下降、销售困难等问题,进一步增加了电费回收的难度。针对此问题,提出了一种基于行业发展趋势的回归模型,对电费回收风险进行预测。首先利用季节调整算法提取行业历史售电量发展的趋势项,然后对影响售电量趋势的因素进行综合、定量分析。在此基础上构建行业发展趋势预测模型对行业发展态势进行感知,利用感知结果,结合用户缴费行为以及容量变化等数据,通过分类回归算法构建电费回收风险预警模型,客观量化用户电费回收的风险概率,识别存在电费回收风险的用户。最后通过实例验证,所提模型具有较好的预测能力。     

一种有源相控阵雷达天线环控系统的设计方法

有源相控阵天线中最主要的热源是T/R组件及其供电电源,其散热问题可通过液冷或风冷方式解决。在采用液冷散热方式的有源相控阵天线中,除T/R组件及电源外,单元控制器、高频接收机以及功分网络等分散分布的低功耗组件也应有相应的散热系统,称之为环控系统。文中将天线框架左右侧边梁的中空夹层分别作为送风静压腔及回风腔,并基于全面孔板送风原理,计算出左边梁侧板的开孔尺寸及数量,再通过合理规划风的流动路径完成有源相控阵雷达天线环控系统的设计。以某有源相控阵雷达为例,利用热仿真分析软件并结合工程实际,对其散热模型进行了仿真分析,得到了天线框架内各低功耗器件的表面温度分布图。结果表明,各热源最高温度满足使用要求,从而验证了该环控系统设计方法的正确性与有效性。     

基于深度神经网络的低压台区线损异常识别方法

“煤改电”工程改变了电网的负荷特性,对线损造成了重大影响。为降低“煤改电”工程造成的负面影响,进而提高供电单位的效益,以实施“煤改电”工程后的低压台区为研究对象,提出了一种基于深度神经网络的线损异常识别方法。该方法将异常点检测、EM算法及深度神经网络进行结合,建立了线损异常识别模型,预判未实施“煤改电”台区的各项实施后指标是否可能导致线损异常,从而为“煤改电”工程提供指导性建议,以便采取相应措施进行有效降损。