融合负荷和气温周期性特征的短期负荷预测方法∗

针对传统考虑气温因素的短期负荷预测模型存在预测精度不高的问题,提出了一种考虑负荷和气温周期特征的短期负荷预测模型.首先对气温及负荷序列采用VMD分解得到两组特征互异的分量,取其中与原始负荷相关性最大的分量分别作为气温特征和负荷特征.然后,将历史负荷特征结合所取的气温特征和负荷特征一起输入GRU模型进行预测.算例分析表明,该模型的平均绝对百分误差为0.765％,验证了所提方法在电力负荷预测的有效性.     

基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略

无人机搭载深度神经网络进行自主电力巡检时由于受到设备本身计算能力、电池容量、深度神经网络计算负载的限制,无法独立处理巡检任务中产生的海量图像数据。为解决该问题,提出了一种基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略,该策略将系统成本最小化问题分解为深度神经网络计算任务协同分割和边缘服务器选择两个子问题。针对协同分割子问题,基于深度神经网络计算任务的执行流程提出了一种错时传输方法,通过改进混合粒子群算法求解多无人机任务协同分割层。针对边缘服务器选择子问题,定义无人机与边缘服务器各自偏好函数,根据偏好函数通过匹配理论建立两者间的稳定匹配,得到边缘服务器选择策略。仿真结果表明,与其他卸载策略相比,所提策略能有效降低无人机能耗和计算任务处理时延,促进边缘服务器负载均衡。     

GIS在电网规划中的应用研究综述

电网规划是电力系统建设必不可少的前期工作,科学合理的电网规划是电力系统安全稳定运行的保证。地理信息系统强大的数据管理和空间分析能力为电网规划提供空间决策支持,有效提高了电网规划工作的科学性与准确性。文中针对目前GIS分析技术在电网规划工作中的应用与优势,主要从空间负荷预测、变电站的选址定容及输电线路的路径选择与优化三个方面综述GIS技术在电网规划中的应用。最后展望GIS在电网规划中的未来研究方向。     

基于粒计算和双尺度相似性的负荷曲线集成聚类算法

电力负荷曲线聚类通常依靠负荷形态差异和负荷数值差异对负荷曲线进行分类.提出了一种基于粒计算和双尺度相似性的集成聚类算法,采用以欧氏距离和皮尔森相关系数作为相似性度量的K-means算法生成基聚类,再通过粒度距离度量基聚类间的相似性,从而选择部分基聚类参与集成,最后生成相似度矩阵并采用层次聚类获得最终聚类结果.算例结果表...     

P91钢高温热损伤的二次谐波评价

P91钢是重要的核电承压钢结构材料,对其进行早期损伤评价具有重要意义。基于非线性超声理论,对P91钢不同温度的热损伤试样进行了非线性超声检测试验,逐级加大激励电压,基波幅度平方和二次谐波幅度呈现出良好线性关系,对基波和二次谐波进行频谱分析得到非线性系数,结果显示随着热处理温度的升高,非线性系数逐渐增大,可用于对这类材料热损伤进行有效评价。     

融合多维度特征的绝缘子状态边缘识别方法

针对传统的绝缘子状态识别方法存在实时性差、特征提取能力不足的问题,基于边缘计算的思想,提出了一种融合多维度特征的绝缘子状态边缘识别方法。利用云边协同和边边联邦协同的联合技术手段,构建了绝缘子状态的边缘识别框架。设计了一种融合多维度特征提取的深度学习网络,该网络采用ResNet101作为主干特征提取网络,使用Inception模块构建数据池化层,嵌入压缩激励模块和卷积注意力模块,从不同维度对特征进行高效提取。采用包括正常和缺陷2种状态的数据集进行绝缘子状态边缘识别实验,平均识别准确率达到了99%。实验表明了融合多维度特征的绝缘子状态边缘识别方法的有效性。     

智能烤烟房的温湿度控制系统设计

介绍一种智能烤烟房温湿度控制系统的设计。结合积分分离PID控制、模糊自适应控制等理论研究,提出对温湿度采用积分分离PID和模糊控制相结合的控制算法。利用M atlab对不同的控制算法进行了仿真实验,试验证明组合温湿度控制算法提高了传统PID算法的适应能力及控制精度。     

基于CC2420的ZigBee通信节点的设计与实现

介绍了利用CC2420和LPC213X搭建的符合ZigBee标准的嵌入式节点,并设计了相应的接口软件.     

P91钢高温热损伤的非线性超声检测

基于非线性超声理论,对经过不同温度热处理的P91钢试样进行了非线性超声检测试验.分析了相同激励条件下基波和二次谐波信号的频谱特性,计算出了不同温度P91钢试样的非线性系数.结果显示,随着热处理温度的升高,非线性系数逐渐增大.逐级加大激励电压,基波幅度的平方和二次谐波幅度显示了良好的线性关系,同时也表明实验测得的超声非线性系数仅与试样本身的性质有关.试验结果证明,通过对非线性系数的测量,可以对材料早期的高温损伤进行无损评价.     

基于卷积自编码器的日负荷深度嵌入聚类方法

负荷聚类是电力大数据分析的重要基础。针对高维日负荷数据时序特征提取困难,以及特征提取与聚类处理分离降低负荷聚类准确性的问题,文章提出了一种基于一维卷积自编码器的日负荷深度嵌入聚类方法(deep embedding clustering method based on one dimensional convolutional auto-encoder,DEC-1D-CAE)。首先,采用一维卷积自编码器网络提取负荷曲线蕴含的时序特征。然后,利用自定义聚类层对所提取的负荷特征向量进行软划分。最后,采用KL散度(Kullback-Leibler divergence,KLD)为损失函数,联合优化卷积自编码器与聚类层,得到聚类结果。算例分析表明所提方法在DBI(Davies-Bouldin index)、CHI(Calinski-Harabasz index)指标上均优于K-means、1D-CAE+K-means、基于堆叠式编码器的深度嵌入聚类方法(deep embedding clustering method based on stacked auto-encoder,DEC-SAE),所提方法可以有效提升日负荷聚类的准确性。