排序方式: 共有42条查询结果,搜索用时 0 毫秒
1.
智能电网建设过程中现有客户标签体系不够完善,针对海量用户用电数据的分类管理中带有标签的样本数据量小以及类不平衡分布的问题,提出了一种基于先验知识与深度玻尔兹曼机(DBM)采样的不平衡用电数据分类方法。首先,提取负荷曲线的特征,建立采样原则,利用先验知识和DBM对负荷曲线进行采样。然后,将采样数据通过极限学习机(ELM)网络进行训练。最后以爱尔兰用户用电数据为数据源,通过与原始非采样、随机过采样、合成少数类过采样技术(SMOTE)的对比性实验分析结果表明,所提出的基于先验知识与DBM采样的不平衡用电数据分类方法能够更好地对类不平衡用电数据集进行分类,实现用户用电行为的分析,有效支撑用户侧错峰避峰工作。 相似文献
2.
电力系统通信的迅速发展使得系统内部通信设备越来越复杂,通信线路也越来越多,这就给通信资源管理特别是电路资源管理带来了严峻的挑战。针对电力通信资源管理的实际需求,在现有的工作步骤及管理流程的基础上,设计电力通信资源管理系统,它以地理信息系统为基础,以图形用户界面的方式,为电力通信资源管理提供了一套全新的管理思路和管理方法。系统采用模块化设计思想,将系统分为若干个功能模块, 从而实现电力系统通信资源的自动化管理系统通过与光纤在线监测系统相结合,完成对整个电力系统通信资源的监测和管理。 相似文献
3.
结合电力部门对语音、数据和视频综合业务的通信需求,组建McWiLL宽带无线接入辽宁电力应用示范网,实现智能电网下的多媒体集群、协同作业、宽带数据接入、移动视频传输等业务.研发基于McWiLL技术的电力专用、工业级、宽带无线智能终端产品,构建统一的电力实时数据采集、综合监测管理信息化业务平台.本项目现已完成基站安装与功能调试、各业务终端性能外场测试和系统初期运行性能测试,开展了数据采集、营业网点全业务接入、应急通信、移动办公、宽带无线上网、视频监控等业务. 相似文献
4.
无线传感器网络的能量估计路由算法 总被引:2,自引:0,他引:2
传统LEACH路由算法因忽略了节点和整个网络的当前剩余能量而容易造成节点过早死亡,而引入能量阈值的改进算法忽略了网络的能量状态的获取方法,往往只能通过高耗能的广播方式得到能量阈值,在实际应用中有很大缺陷.为了避免以高能耗获取能量阈值,提出了一种能量估计路由算法,提前根据所要建立的网络模型结构对节点中的工作参数进行设置,自动根据估计算法计算网络能量,并对分簇数量进行优化,大大降低能量信息获取能耗,延长网络寿命.通过三维建模仿真结果表明,相对于LEACH和引入能量阈值的LEACH改进算法,能更有效地延长网络寿命. 相似文献
5.
6.
从涵盖能源种类、负荷多样性、网络规模、示范效应和应用效果等方面来看,地市级区域能源互联网应是能源互联网真正落地实施的较佳选择。区域能源互联网在实现"能源流、业务流和信息流"的高度智能融合之际,又具有源端不同类型互补、配用电网传输分配、储能装置与用户动态接入的特性。复杂的接入环境、灵活多样的接入方式,数量庞大的接入终端使得区域能源互联网面临更多的安全隐患。该文针对地市级区域能源互联网的互补耦合和扁平化管理结构需求,定义了基于多级能量–信息路由器和能量–信息交换机的地市级区域能源互联网系统模型,描述了该系统模型的基本架构、网络内部能量流和信息流的传输与分配特点,并通过复杂网络环境下的地市级区域能源互联网的安全需求,提出了地市级区域能源互联网的安全模型,构建了基于可信计算技术的地市级区域能源互联网安全可信防护方案。 相似文献
7.
针对异常用电与正常用电样本类别不平衡关系及现有模型训练耗时、缺乏可扩展性的问题,提出一种基于加权宽度学习(weighted broad learning system,WBLS)的异常用电辨识模型。首先,考虑到样本间类别不平衡关系,在目标函数中使用样本权重约束每个类对模型的贡献,样本权重根据样本分布情况个性化赋予,并通过岭回归广义逆高效地建立WBLS辨识模型。其次,基于新增加的用电样本数据,通过增量学习算法对模型进行更新和重构。实验结果表明该模型提高了对异常用电样本的辨识精度,并在增加用电样本的情况下,可以快速地对旧模型进行更新和扩展。 相似文献
8.
在宽带电力线正交频分复用系统通信容量资源不足、实时业务要求固定速率/比特和非实时业务要求最小速率/比特、总功率受限子载波等功率的约束下,建立满足实时业务稳定性和非实时业务公平性的多目标优化跨层资源分配模型,提出混合业务公平性与速率自适应相结合的跨层资源分配算法。在典型电力线信道环境下进行仿真和分析,结果表明提出算法性能优于对比算法且更满足多用户混合业务电力线通信资源分配的多目标优化要求。 相似文献
9.
电动汽车(electric vehicle,EV)用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机(SAE-ELM)的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAE-ELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。 相似文献
10.