基于深度神经网络的电力调度语音识别研究及应用

为进一步提高智能电网调度语音识别的准确率,本文将深度学习技术引入了电力调度语音识别领域,提出了基于深度神经网络(deep neural network,DNN)的电力调度语音识别技术。针对电力调度专用术语以及某区域电网习惯调度用语,建立了电力调度语音识别基础语料库。通过应用深度神经网络-隐马尔可夫模型(deep neural network-hidden markov model,DNN-HMM)进行声学模型训练,并对电力调度语音材料制作,语音模型训练过程、端点检测、与D5000系统交互以及语音转文字的整套流程进行了论述。实践结果表明,采用DNN-HMM的电力调度语音识别性能要显著优于传统语音识别框架,即高斯混合-隐马尔可夫模型(gaussian mixture model-hidden markov model,GMM-HMM),采用所提方法进行电力调度语音识别准确率达94.63%。基于所提方法开发的电力调度语音识别系统在某区域电网调控中心的应用实例表明了所提方法的可行性与优良性。     

基于字词融合的高铁道岔多级故障诊断组合模型

为有效提升高速铁路道岔维护效率和故障定位准确率,面向其故障文本数据,提出了一种基于字词融合的高速铁路道岔多级故障诊断组合模型。首先,建立高速铁路道岔专业词库,将文本表示为字向量与词向量并进行深度融合。其次,考虑到故障文本存在类别不均衡问题,采用Borderline-SMOTE算法对不均衡文本数据进行处理,优化故障文本数据分布。接着使用BiLSTM(Bi-directional long short-term memory)-CNN(convolutional neural network)的组合神经网络提取故障文本深度特征,最后通过分类器实现智能故障诊断。采用我国高速铁路道岔故障文本数据进行模型性能验证,结果显示所提模型的一级故障诊断准确率达到95.62%,二级故障诊断准确率达到93.81%,证明多级故障诊断精度可达到理想效果。     

基于最小窥视孔长短期记忆神经网络的电力系统短期负荷预测模型

长短期记忆(long short-term memory,LSTM)模型可以克服循环神经网络(recurrent neural networks,RNN)在短期负荷预测中存在的梯度消失和梯度爆炸等问题,但LSTM模型的门控单元结构复杂,参数较多,模型训练较为困难.为此,提出一种采用改进粒子群优化(particle sw...     

基于BR和GBDT的电力信息通信客服系统多标签文本分类

现有电力信息通信(ICT)客服系统主要依靠客服坐席员经验,根据电力ICT系统用户报修信息进行故障类型分类判别,存在在线处理及时性较差、准确性不足的问题.针对上述问题,提出了一种基于集成学习的电力ICT客服系统文本数据的多标签文本分类方法,实现对电力ICT系统的复杂故障类型进行自动化、高准确率分类识别.首先,针对电力ICT系统故障类型识别准确率偏低且低效的问题,提出了基于二元相关性(BR)和梯度提升决策树(GBDT)集成学习的多标签分类方法,将BR和GBDT有机结合实现自动化、高准确率的故障多标签分类.其次,针对电力ICT客服文本数据的多标签分类训练集难以获取的问题,提出一种面向电力ICT客服文本数据的多标签训练集自动化构建方法,实现了高效的电力ICT客服文本多标签分类.实验表明,BR-GBDT方法可以高效处理电力ICT系统复杂故障类型的多标签分类任务,分类性能也优于BR+逻辑回归(LR)和多标签k最近邻(ML-kNN)等典型的集成学习多标签分类方法.     

考虑阵列间时空相关性的超短期光伏出力预测

随着我国光伏产业建设步伐的加快,光伏出力预测对于优化电网调度和提高新能源消纳的意义日益凸显。基于光伏站点中不同阵列之间的空间相关性和光伏功率输出的时序特性,提出一种基于图卷积神经网络和长短期记忆网络(graph convolution network and long short-term memory, GCN-LSTM)的超短期光伏出力预测方法。该方法首先以图的形式刻画出光伏站点中不同阵列的连接关系。然后利用图卷积神经网络(graph convolution network, GCN)实现图模型的空间特征提取,并得到包含不同阵列之间空间特征的时序信息。最后将时序数据输入长短期记忆网络(long short-term memory, LSTM)进行光伏出力预测。实验结果表明,基于GCN-LSTM的光伏出力预测方法具有较高的精确性与稳定性,在一定程度上弥补了基于时序信息预测方法的固有缺陷,并且展现出在大规模电站上的良好应用前景。     

基于Bi-LSTM算法的非侵入式负荷监测模型

随着深度学习技术的发展,基于深度学习的非侵入式负荷辨识算法成为了研究热点。本文首次将双向长短期记忆网络(bilateral long-term and short-term memory network,Bi-LSTM)用于负荷辨识,提出了基于Bi-LSTM的非侵入式负荷辨识算法,通过定位负荷事件发生时刻,将负荷运行状态始末的稳态信息(有功功率、无功功率和15次奇偶电流谐波)进行组合作为训练后Bi-LSTM的输入,并使用精确度、召回率、准确率和F1值作为评价指标,实验结果显示该方法能够对小功率和多状态电器进行辨识,相较于长短期记忆网络(long-term and short-term memory network,LSTM)和循环神经网络(recurrent neural netw ork,RNN),Bi-LSTM体现出更强的辨识能力。此外,针对一个时间段存在多个电器运行的情况,提出基于负荷运行状态起止特征匹配的方法,并通过实验证明了该算法的可行性。     

基于LSTM算法的电网仿真样本生成方法

为了提高电网仿真在线数据挖掘的泛化能力和快速判稳的准确率,提出一种基于长短期记忆网络(long short-term memory,LSTM)算法的电网仿真样本生成方法,搜集了电网仿真计算离线数据中的用户调整潮流行为数据,并进行处理。基于此数据利用LSTM算法搭建模型,并生成潮流调整策略,根据策略生成不同的运行方式数据,结合电网预想故障集和仿真计算生成电网仿真稳定样本,通过不同的样本数据,利用电网安全稳定快速判稳算法验证所提方法的可行性和有效性。     

基于PSO优化BiLSTM的联合循环电厂输出功率预测

针对联合循环电厂发电能力受环境温度、压力、相对湿度和电力需求等条件变化影响而造成对输出功率预测精度较差的问题,提出粒子群算法(PSO,particle swarm optimization)与BiLSTM(BiLSTM,bi-directional long short-term memory)相结合的预测模型PSO-...     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

基于深度长短期记忆神经网络的短期负荷预测

传统的短期电力负荷预测模型难以处理大数据量,并且具有强随机性,预测精度难以满足智能电网发展的要求。为此,提出一种基于深度长短期记忆(deep long short-term memory,DLSTM)神经网络的数据驱动型短期负荷预测方法。使用该方法对某地区电力负荷进行预测,并将预测结果与传统方法的预测结果进行对比分析。对比结果表明,所提出的方法充分考虑了电力负荷的时序性和非线性,能深入挖掘电力用户侧数据特征,对电力负荷的短期预测性能优于传统方法,满足智能电网对短期电力负荷预测的高精度要求。     

电网故障处置预案文本中的命名实体识别研究

电网故障处置预案是电网故障处置的重要参考,对电网故障处置预案文本中各类电力设备、名称编号等细粒度的关键实体信息进行抽取,是实现计算机学习理解预案内容并进一步支撑故障处置智能化的重要基础。文中提出一种基于深度学习的电网故障处置预案文本命名实体识别技术,首先采用字向量表征预案文本,然后将注意力机制以及双向长短期记忆网络相结合,有所侧重地提取实体词深层字符特征,最后采用条件随机场求解最优序列化的标注。算例表明:文中所提预案文本命名实体识别模型不依赖人工特征,能够自动高效地提取文本特征,准确识别预案文本中细粒度的实体词,满足预案文本中关键实体信息精确定位和识别的要求。     

面向电网调度领域的实体识别技术

近年随着电网调度领域数据自动化、智能化管理需求的日益增长,知识图谱成为提供知识管理、智能查询、辅助决策等功能的重要技术.实体作为构成知识图谱的核心要素,识别的准确率将直接影响知识图谱的质量.针对电网调度领域,首先分析电网调度实体识别研究现状,明确了实体识别任务目标,然后根据电网调度领域文本数据特征,设计了同时满足局部特...     

基于贝塞尔曲线网络的电表用电信息识别算法

利用计算机视觉技术来快速、准确地获得用户的用电信息对于电力部门具有重要意义。针对传统算法精度低、速度慢等问题,提出了一种基于自适应贝塞尔曲线网络的用电信息识别算法。该框架集检测、识别于一体,实现了端到端的文本定位和预测。检测端结合了特征金字塔网络和残差网络,对输入图像进行特征提取,并通过四个控制点生成贝塞尔曲线,能更好地拟合文本框。识别端采用了卷积循环神经网络,引入门控循环单元替代长短期记忆网络,再结合注意力机制对文本进行识别。最后在数据集上开展五组消融实验,进行性能对比和评估分析。实验结果显示,该算法识别精度高达99.08%,且推理速度快,可被用于用电信息检测与识别的实际应用中。     

基于并联CNN-LSTM的弱受端直流输电系统故障诊断

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率。然后搭建了麻雀搜索算法（SSA）优化的并联CNN-LSTM深度学习模型。通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别。仿真结果表明该模型相较于传统方法具有更高的故障诊断精度。     

基于CNN-RNN集成的隧道事故异常声音识别

为提高公路隧道事故异常声音识别的准确率,并针对卷积神经网络只关注局部信息问题,提出了一种基于CNN-RNN集成的声音识别模型。该模型采用Stacking集成策略将CNN的强特征表达能力和RNN的强记忆能力相结合,并使用门控循环单元减少循环神经网络的计算复杂度,将SIREN正弦周期函数作为RNN的隐式激活函数,增强模型对声音数据的拟合能力,设计多通道卷积细化特征提取的精度,实现全局化特征提取。在异常声音数据集上评估了所提声音识别模型的识别性能,实验结果表明：提出的声音模型的识别性能高于其他模型,且更加稳健,可有效识别公路隧道事故的异常声音。     

MRC-PBM: 一种中文电子病历嵌套命名 实体识别方法

中文电子病历实体包含大量的医学领域词汇并具有明显的嵌套特征。嵌套实体识别时往往存在目标实体定位不完整、不准确的问题。针对这一问题,提出了一种基于机器阅读理解的中文电子病历嵌套命名实体识别模型MRC-PBM (machine reading comprehension-position information biaffine and MLP)。该模型将命名实体识别(named entity recognition, NER)转化为机器阅读理解任务,将中文电子病历文本和预定义的查询语句串联作为输入,使用基于医学的预训练模型MC＿BERT获取词向量,然后通过双向长短期记忆网络模型(BiLSTM)和多粒度扩张卷积模型分别获取双向的特征信息以及单词之间的信息,得到相应的特征向量,最后使用Hybrid-PBM预测器进行实体预测。在嵌套和平面NER数据集上进行实验。实验表明,该模型在糖尿病语料和公开医学数据集上优于其他主流神经网络模型,F1值比基线模型提高了1.21%～5.80%。     

基于深度学习的杆塔接地网断点诊断方法研究

在使用电磁感应方法诊断杆塔接地网断点的过程中,针对人工诊断引起的误差问题,提出了一种基于一维卷积神经网络(one dimensional-eonvolutional neural network,1D-CNN)的诊断模型,诊断模型以接地网正上方的一维磁场数据为输入,通过深度神经网络输出断点故障的数量和位置.首先通过实验验证了电磁感应方法在杆塔接地网断点诊断问题中的有效性,然后建立了磁场断点故障数据集,之后进行了1D-CNN诊断模型的训练.在诊断准确度验证实验中,1D-CNN诊断模型在40个故障磁场样本上达到了97.50％的诊断准确率,表现出了良好的泛化性;诊断效果对比实验表明,1D-CNN诊断模型的AUC值达0.951,在3次随机训练中对各类故障的平均识别率达到了92.08％,在15次训练中的平均测试集精度达到了94.30％,平均每代训练时间0.8750 s,在各项指标上较DNN、RNN均有明显优势.     

基于混合神经网络的电力调度文本事件抽取方法

为了提升电力调度文本在业务场景的应用效果,提出基于混合神经网络的电力调度文本事件抽取方法。以电力调度文本故障处置预案为研究对象,建立以预案触发词为中心的事件抽取模型。通过仿真案例验证了所提方法具有较好的事件抽取效果,能够提升实体和实体关系识别的准确率。     

基于混合神经网络的电力调度文本事件抽取方法

为了提升电力调度文本在业务场景的应用效果,提出基于混合神经网络的电力调度文本事件抽取方法。以电力调度文本故障处置预案为研究对象,建立以预案触发词为中心的事件抽取模型。通过仿真案例验证了所提方法具有较好的事件抽取效果,能够提升实体和实体关系识别的准确率。     

基于谱图论和图卷积神经网络的直流电网节点电压估计研究

深度学习在电力系统领域应用已非常广泛,潮流计算是电力系统重要的基础性任务之一,传统算法依赖于迭代求解,不适用于快速估计场合。直流电网的潮流求解实质上是节点电压求解问题,为此,提出了一种基于谱图论和图卷积神经网络(graph convolution neural network,GCN)的直流电网电压估计模型。通过网络拓扑拉普拉斯矩阵的特征向量实现时域直流电网到谱域直流电网的空间正交变换,从而完成时域电气量信息与网络结构信息之间的数据融合,并配合图卷积网络实现对数据特征的有效提取,进而完成从初始谱域电气量到稳态时域电气量之间的映射。仿真结果表明,所提模型能够较好地实现从初始电气量到稳态节点电压的映射,具有较高的电压估计准确度。