基于用户协同过滤的购电推荐算法

售电市场放开后,电力大用户面临如何从众多发电商中找到合适交易对象的难题,而电网公司作为服务型企业也有为购电用户提供推荐服务的良好意愿。针对这一新需求,提出了基于用户协同过滤的购电推荐算法。在无法获得反映用户购电行为偏好的显性历史数据的前提下,建立了用户行为的隐性反馈数据集;在分析了多种相似度计算方法的应用效果后,为消除数据集中各属性元素数值差异较大造成的相似度计算不合理性,提出了以马氏距离为核心度量以形成相似用户集的方法;进一步定义了表征用户对电厂购电偏好的购电量占比,以此作为进行购电交易对象推荐的排序依据。采用山东省电力市场交易数据进行了算例仿真,结果验证了算法的可行性。     

基于用户信息融合的图卷积网络报表推荐算法

传统报表工具无法自主为企业用户推荐相关业务信息,这一缺陷给电力企业经营管理带来了诸多挑战,针对该问题,提出了基于用户信息融合的图卷积网络报表推荐算法。首先,介绍了以数据中台为底座的报表工具整体架构。在此基础上,以营销业务为例,分析了用户与指标间的关联关系,并提出了基于图卷积网络的关联特征提取模型,同时在模型中融合了用户和指标的一般偏好特征,进一步提升了图聚合信息的深度,进而准确预测指标得分,并给出推荐结果。最后,在公开数据集和营销业务数据集上分别进行模型对比,并选取平均准确率、召回率和归一化折损累计增益作为评价指标,验证所提算法的准确性。结果表明,所提算法与现有算法相比,推荐效果有较大提升,可赋能电力企业经营管理,助力企业数字化转型。     

基于互信息–图卷积神经网络的燃煤电站NOx排放预测

燃煤电站NO_x排放预测模型可提高脱硝经济性。NO_x排放机理复杂,相关性变量众多,有效的融合相关变量之间的信息,能提高NO_x排放预测精度。提出了一种基于互信息-图卷积神经网络的NO_x排放预测模型。基于某660MW燃煤电站的运行参数,计算影响NO_x排放的特征变量之间的互信息,设计特征变量间的邻接关系,获取特征邻接矩阵,构建了基于图卷积神经网络的NO_x排放预测模型。将所提出的NO_x预测模型与基于LSTM、BPNN和LS-SVM的典型NO_x预测模型进行对比,实验结果表明,MI-GCN预测模型具有较好的泛化能力和较高的预测精度。     

基于图卷积网络的车联网资源管理

车辆到一切(V2X)通信是有效地提高交通安全性和移动性的解决方案.为了解决深度学习在功率分配中存在的需要大量训练数据和泛化性问题,减少车辆网络信道干扰,提出了基于图卷积神经网络(GCN)的总用户速率最大化,总用户能效最大化的两种准则下的功率分配框架.所提出的框架首先将无线干扰信道转化为图数据结构,证明了干扰信道的无序性...     

基于图卷积网络和风速差分拟合的中长期风功率预测

为充分利用数据特征间的先验关系,提高风电场中长期发电功率预测精度,提出一种基于图卷积神经网络（GCN）、风速差分拟合（DF）、粒子群优化算法（PSO）的中长期风功率预测模型。通过分析风力发电全过程,挖掘风功率影响因素及因素间的相互关联性,搭建GCN模型,分别拟合风速和功率利用效率,进一步结合基于DF的风速-功率计算模型计算风功率,模型的损失包含功率损失、风速损失和功率利用效率损失3个部分,采用粒子群优化算法为这3部分损失确定合适的权重。2个风电场的实际算例表明,该模型未来10天风功率预测的相对均方根误差分别为11.44%和13.09%,具有较高的预测精度。     

基于图卷积神经网络的机组组合问题加速求解方法

针对传统的精确优化算法求解规模较大的机组组合问题面临时间可行性的挑战,提出了一种基于图卷积神经网络的机组组合问题加速求解方法。将机组组合问题构建为一个混合整数线性规划模型,根据分支定界法的求解原理,将分支策略定义为从候选变量的特征到候选变量得分的映射关系;提出在离线阶段使用图卷积神经网络来模拟强分支策略的决策行为,并将学习到的映射关系应用到在线分支过程中,从而加速分支定界法求解机组组合问题。通过IEEE 39节点10机组和IEEE 118节点54机组系统的算例分析,验证了所提方法的有效性。     

基于时空自适应图卷积网络的跌倒检测算法

针对现有图卷积网络(GCN)需要预先定义人体骨架拓扑图和模型较大的问题，提出了基于时空自适应图卷积网络(ST-AGCN)的跌倒检测算法。该网络包括3个部分：利用HRNet姿态估计算法从视频中提取人体骨架点序列，并预处理成四维张量；引入归一化嵌入式高斯函数通过学习(无需人工预定义)得到人体拓扑图，利用空间自适应图卷积获取人体关联特征；利用多尺度卷积提取时间运动特征，提高模型获取动态信息的能力。在公开数据集和自建数据集上分别进行仿真，准确率分别达95.45%和99.55%。结果表明，该算法优于目前GCN方法，参数量只有后者的1/4甚至更少。本文算法还可以适用于不同的数据集。     

基于图卷积网络的电网无功容量计算∗

传统电网无功容量计算方法往往需要耗费大量时间,为此提出了一种基于图卷积网络 (GraphConvolutional Network,GCN)的无功容量计算方法.该算法通过特征矩阵以及邻接矩阵刻画电网节点的关键信息及节点间的连接关系,训练得到能够快速计算电网无功容量的模型.算例分析表明,使用 GCN 计算电网所需的无功容量误差较小, 有良好的精度且计算速度快于传统的无功计算方法.     

基于图卷积神经网络和格拉姆角场的电能质量扰动分类

由于新能源系统的广泛加入,系统中的电能质量扰动数量和种类也相应增加,而传统电能质量扰动（PQD）分类方法存在准确率和效率不高的问题,难以适应现有包含高新能源渗透率的电力系统的电能质量管理。因此,提出了一种基于图卷积神经网络（GCNNs）和格拉姆角场（GAF）的电能质量扰动分类方法。首先,对原始的PQD信号进行归一化和极坐标转化处理;然后采用GAF对不同种类的PQD一维信号进行图形化转换,生成包含不同PQD特征的二维图片;最后,采用GCNNs对不同种类的PQD图片进行训练和分类,实现不同PQD的分类。实验部分采用IEEE-39节点系统仿真并模拟不同种类的PQD曲线,对所提方法进行验证。实验结果表明,所提方法可以自动地进行特征的提取和优化,满足PQD识别和分类的高效性和准确性。     

基于滑动图卷积神经网络的输电线路点云分类模型

图卷积神经网络虽然可以对初始点云数据进行直接处理,但其只在局部尺度上独立提取点特征,未将局部点互相关联起来则会影响点云数据分类精度。因此,本文在考虑点云数据整体几何关系和拓扑信息的基础上,提出了一种基于滑动图卷积神经网络的输电线路点云分类模型。首先,通过最远点采样方法从原始点云中迭代子采样点集,有效地降低模型复杂度和时间消耗;其次,利用多尺度K近邻对子采样点集建立局部有向图;再次,采用边缘卷积滑动地提取局部图特征,计算点云上的每一个点与其相邻点之间的边缘特征;最后,利用全局最大池化层进行点云分类。所提模型首先在公用数据集上进行预训练,之后再用标注过的由激光雷达实地采集的输电线路点云数据进行验证。实验结果证明,本文所提模型在公用数据集和实际数据集上均取得较好的分类效果,分类准确率比通用的ECC、PointNet、PointNet++等方法高出至少1.5%。     

一个解决协同过滤推荐系统相关问题的新算法

针对大数据应用中用户协同过滤推荐系统存在的扩展性与稀疏性问题,提出融合奇异值分解与聚类的 SBK-CF算法。算法采用改进的皮尔逊相似度度量用户间的相似度,通过对降维后的用户进行聚类,并遍历用户的最临近簇生成推荐列表。实验结果表明,提出的算法能够有效完成个性化推荐,在一定程度上解决用户协同过滤推荐系统中存在的扩展性与稀疏性问题。     

基于用户行为分析的视频推荐算法研究

视频推荐属于互联网推荐系统的应用之一,传统的互联网推荐技术中,协同过滤技术是应用最多和最广泛的.但是区别于其他内容的推荐,(如文本信息、音乐、Web网页以及电子商务领域的推荐等)视频内容的数据量偏大,在推荐的时效性上存在很大的缺陷.较大的视频数据使得算法的时间和空间复杂度较大,推荐效果不佳.根据这一特点,提出了一种基于用户行为信息分析的视频推荐.该方法充分挖掘用户行为信息,以用户行为信息代替视频内容大数据作为推荐的数据集,可以将用户可能感兴趣的视频内容主动推送给用户.实验结果也验证了文中提出的方法的有效性和高效性.     

传感器输出时间序列实时预测方法的比较研究

为了提高传感器输出时间序列的实时预测精度,分析了时间序列可以预测的内在机理,认为噪声是影响预测精度的主要因素,提出了小波滤波与神经网络相结合的组合预测法,研究了最小二乘支持向量机的预测法,并选用了典型的过程变量信号,将两种方法进行了比较.仿真实验结果表明,小波滤波与神经网络相结合的组合预测法能够在消除测量噪声对预测精度...     

自适应滤波算法的神经网络实现

为了提高传统自适应滤波器求解权值的速度,在Hopfield神经网络的基础上,提出自适应滤波算法的神经网络硬件实现,从理论上进行了分析,并进行了仿真。     

基于项目类型的群组推荐方法

近年来,群组推荐吸引了大量研究人员的关注。针对群组推荐中融合策略的不足而导致群组推荐结果准确率低的问题,提出了一种新的基于项目类型的方法来改进偏好融合策略,以此提高推荐结果的准确性。通过引入项目类型占比因子并计算群组类型偏好和用户类型偏好之间的类型相似性,同时提出了评分融合公式来预测群组的最终项目分数,从而改进偏好融合策略。最后,在Movielens数据集上进行实验并将本文方法与几种经典的群组推荐方法进行比较。结果表明,本文方法比传统基线方法具有更高的准确率。     

基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测。短期的用电量存在多种不确定影响因素,为了将所有影响因素考虑其中,引入混沌时间序列的重构相空间技术。由于神经网络在非线性函数中对于峰值预测偏差较大,粗糙集理论可以对其做出修正。因此,引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模。模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态,将处理好的数据代入Elman神经网络进行用电量预测。最后引入粗糙集修正误差较大的峰值点,提高预测精度。收集了Heriot-Watt大学某宿舍楼30天的用电量数据,以5 min为计数频率共8 640个计数点作为数据集进行预测仿真。预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比,验证了该模型在短时间预测的有效性。     

基于可加性模糊系统的负荷时间序列预测

本文依据可加性模糊系统理论，提出了一种新的预测方法，利用聚类方法与有监督学习相结合的训练方法，提高了系统的函数逼近能力。仿真结果表明，系统学习速度快、预测精度高，在电力负荷时间序列预测中获得相当满意的结果。     

(20期拿下）基于卷积神经网络的绝缘子故障识别算法研究

卷积神经网络被广泛应用在图像处理领域,不同算法对网络识别率有较大的影响。基于此,引入小波分解理论,通过BP传播算法以及空间向量理论证明得到,相互独立的特征更能表达原图像的信息。通过小波分解去除卷积核之间的相关性,用较少的卷积核提取图像更独立、全面的特征,以提高网络的识别性能。在MNIST、CIFAR-10和CK标准数据库上进行分类识别实验,实验结果表明,此算法能在不同核函数尺寸的条件下取得较高识别率,且达到与传统算法相同识别率的前提下,所需的训练迭代次数更少,训练时间更短。最后,将该算法应用到绝缘子故障识别中,并取得了良好的效果。     

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在设备故障,结合大数据分析技术和设备评估技术,提出了一种将时间序列和神经网络相结合用于电力设备状态数据异常检测。首先通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,对时间轴上的状态变量转移概率进行计算,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。 结果表明,该方法能快速有效地检测出电力设备的异常状态。     

基于多目标协同训练的风电功率预测提升算法

“双碳”目标下,电力系统加速转型,风电预测技术对构建高比例新能源的新型电力系统具有重要意义。为提升风电功率预测的准确性和鲁棒性,文中提出一种基于多目标协同训练的数值天气预报(numerical weather predicition, NWP)隐式校正算法。首先,分析了NWP校正的必要性和基于NWP显式校正的二步预测法存在的问题;然后,针对二步预测法存在的问题,基于多目标协同训练的优化方式利用神经网络进行NWP隐式校正,以端到端的方式训练模型,同时实现NWP隐式校正和风电功率预测的功能。结合某风电场实测数据开展具体算例分析,证明了所提算法对短期及中长期风电功率预测均有提升作用。此外,该算法仅需1个网络且避免了二次计算,节省了计算存储成本。