电力营销实时费控系统运行状态异常预警方法

当前电力营销实时费控系统预警方法易将正常数据误标记为异常数据,造成计算量加大,预警时间过长,因此,提出电力营销实时费控系统运行状态异常预警方法.以电力营销实时费控系统历史运行数据为挖掘对象,使用贝叶斯算法处理挖掘到的系统异常运行状态数据集,采用滑动窗口方法连续标记异常运行状态数据,避免正常数据的干扰,在此基础上对系统运...     

基于Storm的电网时间序列数据实时预测框架

对电网运行产生的时间序列数据展开实时预测研究,提出基于Storm平台和ARIMA模型的预测框架。分析不同类型电网时序数据的特点,预设拟合模型以降低模型构建的盲目性,缩短预测时间,同时设计基于HBase的新型时序数据存储模式加快数据检索速度。通过对海量的时序数据源进行并发预测,比较不同数据样本对预测值的影响并实时分析预测误差。经实例从预测精度、运算速度、占用资源3个角度验证了该框架的有效性与实用性。     

基于深度学习的PM2.5浓度长期预测

为提高PM2.5长期预测精度,以空气污染物与气象因素作为影响因子,提出一种基于深度学习的TSMN(time series memory network)预测模型.该模型由两个组件构成,本地记忆组件利用外部记忆方式提高模型长程记忆能力,并与多站点空间关系建模的邻域组件协同从时空角度完成PM2.5长期预测.通过使用不同评价指标将TSMN模型与多种模型进行对比,其中与性能较优的CNN-LSTM模型相比,该模型的RMSE、MAE分别下降5.2％、5.7％,R2提升7.5％.实验结果表明TSMN模型能够有效提高PM2.5浓度的长期预测精度.     

基于门控卷积的时空交通流预测模型

针对现有的交通流预测模型未能精确捕获交通数据的时空特征,以及大部分模型都是在单步预测中体现出良好的预测性能,在多步预测中模型的预测性能显得并不理想的问题,提出了一种基于门控卷积的时空交通流预测模型（GC-STTFPM）。首先,利用图卷积网络（GCN）结合门控循环单元（GRU）来捕获交通流数据的时空特征;然后提出了一种利用卷积门控单元对原始数据和时空特征数据进行拼接与筛选处理的方法来对时空特征数据的有效性进行校验;最后,将GRU作为解码器来对未来交通流作出准确可靠的预测。在洛杉矶公路的交通数据集上的实验结果表明,GC-STTFPM在单步预测（5 min）中与基于注意力的时空图神经网络（ASTGNN）和扩散卷积递归神经网络（DCRNN）相比,平均绝对误差（MAE）分别降低了5.9%和9.9%,均方根误差（RMSE）分别降低了1.7%和5.8%。同时,GC-STTFPM在15、30、60 min三个多步尺度下的预测精度优于大多数现有基准模型,具有较强的适应性和鲁棒性。     

分布式新能源接入配电网运行数据实时采集方法

因常规的配电网数据采集没有建立通信规约,导致采集信号波动较大,影响数据采集效率,所以设计了分布式新能源接入配电网运行数据实时采集方法。部署分布式新能源接入配电网运行数据采集点,针对分布式新能源的特点,使用不同新能源传感器,实时采集太阳能电池板输出电压、电流或风能涡轮机的输出功率、转速等数据。建立配电网运行数据远程通信规约,将电压、电流、电阻等待采集的数据以统一协议进行传输,确保配电网运行数据采集的准确性与可靠性。采用对比实验,验证了该方法的数据采集实时性、准确性均处于较高水平,能够应用于实际生活。     

多元混沌时间序列的因子回声状态网络预测模型

针对采用回声状态网络预测多元混沌时间序列时存在的病态解问题, 本文建立了因子回声状态网络模型, 通过因子分析(Factor analysis, FA)方法提取高维储备池状态矩阵的公因子, 去除冗余和噪声成分. 利用降维后的因子变量与期望输出之间的线性回归关系, 求解网络未知参数. 基于Lorenz序列和大连月平均气温--降雨量的仿真实验验证了本文所提模型的有效性.     

基于CNN和GRU的混合股指预测模型研究

针对股票数据共线性和非线性的特点,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)神经网络的混合预测模型,并对沪深300指数、上证综指和深证成指进行了预测.该模型首先采用CNN提取特征向量,对原始数据进行降维...     

基于回声状态网络的多变量预测模型的研究

考虑单变量在混沌时间序列预测中的不足,文章利用多变量模型进行混沌时间序列的预测。针对多变量预测过程中的维数过高问题,文章结合主元分析理论(PCA)和回声状态网络(ESN),构建了基于PCA和ESN的多变量混沌时间序列预测模型,将PCA降维后的时间序列数据输入ESN网络进行预测分析。论文对由Lorenz动态方程生成的三变量混沌时间序列进行了仿真实验,结果表明该模型有效地提高了预测的精度和预测的效率,是一种有效的混沌时间序列预测方法。     

面向空气质量的时空混合预测模型

由于城市中各区域空气质量同时存在时间与空间维度上的相关性,而传统深度学习模型结构比较单一,并且难以从时空角度进行建模。针对该问题提出一种可以同时提取空气质量间复杂时空关系的STAQI模型用于空气质量预测。该模型由局部组件和全局组件构成,分别用于描述本地污染物浓度和邻近站点空气质量状况对目标站点空气质量预测产生的影响,并利用加权融合组件输出获得预测结果。在全局组件中,利用图卷积网络改进门控循环单元网络的输入部分,从而提取出输入数据中的空间特征。最后将STAQI模型与多种基准模型和变体模型进行对比。其中,STAQI模型与门控循环单元模型和全局组件变体模型相比,均方根误差（RMSE）分别下降约19%和16%。结果表明STAQI模型对于任意时间窗口都具有最佳预测性能,并且对不同目标站点的预测结果验证了该模型具有较强的泛化能力。     

基于改进深度信念网络的农业温室温度预测方法

针对浅层神经网络面对温室复杂多变环境因子表征能力低、学习时间长的问题，提出一种基于改进深度信念网络并结合经验模态分解与门控循环单元的温室预测方法。首先，通过经验模态分解将温度环境因子进行信号分解，之后将分解出来的固有模态函数与残差信号进行不同程度的预测；然后，引入神经胶质改进深度信念网络，并将分解信号结合光照和二氧化碳进行多属性的特征提取；最后，将门控循环单元预测的信号分量相加获得最终的预测结果。仿真实验结果表明，与经验模态分解-深度信念网络（EMD-DBN）和深度信念网络-神经胶质链（DBN-g）相比，所提方法的预测误差分别降低了6.25%和5.36%，验证了其在强噪声、强耦合的温室时序环境下预测的有效性和可行性。     

基于大数据的配电设备运行状态监控与故障预警系统设计

传统配电设备监控故障预警系统在监控过程中,故障预警存在较大时延,因此,设计一个基于大数据的配电设备运行状态监控与故障预警系统.硬件设计中,为了提高数据采集器的采集和传输精度,设计采样测量值接口,规范其报文格式,添加电流、电压互感器且确定各自的参数,设计网关的整体架构,确定其中芯片的型号;软件设计中,多个控件配合使用,使...     

基于大数据跨平台的分布式实时数据采集技术实现

大数据已经成为国家战略,在各行各业得到了愈发广泛的应用,电网企业也呈现出其独有的大数据场景特征。电网企业的数据具有业务域多、数据量巨大、实时性要求高等特点,建立统一有效的大数据采集中心有利于电网企业大数据的管理,符合电网企业新的发展战略。电网企业终端传感器采集的数据有用户行为的文本数据、终端图片等图片数据、其他平台的海量镜像数据。随着终端的用户量和数据量与日俱增,数据中心必须能通过添加更多服务节点来扩展性能和负载能力,以保证高可扩展性和高可用性,从而满足电网企业业务发展的需要。     

基于变分推理回声状态网络集成模型的工业数据区间预测

针对含噪声工业时间序列数据的区间预测问题,本文提出了一种使用变分推理来数值求解回声状态网络(echo state network,ESN)集成模型参数的区间预测方法.在模型构建上,将ESN集成模型中各个ESN单元输出权值向量的先验分布方差设置为相互独立形式,相比较非独立形式更有利于模型稳定性;在模型参数求解上,本文提出用变分推理来近似推导出集成模型中所有不确定参数的联合后验概率分布,以分布中的参数均值作为模型参数值,相对于已有ESN集成模型使用最大化边缘似然度的参数估计方法效果更好.为验证提出方法的有效性,测试了人工数据集和钢铁企业真实煤气数据集.实验结果表明本文方法参数估计更为准确,在预测精度,区间质量和模型稳定性以及耗时方面表现优秀.     

用于机器人轨迹定位纠正系统的回声状态神经网络研究

循环神经网络(RecurrentNeuralNetworks)是人工神经网络(ArtificialNeuralNetworks)中重要的分支,与前馈神经网络(ForwardNeuralNetworks)相比具有更好的时间序列学习能力。但长期以来其学习法一直不能脱离前馈神经网络而自成一体,回声状态神经网络(EchoStateNetworks(ESN))是打破这一局面的全新学习方法。其独特的结构,良好的短期记忆能力,方便的学习方法,不俗的非线性特性是以前循环神经网络所不可比的。本文在介绍了回声状态神经网络之后将其用于四轮机器人的位置测量系统中,有良好的表现。     

多元时间序列的子空间回声状态网络预测模型

针对采用回声状态网络预测多元混沌时间序列时储备池学习算法可能存在的病态解问题,该文提出了一种基于快速子空间分解方法的回声状态网络预测模型.所提模型利用Krylov子空间分解方法提取储备池状态矩阵的子空间,子空间代替原状态矩阵进行输出权值求解,可以消除储备池状态矩阵的冗余信息,有效地解决伪逆算法存在的病态解问题,并且降低计算复杂度,提高泛化性能和预测精度.基于两组多元混沌时间序列的仿真结果验证了该文所提模型的有效性和实用性.     

群智感知环境中基于GRU网络的用户位置预测模型

在感知区域内用户分布稀疏的情况下,提前预测用户的位置是群智感知系统提高任务完成率的关键。提出了一种基于门控循环单元的用户位置预测模型。首先,构建了群智感知系统模型,实现了基于位置的参与式感知应用。然后,将用户位置的数据集做归一化处理,并结合用户历史位置数据的多维度特征构建了门控循环单元结构。最后,利用车联网中实际轨迹数据集对模型进行训练,并采用Adam算法对基于门控循环单元的用户位置预测模型的性能参数进行了优化。仿真结果表明,相比于RNN模型和LSTM模型,所提模型的预测均方误差分别降低了22%和18%,且在处理序列数据方面具有可实施性强的优势。     

基于时序超图卷积神经网络的股票趋势预测方法

传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票.针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷...     

特征值法变电所实时运行状态的显示

本文介绍由模拟量输入法与人机对话结合的变电所实时运行状态显示系统,指出采用这种方法所设计的系统,与以往的开关量输入法相比较,其现场布线、辅助接点、采样接点等将锐减到几乎最低限度,很有开发价值。     

改进回声状态网络的热点话题预测模型

为了提高网络热点话题的预测精度,针对传统回声状态网络存在的不足,提出一种改进回声状态网络的网络热点话题预测模型。首先将一维的网络热点话题时间序列重构成多维时间序列,然后采用改进回声状态网络对多维时间序列进行学习,建立网络热点话题预测模型,最后对模型性能进行仿真测试。结果表明,改进回声状态网络可对网络热点话题的变化趋势进行准确刻画,网络热点话题的预测精度得以提高,而具有更好的应用价值。     

基于Bi-GRU和自注意力的智能电网虚假数据注入攻击检测

针对当前基于循环神经网络的智能电网虚假数据注入攻击(False Data Injection Attacks,FDIA)检测方法无法提取FDIA数据深层特征的问题,提出一种基于双向门控循环单元(Bidirectional Gated Recurrent Unit,Bi-GRU)和自注意力的检测方法.采用Bi-GRU学习...