基于集成LSTM模型的数据驱动需求预测

电力用户参与电网调度能够有效提升电网灵活性,但其行为的不确定性限制了需求响应的发展。针对此问题,文中首先构建激励型需求响应的实现框架,阐述负荷聚合商(LA)如何整合需求侧资源参与电力市场业务,并将用户随激励政策进行响应的行为转换为需求弹性。然后,基于长短时记忆(LSTM)算法,提出一种集成LSTM的数据驱动的需求弹性预测方法,同时为提升预测模型性能,对源数据进行平滑与缩放处理,并增加损失函数权重系数。算例结果表明,与传统LSTM算法及k近邻预测法相比,文中所提预测方法用于用户需求弹性预测时平均预测误差分别降低了5.33%和28.8%,用于总负荷预测时平均绝对百分比误差(MAPE)分别降低了2.06%和3.09%。同时文中基于集成LSTM分析了平滑、缩放数据预处理对预测精度的影响,结果表明对原始数据进行预处理可有效提升预测精度。     

基于L-M算法的火电厂实时数据神经网络预测模型研究

提出了一种建立在BP神经网络上的基于Levenberg-Marquardt(简称L-M)算法的火电厂实时数据神经网络预测模型,以减少训练次数和提高训练精度.通过对某电厂300MW机组高压加热器进口温度进行训练和校核,分析了数据预处理的重要性.仿真结果表明,该模型能够获得未来时刻合理的预测结果,可用于缺失数据补充和实时数据校核,提高数据可靠性,适用于在线对未来状态的评价,为状态检修提供参考依据.     

基于广义回归神经网络的燃煤锅炉NOx排放预测

基于某电厂330 MW燃煤锅炉DCS历史数据,利用MATLAB软件分别采用BP神经网络、遗传算法优化神经网络(GABP)、广义回归神经网络(GRNN)对该锅炉NO_x排放量进行预测,并进行二次风及分离燃尽风喷口挡板开度优化。通过对比3种神经网络预测结果的相对误差、均方根误差(RMSE)和平均绝对百分误差(MAPE),结果表明GRNN神经网络误差最小,RMSE和MAPE分别为4.81 mg/m~3、0.91%,预测精度较高;利用GRNN神经网络优化后,NO_x排放由243 mg/m~3降至210.8 mg/m~3,可以达到降低NO_x排放的目的,为燃煤电站运行提供参考。     

基于神经网络的光伏电站出力超短期预测研究

为准确掌握电站未来某段时间内的出力情况,以西南某大型光伏电站为例,对影响光伏电站出力的因素进行分析,建立BP神经网络出力预测模型,分别基于电站实测气象数据和中尺度数值天气预报数据训练预测模型,并对电站2020年1月1日8:00～18:30时15 min分辨率的输出功率进行预测,结果表明:以实测气象数据作为训练样本,预测效果较优,平均绝对误差(MAE)、均方根误差(RMSE)、相关性系数(R)和合格率(Q)预测评估指标分别为9.03％、12.33％、0.980、95.24％.     

基于时间连续性及季节周期性的风速短期组合预测方法

根据风电机组功率曲线,可由风速计算出风电机组出力,因此,风电功率预测问题可转化为风速预测问题.基于风电场气象及风速数据的时间连续性及季节周期性,提出了一种风速短期组合预测模型.该模型采用模式识别技术分别提取时间连续性的样本及季节周期性的样本,以反向传播(BP)神经网络作为预测模型,得到风速横向预测值和纵向预测值,最后再通过BP神经网络进行组合预测.对国内某风电场的风速预测结果表明,所提出的风速预测模型可行、有效,具有较好的预测精度.     

基于EMD-LSTM的光伏发电预测模型

随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。     

采用燃烧系统模型预测锅炉效率和NOx排放浓度

以某电厂燃煤锅炉燃烧调整试验数据为基础,运用BP神经网络建立锅炉效率与NOx排放浓度的双目标锅炉燃烧系统模型,并用遗传算法优化BP神经网络的权值和阈值产生优化型GA-BP神经网络模型.通过对2种模型预测误差的比较表明,GA-BP神经网络模型的锅炉效率平均预测误差由6％降至3.4％,NOx排放浓度平均预测误差由0.1％降至0.04％,泛化能力相对于BP神经网络模型大大增强,可适用于建立锅炉燃烧优化系统.     

基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测

采用传统的回归拟合进行发电厂存煤量单变量单步预测已无法满足电网优化调度的需求,针对该问题,提出卷积神经网络(CNN)与长短期记忆(LSTM)神经网络相结合的CNN-LSTM神经网络预测模型,利用CNN良好的特征提取能力以及LSTM神经网络特殊的记忆预测功能实现对未来电厂存煤量的精准预测.为了使预测结果更符合实际存煤量,在已有预测结果的基础上进行进一步优化.实例验证结果表明,相较于传统差分自回归移动平均(ARIMA)模型和单一LSTM神经网络模型,所提模型取得的效果更好,且经过优化后的预测精度得到了进一步提高.     

基于改进的LSTM的药品温湿度预测方法

针对医药冷链系统中药品温湿度数据不易诊断的问题,提出一种改进的长短期记忆(LSTM)预测药品温湿度的方法。首先通过插值扩充算法扩充湿度数据集,接着提出一种内含多个LSTM细胞元的LSTM结构,代替传统的迭代预测,随后通过Adam优化算法调整网络参数和改变网络层数降低预测误差,实现对药品温湿度的提前预判。最后在药店冷藏柜中采集到的药品温湿度数据集上进行测试,均方误差(MSE)为0. 036 9。与传统的BP神经网络预测方法和高斯过程混合模型预测方法对比,改进的LSTM药品温湿度预测方法预测更准确。     

燃煤电厂SCR烟气脱硝催化剂寿命预测研究

为保证燃煤电厂烟气脱硝系统的安全、稳定运行,需要制定科学合理的选择性催化还原(SCR)催化剂寿命预测方案。SCR催化剂失效是多个物理和化学因素共同作用的结果,难以用传统的物理模型或数学公式对其失活程度进行预测。本研究针对电厂大数据特性,对原始数据进行预处理,建立了曲线拟合、灰色预测、BP神经网络、灰色神经网络4种预测模型。实例对比分析发现:数据预处理可以提高预测精度;当数据满足等时距特性时,灰色神经网络优化后的直接输出模型预测精度较高;当数据不满足等时距特性时,使用BP神经网络模型预测效果更好。     

Using data digits to identify fabricated data

In this article we discuss four cases of research misconduct reported by the Office of Research Integrity (ORI) at the U.S. Public Health Service (PHS) in the Federal Register, focusing on how ORI uses digits in data other than the leading digit as evidence that data is fabricated or falsified. In the next article of this series, we examine more closely the probative value of using significant digits in ORI's analysis     

Meta data

Meta data provides an architecture or framework describing the user's data within a data environment. This architecture should provide a precise, coherent and logical structure that “paints a picture” of the data. It also should describe how the data internal to the data environment is interfaced to the external world. Satisfying the different needs of users and implementers, obtaining all the desirable qualities of meta data, while interfacing with various data systems is certainly a Herculean task for meta data. Basically, there seem to be three approaches to managing meta data: meta data bridges; meta data repositories; and intelligent software agents. One meta data repository trying to catch on is Microsoft's Repository (MDC-OIM). It uses the Open Information Model (OIM) as its base. The Meta Data Coalition (MDC) and the Object Management Group (OMG) have refined this OIM model. Both groups have also proposed it as the common standard for meta data exchange. The goal of the MDC-OIM repository is to allow creation, reuse and exchange of meta data across multiple hardware and software platforms. This includes the meta data integration of all tools, applications and databases for each individual platform     

基于数据驱动的稀疏虚假数据注入攻击

提出了一种基于数据驱动的稀疏虚假数据注入攻击策略。攻击策略分为3个阶段:第一阶段,基于稀疏优化技术对窃听的数据进行预处理以剔除异常值;第二阶段,基于平行因子分解算法推断不完整的系统信息矩阵;第三阶段,根据推断的系统矩阵,使用凸优化的方法求解稀疏攻击向量。仿真实验结果表明,当存在异常值时,传统的攻击策略无法成功实施,而所提攻击策略仍能成功地实施稀疏虚假数据注入攻击。     

基于数据挖掘算法数据模型实现大数据分析的方法研究

针对大型数据库中的海量数据筛选困难的问题,设计了基于数据挖掘算法模型分析大数据的方法。通过K-means聚类算法,使得用户从不同的样本数据中,根据大数据样本的某些属性或某类特征,在输出的数据中,再采用BP神经网络模型对获取的聚类数据进一步训练、计算,这种方法能够映射、处理不同数据之间聚类种类大数据之间的复杂非线性关系,提高数据处理精度和用户挖掘大数据的能力。试验结果表明,设计的方法能够使用户更加便捷地处理大数据,提高了大数据应用的效率。     

多通道高速数据采集故障录波装置

给出了一种多通道高速数据采集和故障录波器装置的设计方法。同时介绍了相关的PC功能卡的特性技术指标和使用方法，包括高增益、高性能的多功能数据采集卡，PCL－818GH，16路光电隔离数字信号输入板PCL－782，双口CAN总线通讯卡PCL－841，文中还给出了关于信号输入调理板的设计方法，介绍了有关数据传输以及该数据采集和故障录波装置的主要特点。     

基于XML的电能质量标准数据共享模型及跨平台数据交换

IEEE提出的标准二进制电能质量数据格式(PQDIF)采用了通道定义和数据序列分离的数据结构,不仅降低了数据查询效率,而且读取、修改和结合应用程序实现复杂。在现有PQDIF数据模型的基础上,提出了一种用XML实现的电能质量数据模型:模型将测量类型、相位、序列值等以子对象方式嵌套于3种记录类型,通道定义和数据序列以索引相连,提高了数据查询效率;同时在XML模式定义中采用base64binary二进制储存PQ数据,有效地减少数据占用空间;最后,提出了基于模式转换的映射数据交换方法,任何2个XML文档解析出来的树结构元素都可以根据距离根节点的深度和数据字典进行语义自动匹配,精确度更高,处理速度也更快。基于以上数据交换模型和模式转换方法成功地实现了异构电能质量数据的交换,实践证明所提出的数据模型及实现方式具有良好的鲁棒性和可行性,能较好地实现电能质量数据的跨平台交换与共享。     

电力调度数据中心数据质量问题研究

结合调度中心数据特点和业务特点提出构建数据中心提高数据质量的一些控制方法,这些方法分别从电网数据的统计特性和业务特性(数据关联性特性)上对异常数据进行识别,并且基于这些方法给出了数据校验的模块设计,最后应用该数据校验模块到数据中心的系统架构中,提高了华东电力调度数据中心的数据质量.     

Storing magnetic data

Magnetic recording data storage innovation and product evolution is arguably higher than it has ever been. For example, the current record in high density recording is 23.8 Gbit/in², which was demonstrated by Seagate Technology. Data is stored by creating a pattern of magnetization in the media using a recording head. Basically, the head is a split ring-shaped core of easily magnetized material wrapped by a few turns of wire. When current flows in the wire, it induces a magnetic flux in the core and a field across the recording gap. Reversing the current's direction changes the direction of the magnetic field. Because the field lines spread out as they bridge the gap, they magnetize the media in a small zone near the gap. Since data is stored as binary digits, a pattern of current reversals can be coded to represent binary digits. For example, “1” might be represented by a magnetization reversal and “0” by the absence of a reversal. Data is read by sensing the fields that arise from the magnetization transition zones in the media. These fields are caused by a concentration of magnetic poles at the ends of each magnetized region. Since these fields point in the opposite direction to the media's magnetization, they are called “demagetizing fields” These fields extend beyond the media's surface. Thus, they can induce responses in a read head if it is brought close to the media     

Mobile data management

The management of data in the mobile computing environment offers new challenging problems. Existing software needs to be upgraded to accommodate this environment. To do so, the critical parameters need to be understood and defined. We have surveyed some problems and existing solutions     

Visualizing corporate data

Corporate databases have been recognized as strategic assets, and a successful corporation will make full use of its data resources to gain competitive advantage to better manage its business. Visualization is a key technology for extracting information from data, therefore, it is becoming increasingly important in our information rich society. It complements other analytic, model based approaches and exploits human pattern perception. Visualization can help users to navigate and explore the fast-growing number of data warehouses far more easily, and to rapidly discover the information hidden within volumes of data