基于细粒度用能数据的居民家庭活动人口评估方法研究

针对居民家庭活动人口统计多采用入户调研方式,不仅耗费人力物力,还对居民生活造成影响的问题,提出一种基于细粒度用能数据的居民家庭活动人口评估方法。利用新型非侵入型智能用电采集终端记录的居民用户电器类型、启停时刻、用电量三元序列数据,研究这些序列信息的处理方法,构建居民家庭活动人口与分项用电量之间的关系,计算得到居民用户家庭活动人口数量。通过实例验证,该方法具有较高准确度,可用于城市、社区人口统计工作。     

基于用电信息采集系统的大型分布式网站系统稳定性分析

介绍分布式网站系统和电力用户用电信息采集系统,结合分析命令和集群监控命令在采集系统中的应用情况,分析应用结果,并提出相应的优化建议。     

大数据与人工智能实验室

<正>国网河北省电力有限公司大数据与人工智能实验室主要开展基于大数据的业务分析,XGBOOST、Resnet、GAN、FASTRER-CNN等前沿算法研究,Hadoop、Spark、Openstack等先进框架的适用性研究、大数据与人工智能技术典型应用场景研究、电力大数据跨界应用研究,海量数据交互、汇聚及安全防护策略研究。实验室依托单位为国网河北省电力有限公司电力科学研究院,于2018年7月挂牌成立,占地面积     

焦炉煤气制甲醇转化工艺探讨

用焦炉气制甲醇是焦炉气利用的一个新领域。就焦炉气纯氧转化制合成气有关工艺条件进行了热力学计算,给出了水烃比,氧烃比,压力,温度等工艺条件对转化过程的影响结果,同时探讨了添加二氧化碳对纯氧转化的影响。     

煤层气制氨探讨

通过采用变压吸附或低温分离技术可以把低浓度煤层气甲烷浓度由30%提高到90%。将其作为原料气生产合成氨可使煤层气得到有效利用,减少其排放大气所带来的资源浪费和环境污染。本文就煤层气制合成氨的可行性进行了讨论。结果显示该方案技术可行,经济上有利。     

应用于PHM系统的相近粗糙集决策模型研究

PHM(Prognostic and Health Management)是现代军事和工业生产领域设备实现自主维护与保障的关键技术。文章通过对相近粗糙集理论进行分析,构建一个可以应用于PHM系统的决策模型。以某歼击机的故障飞行信息作为测试数据,在加入噪声干扰和不加噪声干扰的条件下,对经典粗糙集理论,可变精度粗糙集理论以及相近粗糙集理论的决策结果进行比较。结果表明在保持分类性能不变的条件下,相近粗糙集理论对含有噪声系统的适应性要好于经典粗糙集理论和可变精度的粗糙集理论,适合运用于PHM系统的决策算法。     

基于熵权距离综合评价的各县用电量的研究

将熵权分析法与空间统计学的距离综合评价法相结合,对河北省邢台地区15个县的用电量情况进行综合评价。评价结果客观合理,对电力方面的决策具有参考价值。     

高速撞击流技术制备超细RDX的研究

本文通过高速撞击流技术制备出了超细RDX颗粒,研究了撞击压力和次数对RDX颗粒粒度及分布的影响。实验结果表明：撞击压力和次数对RDX颗粒粒径及分布产生一定的影响,在适当条件下,可制备出粒度窄分布的超细RDX。当撞击压力为120MPa时,RDX颗粒的有效平均直径可达79．6nm。     

面向元余弦损失的少样本图像分类

目的 度量学习是少样本学习中一种简单且有效的方法,学习一个丰富、具有判别性和泛化性强的嵌入空间是度量学习方法实现优秀分类效果的关键。本文从样本自身的特征以及特征在嵌入空间中的分布出发,结合全局与局部数据增强实现了一种元余弦损失的少样本图像分类方法(a meta-cosine loss for few-shot image classification,AMCL-FSIC)。方法 首先,从数据自身特征出发,将全局与局部的数据增广方法结合起来,利于局部信息提供更具区别性和迁移性的信息,使训练模型更多关注图像的前景信息。同时,利用注意力机制结合全局与局部特征,以得到更丰富更具判别性的特征。其次,从样本特征在嵌入空间中的分布出发,提出一种元余弦损失(meta-cosine loss,MCL)函数,优化少样本图像分类模型。使用样本与类原型间相似性的差调整不同类的原型,扩大类间距,使模型测试新任务时类间距更加明显,提升模型的泛化能力。结果 分别在5个少样本经典数据集上进行了实验对比,在FC100(Few-shot Cifar100)和CUB(Caltech-UCSD Birds-200-2011)数据集上,本文方法均达到了目前最优分类效果;在MiniImageNet、TieredImageNet和Cifar100数据集上与对比模型的结果相当。同时,在MiniImageNet,CUB和Cifar100数据集上进行对比实验以验证MCL的有效性,结果证明提出的MCL提升了余弦分类器的分类效果。结论 本文方法能充分提取少样本图像分类任务中的图像特征,有效提升度量学习在少样本图像分类中的准确率。