双聚类的关联规则挖掘方法

为了使所有关联规则算法都可用于双聚类挖掘,将双聚类问题转化为关联规则的频繁集挖掘问题.在为双聚类挖掘提供大量算法的同时,不但能获得双聚类,而且还能得到额外的双聚类关联信息.基因表达数据的实验结果证明了其有效性.     

基于ViLBERT与BiLSTM的图像描述算法

传统图像描述算法存在提取图像特征利用不足、缺少上下文信息学习和训练参数过多的问题,提出基于ViLBERT和双层长短期记忆网络(BiLSTM)结合的图像描述算法.使用ViLBERT作为编码器,ViLBERT模型能将图片特征和描述文本信息通过联合注意力的方式进行结合,输出图像和文本的联合特征向量.解码器使用结合注意力机制的BiLSTM来生成图像描述.该算法在MSCOCO2014数据集进行训练和测试,实验评价标准BLEU-4和BLEU得分分别达到36.9和125.2,优于基于传统图像特征提取结合注意力机制图像描述算法.通过生成文本描述对比可看出,该算法生成的图像描述能够更细致地表述图片信息.     

结合注意力机制与BIM特征的电力能耗预测

能耗预测中引入外因序列有助于目标序列的预测,但在实际应用中各个外因序列与目标序列之间的相关程度往往不清晰,导致无法有效利用多外因序列辅助预测.针对该问题,提出一种结合注意力机制与BIM特征的电力能耗预测模型——BIMAttenNN(BIM Attention Nerual Network).通过结合注意力机制与BIM特征对外因序列自动选取并重构,将重构特征通过编码器-解码器结构的深度神经网络和线性回归分支准确预测未来电力能耗.实验结果表明,BIMAttenNN能够结合BIM特征自动捕捉电力序列间关系,与传统方法相比具有更高的预测精度.     

基于注意力机制和卷积神经网络的配电网拓扑辨识

针对当前配电网拓扑变化频繁,拓扑结构实时获取困难等问题,文章提出基于注意力机制和卷积神经网络的配电网拓扑辨识方法。首先利用卷积神经网络挖掘量测信息和配电网拓扑结构之间的关系,学习其映射规则;考虑当前配网中同步相量测量装置(phasor measurement unit,PMU)和微型同步相量测量装置(micophasormeasurementunit,μPMU)等高级量测设备安装数量不足导致获取量测数据质量不高的问题,在卷积神经网络隐藏层中融入注意力机制,以增强模型鲁棒性;通过随机森林算法对特征数据集进行降维,降低模型时、空复杂度;最后,分别基于IEEE 33节点配电网和PG&E69节点配电网开展算例分析,以验证方法的可行性和优越性,并检验利用更少特征进行拓扑辨识的可能性。结果表明：所提方法具有良好优越性和鲁棒性,泛化能力强,在仅提供少量时间断面量测数据情况下便可实现配电网拓扑辨识,且对于辐射网和含环网络同样适用。     

基于改进粒子群算法的中央空调系统节能优化控制

建筑的中央空调系统等设备用电能源消耗大,导致建筑能耗持续增长。为解决上述问题,首先根据中央空调工作原理,建立中央空调系统各设备能耗的数学模型,并选取决策变量;然后以中央空调系统总能耗最小为目标,以各变量上下限、设备之间的耦合关系、能量守恒等作为约束条件,建立中央空调系统节能优化模型;其次,将室内实时所需冷负荷与室内设定温度作为已知量,各决策变量作为输入量,中央空调系统总能耗作为输出量,降低模型的复杂程度;接着提出一种基于动态权重系数与加速因子的改进粒子群算法（IPSO）,对各决策变量进行协同优化控制,搜寻中央空调系统节能优化模型的最优解;最后,通过仿真分析对比IPSO与标准粒子群算法,IPSO结果更优、收敛性更好,优化后的空调系统总能耗较优化前显著降低,验证了所提模型与方法的有效性。     

上海大容量火电机组黑启动系列试验

上海电网发电系统是以纯火电为特征,且大容量机组占绝对优势,对于机组黑启动而言,这些均是劣势。通过一系列黑启动试验及其研究,解决了长期以来一直困扰上海电网的缺乏黑启动能力的问题。本文通过介绍上海电网黑启动系列试验的总体过程和主要结论,分析了燃气轮机作为黑启动电源、全压启动大容量变压器、燃机小系统带重负荷长期稳定运行等上海电网黑启动试验的独特之处。     

数据驱动的时间注意力卷积风电功率预测模型

由于风电受气象特征影响大,风能波动性和间歇性强,导致快速、精准的风电预测成为一个难题。对此,该文提出一种基于数据驱动的时间注意力卷积网络的风电功率预测方法。首先,将来自风力机和数据采集（SCADA）系统的数据进行清洗;然后采用可并行计算的时间卷积网络,并加入Attention机制突出关键特征的影响,使模型训练速度和预测精度得到有效提升。实验结果表明,该文所提方法与其他方法相比可更准确地减少数据噪声,同时有更高的预测精度和更快的训练速度。     

改进的并行模糊核聚类算法在电力负荷预测的应用

用户用电典型模式的分类预测是电力负荷预测的重要组成部分。针对单核模糊C均值算法在电力大数据挖掘中不能兼顾预测精度和普适性能好的问题,提出了一种电力短期负荷场景中改进的无监督学习多核模糊C均值聚类算法,建立了双层神经网络的电力数据负荷预测模型对比该改进的算法对电力负荷预测效果的影响。用户数据由MapReduce并行化处理加速。数值实验结果表明:改进的算法在实际电力用户数据集中,具有广泛的适用性和有效性,同时能显著提高电力短期负荷预测的精度。