基于TabNet-LSTNet的多特征短期负荷预测

为了挖掘负荷预测中不同输入特征的重要性,有效处理负荷数据中的线性成分和非线性成分,提高负荷预测的精度,提出一种基于TabNet和长期和短期时间序列网络(long and short-term temporal networks,LSTNet)的组合负荷预测模型。通过引入自监督预训练来提高TabNet的预测精度,通过训练得到输入特征的全局重要性和预测结果,然后把重要性高的特征输入到LSTNet训练得出预测结果,最后通过方差-协方差组合方法得出TabNet-LSTNet模型的预测结果。通过仿真分析,与传统的长短期记忆网络(long short-term memory,LSTM)、极端梯度提升机(extreme gradient boost,Xgboost)、轻量级梯度提升机(lignt gradient boosting machine,Lightgbm)和其他组合模型相比较,TabNet-LSTNet模型具有更高的精度。

基于残差自回归方法的短期区域用电量预测

基于我国区域用电量数据展开了短期用电量预测研究,采用了基于残差自回归方法的时间序列预测模型,有效提高了短期区域用电量预测准确性。相比于传统的时间序列模型(ARIMA模型和Holt-Winters模型),基于残差自回归方法的时间序列预测模型的MAPE值和RMSE值均最小,并在两个不同的数据集上表现平稳。

基于LoRa的智能电表通信方案设计

随着建设国家智能电网概念的提出,智能电表开始成为人们关注的焦点。为了更加方便、准确、及时地对用户用电量进行抄读与管理,实现智能电表的自动化、网络化,设计了一种基于LoRa的中继多跳组网协议,并通过对智能电表和采集器的通信模块进行新型软硬件设计,来实现此协议在智能电表通信方案中的移植和使用,进行智能电表的新型通信方案设计。该方案从通信性能及适用场景出发,在LoRa通信的基础上,通过中继多跳组网协议进一步提升LoRa通信的性能,实现了高容量、高可靠性的新型通信方案。

基于电力数据分析的污染物排放监测方法研究

在当下快速的发展过程中,社会的现代化建设对环境带来了一定程度的破坏,为了实现持续性的社会发展,就需要对其各种生产生活所带来的污染物进行良好的监测。提供了一种对产污企业污染物排放过程进行科学监测的方法,对智能电表采集的数据进行处理与分析,构建BP神经网络模型对设备进行识别,从而判断设备启停状态。形成了24小时不间断的智能监控,进而对企业的污染物排放监管进行合理的监控,实现对企业生产中污染排放的监测,提升污染物的治理效果,具有较好的实际应用价值。

基于智能电表的电器用电量分类计量方法研究

随着电力需求侧对于用电管理的重视度提升,只提供用户总电量计量的电表已无法满足人们的要求,为此,开创性地提出了在通用电表上实现用电器用电量分类计量方法。该方法利用电表的数据采集及处理功能获取用电器特征后,将该暂态告警信息上传至云端与预先建立的SVM模型进行类别匹配,从而判定用电器类型及相应的用户操作,同时将识别结果及告警时间存入数据库,后续通过分类计量策略实现各类用电器单独的耗能量计算。实例验证了该方法的准确性及可靠性,该方法具有较大实际应用价值。

基于LSTM-ARIMA组合模型的区域短期用电量预测

用电数据具有不平稳、非线性的特点,为了提升对用电数据的拟合精度,增强预测能力,基于序列预测与残差修正的思想提出通过长短期记忆神经网络(Long Short-Term Memory Neural Network,LSTM)对用电量序列进行预测,真实值与预测值所构成的差值即残差用差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)进行残差修正,将LSTM的预测值与ARIMA的残差修正值进行重构得到最终的预测值。最后利用广东省佛山市某工业园区的用电数据对组合模型进行验证,实验结果显示该模型的预测精度与预测稳定性均优于其他模型,取得了良好的预测效果。

学生宿舍违规电器监控系统设计

针对学生宿舍用电安全问题,文章提出一种基于智能电表的宿舍用电器监控系统。系统分为智能电表和后台监控平台两个部分。通过智能电表完成用电器特征数据的采集与处理,通过4G模块将采集到的数据上传至后台监控平台进行分析处理。构建BP神经网络用电器识别系统,实现在线数据采集与监控,降低学生宿舍因用电设备短路、过载等问题而导致电气事故发生的概率,提高高校后勤对学生宿舍用电安全的管理效率。

基于电力数据分析的污水站点监测方法研究

在经济发展日新月异的今天,环境治污已成为确保社会经济健康有序发展的关键。为实现对污水站点的有效管控,需对其运行状态进行实时监测,为此,文章提出一种负荷功率曲线自动化异常检测的方法。对智能电表采集的负荷数据进行离群点分析并提取典型日负荷曲线,采用一种改进的皮尔逊相关系数分析方法,对每个站点的负荷曲线进行异常检测,判断污水站点的运行情况,提高异常检测准确率并减少人为误差和投入,具有较好的实际应用价值。

基于差量特征与AdaBoost的家用负荷识别方法研究

针对家用负荷提出了一种使用智能电表进行数据采集的非侵入式负荷在线识别方法。该方法使用智能电表计算出负荷的差量特征向量预先建立特征库,训练以决策树作为弱分类器的AdaBoost分类器模型,利用负荷投切时电表的告警信息中包含的特征向量进行分类以实现负荷在线识别,实时性好且提高了单一决策树模型的识别效果。实验结果证明了该方法的可行性,实现了负荷使用信息的获取,具有较好的实际应用价值。

基于MCQRDDC的负荷概率预测模型

针对具有约束性的复合分位数回归网络(monotone composite quantile regression neural network,MCQRNN)无法较好地分析负荷数据之中的时序信息和内在规律的问题,本研究融合MCQRNN以及膨胀因果卷积网络(dilated causal convolutional networks,DCC),提出了一种新的分位数回归模型MCQRDCC(monotone composite quantile regression dilated causal convolutional networks),该模型将输入划分为分位点输入与非约束输入,使该模型的输出随分位点的增大而增大,以此解决分位数交叉的问题.同时,使用DCC的结构,使该模型充分地分析负荷数据之中的序列信息,使得预测结果更加符合真实负荷的变化趋势.此外,MCQRNN使用指数函数对约束权重矩阵和隐藏层权重进行转化,会影响反向传播时权重的调整,本研究使用ReLU函数代替指数函数可以解决这个问题,以此提高预测的精度.使用真实的负荷数据进行实验,实验结果表明,MCQRDCC能有效地提高预测精度,相较于MCQRNN,其平均Pinball损失和CWC分别下降2.11%和9.31%,AIS提升了10.51%.

FFT在电网谐波测量中的应用

随着电子电能产品广泛应用于工业控制领域,各种电能应用问题随之产生,以电网谐波测量问题最为突出。本文主要研究FFT在电网谐波测量中的应用方面的内容。

下一代多芯模组化电能表相关技术分析

国家电网很早就提出了泛在电力物联网的基本概念,其中在电力行业当中,智能电能表被经常使用,是一种基础的计量设备,同时也是整个电网当中比较坚强的基石。因此为了顺应社会的发展,文章着重分析下一代多芯模组化电能表,对其模组化设计进行研究。

LoRa通信在智能用电系统中的应用

针对传统用电管理系统的问题,提出了基于LoRa的解决方案,并设计了LoRa通信模块。该模块采用SX1278调制解调无线信号,通过STM32F030K6解析外部设备指令并控制模块收发,应用改进的退避算法确保了关键信息能够优先发送。最后以智能电表为载体搭建测试环境,验证模块在实际环境中的效果。测试结果表明,模块通信距离长、通讯成功率高,并且较低波特率的成功率更高。