电力调度文本的自然语言理解与解析技术及应用

计算机对中文表达的非结构化电力调度文本的自然语言理解和语义解析是进一步提升调度智能化程度的难点之一。只有当机器能正确理解人类调度语句的含义时,才能真正实现调度中的人机协作。该文以停电计划为研究对象,提出一种能自主学习语义结构知识的电力文本语义解析技术。首先,利用Skip-gram模型实现词典文本向量化,应用层次聚类算法归纳调度语句模式,并将句法模式改写为正则表达式,建立句法知识库;采用短句结构文法技术辨识词语组合的从属关系。定义专属语义框架抽取重要设备信息;应用依存句法分析解决主语脱落现象。能更好地解决其他方法无法精准理解句意的问题。

缺少气象数据场景下的超短期风电预测

本文对单个风力发电序列进行建模,并提出一种基于小波分解、特征提取和XGBoost+逻辑回归LR(logistic regression)且不依赖气象数据风力发电预测模型。提出利用小波分解提取原始风电序列的平均分量和高频分量;分别对平均分量和高频分量进行建模;为了提高模型对数据特征的敏感性,提出了一种将手动提取的特征和历史数据用作预测模型输入的特征提取新方法;最后,选择XGBoost和逻辑回归的组合模型(XGBoost+LR)作为提升模型。实验使用Elia风电场集群数据集和中国南方某风电场的数据集作为测试数据,预测结果使用NMAE和NRMSE作为评价指标,与现有方法比取得明显提升。本文方法在风电功率上下爬坡阶段同样具有良好适应性。