基于EWT-CNN-BiGRU的多特征电力负荷预测模型

针对目前多特征预测模型在短期电力负荷数据上精度不足的问题,提出一种基于经验小波变换(EWT)的卷积神经网络(CNN)融合双向门控循环单元(Bi GRU)预测模型。首先,从多维时序数据中提取强关联性特征,其次,对选定特征进行经验小波变换,将时序数据映射至频域以获取子序列,最后,通过卷积神经网络和双向门控循环单元融合模型实现对电力负荷数据的预测。该预测模型使用德国某联合循环电厂的时序数据进行实验验证。结果表明,该预测模型获得99.463%的拟合优度,具有较好的预测效果。

基于局部线性嵌入和深度森林算法的电力客户投诉预测模型

由于电力市场竞争日益激烈,用户对服务质量的要求不断提高,用户投诉量持续上升。在基于大数据的电力客户投诉预测模型的体系结构基础上,提出一种基于局部线性嵌入和深度森林算法的电力客户投诉预测方法。采用局部线性嵌入算法对客户投诉预测模型的输入特征向量进行降维处理,减少计算量和避免陷入局部最优解;对降维后的投诉预测特征向量进行多粒度扫描,提高其表征学习能力;基于级联森林建立深度森林算法模型,实现客户投诉预测。实际数据的仿真结果表明,与不进行降维处理及其他预测模型相比,文中所提出的预测模型可以更准确地预测客户投诉趋势,为电力企业客户投诉分析和预测提供了参考依据。

基于大数据平台的电压质量诊断与应用分析

针对传统电压质量异常识别方法效率低下,难以做到全面的识别与监控的问题。文中搭建了电压质量诊断与分析平台模型,通过主成分分析得到影响端用户电压监测分析、配网低压台区运行状态分析等应用的主成分,对数据进行降维,实现数据的简化处理。聚类分析筛选出符合异常特征的电压异常数据,利用电压异常模型确定异常数据,生成电压异常识别结果。基于J2EE技术框架在末端用户电压监测分析、配网低压台区运行状态分析、配网线路故障判断分析等方面进行可视化展示。

基于Stacking集成模型的台区线损率预测方法研究

针对现有线损率预测方法预测精度较低的问题,提出了一种将Stacking集成学习模型与改进的k-均值聚类方法相结合用于预测台区的线损率。通过聚类方法进行数据聚类,再通过Stacking集成学习模型对台区线损率进行预测。Stacking集成学习模型由XGBoost模型、梯度决策树模型和支持向量机模型构成。与传统预测方法进行对比分析试验验证可行性。结果表明,与传统的线损率预测方法相比,所提出的线损率预测方法具有更好的预测效果,更高的预测精度和拟合效果。该研究为实现电网双碳目标提供了一定的参考。

基于流计算的大客户用能智能分析方法

针对大客户用电用能综合分析及无法及时发现用电异常的问题,设计了一种基于流计算下大客户用能智能分析方法。首先给出了大客户用能智能分析系统的整体构架,并从软硬件功能需求方面进行了描述。依托流计算技术实时处理能力和高性能数据吞吐能力实时处理采集到的数据,运用机器学习按照用户综合用能分析数学模型和窃电识别模型学习处理异常数据。并对高风险用户一定周期内的线损计算曲线、用能曲线以及电压、电流等电气数据进行展示,为大客户智能用能提供辅助支撑。

基于逻辑回归模型的电力用户停电敏感度预测

传统的电力用户停电敏感度预测研究方法速度慢,预测精确度低。基于逻辑回归模型研究了一种电力用户停电敏感度预测方法,利用逻辑回归模型的通用公式收集电力用户停电敏感度数据,对收集的整体数据进行分析筛选,剔除一些无关数据并比对剩余数据,得到具体分析数据图。建立逻辑回归模型,根据建立的逻辑回归模型实现敏感度预测。实验结果表明,所提方法能够在短时间内精确地预测出用户停电敏感度,降低经济损失。

基于改进SVM的电力用户异常用电行为检测方法研究

针对现有异常用电行为检测方法提取特征单一、检测精度不高等问题,文章提出了一种将改进蚁狮优化算法和改进支持向量机相结合,用于检测电力用户异常用电行为。采用决策树优化支持向量机转换为多级分类器,通过改进蚁狮优化算法优化支持向量机参数,提高训练速度。通过试验对多种异常用电行为进行分析,验证了所提方法的优越性。结果表明,与传统的异常数据检测方法相比,所述方法具有更高的检测精度和更低的训练时间。

基于大数据的数字化电能计量误差分析

数字化电能计量系统仍存在着可靠性、稳定性等问题,具有大数据特点。因此,文中分析了数字化电能计量误差的主要来源及其数学模型,结合大数据的分布式存储和计算技术,构建了基于Hadoop构架、Spark内存计算框架的电能计量误差多维分析与诊断平台。平台根据计量数据提取误差信号,计算误差特征值,对其进行多维分析,采用朴素贝叶斯算法进行误差类型诊断。试验结果表明,本方案具有算法并行化可行性高、分布式数据处理能力强的优点。

智能配电网环境下负荷预测研究

智能配电网环境下,负荷预测精度的高低影响着电网运行的安全性和经济性,为了提高负荷预测精度,提出了人工鱼群-反向传播算法(AFSA-BP)的电力负荷预测模型。传统BP算法由于输入神经元,隐层神经元和输出神经元之间的初始权值和阈值为随机获取,降低了算法的收敛速度和预测精度,采用AFSA算法对BP算法的初始权值和阈值进行全局寻优,获得最优的网络模型。在分析了电力系统负荷特性的基础上,采集历史负荷数据,天气和节假日信息,采用AFSA-BP算法建立短期负荷预测模型。为了验证该算法的准确性,分别采用BP、最小二乘-支持向量机(LS-SVM)、AFSA-BP算法对某省的电力负荷进行仿真实验,AFSA-BP算法的均方根误差(RMSE)为0.0862,而BP算法和LS-SVM算法的RMSE分别为0.2558和0.1522,结果验证了AFSA-BP算法适用于短期电力负荷预测。

从契税的征收问题探讨房地产相关税收的统一征管

从契税的征收问题探讨房地产相关税收的统一征管□文／保富光复爱东锦萍一从契税的征收问题探讨房地产相关税收的统一征管□文／保富光复爱东锦萍契税与房地产相关税收之间的关系契税是房屋、土地等不动产在所有权、使用权转移过户过程中形成的，是独具保障性特点的税收，...

从“小南京”到“小蓝鲸”——刘国梁创业致富记

在武汉谈到吃,许多人就会提到＂小蓝鲸＂三个字。然而创造＂小蓝鲸＂老板刘国梁,20多年前只是一个读不起书、在小镇上炸油条的乡下娃……在短短10余年时间里,刘国梁把一家不起眼的小餐馆一跃成为湖北中餐连锁的龙头企业,使＂小蓝鲸＂成为武汉餐饮业的一块响亮的招牌。

基于PBT的自动调参算法应用研究

超参数的取值对机器学习的模型效果有至关重要的作用。如果根据德尔菲经验法来人工选择超参数,那么需要充足的相关经验、大量的精力以及不可控制的运气成分。深度强化学习的超参数配置最理想的状态是可依据当前所面临的学习状态进行自动调整,并非在多种状态下只使用同一组配置好的超参数。基于此,提出一种基于群体的超参数自动调整算法(PBT)。PBT是参数随机搜索及人工调优这两种使用频率最高的超参数优化方法的结合,其在搜索参数的同时训练并优化参数网络,从而能快速准确地找到最优参数。超参数自动调整的方法可大幅缩短模型构建时间,提升建模效率,提高模型精度。PBT使得试验者能快速为任务选择最佳的超参数集合和模型。

配网供电可靠性多维度大数据分析方法研究

采用传统分析方法进行配网供电可靠性分析时,存在分析角度不全面、分析有效性较低等问题,为此提出一种配网供电可靠性多维度大数据分析方法.该方法通过设计配网供电可靠性指标,利用大数据分析方法对配网供电性能进行评估,并利用状态转移抽样法获取配网供电系统的状态变化序列.实验结果表明,该方法可准确获取用户平均停电时间、平均停电概率等指标,并准确分析配网供电可靠性,验证了方法的整体有效性.

基于数据挖掘的节约电力潜力用户智能识别方法

针对电力用户高斯核密度不明确,导致识别方法的稳定性较低的问题,设计一种基于数据挖掘的节约电力潜力用户智能识别方法。利用数据挖掘技术估算节约电力潜力值,划分电能消费结构类型,计算距离样本中心的最小距离与最大距离,获取电力用户高斯核密度,结合电力负荷发展规律,构建用户隶属度矩阵设置智能识别模式,实现智能识别方法设计。实验结果表明,在不同的攻击强度条件下,设计的用户智能识别方法稳定性均值较高,最高可达83.278%,为识别节约电力潜力用户提供保障。

基于大数据背景的电力调度数据智能估计技术研究

针对电网常规运行、检修运行过程中出现的大量电路状态重构和全角度覆盖的运行工况,即电力调度大数据,进行电路运行状态的分析和电路各类故障的精准定位。基于转移潮流策略和电力调度大数据的状态智能估计技术,对SCADA系统的量测进行了错误数据的精准定位,经过在实际环境中的运用,证明了新策略的有效性。

网络环境下的大数据采集和处理

在信息媒体技术高速发展的今天,网络信息日新月异,大数据正在世界掀起一股狂热浪潮,成为人类社会的一大生产力。网络环境下的大数据技术不仅仅只是对信息的收集,同时也是对信息的分析和处理,整合信息背后所隐藏的价值。大数据技术将会为人类社会带来新的改革方向,促进人类社会的文明发展。文章主要通过探索网络环境下大数据发展的规律,以及网络环境下大数据存在的特点,针对大数据资源的有效应用途径,进一步研究其数据的采集及处理技术。

计及供电范围的区域性客户服务风险分级预警方法

针对区域性客户服务能力较差,停电风险等级划分不明显的问题,提出了计及供电范围的区域性客户服务风险分级预警方法。建立客户工单与区域构成的基础服务网格对应关系。在此基础上,结合电网企业供电范围,归集历史工单中的客户问题,判断是否存在区域性的客户服务风险,按照严重程度将区域风险划分为一级、二级、三级、四级。由实验结果可知,特大事故下的损失负荷在3500-4000db范围内;重大事故下的损失负荷在3000-3600db范围内;一般事故下的损失负荷在500-2600db范围内;小事故下的损失负荷在0-500db范围内,可实现区域性客户服务风险精准分级,识别并预警区域性客户服务风险,提高服务效率。

浅谈微服务架构的实施实践

随着互联网络的不断普及和发展,人们对于互联网平台的功能和要求也提出了越来越多的要求,"一平台一系统多场景"的微服务架构已经进入了实践实施阶段,成为了人们生产生活中不可缺少的一个部分。本文主要从微服务架构、微服务、微应用、微应用和微服务的关系、微应用和微服务的划分标准、业务架构的微应用化和技术架构的微服务化几个方面对微服务架构的实施实践进行了分析研究。

一种基于深度强化学习的任务卸载方法

随着车联网的快速发展,车载应用大多是计算密集和延迟敏感的。车辆是资源受限的设备,无法为这些应用提供所需的计算和存储资源。边缘计算通过将计算和存储资源提供给网络边缘的车辆,有望成为满足低延迟需求的有效解决方案。这种将任务卸载到边缘服务器的计算模式不仅可以克服车辆资源的不足,还可以避免将任务卸载到云可能导致的高延迟。提出了一种基于深度强化学习的任务卸载方法,以最小化任务的平均完成时间。首先,把多任务卸载决策问题规约为优化问题。其次,使用深度强化学习对优化问题进行求解,以获得具有最小完成时间的优化卸载策略。最后,实验结果表明,该方法的性能优于其他基准方法。