基于LSTM的ZigBee网络中通信信号识别算法

针对ZigBee网络与WiFi网络共享频段,易受到WiFi信号干扰的问题,提出了一种基于长短期记忆神经网络的ZigBee网络中通信信号识别算法,对ZigBee网络中的ZigBee信号与WiFi信号进行识别。通过Matlab中的Simulink仿真搭建了ZigBee信号、WiFi信号发生器模型,来获取同相和正交(IQ)数据,在同一信道下进行干扰,并在分别设置-50dB-0dB不同的信噪比进行干扰,以此构建ZigBee、WiFi信号数据集,对数据采用不同数据维度,并对数据进行长度的截取处理;随后利用文中构建的长短期记忆神经网络(LSTM)识别ZigBee网络中通信信号,并与卷积神经网络(CNN)对比。实验结果表明:在低信噪比环境下,长短期记忆神经网络(LSTM)相比卷积神经网络(CNN)获得更高的识别准确率,LSTM网络的信号识别准确率可以达到90.5%,且LSTM模型始终能够获得较高的准确率和较为快速的收敛速度。

基于MLP-BiLSTM-TCN组合的超短期风电功率预测

风电功率受气象等因素影响具有很强的随机性和波动性,传统单一神经网络模型预测精度较低,难以满足需求。基于此,提出了多层感知机(multi-layer perceptron,MLP)-双向长短期记忆(bidirectional long short-term memory,BiLSTM)-时间卷积网络(temporal convolutional network,TCN)组合的超短期风电功率预测模型。首先使用皮尔逊相关系数处理数据,将相关性高的特征和每个预测点前6个真实值作为输入,然后生成3种基础神经网络模型MLP、BiLSTM、TCN,并根据隐藏单元设置不同参数,每个模型选取4个参数结果即组成12种基础模型。最后采用线性规划(linear programming,LP)法求出不同权值,以达到结果的最优化。以新疆某风电场为例对所提组合模型进行验证,绝对平均绝对误差(mean absolute error,MAE)为2.975 MW,均方根误差(root mean square error,RMSE)为5.474 MW,相较于其他模型,所提组合模型具有更高的预测精度。该研究能在风电功率预测中进行实时调度,解决电网调频问题,对组合模型预测研究有促进作用。

基于Informer的长序列时间序列电力负荷预测

针对长时间序列电力负荷的预测精度低的问题,应用了基于Informer长时间序列模型的电力负荷预测方法.该方法通过Informer模型中的自注意力蒸馏机制,使得每层的解码器都将输入序列的长度缩短一半,从而极大地节约了Encoder内存开销,并在编码器结构中使用生成式结构,使得预测解码时间极大的缩短;以澳大利亚的电力负荷数据作为测试用例,并与长短时记忆神经网络(long-short term memory,LSTM)和卷积神经网络(convolutional neural network,CNN)模型方法进行对比,结果表明,Informer模型的预测精度更高,Pearson相关系数可以达到91.30%,有效提高了负荷预测精度.

基于GAF-CNN的配电网局部放电检测

针对传统配电网局部放电诊断中提取的特征面临自适应能力不足、难以匹配特定故障等问题,提出了一种基于格拉姆角场(Gramian Angular Field,GAF)和卷积神经网络(Convolutional Neural Networks,CNN)的绝缘架空导线局部放电诊断方法。该方法将局部放电数据使用格拉姆角场构造二维图像,并将其图片输入构建的卷积神经网络来对正常信号和局部放电信号进行分类。实验表明,使用GAF-CNN模型对局部放电的识别精度可以达到99.77%。

基于双层XGBoost的风力发电机瞬时发电量预测

为解决风力发电预测不准确的问题,进一步提高风力发电场发电量的预测精度,提出了一种双层XGBoost的风电场发电量预测模型.该模型第一层为数据分析层,利用XGBoost的特征重要性排序分析SCADA数据,通过特征重要性分析排序选择特征变量作为输入;第二层为预测层,利用XGBoost回归算法建立风力发电量预测模型.为表现模型优越性,设置对比实验,将降维后的数据输入随机森林和决策树.结果表明,对比随机森林和决策树,XGBoost模型均方根误差和平均绝对误差较小,准确率可达到96.1%,具有更高的拟合度,可以有效解决非线性变量难以选择的问题,减少输入特征维度,加快预测速度.

基于Vision Transformer的光伏组件红外图像故障检测

太阳能光伏板受制造、运输、安装以及环境因素的影响,易发生故障和损坏,造成能量损失。通过对电池板进行红外图像检测,可以估计电力生产的损失,降低运行和维护的成本。基于此,设计了一种基于Vision Transformer的光伏异常红外图像检测的方法,通过对异常红外图像的检测,达到对不同的故障类型进行分类的目的。Vision Transformer首先将输入进来的图片,每隔一定的区域大小划分图片块,然后将划分后的图片块组合成序列,并将组合后的结果传入Transformer特有的Multi-head Self-attention进行特征提取,最后利用Cls Token进行分类。实验结果表明基于本文方法的红外图像检测准确率可达到95.787%,高于Xception模型11.9%、高于VGG16模型17.74%。