基于无监督极限学习机的用电负荷模式提取

能源互联网的建设及发展使得用能端数据不断积累,充分利用用电信息,挖掘典型的用电负荷模式,是协调规划能源互联网并为其用户提供个性化服务的基础。用电负荷模式的提取通常以对负荷曲线进行聚类分析为基础,作为聚类算法输入的负荷曲线特征对聚类效果影响较大,高维输入容易使传统聚类算法表现不佳,对负荷曲线特征进行优化选取成为了一个重要问题。提出一种基于降维的负荷曲线聚类方法,首先用无监督极限学习机对原始负荷序列数据集进行低维嵌入,然后采用k-means算法对提取的低维特征进行聚类。给出了采用无监督极限学习机结合k-means方法进行负荷模式提取的具体流程。通过算例对比了传统k-means、其它降维算法加k-means与所提方法,实验结果证明所提方法聚类效果更好且效率较高,区分出的负荷曲线类别更能反映实际规律,得到的不同典型负荷曲线之间差异性更大。基于无监督极限学习机的聚类方法因其有效性可应用到用电负荷模式提取过程中。

基于边缘计算的电网边缘侧设备缺陷智能识别模型研究

目前,在电力设备的日常巡检和试验中,积累了大量关于设备故障情况的记录,缺乏相应的故障处理措施。传统集中式数据处理模型无法支持当前的强大电网系统。针对这一缺陷,文章提出了一种基于热点数据的电网边缘侧设备缺陷智能识别模型,模型分为云中心层、边缘层和现场层。在现场层,使用动态时间规整(Dynamic Time Warping,DTW)补充算法补充传感器数据;采用树突神经元模型(Dendritic Neuron Model,DNM)在边缘层进行故障初等分类,并将分类结果上传至云中心层;在云中心层利用数据之间的相关性实现故障分类。最后在公开数据集上进行设备缺陷识别模型验证,验证了模型的有效性和可行性。

基于电力物联网的数据智能检测模型研究

为支撑电力物联网数据共享,发挥电网数据价值,文章针对当前电力物联网数据平台中存在的技术组件多样、应用难度大、检索数据困难、数据应用门槛高和数据模型管控机制不完善等问题,优化电力物联网数据平台整体框架,提出基于孤立森林的量测类实时数据质量异常检测及改进算法,通过抢修故障研判和停电故障研判2个场景仿真验证数据质量检测算法的可行性,仿真试验结果表明该模型能够有效提升数据质量检测准确率。

高中数学课堂教学中学生解题能力的培养策略

高中生的基础必修学科——数学,是高中生在学习过程中必须重视的一门学科。学生在学习过程中,不仅要学习数学的理论知识,还应当注意培养自身的解题能力。这就要求教师在课堂教学过程中,要采取积极有效的教学方式,让学生的数学解题能力有所提高,继而提高数学学习水平。

应用于不平衡数据的电力实体识别方法

电力文本语料稀缺造成了训练数据的不平衡,使得主流的双向长短期记忆网络和条件随机场方法表现较差。为此引入一个分类模型,将语句分为强弱两类,分别训练优化网络模型。通过在公开语料数据上进行实验,证明了在对电力语料数据进行命名实体识别时,该方法比传统的聚类方法和原双向长短期记忆模型分别高12%和4%。