一种基于自注意力机制的CNN-BiLSTM非侵入式负荷分解方法研究

作为智能电网发展的分支,非侵入式负荷监测技术在促进用户用电行为信息细粒化、提高电能资源利用效率、推动智能电力可持续发展等方面起着重要作用。为提高用电设备特征提取的有效性以及负荷分解的精确度,提出了一种基于自注意力机制的CNN-BiLSTM非侵入式负荷分解方法。首先,采集用电设备端智能电表的总负荷功率,对原始数据进行归一化处理,缺失值填充后划分为训练集与测试集。其次,对卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的混合模型进行训练与优化,同时引入自注意力机制,决定输出权重值,从而提高网络预测精度和表征能力。最后,将测试集中的总功率送入网络进行负荷分解,结果表明,在研究神经网络后提出的模型能充分挖掘数据的空间与时序特征,同时对重要特征进行有效提取,提高了负荷分解的能力。

基于多波束基站天线的扩容方案探讨

当今的2G、3G、4G系统长期并存使用,在站址资源和频谱资源双重紧张的前提下,有效地解决通信容量不足、覆盖易出现盲区等问题迫在眉睫;多波束天线在缓解站址资源和提高系统容量方面极具优势。基于上述背景,从实际出发,在移动通信领域展开了基于多波束天线的扩容方案研究,创新性地提出了一种可实现天线多波束功能的波束成形网络,分析了该多波束天线在工程应用中的覆盖、RSRP、SINR、切换和重叠覆盖度等指标,验证了该方案能有效地提升系统容量,提高用户感知。