可穿戴计算设备中振动表情的设计与应用

针对由振动产生的触觉刺激,研究在可穿戴计算设备中利用振动信号表达情感的可能性.在分析触觉刺激、触觉表达、振动参数等内容的基础上,通过改变振动的强度、节奏与时长,设计出6种振动模式,分别对应愤怒、害怕、搞笑、悲伤、厌恶和惊奇这6种基本情感,并将这6种振动模式称为振动表情.将振动表情应用在可穿戴计算设备常作用的手指、手腕、上臂和脚踝这4个部位上,并通过比较振动表情在各部位的识别率确定被试能否在各部位准确识别出每一种振动模式所代表的情感.设计一款可穿戴式振动指环,探讨在远程通信场景下振动表情对于情感表达的作用,以评估振动表情的有效性.结果表明:在可穿戴计算设备中引入振动表情,通过振动刺激表达情感信息,可以有效提高情感识别的准确性,增强情感感知强度.可考虑在可穿戴计算设备中引入振动表情,将情感特征以振动的形式表现出来,从而提高情感传递的效率.

一个面向电力计量系统的联邦学习框架

大数据时代背景下,不同的数据拥有者之间存在信息孤岛的问题,要想得到性能较好的模型,数据必须整合在一起,这经常带来信息安全和数据隐私保护问题。考虑到电力计量系统中各个数据拥有者之间也存在信息安全等问题而无法整合在一起的情况,为了充分利用这些数据完成针对电力计量系统业务应用模型的训练,提出一种基于联邦学习(federated learning,FL)的分布式训练框架,并利用该框架对电力计量数据进行分析。所提出框架旨在保证各个本地电力数据信息安全的前提下,构建去中心化数据的集合以及联合多方数据,进而利用加密后的中间参数,完成多数据源对于联合模型的共同训练。最后通过对联邦学习框架在电力计量领域3项实验结果的分析,证明了该框架的实用性和可行性。

面向大规模电能量数据的全栈全分布式架构设计与应用

随着数字电网建设的进一步发展,电能量数据规模不断扩大,数据应用需求也不断增加。考虑到南方电网网级电能量数据平台原有应用架构的局限性,本文设计了面向大规模电能量数据的全栈全分布式架构,并应用于网级电能量数据平台。该架构综合分布式计算技术、分布式存储技术、分布式消息队列和分布式应用技术,实现全南方电网辖区电能量数据的实时采集、集中管理和统一应用,支撑了南方电网用电分析、线损管理、电能质量监测等业务开展,提高了电能量数据的分析应用能力和管理水平。

用电量数据的可视化研究综述

可视化技术是挖掘用电量数据中所蕴含丰富信息的关键技术手段,其相关研究热点集中在四个方面。用电量可视化分析形式主要有堆叠面积图等标准图表和一些自定义图表。用电量监控的可视化系统常用于建筑群和工业过程的能耗分析,其可以在用电行为纠正等方面发挥作用。用电异常的可视化包括异常计量用电数据和异常用电行为两个方面,以从源头提高计量数据质量,减少防窃电工作量。用电量数据挖掘的可视化研究集中在用电量预测中更实时的交互手段和用电用户分类中聚类分析算法的过程展现。以往各项的研究仍存在数据量较小、数据维度不高、未考虑外部因素等不足。未来应提升数据量级、扩大时空范围、融合多源数据、建立更细颗粒度用电数据模型。

交互式电能量大数据人工智能平台构建

针对人工智能技术在电能计量行业中的应用,从南方电网电能量数据中心人工智能平台构建项目研究进展出发,构建交互式电能量大数据人工智能平台。平台主要分为电能量数据接入层、智能算法层和可交互业务应用层。本文首先通过对平台架构进行整体性的概述,阐明层次关系以及各层次中包含的主要内容;然后介绍电能量数据接入层、智能算法层的功能作用,设计理念以及内部逻辑。最后重点介绍可交互业务应用层以及简单阐述系统实现,详细介绍本系统用到的几种主要交互方式,阐述如何与电能量人工智能平台业务相结合,提高电力人员使用系统的便捷性和交互性。

基于联合神经网络学习的中文电力计量命名实体识别

随着电力计量业务的不断扩展,迫切需要由业务信息、技术知识、行业标准及其内在联系所组成的电力计量知识图谱,为电网的决策和发展提供更为全面有效的支持。命名实体识别是构建知识图谱的基础。针对电力计量领域需要,结合中文分词技术特点,基于联合学习思想,提出了一种基于联合学习的中文电力计量命名实体识别技术。该技术联合CNN-BLSTM-CRF模型与整合词典知识的分词模型,使其共享实体类别和置信度;同时将2个模型的先后计算顺序改为并行计算,减少了识别误差累积。结果表明,在不需要人工构建特征的情况下,方法的正确率、召回率、F值等均显著优于以往方法。

基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测

在电力系统的运行过程中,不可避免地会产生异常电量数据,如何高效地检测辨识这些异常数据是电力系统状态估计中至关重要的组成部分,也是电力系统运行的安全性和稳定性的基础。传统的异常检测方法只针对特定的电力系统特性,且存在计算量较大、准确率较低的问题。针对传统电量数据异常检测方法的不足,提出一种基于三次指数平滑模型和DBSCAN聚类的电量数据异常检测方法。三次指数平滑模型利用历史数据预测当前时刻区域用电量,然后对预测值和真实值相减得到残差项,最后利用DBSCAN密度聚类算法来对残差项进行聚类,实现电量异常数据的识别。对某电网的区域用电量数据进行实证分析并与3种常用异常检测模型进行实验对比。结果表明,三次指数平滑模型与DBSCAN聚类结合,在电量异常数据检测中检测率和误报率指标均取得了比较好的结果。

基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

近年来,以循环神经网络(RNN)为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆(MSD-LSTM)网络的短期电力负荷预测模型。具体来说,以长短期记忆(LSTM)网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。

DSTATCOM配置与整定的多目标协调优化

配电网具有供电半径长、结构复杂的固有特征,强波动性负荷以及分布式电源的增加进一步加剧了配电网潮流的不确定性,恶化配电网的电压质量,因此有必要合理配置DSTATCOM以提升配电网经济效益、保证电压质量,进而提高对分布式电源的消纳能力。提出一种配电网DSTATCOM配置与整定的多目标协调优化方法,在优化配置过程中考虑DSTATCOM的运行与参数整定问题。优化模型涉及系统网损电量、设备总投资、设备闲置率以及DG弃发电量等多个目标,基于NSGA-II求取帕累托解集并运用带权理想点法进行决策,其突出特点在于能够综合考虑DSTATCOM的配置与运行,通过IEEE33节点算例验证了该方法的有效性。

电网运行状态可视化综述

电网运行状态包括电网在发电、输电、配电、用电这一完整过程中各个阶段的状态.面向电网运行状态分析的可视化方法,通过将专家经验融入数据分析过程,能有效地解决传统自动化方法的弊端,已被广泛应用于电网运行状态分析.文中介绍了电网数据可视化常用的3类数据,即图数据、时空图数据和多维数据,以及这些数据面向的4种可视化任务,即检测与辨认、相关性分析、态势感知预测.文中从数据和任务2个角度,回顾、总结了已有的可视化方法在解决电网实际应用问题中所起的作用,并分析了节点链接图、平行坐标图等多种可视化方法在不同电网运行状态分析任务中的利弊.研究分析表明,电网运行状态可视化仍面临着难以处理海量数据、实时流数据,并且缺乏完整、全面分析工具等诸多问题.

基于残差连接长短期记忆网络的时间序列修复模型

传统的时间序列缺失修复方法通常假设数据由线性动态系统产生,然而时间序列更多地表现为非线性。为此,提出了基于残差连接长短期记忆(LSTM)网络的时间序列修复模型,称为RSI-LSTM,用来有效捕获时间序列的非线性动态特性,并且挖掘缺失数据和最近的非缺失数据之间的潜在关联。具体来说,就是采用LSTM网络对时间序列的非线性动态特性进行建模,同时引入残差连接来挖掘历史值与缺失值的联系,从而提升模型的修复能力。首先使用RSI-LSTM对单变量日供电量数据集的缺失数据进行修复,然后在第九届电工数学建模竞赛A题的电力负荷数据集上,引入气象因素作为RSI-LSTM的多变量输入,以提升模型对时间序列缺失值的修复效果。此外,使用了两个通用的多变量时间序列数据集以验证模型的缺失修复能力。实验结果表明,在单变量和多变量数据集上,RSI-LSTM的缺失值修复效果均优于LSTM,得到的均方误差(MSE)总体下降了10%。

光储与DSTATCOM协同运行及定容

针对光伏出力不确定性引起的电压质量等问题,提出一种光储与DSTATCOM协同运行的方法,并建立DSTATCOM的容量配置与整定的多目标优化模型,在定容过程中考虑DSTATCOM运行的参数整定问题。以全天网损电量、DSTATCOM配置容量为优化目标,基于NSGA-II求取Pareto最优解集从而为DSTATCOM容量配置及参数整定提供决策依据。IEEE 33节点配电网算例表明,本文方法能够优化配置DSTATCOM容量,在提高系统电压质量和降损方面具有显著效果。

电量预测中的多分辨时序神经网络模型研究

精确的电量预测可以为电量生产和供电调度提供可靠的指导,不同行业的用电量数据分布特性不同,用电量的周期性也因行业周期的不同具有不同时间尺度。传统的用电量预测模型难以在拟合用电量数据周期性的同时捕捉数据的波动性,为此本研究提出了多分辨时序神经网络(MTNN)模型,根据用电量数据特性将用电量数据视为近似的周期性数据分量和波动分量的组合,从多时频分辨率的角度对用电量数据进行多尺度分解,在不同时频尺度下预测用电量数据分量,然后通过组合预测分量实现用电量预测任务。具体而言,为捕捉数据周期性,首先使用集成经验模态分解方法(EEMD)对用电量数据分解,得到不同时间尺度的模态分量(IMF),使用LSTM预测高阶IMF分量;对于低阶IMF分量,设计了多阶时频注意力神经网络计算低阶IMF分量的预测值,最后组合多个IMF分量的预测值得到电量预测结果。实验结果表明,与常用的电量预测模型相比,MTNN能更好地捕捉电量数据的变化规律,提高电量预测的精度。

支持跨领域的中文虚假评论识别方法

【目的】在多领域数据集的基础上,构建一种基于评论文本深层词关系语义信息提取的支持跨领域的中文虚假评论识别模型CFEE,解决传统识别方法较少考虑中文评论文本中存在不同领域数据差异性和领域虚假评论数据隐藏性的问题。【方法】提出11条虚假评论数据集建立规则,建立多领域数据集;构建CFEE模型跨领域识别中文虚假评论,其主要功能为基于ERNIE预训练模型提取文本深层语义信息、基于评论文本情感属性识别评论隐藏性、基于卷积神经网络将文本信息投射到词关系维度、基于神经网络融合特征实现分类。【结果】CFEE模型在多领域中文虚假评论数据集上的F1值为91.52%,在手机、食品、服装、家电等单领域数据集上的F1值分别为85.71%、79.59%、85.71%、85.00%,效果均显著优于现有模型。【局限】存在人工标注的主观性。【结论】本文所提识别方法能够有效地跨领域识别中文虚假评论。