面向电力边缘数据分析的图分类算法研究进展

随着智能电网等技术的发展,关于图数据的研究应运而生。图分类的目的是将图数据中表示的目标进行分类。在智能电网领域,从电网边缘终端设备产生的电力数据可以通过构图的形式表示成图数据进行处理。根据基础模型的不同,将现有图分类的方法归纳为四类,分别是嵌入方法、基于图的特征挖掘方法、核函数方法和深度学习方法。介绍图分类中常用的数据集,总结图分类方法的相关开源代码,可有效促进智能电网领域边缘数据分析技术的发展。

基于Bi-LSTM的家庭用电量预测

电网智能化升级改造将传统电网与先进的信息、智能技术相融合,实现电力行业的根本性变革。智能电表是智能电网系统中收集用户用电信息的代表性边缘设备,当前智能电表收集的用电量数据存在维度低、波动性强等特征,造成对未来用电情况难以预测的问题;同时对于未来边缘设备端用电量的预测,其他相关特征信息的不可得,此时研究基于单变量特征的用电量预测至关重要。为此,提出一种基于双向长短期循环记忆循环神经网络(Bi-directional Long Short-Term Memory,Bi-LSTM)的单变量家庭用电量预测模型,Bi-LSTM模型能够充分利用上下文的信息实现更准确的预测效果。通过西班牙某市真实的智能电表数据对提出的模型进行了验证,实验结果表明,该模型的预测性能相比传统LSTM、SVM方法有进一步的提高。