<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[《电力需求侧管理》编辑部 -->统计机器学习应用专辑]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于深度学习推荐模型的电力市场售电套餐推荐方法]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240501&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对售电公司如何在海量售电套餐中精准地为用户进行产品推荐,以及电力用户如何在众多的产品中挑选出符合自身需求套餐的双难问题,提出了一种基于深度学习的深度兴趣进化网络（deep interest evolution network,DIEN）售电套餐推荐算法。首先,将多种推荐模型进行比较,验证DIEN的表现；其次,对模型中的兴趣进化层结构与超参数进行解析；然后,针对DIEN模型在电力市场应用领域的“长尾效应”,在原始模型的兴趣提取层与用户向量之间引入两种门控机制；最后,进行算例分析,结果表明所提方法可在现有基础上提高电力用户的用电套餐适配率,提升电力公司的市场竞争力与电力公司和用户的双向收益。]]></description>
<pubDate>2024/9/25 22:50:00</pubDate>
<category><![CDATA[统计机器学习应用专辑]]></category>
<author><![CDATA[汤丽莉，陈 涛，高赐威，明 昊，袁 浩]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240501&flag=1]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于数据驱动自适应鲁棒优化的电-热耦合系统协同调度]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240502&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着电-热系统的紧密耦合,电-热联合调度已成为当前研究的热点。通过挖掘供热系统在源、网、荷侧的灵活性,为电力系统的风电消纳提供了额外空间。然而,可用的风电出力难以准确预测,且其相应的概率分布无法事先获取,而鲁棒调度又过于保守。为了解决这一问题,提出一种基于数据驱动的电-热耦合系统自适应鲁棒调度方法。该方法结合随机规划和鲁棒优化的优势,利用历史数据模拟最坏的概率分布场景,实现了经济性和保守性的平衡。通过在包含6节点电网和6节点热网的耦合系统进行仿真测试,验证所提方法的有效性。]]></description>
<pubDate>2024/9/25 22:50:00</pubDate>
<category><![CDATA[统计机器学习应用专辑]]></category>
<author><![CDATA[杜 源，薛屹洵，常馨月，苏 珈，孙宏斌]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240502&flag=1]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[农网台区线路异常的自适应DBSCAN-PNN诊断方法]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240503&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[新型电力系统建设背景下,线路异常诊断对于实现农网台区的线损管理和线路健康状态评价意义更为显著。针对当前农网台区缺少数字化线路异常诊断手段的问题,提出了一种基于自适应DBSCAN-PNN的农网台区线路异常诊断方法。首先,获取异常用户的虚拟回路阻抗计算结果；其次,采用K近邻方法自适应选取DBSCAN参数,并结合各类阻抗异常形成的专家先验知识规律,构建典型农网台区线路异常样本数据集；进一步将样本数据集按照一定的比例拆分为训练集和测试集,送入PNN分类模型中进行训练与测试,输出典型异常分类结果。最后,以某地区4类典型异常案例为基础进行案例分析,结果证明该方法异常诊断准确率能够快速实现典型农网台区线路异常诊断的快速精准识别,辅助支撑农网台区线损的精益化运维管理。]]></description>
<pubDate>2024/9/25 22:50:00</pubDate>
<category><![CDATA[统计机器学习应用专辑]]></category>
<author><![CDATA[田 峰，黄 莉，李 磊]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240503&flag=1]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于图注意网络和多层感知机的有源配电网拓扑辨识]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240504&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[拓扑精确感知能更好地支撑新型电力系统薄弱环节评估和负荷调控策略制定。针对有源配电网拓扑结构动态变化难以实时获取的问题,提出一种基于图注意网络和多层感知机的有源配电网拓扑辨识方法。首先,将有源配电网抽象为图模型并用图注意网络自适应学习各节点之间的连接关系,并计算图中各节点多头注意力融合特征；然后,将融合后的节点特征与拓扑中的全部边集合输入至多层感知机中,学习节点融合特征与边连接状态之间的关系,并将图中全部边状态辨识结果整合输出拓扑图级辨识结果；最后,基于IEEE 33节点配电网和IEEE 123节点配电网验证所提方法的有效性,并分析所提方法在不同噪声水平条件下的鲁棒性。同时,将所提模型与其他传统机器学习、深度学习算法进行对比,分析了所提方法的优越性。]]></description>
<pubDate>2024/9/25 22:50:00</pubDate>
<category><![CDATA[统计机器学习应用专辑]]></category>
<author><![CDATA[姜学宝，周陈斌，付柳笛，陈 康，王 亮，潘 琪]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240504&flag=1]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于深度学习的新能源场站不良数据辨识与修正方法]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240505&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对新能源场站数据采集错误的问题,考虑到新能源场站数据具有海量和相互耦合的特点,提出一种基于深度学习的新能源场站不良数据辨识与修正方法。首先,构建长短期记忆神经网络模型,利用偏差阈值进行判断得到标识的不良数据；在此基础上,提出了萤火虫算法优化的BP修正模型,建立修正评判标准,将标识的不良数据进行修正,得到新能源场站可靠的运行数据；最后,通过实际数据集对方法的有效性进行了验证,结果表明所提方法能够有效处理新能源场站运行不良数据,具有实际应用价值。]]></description>
<pubDate>2024/9/25 22:50:00</pubDate>
<category><![CDATA[统计机器学习应用专辑]]></category>
<author><![CDATA[翟晶晶，乔 阳，郝思鹏]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240505&flag=1]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[配电网精细化拓扑运行状态DCNN在线辨识方法]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240506&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[构建以新能源为主体的新型电力系统是实现碳达峰、碳中和目标的重要手段。新型电力系统中新能源将成为主力电源,高渗透率接入的新能源将深刻改变电力系统的形态、特性和机理。提出了一种结合潮流方程和深度神经网络的融合方法求解与量测值最优匹配的拓扑和线路参数估计方法,通过分析海量信息数据,透过数据关系探究电网运行规律,用于配电网精细化拓扑辨识及线路参数估计。首先,利用线性回归方法对拓扑和线路参数进行初步估计,得到初步辨识参数,并对初始辨识参数进行降噪处理；然后,基于深度神经网络对量测数据进行特征筛选,将筛选出的特征类别与相应的拓扑结构一一对应,构建训练数据集,进行离线训练,最终得到训练后的模型,从而得到精准的拓扑结构。最后,在IEEE 33节点配电网中进行了仿真验证,证明了该方法的有效性和较强的工程实用性。]]></description>
<pubDate>2024/9/25 22:50:00</pubDate>
<category><![CDATA[统计机器学习应用专辑]]></category>
<author><![CDATA[蒋 帅，李德志，廖霈之，吴 啸，田长航]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240506&flag=1]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[公共建筑空调负荷的自适应滑窗LSTM预测方法]]></title>
<link><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240507&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对空调负荷受天气条件和日历信息等多维因素影响,难以充分挖掘空调负荷数据的时间序列特征,导致预测精度低的问题,提出一种基于自适应滑窗的长短期记忆递归神经网络（LSTM）的公共建筑空调负荷预测模型。首先分析了公共建筑空调负荷的影响因素；同时针对传统的时间序列预测模型在处理非平稳数据时效果不佳的问题,创新性地引入了自适应滑动窗口机制,能够动态调整滑窗大小,更好地捕捉温度和历史空调负荷数据的变化特征,提高了数据预处理的有效性；进一步根据空调负荷变化的复杂性和长短期依赖性原因,设计多层LSTM网络架构,实现公共建筑空调负荷准确预测。以某区域负荷数据为例,验证了所提模型在选择合适的滑动窗口数量时,拟合能力更高,预测效果更好。]]></description>
<pubDate>2024/9/25 22:50:01</pubDate>
<category><![CDATA[统计机器学习应用专辑]]></category>
<author><![CDATA[任禹丞，王玉珏，贾丰全，胡涵天]]></author>
<guid><![CDATA[http://dsm.ijournals.cn/ch/reader/view_abstract.aspx?file_no=20240507&flag=1]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>