面向多源異構(gòu)數(shù)據(jù)的知識(shí)圖譜可視化融合方法[人工智能][其他]

為解決數(shù)據(jù)冗余沖突與關(guān)聯(lián)缺失問題,研究面向多源異構(gòu)數(shù)據(jù)的知識(shí)圖譜可視化融合方法,提升數(shù)據(jù)融合的可靠性。利用網(wǎng)絡(luò)本體語言為多源異構(gòu)數(shù)據(jù)建立對(duì)應(yīng)的領(lǐng)域本體庫與全局本體庫,使得知識(shí)實(shí)體抽取和知識(shí)融合在同一框架下進(jìn)行;通過長(zhǎng)短期記憶網(wǎng)絡(luò)-條件隨機(jī)場(chǎng)模型,在本體庫約束下,從多源異構(gòu)數(shù)據(jù)中抽取符合領(lǐng)域定義的知識(shí)實(shí)體;利用基于層次過濾思想的知識(shí)融合模型,可視化融合抽取的知識(shí)實(shí)體,解決多源異構(gòu)數(shù)據(jù)中冗余信息和不一致性問題,形成準(zhǔn)確、完整、可靠的多源異構(gòu)數(shù)據(jù)可視化融合知識(shí)圖譜,有助于發(fā)現(xiàn)潛在的數(shù)據(jù)關(guān)聯(lián),補(bǔ)全數(shù)據(jù)關(guān)聯(lián)缺失。實(shí)驗(yàn)結(jié)果表明:隨著數(shù)據(jù)缺失比例的提升,尺度系數(shù)與屬性覆蓋度均開始下降,最低尺度系數(shù)與屬性覆蓋度是0.86與0.87,均顯著高于對(duì)應(yīng)的閾值;所提方法在處理四個(gè)數(shù)據(jù)源時(shí),視覺清晰度達(dá)93%~97%,信息融合度達(dá)92%~96%,均優(yōu)于對(duì)比方法。說明該方法可有效抽取多源異構(gòu)數(shù)據(jù)知識(shí)實(shí)體,建立知識(shí)圖譜,實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)可視化融合;在不同數(shù)據(jù)缺失比例下,該方法多源異構(gòu)數(shù)據(jù)可視化融合的尺度系數(shù)與屬性覆蓋度均較大,即數(shù)據(jù)可視化融合效果較優(yōu);同時(shí)有效提升了數(shù)據(jù)可視化效果和信息整合程度。

發(fā)表于:6/18/2025 4:50:05 PM

基于特征選擇和優(yōu)化CNN-BiLSTM-Attention對(duì)SF6斷路器漏氣故障診斷[人工智能][智能電網(wǎng)]

SF6(六氟化硫)斷路器是保障電網(wǎng)穩(wěn)定運(yùn)行的重要設(shè)備,但其在長(zhǎng)期使用中容易發(fā)生漏氣問題,既影響設(shè)備性能,又威脅電網(wǎng)的安全性。為精準(zhǔn)診斷SF6斷路器的漏氣故障,提出了一種基于Gini指數(shù)特征選擇和貝葉斯優(yōu)化(Bayesian Optimization, BO)的CNN-BiLSTM-Attention組合模型。首先,針對(duì)影響SF6斷路器漏氣的內(nèi)外部因素,進(jìn)行特征映射與重要性分析,并采用KMeans-SMOTE技術(shù)解決數(shù)據(jù)分布不均的問題。其次,利用基于Gini指數(shù)的方法篩選關(guān)鍵特征,并通過貝葉斯優(yōu)化精調(diào)CNN-BiLSTM-Attention模型的超參數(shù)以提升分類性能。實(shí)驗(yàn)結(jié)果表明,設(shè)備缺陷、運(yùn)行年限、運(yùn)維水平、天氣和溫度是導(dǎo)致漏氣的主要因素。與其他模型相比,所提方法在漏氣故障的0/1分類任務(wù)中展現(xiàn)出更高的分類精度和魯棒性。研究不僅驗(yàn)證了方法的有效性,還揭示了引發(fā)SF6斷路器漏氣的關(guān)鍵因素,為設(shè)備巡檢和運(yùn)維管理提供了科學(xué)支持,進(jìn)一步提升了電網(wǎng)運(yùn)行的安全性與可靠性。

發(fā)表于:6/18/2025 3:11:05 PM

電力系統(tǒng)較大波動(dòng)數(shù)據(jù)條目自適應(yīng)檢索方法研究[模擬設(shè)計(jì)][智能電網(wǎng)]

針對(duì)電力系統(tǒng)數(shù)據(jù)具有復(fù)雜性、多樣性特點(diǎn),導(dǎo)致檢索難度過高的問題,設(shè)計(jì)了電力系統(tǒng)較大波動(dòng)數(shù)據(jù)條目自適應(yīng)檢索方法。依據(jù)電力系統(tǒng)出力變化率,選取二分量一維混合高斯模型,構(gòu)建電力系統(tǒng)波動(dòng)概率分布模型。對(duì)比概率分布模型模擬的電力系統(tǒng)波動(dòng)數(shù)據(jù)與量測(cè)數(shù)據(jù),依據(jù)判定閾值辨識(shí)電力系統(tǒng)較大波動(dòng)數(shù)據(jù)條目,構(gòu)建數(shù)據(jù)條目檢索庫。利用哈希函數(shù)獲取檢索庫內(nèi)較大波動(dòng)數(shù)據(jù)條目的哈希特征,生成二值碼。較大波動(dòng)數(shù)據(jù)條目檢索時(shí),生成用戶檢索詞的二值編碼,計(jì)算檢索詞二值碼與檢索庫內(nèi)條目二值碼的漢明距離,并對(duì)其加權(quán)處理,利用加權(quán)漢明距離排序數(shù)據(jù)條目,獲取較大波動(dòng)數(shù)據(jù)條目的自適應(yīng)檢索結(jié)果。實(shí)驗(yàn)結(jié)果表明,該方法能夠依據(jù)用戶輸入的檢索詞,自適應(yīng)檢索電力系統(tǒng)較大波動(dòng)數(shù)據(jù)條目,檢索結(jié)果的歸一化折損累積增益均高于0.9,檢索時(shí)間低于500 ms。

發(fā)表于:6/18/2025 3:01:05 PM

AirGAN:空調(diào)機(jī)理模型增強(qiáng)生成對(duì)抗模型[模擬設(shè)計(jì)][智能電網(wǎng)]

為引導(dǎo)資源龐大、調(diào)控靈活的空調(diào)負(fù)荷參與需求響應(yīng)實(shí)現(xiàn)“源荷互動(dòng)”,保障電網(wǎng)的安全經(jīng)濟(jì)運(yùn)行,各大研究單位開展了樓宇空調(diào)需求響應(yīng)實(shí)時(shí)控制仿真與實(shí)踐研究。然而,如何準(zhǔn)確地估算空調(diào)的負(fù)荷,并對(duì)空調(diào)負(fù)荷進(jìn)行預(yù)測(cè)是目前面臨的重要挑戰(zhàn)。當(dāng)前主流方法包括模型驅(qū)動(dòng)型、數(shù)據(jù)驅(qū)動(dòng)型兩種方法體系。其中模型驅(qū)動(dòng)型依賴對(duì)空調(diào)負(fù)荷的建模,難以實(shí)現(xiàn)對(duì)空調(diào)負(fù)荷復(fù)雜變化的模擬。數(shù)據(jù)驅(qū)動(dòng)則是依賴大量數(shù)據(jù)進(jìn)行模型訓(xùn)練,但難以覆蓋空調(diào)負(fù)荷的各類特點(diǎn)。為此,擬從模型驅(qū)動(dòng)及數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的角度進(jìn)行空調(diào)負(fù)荷的智能擬合,以提升空調(diào)負(fù)荷生成預(yù)測(cè)的準(zhǔn)確性和適應(yīng)性。提出了一種基于機(jī)制模型與生成對(duì)抗網(wǎng)絡(luò)(GAN)相結(jié)合的負(fù)荷生成方法和模型AirGAN。該方法通過GAN生成器生成的虛擬數(shù)據(jù),持續(xù)調(diào)整物理模型的超參數(shù),以使其更好地符合實(shí)際空調(diào)負(fù)荷特性。同時(shí),采用GAN判別器對(duì)機(jī)制模型預(yù)測(cè)的負(fù)荷進(jìn)行判別,以此訓(xùn)練機(jī)制模型,從而提升其預(yù)測(cè)精度。

發(fā)表于:6/18/2025 2:14:03 PM