随着光伏、风电等新能源占比不断增加,以及大量新型电力电子设备等非线性负载接入电网,电力系统中的电能质量扰动事件(power quality disturbances,PQDs)频发。为了提高复合电能质量扰动识别准确率,该文提出一种多尺度卷积融合时间序列T...随着光伏、风电等新能源占比不断增加,以及大量新型电力电子设备等非线性负载接入电网,电力系统中的电能质量扰动事件(power quality disturbances,PQDs)频发。为了提高复合电能质量扰动识别准确率,该文提出一种多尺度卷积融合时间序列Transformer模型(multi-scale convolution fusion time series transformer,MCF-TST)。首先,使用3个不同尺度的卷积核对输入的原始电能质量扰动一维时序信号进行多通道卷积操作,初步提取扰动信号在不同时间尺度的多维特征;然后经过时间序列Transformer中的多头注意力机制提取扰动信号更加深层次的暂态局部特征和周期性全局特征;最后通过全连接层和softmax分类器输出识别结果。仿真和硬件实验结果表明,该文所提模型能够在保留信号的原始一维时序特征的同时提取更高维度的深层特征,对多种复合电能质量扰动识别准确率高,具有良好的抗噪能力和泛化性能。展开更多
针对风电装备领域中实体的高度嵌套性和长文本的特性,提出一种基于差分边界增强的嵌套命名实体识别模型(DBE-NER)。首先,通过语义编码器模块获取融合实体头尾词、实体类型和相对距离的特征表示,从而提升模型对嵌套语义特征的捕捉能力;其...针对风电装备领域中实体的高度嵌套性和长文本的特性,提出一种基于差分边界增强的嵌套命名实体识别模型(DBE-NER)。首先,通过语义编码器模块获取融合实体头尾词、实体类型和相对距离的特征表示,从而提升模型对嵌套语义特征的捕捉能力;其次,设计一种高效的差分语义编码模块解决嵌套实体边界的模糊问题;再次,使用分组空洞注意力网络(GDAN)提高模型在长文本实体、嵌套实体和嵌套边界的识别效果;最后,将特征分数矩阵输入跨度解码器中以得到实体位置和类别。实验结果表明,与DiFiNet(Differentiation and Filtration Network)和CNN-NER(Convolutional Neural Network for Named Entity Recognition)模型相比,DBE-NER的F1分数在人工标注的某大型风电能源企业故障数据集WPEF上分别提升了0.92%和1.07%,并且在多种公开数据集上的F1分数均有所提高。展开更多
精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测...精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。展开更多
文摘随着光伏、风电等新能源占比不断增加,以及大量新型电力电子设备等非线性负载接入电网,电力系统中的电能质量扰动事件(power quality disturbances,PQDs)频发。为了提高复合电能质量扰动识别准确率,该文提出一种多尺度卷积融合时间序列Transformer模型(multi-scale convolution fusion time series transformer,MCF-TST)。首先,使用3个不同尺度的卷积核对输入的原始电能质量扰动一维时序信号进行多通道卷积操作,初步提取扰动信号在不同时间尺度的多维特征;然后经过时间序列Transformer中的多头注意力机制提取扰动信号更加深层次的暂态局部特征和周期性全局特征;最后通过全连接层和softmax分类器输出识别结果。仿真和硬件实验结果表明,该文所提模型能够在保留信号的原始一维时序特征的同时提取更高维度的深层特征,对多种复合电能质量扰动识别准确率高,具有良好的抗噪能力和泛化性能。
文摘针对风电装备领域中实体的高度嵌套性和长文本的特性,提出一种基于差分边界增强的嵌套命名实体识别模型(DBE-NER)。首先,通过语义编码器模块获取融合实体头尾词、实体类型和相对距离的特征表示,从而提升模型对嵌套语义特征的捕捉能力;其次,设计一种高效的差分语义编码模块解决嵌套实体边界的模糊问题;再次,使用分组空洞注意力网络(GDAN)提高模型在长文本实体、嵌套实体和嵌套边界的识别效果;最后,将特征分数矩阵输入跨度解码器中以得到实体位置和类别。实验结果表明,与DiFiNet(Differentiation and Filtration Network)和CNN-NER(Convolutional Neural Network for Named Entity Recognition)模型相比,DBE-NER的F1分数在人工标注的某大型风电能源企业故障数据集WPEF上分别提升了0.92%和1.07%,并且在多种公开数据集上的F1分数均有所提高。
文摘精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。
