SparkQiang的博客

基于人工智能和智能电表数据的多规模负荷聚类合体精细化预测

研究生数学建模优秀论文参考（第六届），供参考和学习

经过中国科学引文数据库（Chinese Science Citation Database，简称CSCD）定量遴选、专家定性评估， 2021-2022年度中国科学引文数据库收录来源期刊1262种，其中中国出版的英文期刊245种，中文期刊1017种。 中国科学引文数据库来源期刊分为核心库和扩展库两部分，其中核心库926种（以备注栏中C为标记）；扩展库336种（以备注栏中E为标记）。 中国科学引文数据库来源期刊每两年遴选一次。每次遴选均采用定量与定性相结合的方法，定量数据来自于中国科学引文数据库，定性评价则通过聘请国内专家定性评估对期刊进行评审。 定量与定性综合评估结果构成了中国科学引文数据库来源期刊。 中国科学引文数据库（CSCD）来源期刊遴选报告（2021-2022年度）

PAL是一种灵活高效的强化学习框架.具有可重复性的特点。我们给出的算法能够稳定地再现许多有影响的强化学习算法的结果。大规模的。支持数千CPU和多GPU的高性能并行训练的能力.可重复使用。存储库中提供的算法可以通过定义前向网络直接适应新任务，并自动建立训练机制。可扩展的。通过继承框架中的抽象类，快速构建新的算法。PARL is a flexible and high-efficient reinforcement learning framework.

rlpack是一个基于tensorflow的强化学习算法库，解耦算法和环境，方便调用。安装依赖包 安装所需依赖软件包，请看environment.yml. 建议使用Anaconda配置python运行环境，可用以下脚本安装。 $ git clone https://github.com/liber145/rlpack $ cd rlpack $ conda env create -f environment.yml $ conda activate py36 安装rlpack $ python setup.py install 以上流程会安装一个常用的

摘要：以深度学习、强化学习为代表的新一代人工智能技术及其应用是当前电力系统领域的研究热点。人工智能技术具有不依赖物理机理,计算速度快,辨别效率高等优点。但人工智能固有的可解释性差、稳定性弱等缺点也制约了其在电力系统一些场景的应用。文中梳理了新一代人工智能技术在电力系统负荷和新能源预测、故障诊断、在线稳定性评估、频率及电压优化控制和电网运行方式制定等调度运行场景中的应用,并进行了分析和评述。总结了现有研究中存在的问题,指出人工智能技术的应用应当以问题为导向,以场景为基础,以应用为目的。最后,对未来人工智能技术在电力系统调度运行中的应用作出了展望。

Optimised-Wind-Energy-Response-to-Grid-Faults-master

Low-frequency-Oscillation-Evaluation-master

哈工大课件电磁场基本理论第四章PPT：在电磁学里，电磁场（electromagnetic field）是一种由带电物体产生的一种物理场。处于电磁场的带电物体会感受到电磁场的作用力。电磁场与带电物体 （电荷或电流）之间的相互作用可以用麦克斯韦方程和洛伦兹力定律来描述。

基于TEAM (testing electromagnetic Problem 21 基准模型，从实验和仿真计算两方面系统地研究 多谐波激励下变压器结构件杂散损耗建模与验证方法。考虑 线圈涡流损耗的影响，提出一种基于实验更准确地确定结构 件杂散损耗的改进方法。搭建硅钢叠片磁、损耗特性测量系 统，基于测量数据建立多谐波激励下的损耗模型并予以验 证。基于P21C-M1 和 P21C-EM1 模型分别进行谐波激励下 导磁和非导磁构件杂散损耗的数值模拟，磁场及损耗结果对 比验证了方法的有效性。基于仿真及测量结果，分析谐波对 杂散损耗的影响，得到谐波激励下导磁构件中附加损耗的分 布及其对杂散损耗的影响。

针对传统光伏功率预测算法模型没有与时间序列结合而引发精度不高的问题，提出了一种基于时域卷积 网络精细化的光伏发电功率预测方法。该预测模型利用卷积神经网络并融合了因果卷积和膨胀卷积；在卷积特征 上，使用跨层连接；在损失函数上，增加了自适应影响因子；在特征工程上，将数值气象预报发布的多个预测数 据与时间特征结合进行多特征预测。根据新疆、华东两个光伏电场数据集的预测结果显示，与支持向量机算法和 未加入时域特性的神经网络算法对比，该算法在光伏功率预测精度上均有不同程度的提升，充分证明了有效性。

咳嗽是感冒最常见的症状， 60% ～ 90% 的感冒 患者伴有咳嗽症状［1-2］。多数感冒患者急性期症状 消失后，咳嗽症状仍然迁延不愈，临床上称之为感冒 后咳嗽。这部分患者的临床检查结果显示肺部无其 它器质性改变，咳嗽时间维持在3 ～ 8 周之间，常可 以自愈.

很明显，前向神经网络的学习速度通常远低于要求，这一直是其应用的主要瓶颈。这两个主要的原因是：1）神经网络的学习速度慢，这两个原因都是基于神经网络的迭代学习。与传统的学习算法不同，本文提出了一种新的单隐层前馈神经网络（SLFNs）的学习算法，该算法随机选择输入权值并解析地确定slfn的输出权值。从理论上讲，该算法在极快的学习速度下能够提供最佳的泛化性能。基于真实世界标杆函数逼近和分类问题（包括大型复杂应用）的实验结果表明，新算法在某些情况下可以产生最佳的泛化性能，并且比传统的前馈神经网络学习算法学习速度快得多。

流水线是制造系统中广泛采用的一类生产模式。业已证明机器数超过三台的流 水车间调度问题为NP难问题，对该问题的研究有重要的理论和工程价值。传统调度 问题解决方法包括数学建模、启发式和元启发式算法等，能在较短时间内获得较优 解，但难以应对任务、资源等不确定因素的动态变化。深度强化学习直接依据输入状 态进行行为策略选取，更贴近实际制造系统加工状态响应式的生产调度过程。因此， 本文首次提出一种深度时序差分强化学习方法，用于求解非置换流水车间单目标、多 目标和动态调度问题。

一、10kV配电室高压设备 常用高压柜柜型 中置柜中高压断路器 环网柜内负荷开关 高压柜内CT、PT、零序CT 高压避雷器 高压熔断器 高压接地开关 综合保护装置 高压仪表室其他装置

南网广东2020年校园招聘公告-附件（大纲），供大家参考和学习，当然本科生和研究生会有所不同，不过认真复习总是对的。

水风光等可再生能源高速发展使得电力调度数据出现 爆发式增长，并呈现出多源、异构、高维等大数据典型特点， 如何应对电力大数据的集成管理及高效应用是我国电网运 行的重大技术挑战之一。为此，围绕水火风光复杂发电调度 系统，解析超大规模电站群调度大数据特征及相互关系，设 计调度管理功能体系，构建发电调度大数据平台架构，提出 满足不同业务场景共性需求的多源数据校验和多平台协同 存储技术、面向发电调度分析场景的大数据融合处理技术以 及面向发电计划编制场景的大数据分析决策技术，实现电力 大数据的采集、存储、分析及知识提取等一体化功能。以云 南省调400 余座大中型电站为工程背景，应用大数据平台架 构和关键

着眼于能源5.0 前瞻性基础理论，重点研究基于信 息–物理–社会融合系统(cyber-physical-social systems，CPSS) 的智慧能源调度机器人(robot of energy control，RoboEC)群 体及其知识自动化的关键理论方法。包括：构建面向下一代 能源电力系统的平行CPSS 理想框架及工程可行性框架体 系；提出基于数据驱动及自校正引导方法的新型高精度镜像 计算实验方法，实现镜像系统对真实物理系统的趋优引导； 研究面向未来能源电力系统集中/分散调度模式下的知识自 动化流程和平行机器学习方法，实现RoboEC 群体的知识自 我探索和群体智慧水平的自动提升；

：提出一种基于深度强化学习的电网切机控制策略，所 提控制策略依据电网运行环境信息，通过数据分析得到切机 控制策略。首先介绍强化学习框架，阐述学习算法原理，并 详细介绍Q-Learning 方法。然后介绍深度学习基本概念和 深度卷积网络原理，提出利用深度卷积网络提取电网运行特 征，构建切机策略的思路。再结合深度学习和强化学习，构 建深度强化学习框架，其中深度学习采用深度卷积神经网络 模型用于提取特征，强化学习采用双重Q-Learning 和竞争 Q-Learning 模型计算Q 值，通过比较Q 值大小得到切机控 制策略。最后，利用IEEE 39 节点系统验证了方法的正确性。

我国能源生产和消费面临转型，构建新一代电力系统 是实现这一重大转变的关键步骤。新一代电力系统是其发展 历程的第三代，大幅提高非化石能源电力占比，形成非化石 能源为主的电源结构是其重要标志，在智能电网发展的基础 上构建更加智能化和多能互补的能源互联网是其发展方向。 根据当前及未来电力系统发展面临的主要问题和关键因素 分析，提出了新一代电力系统的主要技术特征：适应高比例 可再生能源接入、具有高比例电力电子装备、支撑多能互补 综合能源网，以及与信息通信技术进一步深度融合。高效低 成本太阳能风能发电技术、高效低成本长寿命储能技术、高 可靠性低损耗电力电子技术、高强度低成本绝缘技术和超导 输电技术，以及

推进能源生产和消费革命,构建清洁低碳安全高效的能源体系,需要发展更加智能的新一代 电力系统及综合能源系统。人工智能(AI)是当前最具颠覆性的科学技术之一,在计算智能、感知 智能和认知智能方面具有强处理能力。人工智能技术在电力系统和综合能源系统中的应用,将改 变能源传统利用模式,促进系统进一步智能化。文中主要从人工智能概述、电力系统及综合能源系 统对人工智能的需求,以及人工智能在能源领域中的应用几个层面进行综述和分析,最后对人工智 能在电力系统及综合能源系统中应用所面临的挑战进行了分析和展望。

当前以深度学习为代表的新一代人工智能技术快速发展,作为引领新一轮科技革命和产业 变革的战略性技术,已上升为国家战略,备受各行各业关注。电网调控运行作为电力系统运行的 “决策大脑”,是集大量数据、机理分析、运行规程和专业经验相结合的综合性决策控制,与以数据驱 动、知识引导为特征的新一代人工智能发展思路和演进方向十分相近。在分析新一代人工智能技 术特点、电网调控运行业务场景及需求的基础上,提出了未来基于人工智能的调度控制系统设计思 路、总体架构和主要功能,并从高性能计算、调控大数据、基于深度学习的电网预测及辨识、基于知 识图谱的智能辅助决策以及基于语音交互的调度助手等方面,对其关键技术和潜在应用场

针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况，提出了基于变分模态 分解( Variational mode decomposition，VMD) 与支持向量机( Support vector machine，SVM) 相结合的滚动轴承故障诊断方法。 该方法融合了变分模态分解和支持向量机的优势，通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分 量，轴承发生不同故障时，不同本征模态函数内的频带能量会发生变化，从包含有主要故障信息的模态分量中提取能量特 征作为SVM 的输入，判断轴承的工作状态和故障类型。试验结果表明，该方法在少量样本情况下仍能有效地对轴承的工

基于青岛某办公建筑2015 年全年逐时总用电能耗及空调用电能耗数据，利用kmeans 聚类算法对其进行聚 类，将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两 周数据以及气象数据一同作为BP 神经网络的输入，预测未来24 小时的建筑总用电和空调用电，该方法比单用日 前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP 负荷预测相对 误差在5%以内，而kmeans－BP 负荷预测算法控制在±2．5%以内; BP 预测得到的均方根误差和平均绝对百分误差 范围分别在4．6～ 9．0 之间、2．3%～ 4．4%之间，km

随着风电、光伏等可再生能源发电渗透率的增加，电 力系统运行需要考虑随之而来的不确定性。场景分析法因为 可明确体现不确定性因素的概率特征而被广泛采用，但是由于大规模场景会降低随机规划的求解效率，实用性受到限 制。

本文在对电力信息采集和电 能计量管理进行概述的基础上， 分析基于电力信息采集的计量管 理的现状，并提出针对性的实施 方案，以期对实践有所启发。

本文在对电力信息采集和电能计量管理进行概述的基础上,分析基于电力信息采集的计量管理的现状,并提出针对性的实施方案,以期对实践有所启发。

用电信息采集系统的建设,是实现智能电网的高级计量架构的基础平台和核心支撑。介绍了国家电 网公司用电信息采集系统的建设背景、定义、物理架构、主要功能和采集终端,重点讨论了上海地区的电力用 户用电信息采集系统的现状、低压集中抄表系统建设方案, 以及电力用户用电信息采集系统的应用前景。

介绍了以低压载波为基础，集用户的用电量采集、可靠性统计、电压监测于一体的远程自动抄表系统。整个系统分3个组成部分： 采集终端，集中器，主站系统。提出了采用扩频技术和自动路由来解决低压线路的噪声干扰和信号衰减的方案。该系统的应用实例证明了其 可行性。

P14-Part6-Reinforcement-Learning压缩包为，供强化学习的一个大数据集合和相关学习材料，供学习使用。（Machine Learning A-Z: Download Practice Datasets）

P14-Part8-Deep-Learning压缩包为，供深度学习的一个大数据集合和相关学习材料，供学习使用。（Machine Learning A-Z: Download Practice Datasets）

第一人称多人游戏中的人机表现以人口为基础的深层强化游戏学习。 Human-level performance in first-person multiplayer games with population-based deep reinforcement learning

The game of chess is the longest-studied domain in the history of artificial intelligence. The strongest programs are based on a combination of sophisticated search techniques, A general reinforcement learning algorithm that masters chess, shogi and Go through self-play

大数据技术是目前国内外各个领域的一个研究热点。 该文基于大数据技术，探讨其在配电网中的应用。首先，在 阐述大数据技术对于配电网发展的重要意义基础上，总结配 电网技术目前在国内外的应用现状；然后，分析大数据技术 在配电网运行、检修、规划和资产管理4 个方面的指导作用； 其次，明确在配电网中发展大数据技术的3 项主要关键技 术；最后，从政策的角度提出支持大数据技术在我国配电网 中应用和发展的几点建议，同时展望大数据技术在配电网其 他方面的应用可能。

智能电网是人工智能( artificial intelligence，AI) 的重要应用领域之一，以高级机器学习理论、大数据、云计算为主要代表的新一代人工智能( new generation artificial intelligence，NGAI) 技术的进步和突破，将会促进智能电网的发展。首先概述AI 的主要方法，并对NGAI 的内涵、特点与技术体系进行论述。之后，对NGAI 在能源供应、电力系 统安全与控制、运维与故障诊断、电力需求和电力市场等领域中的最新应用研究情况进行比较系统的综述。最后，总结NGAI 在智能电网中应用的关键问题，提出人工智能在智能电网中的应用可分为三阶段实施的建议

作为人工智能领域的热门研究问题，深度强化学习自提出以来，就受到人们越来越多的关注。目前，深度强化学 习能够解决很多以前难以解决的问题，比如直接从原始像素中学习如何玩视频游戏和针对机器人问题学习控制策略，深度强 化学习通过不断优化控制策略，建立一个对视觉世界有更高层次理解的自治系统。其中，基于值函数和策略梯度的深度强化 学习是核心的基础方法和研究重点。本文对这两类深度强化学习方法进行了系统的阐述和总结，包括用到的求解算法和网络 结构。首先，概述了基于值函数的深度强化学习方法，包括开山鼻祖深度Q 网络和基于深度Q 网络的各种改进方法。然后 介绍了策略梯度的概念和常见算法，并概述了深度确定性策略梯度

该压缩包是一个微缩版的windows计算器，干净，整洁，主要是很方便，没有广告就很nice。The compressed package is a miniature version of the windows calculator. It is clean and tidy. It is mainly very convenient. It is very nice without ads.

In this paper, a novel population-based, nature-inspired optimization paradigm is proposed, which is called Harris Hawks Optimizer (HHO). The main inspiration of HHO is the cooperative behavior and chasing style of Harris’ hawks in nature called surprise pounce. In this intelligent strategy, several hawks cooperatively pounce a prey from different directions in an attempt to surprise it. Harris hawks can reveal a variety of chasing patterns based on the dynamic nature of scenarios and escaping patterns of the prey. This work mathematically mimics such dynamic patterns and behaviors to develop an optimization algorithm. The effectiveness of the proposed HHO optimizer is checked, through a comparison with other nature-inspired techniques, on 29 benchmark problems and several real-world engineering problems. The statistical results and comparisons show that the HHO algorithm provides very promising and occasionally competitive results compared to well-established metaheuristic techniques. Source codes of HHO are publicly available at http://www.alimirjalili.com/HHO.html and http://www.evo-ml.com/2019/03/02/hho.（最后这个网站有代码）

This paper proposes a novel nature-inspired algorithm called Multi-Verse Optimizer (MVO). The main inspirations of this algorithm are based on three concepts in cosmology: white hole, black hole, and wormhole. The mathematical models of these three concepts are developed to perform exploration, exploitation, and local search, respectively. The MVO algorithm is first benchmarked on 19 challenging test problems. It is then applied to five real engineering problems to further confirm its performance. To validate the results, MVO is compared with four wellknown algorithms: Grey Wolf Optimizer, Particle Swarm Optimization, Genetic Algorithm, and Gravitational Search Algorithm. The results prove that the proposed algorithm is able to provide very competitive results and outperforms the best algorithms in the literature on the majority of the test beds. The results of the real case studies also demonstrate the potential of MVO in solving real problems with unknown search spaces. Note that the source codes of the proposed MVO algorithm are publicly available at http://www.alimirjalili.com/MVO.html.

This paper proposes a novel nature-inspired algorithm called Ant Lion Optimizer (ALO). The ALO algorithm mimics the hunting mechanism of antlions in nature. Five main steps of hunting prey such as the random walk of ants, building traps, entrapment of ants in traps, catching preys, and re-building traps are implemented. The proposed algorithm is benchmarked in three phases. Firstly, a set of 19 mathematical functions is employed to test different characteristics of ALO. Secondly, three classical engineering problems (three-bar truss design, cantilever beam design, and gear train design) are solved by ALO. Finally, the shapes of two ship propellers are optimized by ALO as challenging constrained real problems. In the first two test phases, the ALO algorithm is compared with a variety of algorithms in the literature. The results of the test functions prove that the proposed algorithm is able to provide very competitive results in terms of improved exploration, local optima avoidance, exploitation, and convergence. The ALO algorithm also finds superior optimal designs for the majority of classical engineering problems employed, showing that this algorithm has merits in solving constrained problems with diverse search spaces. The optimal shapes obtained for the ship propellers demonstrate the applicability of the proposed algorithm in solving real problems with unknown search spaces as well. Note that the source codes of the proposed ALO algorithm are publicly available at http://www.alimirjalili.com/ALO.html.