摘要：针对电力系统数据具有复杂性、多样性特点，导致检索难度过高的问题，设计了电力系统较大波动数据条目自适应检索方法。依据电力系统出力变化率，选取二分量一维混合高斯模型，构建电力系统波动概率分布模型。对比概率分布模型模拟的电力系统波动数据与量测数据，依据判定阈值辨识电力系统较大波动数据条目，构建数据条目检索库。利用哈希函数获取检索库内较大波动数据条目的哈希特征，生成二值码。较大波动数据条目检索时，生成用户检索词的二值编码，计算检索词二值码与检索库内条目二值码的汉明距离，并对其加权处理，利用加权汉明距离排序数据条目，获取较大波动数据条目的自适应检索结果。实验结果表明，该方法能够依据用户输入的检索词，自适应检索电力系统较大波动数据条目，检索结果的归一化折损累积增益均高于0.9，检索时间低于500 ms。

摘要：为解决现有命名实体识别方法在电力安全规程等领域文本中识别效果不佳的问题，提出了一种基于机器阅读理解的电力安全命名实体识别方法。首先，使用预训练模型对待识别文本进行编码处理得到文本向量表示。其次，利用层次化注意力机制捕捉嵌套实体间的层次关系，重新分配文本序列的注意力权重；在此基础上，利用分类器预测文本中实体范围，得到最终实体识别结果。将该方法在ACE 2005与OntoNotes 4.0公开数据集上进行验证，对比主流方法其取得最优的识别效果，在电力安全领域实体识别场景下，该方法可达到89.3%的识别准确率，实现电力安全领域命名实体的精准识别。

摘要：商业负荷集群的动态聚合对提高电网的调度灵活性、优化需求侧管理以及促进可再生能源消纳具有重要意义。基于典型相关分析（CCA）选取商业负荷特征，并结合DBSCAN 和 K-means等聚类算法对负荷进行分类，以构建适用于不同场景的负荷集群。进一步，提出了三种负荷聚合标准，即基于调节速度、负荷稳定性和经济性的标准，并分析不同标准下的商业负荷聚合特性、适用性及其在电力调度中的潜在应用。

摘要：高层建筑电气火灾难以预测，危害程度大。为此，提出了一种面向高层建筑电气火灾早期检测的多模态数据融合模型，该模型融合了温度、CO气体浓度与烟雾三种不同模态传感器的数据，利用了各模态间的互补优势。首先使用gMLP捕捉三种模态数据的内在模式，完成特征提取。然后利用基于多头注意力的融合方法，融合不同模态数据间的有效信息，完成特征融合，并识别出存在火情隐患的电气设施。通过在无隐患与不同电气设施存在火情隐患情况下的多模态数据集上进行实验，证明了多模态数据融合模型的早期预测具有较高的准确率，表明了融合方法的优越性。

摘要：为引导资源庞大、调控灵活的空调负荷参与需求响应实现“源荷互动”，保障电网的安全经济运行，各大研究单位开展了楼宇空调需求响应实时控制仿真与实践研究。然而，如何准确地估算空调的负荷，并对空调负荷进行预测是目前面临的重要挑战。当前主流方法包括模型驱动型、数据驱动型两种方法体系。其中模型驱动型依赖对空调负荷的建模，难以实现对空调负荷复杂变化的模拟。数据驱动则是依赖大量数据进行模型训练，但难以覆盖空调负荷的各类特点。为此，拟从模型驱动及数据驱动相结合的角度进行空调负荷的智能拟合，以提升空调负荷生成预测的准确性和适应性。提出了一种基于机制模型与生成对抗网络（GAN）相结合的负荷生成方法和模型AirGAN。该方法通过GAN生成器生成的虚拟数据，持续调整物理模型的超参数，以使其更好地符合实际空调负荷特性。同时，采用GAN判别器对机制模型预测的负荷进行判别，以此训练机制模型，从而提升其预测精度。