摘要：准确且有效的负荷预测对于电力系统的实时运行和调度非常重要。提出了一种融合变量选择与稀疏Transformer模型的预测方法,将静态变量和时序变量作为输入,充分发挥静态变量在全局时间范围内的信息增强作用,基于门控机制设计变量分权组件,根据变量与预测结果的相关性,赋予变量不同的权重。设计了双层编码结构,进行时序特征提取,对注意力进行稀疏处理,通过多变量输入对未来时刻负荷进行预测。基于真实电力负荷数据的实验表明,本文模型能够提高中长期负荷预测精度和效率。

摘要：可变形界面是一种新型的人机交互界面,智能时代下如何应用新兴技术推动可变形界面朝着智能化方向发展已成为人机交互界面研究的前沿。通过分析可变形界面的三大构成元素及其相互关系,明确了感知载体与交互方式是促进智能技术融入可变形界面的重点。围绕界面形态的自定义设计,探索了将模块化惯性传感器网络融入可变形界面的设计过程;围绕界面形态的自感知设计,探索了利用机器学习的方法实现界面形变动作的精准识别,并设计了相应的快速原型平台以提高设计效率。为评估自感知设计方法的有效性,就不同形态界面的形变动作识别结果做了对比分析;为评估形态自定义设计方法的可用性,就传感器网络的实时性、传感器硬件能耗以及硬件成本做了实验和讨论。最后,给出了可变形界面在柔性可穿戴设备、智能交互玩具、新型输入控制设备三个领域中的设计实例,表明上述设计方法能够有效开发具有相应形态功能的可变形界面,并推动可变形界面的应用场景朝更加多元化的方向发展。

摘要：数字孪生电网旨在利用新兴的数字孪生技术帮助电网企业构建物理电网的数字孪生体。该文总结了数字孪生电网的3大特性:数据知识混合驱动、实时双向交互、虚实相融共生。讨论了规范化孪生电网项目的评价标准。回顾了数字孪生电网的典型架构设计,基于数字孪生5维模型提出了包含物理电网、孪生数据、孪生电网、孪生应用4层结构的通用性参考架构。归纳了孪生电网在系统分析、状态评估、数据预测、健康维护、仿真建模等方面的应用,探讨了孪生电网未来向孪生能源互联网、智慧能源系统等演进的意义和价值;最后从数据管理、模型构建、可视化、信息物理安全、标准确立、生态建设6个角度总结了数字孪生电网的挑战性问题。

摘要：针对目前较少研究去中心化联邦学习中的激励机制设计,且已有联邦学习激励机制较少以全局模型效果为出发点的现状,该文为去中心化联邦学习加入了基于合同理论的联邦学习激励机制,提出一种新的可激励的联邦学习模型。使用区块链与星际文件系统(IPFS)取代传统联邦学习的中央服务器,用于模型参数存储与分发,在此基础上使用一个合同发布者来负责合同的制定和发布,各个联邦学习参与方结合本地数据质量选择签订合同。每轮本地训练结束后合同发布者将对各个本地训练模型进行评估,若满足签订合同时约定的奖励发放条件则发放相应的奖励,同时全局模型的聚合也基于奖励结果进行模型参数的聚合。通过在MNIST数据集以及行业用电量数据集上进行实验验证,相比于传统联邦学习,加入激励机制后的联邦学习训练得到的全局模型效果更优,同时去中心化的结构也提高了联邦学习的鲁棒性。

摘要：联邦学习解决了数据安全日益受到重视条件下的数据互用难题,但是传统联邦学习缺少鼓励和吸引数据拥有方参与到联邦学习中的激励机制,联邦学习审核机制的缺失给恶意节点进行破坏攻击提供了可能性。针对这个问题,文中提出基于区块链技术的面向电能量数据的可靠的联邦学习激励机制。该方法从对数据参与方的训练参与进行奖励和对数据参与方的数据可靠性进行评估两方面入手,设计算法对数据参与方的训练效果进行评估,从训练效果和训练成本等角度来确定数据参与方的贡献度,并根据贡献度来对参与方进行奖励,同时针对数据参与方的可靠性建立声望模型,根据训练效果对数据参与方的声望进行更新,藉此实现对数据参与方的可靠性评估。基于联邦学习开源框架和真实电能量数据进行算例分析,所得结果验证了所提方法的有效性。