隨著智能電網(wǎng)快速發(fā)展,用電信息采集系統(tǒng)中智能電能表規(guī)模日漸龐大,給海量數(shù)據(jù)實(shí)時(shí)分析及電能表運(yùn)維帶來(lái)巨大挑戰(zhàn)。近年來(lái),圖形處理器（Graphics Processing Unit,GPU）超高速并行計(jì)算及快速訓(xùn)練大規(guī)模神經(jīng)網(wǎng)絡(luò)特性已經(jīng)成為國(guó)內(nèi)外高性能計(jì)算領(lǐng)域一個(gè)新的研究熱點(diǎn)。但是,到目前為止,還沒(méi)有看到GPU在用電信息采集系統(tǒng)中的應(yīng)用。文章著重研究如何在用電信息采集系統(tǒng)中運(yùn)用GPU實(shí)現(xiàn)電能表健康狀態(tài)在線評(píng)估及預(yù)測(cè),以提升統(tǒng)計(jì)性能,為電能表精益化運(yùn)維提供有力依據(jù)。 

【文章來(lái)源】：電測(cè)與儀表. 2020,57(11)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

GPU-CUDA計(jì)量異常實(shí)時(shí)分析模型

因此，文中考慮在GPU中采用熵權(quán)法確定影響電能表運(yùn)行狀態(tài)的各指標(biāo)權(quán)重，實(shí)現(xiàn)電能表“批次+廠商”健康度評(píng)估。熵權(quán)法的計(jì)算步驟主要有:構(gòu)建各評(píng)價(jià)指標(biāo)的判斷矩陣;將判斷矩陣歸一化;求各指標(biāo)的信息熵;確定各指標(biāo)權(quán)重;依據(jù)評(píng)價(jià)矩陣計(jì)算綜合得分。因此，利用GPU進(jìn)行電能表健康度評(píng)估時(shí)需要設(shè)計(jì)三個(gè)內(nèi)核函數(shù):求各指標(biāo)和內(nèi)核函數(shù);求各指標(biāo)的信息熵內(nèi)核函數(shù);計(jì)算綜合評(píng)價(jià)內(nèi)核函數(shù)。

因此，本文考慮在GPU中選用RBF進(jìn)行電能表健康狀態(tài)值預(yù)測(cè)。由于每個(gè)批次的電能表的健康狀態(tài)趨勢(shì)均不相同，因此，本文為每個(gè)批次建立一個(gè)RBF神經(jīng)網(wǎng)絡(luò)。建立單個(gè)批次電能表健康值狀態(tài)預(yù)測(cè)的RBF神經(jīng)網(wǎng)絡(luò)模型流程如圖4所示。對(duì)網(wǎng)絡(luò)初始值進(jìn)行設(shè)置后，采用批處理式調(diào)整參數(shù)方式，計(jì)算所有樣本的誤差之和，在誤差小于限值之前，反復(fù)迭代更新網(wǎng)絡(luò)參數(shù)，直至收斂或是迭代次數(shù)達(dá)到限值。


本文編號(hào)：3066020