基于TensorFlow深度学习框架的窃电分析研究

目前,对于电力用户异常用电的问题为研究,提出基于深度学习用户异常用电模式检测相关模型,同时借助Tensorflow框架,进一步构建多层特征匹配网络以及特征提取网络.长短期记忆特征提取网络,能够从大量时间序列中获取不同序列特征,对于全连接网络多层特征匹配网络,研究学者提出,利用所提取特征数据,以完成异常用电数据的相关检测.通过实际研究发现,相比非深度学习检测模型来说,研究基于深度Tensorflow学习框架模型,能够有效完成异常用电模式的检测工作,除此之外,相比多层长短期记忆特征提取,目前来说,所提取的模型鲁棒性和准确性较好.     

配电网信息物理系统异常检测研究

我国电网已发展为融合了信息网络、计算机网络、电力网络的三元复合网络,现有电力信息检测技术主要针对发电、输电、变电环节,在配电端缺少行之有效的电力信息检测手段.因此,文章提出了一种基于PLR时间序列数据提取与维诺图异常数据检测的分析方法.采用PLR算法实现原始电力数据序列的线性分段,获取新的数据序列;采用维诺图对新的数据序列进行二维平面分区,根据生成的点集通过离群值函数判断是否存在数据异常点.仿真结果表明,该方案能够有效识别数据序列中的异常数据,能够为电力人员提供辅助性决策依据.     

基于周期信息增强的Informer光伏发电功率预测

针对光伏发电功率预测方法难以捕捉层次时序信息导致预测精度提升受限的问题，提出基于周期信息增强的Informer光伏发电功率预测方法。首先，提取光伏发电功率序列标量投影、局部时间戳和全局时间戳建立周期信息增强的预测模型嵌入层；然后，通过Informer模型概率稀疏自注意力主动筛选光伏发电功率与特征变量间重要联系，采用卷积层和池化层对模型变量维度和网络参数进行自注意力蒸馏；最后通过解码层生成式机制进一步预测单序列和长序列发电功率。通过仿真验证，所提模型预测精度更高，能够对光伏发电功率进行长时间预测。     

基于改进SAE网络的织物疵点检测算法

针对传统织物缺陷检测手工提取特征困难,疵点样本有限的问题,结合卷积自编码器(CAE),提出一种基于Fisher准则的栈式去噪自编码器算法(FSDAE)。首先从原始图像中截取若干小块图像,采用稀疏自编码器(SAE)训练,得到小块图像的稀疏性特征;其次利用该特征,初始化CAE网络参数,提取原始图像的低维特征;最后将该特征数据送入FSDAE网络进行疵点检测分类。分别对3类织物进行测试,实验结果表明,算法能够有效地提取织物图像的分类特征,且通过加入Fisher准则,提高了织物疵点的检测率。     

基于多变量相空间重构和 RBF 神经网络的光伏功率预测方法

针对光伏功率单变量预测方法的不足,设计了一种新型光伏功率多变量相空间重构预测方法。 首先,基于相关性分析, 选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;然后,利用 C-C 法和虚假邻近点( false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;最后,结合径向基函数( radial basis function,RBF)神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和 RBF 神经网络的光伏功率预测模型。 算例分 析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。     

考虑时间序列关联的变压器在线监测数据清洗EI北大核心CSCD

针对变压器设备大数据状态评估过程中存在数据缺失以及异常数据等问题,提出了一种基于关联规则分析和神经网络的数据清洗策略。首先通过关联规则挖掘,建立了衡量状态监测量间关联程度的数学模型,找出具有强关联性的时间序列。然后利用基于密度的聚类算法检测出序列中的缺失值以及异常点,提出了考虑序列关联性的清洗流程和规则,有效区分可清洗的传感器数据异常和设备状态异常。针对可清洗的数据点,利用小波神经网络模型进行缺失数据预测和错误数据修正,并动态修正小波神经网络参数和组合预测,提高了网络的清洗效率和准确率。以实际变压器设备在线监测数据为例进行测试,测试结果表明序列数据的关联性分析和小波神经网络相结合,能够有效提高变压器在线监测数据清洗的准确度。     

多重注意机制及权重校正LSTM的PVC含水率预测

针对PVC干燥工段中，PVC含水率存在非线性、大滞后、与其他变量关联性复杂难以预测的问题，提出一种多重注意机制及权重校正型长短期记忆网络(LSTM)模型用于PVC含水率的预测。在编码器部分，利用与含水率相关的输入序列之间的相关性对空间注意机制训练的可变权重进行校正，避免由于单纯数据训练导致相关性强的输入变量之间权重差异较大，进而实际干燥工艺不符；同时，由于含水率预测的滞后特性，为减弱长子时间窗口内LSTM单元细胞状态信息丢失，提出信息补偿机制补偿之前时刻细胞状态信息。在解码器部分，利用时间注意机制对编码器的隐藏层状态进行权重更新，解除固定长度向量对模型性能的限制。最后，选取某化工公司干燥工段DCS数据进行验证，相对于RNN、VA-LSTM、STA-LSTM相关系数(R²)分别提高了571%、122.6%、82.6%,结果表明本文模型具有一定优越性。     

考虑时间序列关联的变压器在线监测数据清洗

针对变压器设备大数据状态评估过程中存在数据缺失以及异常数据等问题,提出了一种基于关联规则分析和神经网络的数据清洗策略。首先通过关联规则挖掘,建立了衡量状态监测量间关联程度的数学模型,找出具有强关联性的时间序列。然后利用基于密度的聚类算法检测出序列中的缺失值以及异常点,提出了考虑序列关联性的清洗流程和规则,有效区分可清洗的传感器数据异常和设备状态异常。针对可清洗的数据点,利用小波神经网络模型进行缺失数据预测和错误数据修正,并动态修正小波神经网络参数和组合预测,提高了网络的清洗效率和准确率。以实际变压器设备在线监测数据为例进行测试,测试结果表明序列数据的关联性分析和小波神经网络相结合,能够有效提高变压器在线监测数据清洗的准确度。     

太阳能光伏电池缺陷检测

太阳能是一种极具吸引力的替代电力能源,太阳能光伏电池是太阳能发电系统的基础。太阳能光伏电池中的各类缺陷严重影响光伏电池的光电转化效率和使用寿命。为有效地检测出这些缺陷,提出了一种基于块数据删除模型的缺陷检测方法。首先,对太阳能光伏电池图像进行傅里叶变换去除母线并调节亮度和对比度,然后将图像分块,通过块数据删除模型找出去除母线后的图像中所有的异常块,并将这些异常块全部剔除,利用余下的图像块通过非线性回归模型重建图像的背景。最后,用待检图像与得到的背景图像作差以突出缺陷区域,达到缺陷检测的目的。实验结果表明,所提出的方法能够有效地检测出太阳能光伏电池中多种类型的缺陷,如隐裂、断栅和碎片等。用该方法对313幅太阳能光伏电池图像进行实验,其中158幅无缺陷图像均未检测出缺陷,而另外155幅含有隐裂、断栅等缺陷的图像,仅有5幅出现误检,缺陷检测率达96.77%。     

基于自监督特征增强的 CNN-BiLSTM 网络入侵检测方法

针对网络入侵检测中攻击样本和流量特征不足的问题,提出一种基于自监督特征增强的 CNN-BiLSTM 网络入侵检测方 法,实现在流量数据中检测异常网络流量的目标。 通过分析流量特征数据分布差异,采用 IQR 异常值处理方法进行数据预处 理,使用自编码器对攻击样本进行数据增强,构建 CNN-BiLSTM 神经网络和自编码器组成半自监督模型,分别提取高维流量特 征和自监督特征,将组合特征作为最终特征输入到分类模型中进行预测分类,实现网络入侵检测。 实验结果表明,与其他入侵 检测方法相比,所提方法在准确率和 F1 分数上分别达到了 85. 7%和 85. 1%,能够有效提高网络入侵的检测精度以及对未知攻 击的检测能力。     

生成对抗网络 GAN 的发展与最新应用

近年来,生成式对抗网络(generative adversarial nets, GAN)迅速发展,已经成为当前机器学习领域的主要研究方向之一。GAN来源于零和博弈的思想,其生成器和鉴别器对抗学习,获取给定样本的数据分布,生成新的样本数据。对GAN模型在图片生成、异常样本检测和定位、文字生成图片以及图片超分辨率等多方面进行了大量的调查研究,并在这些GAN的应用所取得的实质性进展进行了系统的阐述。对GAN的提出背景与研究意义、理论模型与改进结构,以及其主要应用领域进行了总结。通过对GAN在各方面的应用分析,对GAN的不足以及未来发展方向进行综述。     

光伏并网逆变器性能检测技术及智能检测平台系统研究

随着越来越多的光伏发电系统并入电网,为了保证电力设备、人员以及光伏系统本身的安全和发电系统的效率,有必要对作为光伏并网核心设备的光伏逆变器进行性能检测。为此,参考光伏逆变器测试标准CNCA-CTS004 2009A,设计了专业应对太阳能光伏并网逆变器试验检测用平台系统。该自动检测系统通过RS485和GPIB总线完成各模块间的通讯,实现全数据自动采集和智能分析。其中交流模拟电源装置能模拟公共电网的实际运行状况和实验室所需要的极限故障状态。直流模拟电源能够模拟太阳能电池的电压变化,为大功率光伏逆变器提供可编程的直流源。孤岛检测装置主要提供三种特性的负载,并能模拟谐振点发生,准确检测并网逆变器防孤岛效应保护功能。实验证明,该智能测试系统可自动实现光伏逆变器性能指标的检测与分析,精度高,可靠性强,可为其他光伏逆变检测系统提供研究依据。     

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在设备故障,结合大数据分析技术和设备评估技术,提出了一种将时间序列和神经网络相结合用于电力设备状态数据异常检测。首先通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,对时间轴上的状态变量转移概率进行计算,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。 结果表明,该方法能快速有效地检测出电力设备的异常状态。     

基于时间序列提取和维诺图的电力数据异常检测方法

电力网络中信息系统与物理系统的深度融合,导致现代电力系统易受异常数据的影响。现有的电力数据异常检测方法未能充分挖掘数据特征,存在计算复杂、灵活性差、精度较低等缺点。提出一种基于时间序列提取和维诺图的异常数据检测方法,利用重要点分段的时间序列提取方法,将高维数据进行降维处理,并将其映射到二维平面上,构造维诺图分区,进而检测出异常数据。该方法可降低数据维度和算法复杂度,能根据序列特征灵活设定异常阈值,实现异常数据的准确检测,仿真实验证明所提方法的有效性。     

基于神经批采样的轮胎X光图像异常检测研究

轮胎缺陷检测对轮胎定级有重要参考意义，研究高性能的轮胎异常检测方法尤为重要。本文以强化学习算法为基础，提出一个以损失值异常变化作为判断异常特征的图像自动分类算法。该方法首先通过大量的正向样本输入来降低数据在经过梯度更新之后的损失值，从而与少量异常样本输入时的损失值形成明显差异，再引入神经批采样器，放大异常样本与正向样本之间的损失轮廓差异并为空间变分编码器提供训练批次，然后将训练结果作为异常分类器的输入，最后完成异常检测的分类与定位工作，经过对比研究发现本文提出的异常检测算法在轮胎缺陷样本集上性能明显优于其他传统图像异常检测方法。     

基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术

光伏逆变器作为太阳能光伏发电系统的关键设备,其健康状态直接影响电力系统的安全与稳定。提出了一种基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术,将光伏逆变器集群的历史监测信号作为原始特征库,采用t-SNE降维算法提取光伏逆变器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器,分别计算每台逆变器在各个采样时刻的偏心距离,得到归一化的累积偏心距离矩阵,通过合理设定预警阈值,从而实现光伏逆变器故障的准确预测。最后基于设计开发的分布式光伏发电监控系统,利用采集的光伏逆变器集群的历史运行数据对算法进行了测试。结果表明,提出的光伏逆变器故障预测技术能够提前准确地预测光伏逆变器故障,有助于保障设备健康平稳运行。     

高光谱图像异常目标检测研究进展

高光谱图像异常目标检测在国防军用和民用方面都具有重要的理论价值和应用前景,是当前遥感信息和图像处理处理研究领域中的一个热点研究问题。异常检测是在没有任何先验知识的条件下检测图像中出现的人为或异常地物目标。从高光谱异常检测理论入手,介绍了目前高光谱异常检测算法的研究进展和存在问题,最后对异常检测的发展做出了预测。     

基于生成对抗Transformer的电力负荷数据异常检测

电力负荷异常数据将为电力系统规划、负荷预测以及用能分析等带来较大的负面影响，亟需对负荷数据异常进行检测与识别。首先针对电力负荷数据异常分类、原因及其特征开展分析；其次改进传统Transformer编码器结构，采用多头注意力层代替掩码多头注意力层，同时移除前馈网络，以提高模型对负荷时序序列的全局注意力；然后基于生成对抗网络(Generative Adversarial Networks, GAN)生成器与判别器的博弈结构，提出了一种改进的GAN-Transformer的模型，给出了模型的详细架构与数学表达，帮助模型更好的捕捉趋势性特征同时加速模型收敛；引入多阶段映射与训练方法，综合焦点分数打分机制，通过分阶段负荷序列重构帮助模型更好的提取负荷数据异常特征；最后通过算例分析，验证了所提模型的有效性与优越性。     

Uncalibrated Workpiece Positioning Method for Peg-in-hole Assembly Using an Industrial Robot

This paper proposes an uncalibrated workpiece positioning method for peg-in-hole assembly of a device using an industrial robot. Depth images are used to identify and locate the workpieces when a peg-in-hole assembly task is carried out by an industrial robot in a flexible production system. First, the depth image is thresholded according to the depth data of the workpiece surface so as to filter out the background interference. Second, a series of image processing and the feature recognition algorithms are executed to extract the outer contour features and locate the center point position. This image information, fed by the vision system, will drive the robot to achieve the positioning, approximately. Finally, the Hough circle detection algorithm is used to extract the features and the relevant parameters of the circular hole where the assembly would be done, on the color image, for accurate positioning. The experimental result shows that the positioning accuracy of this method is between 0.6-1.2 mm, in the used experimental system. The entire positioning process need not require complicated calibration, and the method is highly flexible. It is suitable for the automatic assembly tasks with multi-specification or in small batches, in a flexible production system.     

基于局部异常点检测算法的电能表飞走异常智能分析

针对用电信息采集系统在计量设备在线监控业务应用的实际情况,文中介绍了一种基于LOF局部异常点检测算法的电能表飞走异常分析方法,该方法可以通过计算电能表示值异常因子,有效判断电能表示值异常属于偶然异常还是趋势性异常,在排除偶然数据的影响后,进行电能表飞走异常的二次判断。该方法可以有效提高该类异常判断的准确性,避免故障误判,提高了现场故障处理的工作效率。