基于堆叠稀疏自编码器和深度森林的窃电检测模型

为了提高窃电检测模型的检出率和准确率,提出一种基于堆叠稀疏自编码器和深度森林的窃电检测模型。通过使用用户用电量数据训练堆叠稀疏自编码器,以降低总体重建误差为目标,确定堆叠稀疏自编码器的层数及隐藏层输出向量维度,实现对用户用电特征更有效的提取。将最后一层稀疏编码器隐藏层的输出向量作为深度森林的输入特征向量,对输入特征向量进行多粒度扫描,使用级联森林实现特征深度融合与窃电检测。基于某市6 000个用户用电量数据对该模型的性能进行验证,实验结果表明,对比其他经典窃电检测模型,所提窃电检测模型具有更高的检出率和准确率。     

基于半监督堆叠自编码器的轧制力预报建模研究

随着计算机运算能力的提升,数据驱动技术被广泛应用于冶金工业过程中。基于该技术的轧制力预报有助于缩短带材的头尾长度,提高成材率。为了解决数据驱动模型在预训练过程中因特征提取盲目导致预测精度较低的问题,提出了一种基于半监督堆叠自编码器（SS-SAE）的深度分层监督预处理框架,用于轧制力预报建模研究。在SS-SAE中,依次训练多个半监督自编码器（SS-AE）,分级提取目标相关特征。每个SS-AE将来自前一隐藏层的特征作为新的输入,以生成高阶特征。通过堆叠多个SS-AE的方式,可逐步学习深层目标相关特征,同时深度网络结构将逐步减少不相关信息。仿真结果表明,该模型预测精度可控制在2%以内,实现了轧制力的高精度预测。     

应用支持向量机实现计算机入侵检测

文章以计算机入侵检测方法为研究对象,着眼于对支持向量机的应用,首先研究了支持向量机的基本概念,对有关线性支持向量机以及非线性支持向量机的应用要点加以了分析,进而就引入支持向量机条件下,计算机入侵检测的工作过程进行了分析,最后以仿真分析的方式,验证了基于支持向量机检测方案在应用于计算机入侵检测中的优势与价值。     

基于支持向量机的铝板表面缺陷检测分类

论述了基于机器视觉的铝板表面缺陷检测方法,提取7种铝板表面缺陷的多种特征值作为训练数据进行学习。介绍了支持向量机的原理和核函数的选择,在VC环境中构建支持向量机分类模型,用该模型对铝板表面缺陷进行分类标识,最后对支持向量机分类器的分类准确性、稳健性作出评价。     

一种基于CAEs-LSTM融合模型的窃电检测方法

为解决现有的智能电网电力盗窃行为检测方法中准确性不足、检测效率低下等问题,提出了一种由卷积自编码器网络(convolutional auto-encoders,?CAEs)和长短期记忆网络(long short term memory,?LSTM)相结合的CAEs-LSTM检测模型。该模型通过分析数据集的特点对电力数据进行二维转换,设计卷积自编码器结构,采用池化、下采样和上采样重构电力数据的二维空间特征,加入高斯噪声提高模型鲁棒性,并构建长短期记忆网络以学习全局时序特征。最后,对提取的时空特征进行融合从而检测能源窃贼,并进行了参数调优。在由国家电网公布的真实数据集上,通过将CAEs-LSTM模型与支持向量机、LSTM以及宽深度卷积神经网络进行对比,CAEs-LSTM模型的平均精度均值和曲线下面积值均最优。仿真实验表明,基于CAEs-LSTM模型的窃电检测方法具有更高的窃电检测效率和精度。     

基于支持向量机的规则零件检测技术研究

基于机器视觉的零件检测系统由于具有非接触、实时性强、速度快等优点广泛应用于各种工业生产中,提出了一种基于边缘跟踪的零件缺陷边缘智能检测算法,很好的检测到了完整的缺陷边缘,为特征提取提供了高质量的缺陷边缘参数。采用基于支持向量机的分类识别算法,避免了神经网络算法中需要多样本和过度拟合的问题,通过对比分析选择合适于本系统的核函数,并运用基于交叉验证和网格搜索的参数选择方法找到核函数的最佳参数,采用一对一的投票策略进行分类训练和测试,最后对采集到的缺陷零件样本进行了分类测试实验,达到预定的较高的检测精度。     

基于SDAE和双模型联合训练的低压用户窃电检测方法

用户窃电行为是电网企业运营管理的痛点,基于数据驱动的低压用户窃电检测是当前的重要发展方向.由于窃电数据集具有自身高维度且样本不平衡的特点,对窃电检测模型的拟合能力和泛化能力要求极高.为此,文章利用堆栈降噪自编码器对低压用户日用电量数据进行特征提取,通过挖掘数据的深层特征减少窃电产生的极端数据对检测模型的影响;进而提出逻辑回归与深度神经网络联合训练模型进行低压用户窃电检测,将逻辑回归模型的记忆能力与深度神经网络模型的泛化能力相结合,进一步提升窃电检测的精度.通过实际电网数据的实验仿真,从AUC值、准确率和召回值三个评价指标验证了所提出方法相对于传统机器学习算法具有明显的性能优势.     

基于支持向量机的键盘密码输入异常检测方法研究

随着电子商务的迅速发展,网络交易安全越来越收到重视,一旦用户帐号和密码被非法窃取,将蒙受巨大损失.本文介绍了一种基于支持向量机(Support Vector Machines,SVM)的方法对密码输入过程中键盘敲击频率等特征进行识别,以此判断密码输入者的身份.实验表明这种方法可以比较有效地检测异常密码输入.     

基于变分自编码器的视频异常事件检测方法

异常事件检测由于其在视频监控场景中的重要性而引起了广泛的关注。但是由于缺乏异常标注样本,使得这个问题较难解决。提出了一种新的部分监督学习方法,仅采用正常样本训练检测模型以进行视频异常事件检测和定位。假设所有正常样本的分布符合一个高斯分布,那么异常样本在这个高斯分布中将以较低的概率出现。该方法基于变分自编码器(VAE),通过端对端的深度学习技术,将正常样本的隐层表示约束成一个高斯分布。给定测试样本,通过变分自编码器获得其隐层表示,计算其隐层表示属于高斯分布的概率,并根据检测门限判断其是否异常。在两个公开的数据集(UCSD dataset和avenue dataset)上的实验结果表明,所提出的方法达到了92.3%的帧级AUC和82.1%的帧级AUC,以及571 fps的检测速度,在性能和效率上明显高于现有检测方法。     

针对非技术性损失的智能用电异常检测方法

非技术性损失已经成为影响电力公司收益和电能质量的重要因素。提出了一个基于不同用户类型的含离线参数优选和在线异常检测的非技术性损失检测方法。错分训练样本后,可以得出用户异常的实时检测结果,同时随着历史数据的更新,使检测率在运行过程中逐渐达到最优。选取支持向量机算法进行异常检测,并通过遗传算法求出针对不同用户的最优参数,以提高用户的异常检测率。在具体算例中,实时检测系统通过对检测准确率和异常误检率指标的评估,验证该检测方法在周期更新中的性能稳定性和降低电力公司成本方面的优势。     

基于支持向量机技术的电价灵敏度分析模型

灵敏度分析是一种分析因变量与自变量之间动态影响的有效工具。但是,由于电价与其影响因素之间关系复杂,传统算法对电价灵敏度分析不再适用,使得灵敏度分析成为电价研究中的难题之一。为解决该问题,提出了一种新的电价灵敏度分析方法。该模型首先基于支持向量机技术,建立了电价及其影响因素间的数学描述方程。在此基础上,通过求解电价对各影响因素的偏导数,获取电价对各影响因素增量的响应特性,从而实现了电价灵敏度分析建模。最后,以新英格兰电力市场的实际数据为例,验证了电价灵敏度分析方法的有效性。     

采用支持向量机和遗传算法的电容型设备介质损耗因数修正方法

电容型设备介质损耗因数(tand)的在线监测会受到环境因素(温度、湿度、污秽等)的影响,对其进行合理修正非常必要。根据人工气候室内变压器套管tand的在线测量试验结果,分析了环境因素对电容型设备tand的影响情况,提出了基于最小二乘支持向量机的主要环境因素对tand影响的修正模型,并采用遗传算法优化了支持向量机的参数。该模型可用于将非标准大气条件下电容型设备的tand测量值修正为标准大气条件下的值,排除环境因素影响,增加在线监测结果的可比性,实际的修正结果验证了该方法的有效性。     

基于最小二乘支持矢量机的异步电机转子故障诊断研究

提出了一种采用最小二乘支持矢量机构造异步电机转子多故障分类模型的方法.首先通过对采样的定子电流进行快速傅里叶变换,所得频谱经一致化处理后作为支持矢量机的输入参数,然后利用1对1策略构造了转子多故障分类器,经训练后可以对四种不同转子故障进行识别.文中还分析了惩罚因子、核函数和子分类器输出融合策略对分类准确性的影响,指出高斯径向基函数和混合矩阵融合策略可以提高诊断精度.实验结果表明,该模型具有很好的分类精度和泛化能力.     

基于1-DISVM的无刷直流电动机故障识别方法

提出一种基于改进无监督学习支持向量机(1-DISVM)的无刷直流电动机故障识别方法.通过对无刷直流电动机正常以及驱动电路开关管断路、定子绕组端部断路、Hall传感器断线三种故障状态的仿真模拟,对仿真过程中得到的母线电流采样数据进行FFT频谱分析,作为输入特征向量用于支持向量机分类器的训练和故障识别.将改进无监督学习支持向量机用于无刷直流电动机的故障识别,并与无监督学习支持向量机(1-SVM)的故障识别结果进行比较,结果表明基于改进无监督学习支持向量机的无刷直流电动机故障识别方法具有更高的准确率.     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

支持向量机的低压故障电弧识别方法

故障电弧是引发电气火灾事故的主要原因之一。该文将支持向量机引入故障电弧研究领域,进行不同负荷情况下故障电弧识别检测。首先参照美国UL1699标准进行实验采集电流数据,然后利用支持向量机实现故障电弧训练、检测识别,并对训练、识别结果进行分析,实验证明本文的检测方法具备一定的泛化能力。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

基于粗糙集属性约简算法和支持向量机的短期负荷预测

结合粗糙集和支持向量机两种智能算法提出了短期负荷预测模型。首先根据历史数据建立属性决策表,通过属性约简算法对数据进行挖掘,找到影响负荷的核心因素,然后将它们作为支持向量机的输入矢量来预测负荷。算例结果表明,新模型与按经验选取输入矢量的传统支持向量机模型相比,预测精度有了很大的提高且更适用于短期负荷预测。     

基于深度卷积神经网络和支持向量机的NOx浓度预测

NO_x浓度的准确预测对于燃烧优化控制至关重要,有利于提高能源利用效率和减少环境污染。提出了一种基于深度卷积神经网络(deep convolution neural network,DCNN)和支持向量机(support vector machine,SVM)的NO_x浓度预测方法。该方法首先利用DCNN对火焰图像的深层特征进行提取,然后采用支持向量机对所提取到的深层特征进行分析,从而实现NO_x浓度预测。通过采集4.2MW重油燃烧锅炉不同燃烧工况下的火焰图像与NO_x浓度,对所提出的预测方法的有效性进行测试。试验结果表明,在不同燃烧工况下,DCNN-SVM的均方根误差为1.58mg/m~3,低于基于静态物理特征的预测模型(7.96mg/m~3)。表明DCNN-SVM具有较高的预测精度,不仅克服了静态物理特征表达能力的不足,而且摆脱了繁琐的特征设计过程。