适用于电表终端故障识别训练的图像训练方法

针对当前深度学习算法在电表故障识别训练领域中存在的不足,文章提出了一种改进的电表故障识别训练方法。对传统算法的识别训练过程进行了优化,重点关注缺陷样本的训练和图像采集质量的优化,并采用透视变换等技术手段丰富样本库、调整改善样本采集质量,提升了数据训练结果的可靠性。实例验证表明该方法具有良好适应性与高识别训练可靠度。     

基于用电大数据的用电异常状态辨识方法

为充分利用并挖掘电力系统中海量的用电数据进行用电异常状态的识别,本文基于计量自动化系统智能电能表所采集的用电大数据,用随机矩阵理论对用电异常状态、异常时间段及异常地点的辨识进行研究。首先,介绍了用电大数据构造高维随机矩阵的方法,并分析了高维随机矩阵的协方差矩阵特征谱分布规律;然后,根据矩阵的特征值统计特性变化规律提出基于用电大数据矩阵的用电异常状态辨识及定位方法;最后,以贵州各大行业实际用电数据为例,对不同的行业进行了仿真验证,仿真结果表明该方法能准确识别用电异常并判别异常时间段和异常地点,不仅能满足电网对可视性、时效性、可靠性和安全性的迫切要求,而且为数据驱动用电环节智能化、可视化监控提供了新思路。     

基于用电大数据的用电异常状态辨识方法

用电异常状态的辨识是用电环节的重点和难点。本文基于计量自动化系统智能电能表所采集的用电大数据,对用电异常状态辨识方法进行研究。首先,基于用电海量数据及高维随机矩阵理论,研究分析了大维随机矩阵的协方差矩阵特征谱分布;然后,根据矩阵的统计特性提出基于用电大数据矩阵的用电异常状态辨识方法;最后,以贵州实际用电数据为例进行了仿真研究。仿真结果表明该文方法不仅能满足电网对可视性、时效性、可靠性、安全性的迫切要求,而且为数据驱动用电环节智能化、可视化监控提供了新思路。