用于内存数据库的Hash索引的设计与实现

电信领域已成为数据密集型行业，需要高性能的数据库系统作为支撑系统，基于磁盘的数据库系统不能满足“实时”、“近实时”访问数据库的需求，将数据库核心数据驻留在内存中，可以使用内存数据库来满足需求。Hash索引是数据库系统中广泛使用的索引技术之一，它能够快速地访问数据，易于设计和实现。该文根据内存数据库的特点，为电信网管系统的内存数据库设计并实现了Hash索引。     

基于改进Faster R-CNN的新能源电池炸点缺陷检测分析

在新能源电池的生产过程中,常常会因为焊缝工艺问题而造成电池炸点缺陷问题,传统的炸点检测主要依靠人工观察,效率低下且精度不高。为了提高新能源电池在焊缝过程中炸点缺陷的检测精度,针对原始带有炸点的电池横截面图像少的问题,首先对原始数据集中的图像进行炸点标注,并使用一系列图像变换、图像拼接等方法进行数据扩充,然后在原始Faster R-CNN目标检测模型的基础上,将ResNet101作为特征提取网络,使用CIoU损失策略计算RPN和预测框的定位损失,引入特征金字塔FPN结构,使得小目标炸点的上下文信息更加丰富,在残差块中加入CBAM注意力模块,让模型更加关注图像中的炸点部位,以进一步增强小目标炸点的检测性能。在真实数据集上的测试结果表明,改进后得到的Faster R-CNN目标检测模型适用于新能源电池炸点的检测,得到的最高AP为75.126%,相比较于Faster R-CNN模型提升了9.52%,并且模型对不同尺度的炸点的定位更加准确,模型的推理和检测速度也没有明显的下降,为电池炸点缺陷检测提供了有效的算法。     

基于重加权策略平衡损失与LSTM的窃电行为检测研究

窃电行为是导致电能损失与电力企业经济效益降低的重要原因。针对窃电问题,提出了一种基于有效数量加权策略的损失函数,改善数据集分布不均衡导致训练模型泛化性能下降的问题;基于该策略,设计了基于长短期神经网络的时间序列分类模型,用于用户日用电量的窃电行为检测任务;采用用户日用电量真实数据进行实验测试,结果表明基于有效数量的加权策略可一定程度解决数据集不平衡导致的模型泛化性下降问题。与现有方法相比,所提方法在精确度上有所提高,对窃电行为检测具有有效性与可行性。     

一种基于学习的高维数据c-近似最近邻查询算法

针对高维数据近似最近邻查询,在过滤-验证框架下提出了一种基于学习的数据相关的c-近似最近邻查询算法.证明了数据经过随机投影之后,满足语义哈希技术所需的熵最大化准则.把经过随机投影的二进制数据作为数据的类标号,训练一组分类器用来预测查询的类标号.在此基础上,计算查询与数据集中数据对象的海明距离.最后,在过滤后的候选数据集上计算查询的最近邻与现有方法相比,该方法对空间需求更小,编码长度更短,效率更高.模拟数据集和真实数据集上的实验结果表明,该方法不仅能够提高查询效率,而且方便调控在查询质量和查询处理时间方面的平衡问题.     

新型电力AMI系统中基于Neural Prophet模型的电力负荷预测与修补研究

针对新型电力系统高级量测体系（AMI）系统中电力负荷异常值与空值的修补问题,提出一种基于Neural Prophet模型的电力负荷预测方法,用预测值修补AMI系统中出现的负荷异常值与空值。通过Neural Prophet模型的趋势模块、季节性模块、自回归模块3个模块组合进行电力负荷精准预测,可解决AMI系统的负荷数据修补问题。在电力负荷数据集上进行实验,结果表明所提方法与负荷预测经典算法相比具有较优的准确性且具有参数可解释的优势。所提方法可对AMI系统中有问题的电力负荷异常数据进行有效修改,对缺失的电力负荷数据进行填补。     

电力信息系统非功能性需求管理研究

信息系统非功能需求是信息系统开发的关键环节,对于提升系统的质量和用户使用体验至关重要,如何管理非功能性需求是一个重要而尚未完全解决的问题。随着电力信息化的发展和信息化企业的建设,电力信息系统的非功能性需求管理成为电力信息系统开发和推广使用的重要环节。本文研究了目前信息系统非功能性需求管理的现状,分析了非功能性管理的难点,提出了电力信息系统非功能需求管理的思路与方法。     

面向停电分类预测的因子分解机模型

可靠的电力供应对于工业生产和居民日常生活至关重要，通过对电力数据平台中的停电数据进行分析和挖掘，可以更好地了解配电网停电的潜在规律。分类预测是数据挖掘和分析中的常见技术，停电分类预测可以为企事业单位的停电规划安排提供决策参考。针对停电分类预测问题，提出一种基于因子分解机（FM）的停电数据分类预测模型。利用决策树算法计算停电数据中不同特征的基尼系数以得出重要性得分，从中筛选与停电预测关联度较大的非稀疏特征。根据不同地区的地理位置关系构建不同地区间的空间位置矩阵，并通过矩阵分解的方式构造不同地区在空间上的地理位置关联特征。为防止FM模型出现过拟合问题，在模型中加入L2-范数正则化。在此基础上，利用随机梯度下降的方法训练FM模型，通过训练完成的FM模型对停电数据进行分类预测。在真实停电数据集上的实验结果表明，该模型在训练数据集和测试数据集上的F1值和准确率分别高达0.90和0.89，优于DNN、SVM、XGBoost等模型。     

基于多尺度空谱鉴别特征的高光谱图像分类

为了应对高光谱图像同质区域面积分布不均的问题,同时更充分地挖掘空间和光谱信息之间的内在联系,提出了一种基于多尺度空谱鉴别特征的高光谱图像分类方法。该算法首先对图像进行不同尺度的滤波操作,接着分别从得到的多幅图像中提取鉴别的空谱特征,并使用支持向量机(SVM)进行分类。最后,该算法采取“决策级融合”的策略,来综合不同滤波尺度图像的分类结果。在Indian Pines,Kennedy Space Center和University of Pavia数据集上的实验表明,该算法能够提取较为有效的空间信息,当随机选取10%的像素作为训练样本时,该算法的总体分类准确率均能达到96%以上,其分类精度和Kappa系数均优于其他分类算法。