排序方式: 共有51条查询结果,搜索用时 15 毫秒
1.
针对电力大数据流的异常检测问题,该文将流数据聚类算法与电力大数据相结合,针对现有流数据聚类算法不易存储全部数据、断电数据易丢失等问题,以及流数据聚类算法对于离线阶段聚类算法实时应答的要求,从数据的完整性、安全性以及流数据聚类算法的低时间复杂度的角度出发,对CluStream流数据聚类算法进行改进,提出流式K-means聚类算法。对在线阶段,使用Redis集群进行流数据的缓冲,并设计节点时间衰减策略,增大心跳消息中有效消息所占比例;对离线阶段聚类算法进行优化,使用最佳距离法确定初始聚类中心,减少迭代次数;最后,使用所提出的流式K-means聚类算法进行用户用电异常行为检测,实验结果表明,该算法能够很好的发现用户用电异常行为。 相似文献
2.
3.
暂态电压扰动模式识别面临两个挑战,一是局限于单一监测点的扰动识别不能准确解释复杂扰动的完整过程,另一是离线分析很难满足辅助决策实时性的要求。提出基于Storm流式计算框架,结合logstash和Kafka消息中间件,构建面向多监测点的实时数据监测处理平台。采用滑动时间窗口算法,实现Storm编程逻辑拓扑。通过设置基本时间窗口大小和数量,实现面向区域电网的多时空尺度、多业务模型的暂态电压扰动模式识别。实验结果表明,合理设置Storm组件的任务数目能够最大限度发挥并行处理能力。通过仿真数据测试得到的吞吐量和平均处理延迟结果,能够满足电网对流数据实时处理的高吞吐量、可扩展性、实时性和准确性的要求。 相似文献
4.
基于数据驱动的深度学习技术成为新一代智能电网的应用趋势,该技术对电网中有标注训练数据的量级提出更高的要求。为了获取更多有标注的智能电网样本数据,文章提出了一种基于改进的生成对抗网络(generative adversarial network,GAN)的训练样本生成算法。该方法通过交替训练改进GAN的生成模型与判别模型,无需先验知识的指导,自主学习原始样本的分布规律,生成新的数据样本。然后采用人工神经网络作为基础分类器,计算样本分类的准确率,检验生成样本的有效性。实验表明,改进GAN模型可以有效学习样本的分布规律,提升谐波分类的准确率,该方法同时具有良好的抗噪性和泛化性,对深度学习技术在智能电网中的深入发展具有重要意义。 相似文献
5.
传统的数据缺失重构技术大多依赖数理统计方法和先验知识结合机理分析构建数学模型,但是配电网量测数据具有高维、时变、非线性特征,复杂度高、表征难度大,难以保证高精度重构。文中提出一种利用无监督生成对抗训练方式自主提取数据特征并结合双重语义感知重构约束实现数据缺失重构的方法。其中,基于二维卷积的重构模型和量测数据二维灰度图像化训练增强了模型泛化能力和稳定性。该方法无需先验知识的分布假设与显式物理建模,在保证数据特征提取最大化的同时,有效提高了重构数据的精确性。最后,利用实测数据验证了该方法在重构缺失数据上的有效性。 相似文献
6.
7.
8.
9.
针对电力企业信息网络系统建设的特点以及Intranet 的技术特点,分析局域网、广域网、城域网以及千兆以太网和ATM 的技术特征,认为应根据不同性质的网络特点,选择相应技术进行组网。 相似文献
10.