基于多分类融合模型的智能电能表故障预测

由于智能电能表功能的丰富多样,随之而来的是设备故障类型及故障率的不断增加,如何准确地判断智能电能表的故障类型,提高故障表的检修效率,对保障智能电能表的安全稳定运行十分重要。文中提出一种基于多分类融合模型的智能电能表故障预测算法。针对智能电能表故障进行多维度分析及故障类型筛选;通过欠采样和过采样相结合的混合采样方式解决数据集中类不平衡问题,构建分类预测模型所需数据;利用基础分类算法的组合获取最优融合算法,在公共数据集上验证了所提算法的有效性,融合后的准确率较基础分类模型有稳定提升,以近年来电网系统中实时采集的智能电能表故障数据为基础,进行了基础模型与融合后算法模型的实验对比,结果表明文中所提的多分类融合算法模型在故障预测的准确率和可靠性上有明显的提升。     

不平衡数据集下基于CVAE-CNN模型的智能电表故障多分类方法

提高智能电表故障不平衡多分类准确率对用电采集系统的可靠运行具有重要意义。传统机器学习中以合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法及其变体为代表的过采样方法,较少考虑数据全局分布,而后续采用的分类算法难以从数据中获取更深层特征信息。基于深度学习思想,提出一种基于条件变分自编码器-卷积神经网络(conditionalvariationalautoencoder-convolutional neuralnetwork,CVAE-CNN)模型的不平衡多分类方法,将类别标签作为约束条件,搭建由全连接层构成的CVAE网络生成少数类样本,根据变分下界对服从多维且各维度为独立高斯分布的隐变量建模,学习各类分布特点和数据集全局特征,提高生成数据质量。平衡后的数据采用卷积神经网络进行分类,设计一维卷积层提取数据中潜藏的复杂特征,构造最大池化方法提高模型容错率,依据各类分布特点进行分类处理,提高对少数类别的识别率。以15个KEEL公开数据集和近年采集的智能电表故障数据作为实际算例,所提模型与典型的过采样方法和分类方法进行对比,实验结果表明具有更高的分类精度。     

不平衡数据集下基于多粒度近邻图的智能电表故障分类方法

智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建单一样本信息与其对应类别标签的映射关系来划分样本类型,导致对具有相似表征信息的重叠区样本难以准确判别,降低了整体分类精度。该文提出一种基于多粒度近邻图的智能电表故障分类方法。首先,选择原始数据集中样本作为目标样本,以目标样本及其近邻样本作为节点、目标样本与其近邻样本连线作为边构建近邻图。根据选择的近邻样本数量不同构建多粒度近邻图,实现目标样本的信息扩充和训练样本的数量扩增,更有利于模型稳定训练。构建编码器挖掘近邻图节点特征,利用图注意力机制,根据近邻图节点编码特征和节点邻接关系将近邻样本信息自适应地聚合到目标样本,实现对相似样本差异的有效挖掘。对于给定测试样本,通过集成测试样本多粒度近邻图的分类结果,得到更精准、更鲁棒的智能电表故障预测结果。在20个KEEL(knowledge extraction based on evolutionary learning)和UCI(...     

基于voting集成的智能电能表故障多分类方法

为提升智能电能表故障准确分类能力,助力维护人员迅速排除故障,本文提出基于投票法voting集成的智能电能表故障多分类方法。首先针对实际智能电能表故障数据进行编码预处理,基于皮尔逊系数法筛选智能电能表故障分类关键影响因素,结合SMOTE算法解决数据类别不平衡问题,由此建立模型所需数据集,再通过投票法进行模型融合,结合粒子群PSO确定各基模型的权重,据此构建基于XGBT+KNN+NB模型的智能电能表故障多分类方法。实测实验结果表明：本文提出方法能有效实现智能电能表的故障快速准确分类,与现有方法相比,在智能电能表的故障分类精确率、召回率及F1-Score均有明显提升。     

基于改进支持向量机的智能电能表故障多分类方法

智能电表故障多分类对于制定合理及时的智能电表检修计划具有重要意义。针对智能电表故障多分类问题,采用支持向量机构建多分类模型,所建立的模型提取智能电表的输出电压,输出电流,输出功率,功率因素误差等数据作为分类依据构建多维空间,考虑包括误差超差,直流电流开路,直流电压短路,控制回路短线在内的智能电表模式识别故障分类。通过所建立的模型依据有限的样本信息在复杂性和学习性之间寻求平衡,对智能电表多维度运行信息在超平面之间进行最佳分类从而进行故障分类,通过引入一类对多类的最优分类平面集进行改进从而适用于多分类模型。采用混沌粒子群算法针对所建立的基于改进支持向量机的智能电表故障多分类方法进行求解流程设计。最后通过对某配电台区智能电表故障分类问题采用所建立的模型进行仿真,验证了模型的合理性。     

电网故障多源信息智能融合诊断方法

为了满足当前对电网调度精益化管理的需求,提高继电保护的故障智能诊断和直接决策支持水平,消除单一主站的可靠性短板和对人工干预的高度依赖,从而整体提升事故处理效率.介绍了电网故障多源信息智能融合诊断系统的功能架构与软件设计原理,建立了利用主动激励召唤和任务动态调整的主站性能提升与信息融合机制,提出了基于D-S证据理论进行特...     

基于贝叶斯网络的智能电表故障类型预测

针对智能电能表受到外界各种因素影响出现的故障,本文提出了一种基于贝叶斯网络的智能电能表故障类型分类与预测模型。分析了造成智能表故障的各种因素和常见的故障类型,通过大量历史故障数据的训练,结合专家意见,采用了基于评分搜索的方法构建了贝叶斯网络结构,在此基础上进行了故障类型预测和决策分析,并对提出的方法进行验证。研究结果表明：该方法可以有效地对智能表的故障类型进行预测,计算效率高,具有较好的适用性。     

基于深度学习的多模型融合图像智能检测方法研究

传统的Faster r-cnn定位算法中应用的是通过最近邻插值算法进行插值的RoiPooling,对于小缺陷的识别效果不佳,本文将其改进为使用双线性插值算法的RoiAlign,提高了轮胎异常检测的精确度。针对传统的轮胎缺陷样本检测面临特征提取困难的问题,本文通过将ResNet和DenseNet两个网络模型进行融合搭建起的RSDC-Net(resnet and densenet converged network)网络模型,提高了网络的泛化、感知能力,增强了特征提取能力,而且将该网络应用于深度学习的可解释性研究中,实现了深度学习的可视化。目前神经元分类的研究领域还有很大空缺,所以为了针对敏感区域图像结果进行潜层的神经元分类研究,本文设计出双卷积门限循环神经网络来作为网络模型来完成神经元的分类研究,该网络模型在四种模型对比实验中表现最佳。     

基于时空特征自适应融合网络的流量分类方法

针对当前网络流量瞬时涌现导致网络安全事故骤增、网络管理负担加重等问题,基于深度学习技术提出了ResNet和一维Vision Transformer并行的网络结构对网络流量进行识别并分类。其中ResNet可以提取到流量数据在空间上深层次的特征,能够保证流量识别的准确率;一维Vision Transformer可以提取到更具代表性的时序特征。利用注意力机制将两种特征进行自适应融合得到更全面的特征表示,以提高网络识别流量的能力。在ISCX VPN-nonVPN数据集上进行实验表明：所提方法在流量的应用程序分类实验中的准确率达到了99.5%,相较于单独的ResNet和一维Vision Transformer以及经典的一维CNN和CNN+长短时记忆网络分别提高了0.9%、3.6%、6.6%和3.3%。在USTC-TFC 2016数据集上,所提方法在能够轻松识别流量是否为恶意流量的基础上,实现了对13种应用程序的分类,且平均分类准确率达到了98.92%,证明了其具有识别恶意流量并完成细粒度分类任务的能力。     

基于智能手机视频处理技术的智能电表故障检测

基于智能手机视频处理技术的智能电表故障检测装置利用智能手机摄像头采集脉冲输出,实现智能电表电能误差校验和故障检测.该检测装置不必打开计量表计的接线端子盖,只需调用系统相机录像,录制的同时利用智能手机蓝牙读取校验仪测量的电压、电流、相位,然后将视频切片为图像进行处理,获得智能电表有功脉冲输出时刻;同时使用智能手机蓝牙读取...     

基于智能信息融合的模拟电路故障定位方法

针对模拟电路故障诊断中存在的测试信息不足、故障定位准确性较低等问题,提出了一种应用智能信息融合技术的模拟电路故障定位方法.该法首先分别采用可测点工作电压及不同测试频率下的电路增益,各用一个独立的神经网络依据改进的BP算法对电路实施初级诊断;然后根据初级诊断结果,运用模糊融合诊断方法进行故障定位.所提方法能充分利用故障信息,对模拟电路的软故障与多故障均可进行诊断,故障定位准确率高.     

基于自适应深度学习模型的变压器故障诊断方法

为提高变压器故障诊断的准确率,提出一种基于自适应深度学习模型的变压器故障诊断方法。该方法采用油中溶解气体作为故障诊断特征量,基于深度学习理论构建诊断模型。为解决传统基于固定学习率的深度学习模型训练过程中收敛速度慢、收敛精度低的缺点,提出一种自适应深度学习模型构建方法,该方法可根据迭代进程变化特性对学习率进行自适应调整,有效提高了深度学习模型的训练精度及速度。基于实例确定了变压器故障诊断自适应深度学习模型隐层层数、学习率调整系数等参数。实验结果表明,该方法特征提取及分析能力强,具有更好的收敛速度及收敛精度,可有效提高变压器故障诊断的正确率。     

基于智能电表微内核动态优先级任务调度方法

为了提升新一代智能电能表中微内核实时嵌入式操作系统中任务调度算法性能,文中提出一种微内核动态优先级任务调度方法。在该方法中,将智能电能表中的任务划分周期性任务和事件触发任务,引入最高优先级调度和最早截止时间调度机制,对事件触发任务分配动态优先级。同时,针对低优先级任务可能存在得不到调度的情况,采用任务补偿调度策略,确保各任务能够及时得到执行。通过案例分析验证了文中方法的有效性,进而为新一代智能电能表实时任务处理应用奠定基础。     

基于多智能体的电力信息融合模型设计

随着智能电网的发展,电力控制中心的信息量呈指数增长,且数据相互孤立,传统基于单系统局部数据的分析应用系统就出现综合数据不足,复杂并行处理困难及分析智能化低等问题。通过采用有自适应性、自组织性和层次性的多智能体技术进行复杂任务分解,通过设计数据、关联和知识三层信息融合模型来保证海量信息的综合利用,进而构架了一个多层电力信息融合平台,实现复杂多源电力信息在各个层次中的流动和增值,实施海量数据处理的信息智能融合策略。在信息融合平台基础上设计和实现了面向地区电网的全局三级电压无功优化系统,初步应用结果表明该设计是先进实用的。     

基于用电信息采集系统的运行电表故障智能分析

电能计量的准确性直接影响贸易结算的准确、公正,涉及广大客户利益,受到社会广泛关注。近年来,国内部分地区电网已有电力用户用电信息采集系统建成并投运,该系统针对不同的电力用户,采取不同的分类进行数据的采集。基于电力用户用电信息采集系统,对其采集到的大数据进行处理,利用数据挖掘工具,建立专家库并进行智能诊断,实现对运行电表的状态评估。     

基于智能电表的电网广域负荷建模方法

电力系统负荷建模是一项十分重要,同时也是非常困难的工作,目前为止还没有建立起广域的和常效的机制.本文提出利用各电压等级安装到户的智能电表开展广域的负荷建模工作,分别利用智能电表功率信息,通过在线统计综合法获得负荷模型,以及将智能电表作为在线测辨装置,利用实时采样数据在线测辨获得负荷模型,构建了基于智能电表的广域负荷建模体系.通过自动抄表系统定期将负荷统计与测辨相关信息分层收集,分级建模,逐级向上,可实现电力系统负荷信息的广域统计、分析与校核,从而建立动态和长效机制,有效推动负荷建模的各项研究工作.     

基于平衡混合路由的智能电表通信方法

为解决智能电表高速载波(high power line communication, HPLC)通信存在中继多、远距离传输衰减大、可靠性差的问题,提出一种基于平衡混合路由的电表通信方法。首先,将智能电表通信模块改造为HPLC与微功率无线双模通信方式,提高数据传输稳定性;在此基础上,通过电表通信连接关系分析,建立用电信息采集集中器与智能电表的邻居关系表,形成用电信息采集集中器与智能电表的拓扑关系图;其次,通过可靠传输路径,为配电台区中每一块智能电表保存重传路由表;再次,基于平衡混合路由算法,实现智能电表HPLC与微功率无线通信的动态路由切换和最佳路径选择;最后,采用仿真流程对所提模型进行校验,验证了所提方法的可行性与有效性。     

基于分类模型的配电线路故障研判方法研究

国网宁波市鄞州区供电公司引入大数据分析技术,创新性地提出了配电线路故障研判模型,通过对海量的配电变压器停电信号与配电线路实际故障的关联分析建立分类模型,并利用该模型对实时发生的停电信号进行在线研判,为故障派单提供技术依据,有效解决配电线路故障判不准的难题,可大幅提高配电线路故障抢修的"主动性"。     

基于多粒度特征选择和模型融合的复合电能质量扰动 分类特征优化

现代电力系统因其“双高”特性造成电能质量扰动模式愈加复杂,对复合扰动的准确分类提出了挑战。传统电能质量扰动分类方法在特征提取阶段所提取的特征由人为确定,难以判断所提取的特征对分类问题是否有效,加之多重复合扰动特征相互耦合导致扰动特征的可分性确定困难。为此,提出一种基于粒度的计算方法进行特征选择的模型。在提取的扰动特征集的基础上,通过构建多粒度空间反映特征分布差异性,进而挖掘各粒度下的最优特征子集以确定有效和冗余的分类特征,达到优化分类效果的目的。在此基础上,通过集成分类模型融合不同粒度空间最优扰动特征集所训练的同质弱分类器模型,提出一种新的电能质量扰动多粒度集成分类方法。该方法克服了现有方法在进行多粒度分类时通过寻找最优单粒度空间特征而导致的其他粒度空间信息丢失的问题。实验表明,多粒度特征选择算法可提取对分类有效的扰动特征,集成分类模型可进一步改善模型的分类性能。     

基于多特征参数融合的模拟电路故障诊断方法

电路的稳定性是确保电子设备持续运行的基础,随着模拟电路在现代化电子设备中应用的逐步广泛,其故障检测技术成为了电力行业人员的研究重点,因此文章开展了基于多特征参数融合的模拟电路故障诊断方法的研究。通过构建故障检测模型实现对参数的统一化处理,同时提取电路中离散性故障信号,将故障模式划分对应的故 障元件,实现故障点的定位,最后采用设计仿真实验的方式验证设计的故障诊断方法的有效性,为电子设备的稳定运行奠定基础。