基于堆叠去相关自编码器和支持向量机的窃电检测

已有窃电检测模型的准确率尚无法满足应用需求,是因其均将建模重点放在了分类算法的选择或改进上,而相对地忽视了特征提取过程。因此,提出一种基于深度学习的特征提取方法,即堆叠去相关自编码器。得益于深层结构和高度非线性,其能够从用户用电数据中提取到高度抽象和简明的特征。随后支持向量机将这些特征映射到指示是否窃电的标签。基于真实数据的算例测试,验证了所提窃电检测模型具有较高的检出率和较低的虚警率,同时也验证了堆叠去相关自编码器能够提取到有效的特征。     

基于负荷尖峰特征LSTM自编码器的窃电识别方法

近年来，面向高损线路的窃电检测方法得到大面积工程应用，对降低窃电检测误报率和推动数据驱动窃电检测的工程应用起到了重要作用。但如何准确检出非高损线路的专变窃电用户，仍是亟待解决的难题。基于实践经验中部分窃电用户存在用电量异常尖峰这一特点，提出基于负荷尖峰特征长短期记忆（LSTM）自编码器的用户窃电识别方法。首先，分析典型窃电用户曲线形态,提炼了区分正常及窃电用户的用电量尖峰特征。然后，结合该特征和用户分时数据周期性规律，构建LSTM自编码模型重构输入得到拟合值，基于拟合值与真实值的均方误差设定自适应阈值，从而识别窃电嫌疑用户并提供具体预警尖峰时段。最后，应用实际专变用户用电数据进行算例分析，结果表明所提方法在准确率、命中率和误报率上均优于对比方法。     

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.     

基于大数据分析的电力盗窃检测与预防系统研究

首先,基于大数据分析设立安全状态数据样本集,通过测试电力盗窃检测与预防系统安全状态的维度,对系统进行休整后得到安全系数。然后,根据电力盗窃检测与预防系统和数据集之间的相关因素,利用神经网络算法在输入层输入安全数据,经过隐藏层的处理计算,得到了输出检测结果。最后,计算电力盗窃的技术损耗得出测量的欧姆损失,对大数据分析迭代训练后完成电力盗窃检测与预防系统的设计。结果表明,从正常用户和电力盗窃的用电趋势可以看出,在用电12天左右时,电力盗窃的用电量最高可达到1.5 kWh,明显高于正常用户用电量,基于大数据分析的电力盗窃检测与预防系统能够有效根据用户的数据进行窃电检测且准确率较高。     

基于ISSA-SVC的配电网高损台区窃电检测方法研究

针对现有的基于机器学习的用户窃电行为检测方法检测效率和准确率不高等问题,提出一种基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量分类机(support vector classification, SVC)参数的ISSA-SVC窃电检测模型。首先,该模型通过分析台区每一天的线损率与窃电电量、窃电用户计量电量与窃电电量、窃电用户计量电量与线损电量、台区供电量与窃电电量、用户最近一天用电量和相邻几天用电量、具有相似特征用户用电量曲线的相关性提取用户窃电特征参量。其次,利用动态时间规整(dynamic time warping, DTW)方法计算得到它们的相关系数。最后,采用ISSA优化SVC惩罚参数C和核参数g,并对台区内窃电用户进行检测。仿真算例与实际电网数据分析表明,所提方法与传统的窃电检测方法相比,具有更高的效率和准确率。     

基于堆叠稀疏降噪自编码器的暂态稳定评估模型

深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样本,然后对受损数据样本进行高阶特征提取,最后将提取的高阶特征重构成未受损的数据,这一训练过程大大提高了模型的抗噪能力。同时,在对输入特征进行重构的过程中,对隐藏层神经元权重和激活程度进行抑制,实现模型的稀疏化,以此提高模型的泛化能力。仿真结果表明,相对于其他机器学习算法,SSDAE模型具有良好的抗噪能力和泛化能力。     

基于多模态堆叠自动编码器的感应电机故障诊断

针对感应电机多源监测数据利用率不高,难以有效融合多传感器信息进行电机故障的准确识别等问题,提出了一种多模态堆叠自动编码器模型(MSAE)。该模型直接从原始信号中获取其最为显著的特征向量,有效减少了手动提取特征指标造成的故障信息遗漏,并能学习到多源信号的共享表示实现多源融合的故障诊断,为融合多传感器信息的设备故障诊断提供了新思路。实验证明,与使用单一传感器信息的堆叠自动编码器模型、具有同样隐藏层结构的多层感知机以及使用手动提取特征的支持向量机相比,提出模型具有最高的诊断准确率(94.84%),并在振动信号被噪声损坏的情况下展现了良好的适应性。因此该方法可用于多传感器融合的感应电机故障诊断。     

基于特征抽取的电力工控系统入侵检测方法

随着电力工控系统内负荷终端的大量部署,系统遭受网络入侵的风险将极大提高。在将网络入侵检测技术应用于电力工控系统时,已开发的检测模型往往无法取得理想效果,而训练新的模型又将面临安全、隐私等原因造成的数据采集困难。因此,研究一种基于特征抽取的入侵检测方法,该方法通过堆叠稀疏自编码器结构提取抽象特征,以SVM(支持向量机)分类器为输出层实现入侵检测。在模型训练过程中引入迁移学习策略进行优化,经算例验证该方法能有效提升模型面向有限数量目标域内数据的检测效果和训练效率。     

基于向量自回归模型的高损线路窃电检测

接入配电线路的用户窃电将直接导致分线线损电量异常波动,因此用户用电量与分线线损电量间存在长期动态互动。该文提出基于向量自回归模型检测造成线损波动的异常用户的方法。首先,运用边限协整检验分析线损电量和用户用电量的长期均衡关系;然后,构建线路线损电量与接入用户用电量的向量自回归模型,计算脉冲响应函数分析线损电量与用户用电量的动态作用机制;再通过方差分解分析线损电量与用户用电量间冲击作用的贡献度,将对线损电量有显著影响且波动贡献度最大的用户识别为窃电用户;最后,结合实际高损线路用户数据识别窃电嫌疑用户,并运用现场稽查的手段验证了所提方法的有效性。     

基于深度神经网络的电力无线终端安全接入测试

新型电力系统的外部无线终端容易被攻击者通过物理接触发动内部网络渗透攻击，传统的设备安全测试对提升接入设备的安全性能收效甚微，且容易产生较高的假阳率。提出一种基于深度神经网络的无线接入安全测试方法，采用堆叠稀疏自编码器实现测试数据集的特征降维，并选取合适的特征维数进行训练，将选取的特征作为深度神经网络的输入层，构建高效测试用例，监测并发现异常状态。实验表明，该方法准确率达到90%，可以高效发现电力移动设备接入环境的异常。     

基于独立稀疏SAE的多风电场超短期功率预测

为应对多风电场超短期预测模型中输入和输出变量众多、变量间的时空关系复杂等问题,提出一种基于独立稀疏堆叠自编码器的多风电场超短期功率预测方法.该方法基于降维编码、特征预测和重构解码相结合的预测框架,首先设计了一种独立稀疏双层堆叠自编码器提取多维风电功率的空间独立特征,并将其作为预测对象分别预测,最后将特征预测的结果重构解...     

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。     

基于深度学习的暂态稳定评估与严重度分级

提出一种安全域概念下的堆叠降噪自动编码器和支持向量机集成模型相结合的暂态稳定评估方法。将故障前的潮流量作为输入,利用堆叠降噪自动编码器对输入量进行多层抽象表达,使用提取的各层特征训练支持向量机;建立支持向量机集成分类模型进行暂态稳定评估,对评估结果进行可信度分析,将输入空间划分为稳定区、边界区和失稳区;利用效用理论结合所提出的暂态稳定裕度指标对运行方式进行严重度分级。算例结果表明,所提暂态稳定评估方法具有更高的评估准确率和一定的泛化能力;所提严重度分级方法能够直观表现不同运行方式的危险程度。     

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器（SSDAE）的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络（BPNN）和支持向量机（SVM）法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。     

基于深度稀疏降噪自编码网络的局部放电模式识别

由于变电站现场局部放电检测易于受到各类干扰的影响,造成检测数据中存在噪声,使数据中信号特征不明显,因此传统的基于统计特征的模式识别方法在应对现场检测数据时识别率较低。提出了一种基于深度稀疏降噪自编码器网络的模式识别方法。对试验检测出的典型特征图谱,利用深度稀疏降噪自编码器进行主动染噪学习训练,最后得到可以有效去噪的深度特征提取模型,并利用Softmax分类器输出识别结果。利用在变电站现场实测数据对方法进行验证,并与传统的识别方法进行对比,证明方法对含有噪声的局部放电信号有更好的识别效果。     

基于栈式混合编码器的水质传感器数据融合算法

由于浅层神经网络网络结构和训练方式的限制,网络学习能力和泛化能力在大样本条件下没有深度学习网络强,为此,提出了一种基于栈式混合编码器的水质传感器数据融合算法.该算法通过堆叠自动编码器和稀疏自动编码器形成深度学习网络模型,实现对样本数据的特征挖掘和稀疏表示.经过大规模样本训练后的网络模型能够拟合复杂非线性函数,对低质量的...     

基于小波-稀疏自编码器的输电网虚假数据检测方法

被攻击者精心设计的虚假数据符合电力系统运行规律和基尔霍夫定律,可以绕过不良数据的检测,使控制中心误以为系统在正常运行中,从而做出错误决策,影响电网正常运行.考虑状态估计和电网数据的非线性结构,结合状态数据的时间连续性,提出了一种小波变换和稀疏自编码器相结合的虚假数据注入(FDIAs)检测方法.小波变换可在频域展示连续时间信号的局部特征,易于发现数据的异常变化.将经由小波变换的特征向量作为自编码器的输入,训练表征电力系统正常运行模式的自编码器,然后在线运行输出攻击检测结果.最后,使用IEEE 39和IEEE 118验证了所提方法的准确性和有效性.     

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。     

引入自监督机制的燃料电池水管理系统健康状态检测方法EI北大核心CSCD

为保证质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)运行过程中的安全性和平稳性,该文提出一种引入自监督机制的燃料电池水管理系统健康状态检测方法。该方法的计算网络引入自监督机制挖掘数据特征,具体通过堆叠两层稀疏收缩自编码器(sparse contractive autoencoder,SCAE)实现功能。该自编码网络以逐层贪婪训练的方式完成参数初始化,避免因初值取值不佳使得网络参数训练陷入局部最优解。同时,改进的自编码网络也能有效避免模型过拟合,从而达到良好的特征提取效果。用Softmax分类器替换最后一个自编码器的输出层,然后运用Adadelta算法进行基于自适应学习率的自编码网络权值微调,从而完成系统识别网络的搭建。该算法根据梯度动态调节学习率大小,使得网络权值快速逼近符合数据特点的最佳取值。实验结果表明,该方法能快速准确地识别PEMFC正常、水淹和膜干3种状态,检测正确率高达98.5%,检测时间为3.24s。与线性判别分析-概率神经网络(linear discriminant analysis-probabilistic neural network,LDAPNN)、稀疏自编码器-支持向量机(sparse autoencodersupport vector machine,SAE-SVM)和主成分分析-向后传播神经网络(principal component analysis-backpropagation neural network,PCA-BPNN)方法相比,所提方法计算时间分别减少3.08、5.38和7.15s,准确率分别提高7.92、25.08和9.08%。普适性验证表明,该方法对于多节电池的健康状态检测同样适用。     

基于深度森林算法的窃电行为检测方法研究

深度学习在窃电行为检测领域的研究中应用越来越多,但传统的基于神经网络的深度学习因需要大量的训练样本、调参过程复杂等原因应用十分受限。首次将深度森林分类算法引入窃电行为检测领域,利用其依赖训练样本量小、超参数少、计算效率高的优点,结合从电量、电压、电流、功率因数等数据提取的特征检测用户是否存在窃电嫌疑。通过某地区用电信息采集系统提供的负荷数据,验证了所提窃电行为检测模型的有效性。