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。     

基于深度混合注意力网络的窃电检测

窃电检测旨在识别和检测非法或未经授权的电力使用行为。在智能电网技术高速发展的背景下,如何实现准确的窃电行为检测,是学术界和工业界广泛关注的一个重要问题。针对已有方法依赖人工特征设计以及低层特征提取能力不足的问题,提出了一种基于深度混合注意力网络的窃电检测方法,将通道注意力和自相关注意力机制相结合,在不同层次和空间范围内捕捉数据中的时间依赖性和周期性等复杂特征。所提模型在低层使用通道注意力网络来增强低层特征的表达能力,在中间层使用自相关注意力来捕捉全局上下文信息,并利用自监督方法来学习注意力参数,从而提取出更具表达力和判别力的特征表示。在中国国家电网数据集上进行实验所获得的结果表明,所提出的方法在AUC以及F1等性能指标上取得了更好的效果。     

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YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。     

基于MGAT-TCN模型的可解释电网虚假数据注入攻击检测方法

新型电力系统背景下,快速、准确的虚假数据注入攻击(FDIA)检测对电网安全运行至关重要。但现有深度学习方法未能充分挖掘电网量测数据的时序和空间特征信息,影响了模型的检测性能;同时,深度神经网络的“黑盒”属性降低了检测模型的可解释性,导致检测结果缺乏可信度。针对上述问题,提出了一种基于多头图注意力网络和时间卷积网络(MGAT-TCN)模型的可解释电网FDIA检测方法。首先,考虑电网拓扑连接关系与量测数据的空间相关性,引入空间拓扑感知注意力机制,建立多头图注意力网络(MGAT)提取量测数据的空间特征;接着,利用时间卷积网络(TCN)并行提取量测数据的时序特征;最后,在IEEE 14节点系统和IEEE 39节点系统中对所提MGAT-TCN模型进行仿真验证。结果表明,所提模型相比于现有检测模型具有更高的检测准确率和效率,且通过拓扑热力图对注意力权值可视化,实现了模型在空间维度的可解释性。     

基于时空和频域特征的EEG帕金森疾病识别

脑电图(EEG)中蕴含着有关脑功能的丰富信息，这些信息对不同类型神经系统疾病的检测和诊断非常重要。针对单一特征无法充分表达脑电信号的问题，本文融合了频域特征和时空信息来更好的对信号进行表征，并提出一种基于时空和频域特征的注意力网络(STFACN)用于帕金森疾病(PD)的自动检测。在频域角度，利用快速傅里叶变换法从多通道脑电图中求取Delta、Theta、Alpha频段的平均功率特征。同时构建基于时空特征的紧凑型卷积神经网络，并将通道注意力机制嵌入到网络中，自适应提取表征PD的时空特征。最后将基于频域特征的模型与基于时空特征的紧凑型卷积神经网络模型进行融合，在新墨西哥州大学(UNM)数据集上进行实验，特异性、敏感性、准确率分别达到87.97%、84.39%、86.89%。在爱荷华大学(UI)数据集上进行跨数据集实验，准确率达到77.33%。实验结果表明：与现有的方法相比，本文提出的方法能够从原始脑电图中挖掘出有效特征，在基于EEG的帕金森疾病识别问题上准确率高，泛化能力强。     

基于多尺度特征增强DHTCN的电力系统短期负荷预测研究

为充分挖掘蕴含在电力负荷数据中的多尺度时序信息,提升短期电力负荷预测精度,提出了一种多尺度特征增强的改进时间卷积神经网络(improved temporal convolutional network with multi-scale feature enhancement, ECA-MS-DHTCN)模型。首先,使用4种不同尺寸卷积核的因果卷积提取负荷数据特征,并在特征提取层中嵌入高效通道注意力(efficient channel attention network, ECA)模块实现不降维的局部跨通道交互,得到带有通道注意力的多尺度负荷特征。然后,利用双混合扩张卷积层改进基本时间卷积神经网络(temporal convolutional network, TCN)残差块结构,克服TCN模型中扩张卷积结构存在的信息不连续及远距离信息不相关问题,兼顾负荷特征浅层细节及深层联系。最后,将ECA优化的多尺度特征提取层与改进TCN模型结合搭建ECA-MS-DHTCN负荷预测框架,完成短期负荷预测任务。经实际电网负荷数据仿真,结果表明所提出的ECA-MS-DHTCN模型可以在保持较快训练速度的同时有效地提高预测精度。     

基于改进卷积双向门控循环网络的轴承故障诊断*

针对传统深度学习方法没有充分利用轴承信号的时序特点,以及难以处理动态数据的问题,提出一种基于改进卷积双向门控循环神经网络的轴承故障智能诊断方法。采用卷积神经网络从输入信号中提取代表性特征,引入双向门控循环神经网络挖掘故障数据在时间维度上的语义信息,通过注意力机制自适应地对特征图通道赋予不同权值,从而实现高精度的轴承故障诊断。在公开轴承数据集上进行实验,实验结果表明,该方法能够正确地将轴承故障分类,分类精度可达996%。     

基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

融合注意力和辅助分类器的膨胀残差网络语音情感识别研究

针对现有语音情感数据集中样本数不足以支撑训练深度神经网络以及层数不断加深带来的梯度爆炸问题，在使用高斯白噪声和随机时频掩蔽对数据集进行增强的基础上，提出了一种融合通道、空间注意力和辅助分类器的膨胀残差网络(dilated residual network with auxiliary calssifier and channel, spatial attention, DRN-A-CASA)语音情感识别方法。首先，使用增强后的梅尔谱图数据集作为网络模型的输入，并在残差网络原卷积层中采用膨胀卷积来扩大特征提取感受野；其次，在残差网络layer3层后添加辅助分类器分支，加速网络训练并改进损失函数；最后，在layer4层中添加注意力机制关注情感特征，实现语音情感的分类。实验结果表明，基于DRN-A-CASA的模型在RAVDESS及EMODB两个数据集上分别达到了92.91%和89.15%的识别准确率，验证了所提方法的有效性和泛化性能。     

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。     

基于忆阻器卷积神经网络的表情识别

忆阻器具有纳米级尺寸、低功耗、类似神经突触等优点,在神经计算、图像分类等领域具有广阔的应用前景。本文提出了一种基于忆阻器卷积神经网络的面部表情识别方法,首先基于忆阻器构建了ResNet卷积神经网络,并对ResNet网络进行剪枝操作,然后将ResNet模型的所有卷积层以及全连接层的权重映射为忆阻器十字交叉阵列中忆阻器的忆导值。实验结果显示忆阻器卷积神经网络模型在FER2013数据集上的识别准确率为63.82%,在CK+数据集上的识别准确率为93.95%。相比与原卷积网路,准确率损失仅分别为0.31%和0.76%。最后测试了忆阻器的非理想特性对准确率的影响,为忆阻器神经网络的实际部署提供参考。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于注意力机制的CNN-LSTM短期电价预测

短期电价预测结果的准确性对存在多元化竞争格局的电力市场具有重要意义。为提高在电价跳跃点和尖峰点的预测精度及预测效率,针对多因素融合影响的电价序列与其影响因素间隐含的非线性关系,提出了一种基于ATT-CNN-LSTM的短期电价预测方法。首先,采用灰色关联度分析法分析负荷因素与电价之间的关联程度,筛选出关联度较高的数据作为最优模型输入。其次,通过注意力机制(Attention, ATT)自适应分配输入数据的权重,以权重大小区分强弱特征数据。再利用卷积神经网络(Convolution Neural Networks, CNN)对数据集进行二次特征提取及降维处理,优化输入长短期记忆神经网络(LongShort-TermMemory, LSTM)中的数据,从而提升LSTM网络的预测精度与训练速度。对澳大利亚电力市场的实测数据进行算例分析,通过与其他主流算法对比,验证了所提方法具有更高的预测精度和计算效率。     

基于DACNN的电机滚动轴承故障诊断方法

针对强噪声、跨工况场景下数据分布差异导致传统卷积神经网络(CNN) 模型泛化性能低、诊断能力不足的问题,提出 一种基于并行卷积核和通道注意力机制的滚动轴承故障诊断方法。构造了带有不同尺度卷积核的并行网络结构,可以在抑 制噪声干扰的同时有效提取出数据中的故障特征信息;融合通道注意力机制对卷积层特征提取能力进行增强,提升模型抗噪 性能以及跨工况负载下的自适应诊断能力。利用凯斯西储大学轴承数据集训练并测试诊断效果,将该方法与其他方法进行 了性能对比。结果表明,在跨工况不同负载情况下,所提方法的诊断平均准确率为97.3%,在不同信噪比噪声干扰情况下的 诊断精度平均达93.8%,均高于其他比较方法,所提出的方法在复杂多变工况下具有良好的抗噪性能和泛化能力。     

基于改进XGBoost模型的低误报率窃电检测方法

以降低窃电检测误报率为目标,提出一种基于贝叶斯优化和改进XGBoost模型的窃电检测方法。首先根据用电信息采集系统和营销系统数据构建了窃电检测指标,然后采用XGBoost模型作为分类器,添加Focal Loss和增加分类阈值的方式用于优化模型。在此基础上,以验证集的马修相关系数为目标函数,利用贝叶斯优化调参求出最优Focal Loss参数和分类阈值,进一步降低检测方法误判率。基于实际电力用户数据进行数值仿真,结果表明所提方法比Adaboost、BP神经网络、SVM具有更高的准确率。     

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络（CNN）和双向门控循环单元（BiGRU）、全连接神经网络（NN）的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明：该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。     

基于气象大数据的城市电力负荷预测

为克服利用气象因素对用电量预测任务中必须先观测到气象条件再进行预测的困境,提升用电量预测准确性,提出一种基于时序卷积网络与循环神经网络的用电量预测方法.使用时序卷积网络基于历史气象数据对未来气象条件进行预测,结合历史用电量数据对未来用电量数据进行预测.算法在预测当前用电量时只依赖于过去的特征,因此无需先观测到当前气象特征.在真实的气象与用电量数据集上的实验结果表明,在仅使用气象因素这一外部变量时,算法对用电量的预测准确性超出了传统方法,有较高的实用性.