基于知识嵌入和DNN的工商业用户异常用电检测

目前的异常用电检测研究主要以居民用户为对象,并不适用于工商业用户。针对此问题,文中提出一种融合了电能计量原理的基于深度学习的异常用电检测方法。首先,分析了各类异常用电的数据现象,结果说明单纯采用智能电表数据不足以准确检测异常用电。文中遵循电能计量原理,将描述电气参量内部逻辑关系的指标作为知识嵌入智能电表数据,构建深度学习样本模型。然后提出一个改进的深度混合残差神经网络,从海量智能电表数据中学习用于识别异常用电的高级特征。实验结果表明,相比多个基准算法,文中方法在所有评估指标上均取得了明显的提升。     

基于深度学习的用户异常用电模式检测

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。     

基于强化学习的异常用电判决方法

目前异常用电检测问题有许多基于分类的方法,但大多都是基于短期用电行为的判决来判断长期用电行为,判决阈值与比例难以确定,且在实际应用中,不同区域、时段的用户用电数据分布差异较大,比例与阈值也会有较大的不同,难以以固定的比例通用于所有的用户数据。针对此问题,文中提出一种基于强化学习的异常用电判决方法,创新地利用强化学习模型来动态生成阈值,以适应差异较大的不同数据集。首先获取分类器输出的数个用户短期行为的异常概率,然后输入到强化学习模型深度递归Q网络（DRQN）中,学习得到动态阈值即判决阈值与判决比例。试验结果表明,相比于人工调参的传统投票法,文中方法在评估指标上有明显提升,面对数据分布差异较大的数据集时也有较好的表现,说明文中方法具有较强的泛化能力,在数据类型复杂的现实环境中也有较好的应用场景。     

基于改进SVM的电力用户异常用电行为检测方法研究

针对现有异常用电行为检测方法提取特征单一、检测精度不高等问题,提出了一种将改进蚁狮优化算法和改进支持向量机相结合用于检测电力用户异常用电行为。采用决策树优化支持向量机转换为多级分类器,通过改进蚁狮优化算法优化支持向量机参数提高训练速度。通过试验对多种异常用电行为进行分析,验证了所提方法的优越性。结果表明,与传统的异常数据检测方法相比,该方法具有更高的检测精度和更低的训练时间。     

电力用户异常用电的深度神经网络检测方法

以电力用户异常用电为代表的电力系统非技术性损耗通常会造成供电公司运营成本的显著性上升。首先,提出一种电力用户异常用电的深度神经网络检测方法,根据电力用户用电负荷特性采用深度置信网络（DBN）对原始的电力负荷数据进行特征提取并获取符合特征,其次,基于极限学习机（ELM）完成特征分类,从而建立电力用户异常用电检测基础模型。最后,提出一种采用改进果蝇优化算法（IFOA）对DBN的网络权重与层间偏置参数进行寻优,由此获得基于IFOA-DBN-ELM的电力用户异常用电检测模型。实验结果表明：所提方法的准确率、精确度和检出率显著高于其他方法,误检率低于其他方法,能够较为准确地检测出具有异常用电行为的电力用户,有助于降低供电公司的运营成本。     

基于数据挖掘技术的用电异常分析系统设计

目前用电信息采集系统的全覆盖已实现对大量用电信息和异常事件的采集和存储,但由于缺乏相应的数据挖掘工具和系统,导致数据未能得到有效利用。文章基于用电信息采集系统所获得的海量数据,采用数据挖掘技术设计了一个用电异常分析系统。文章设计了系统的功能架构和物理架构,并给出了系统的业务流程。系统通过对异常事件的智能分析,指导用电检查人员进行针对性排查,可有效提高电力系统运行的安全性,为建设坚强智能电网提供有力保障。     

基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测

为了约束输配电系统中存在的异常用电行为,文中提出一种基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测模型。提出异常用电模拟算法用于生成异常用电数据序列;利用长短期记忆网络构建特征提取网络,从用电数据中提取出不同的序列特征;以小波神经网络为核心构建模式映射网络,实现序列特征到用电模式的映射,完成异常用电模式检测。通过CER Smart Metering Project数据集测试,文章提出的异常用电检测模型与传统网络模型相比,具有更高的检出率、更低的误检率和更高的贝叶斯检出率。     

基于智能电网的智能用电分析

智能电网是现代电网事业的发展趋势,智能电网发展的过程中,促进多项智能化的建设,如：智能小区,推进智能用电的发展。智能电网是智能用电的载体,提高了用电客户的电能质量和服务质量。智能用电不仅具有节能环保的优势,更重要的是提供便捷的供用电方式,提高大众的用电水平,营造更为理想化的用电环境。因此,本文以智能电网为分析基础,重点研究智能电网下的智能用电。     

相异模型下Stacking集成结构的异常用电用户识别方法

针对电力用户异常用电行为造成电网非技术性损失(non-technical-loss,NTL),影响企业收益及供电质量等问题,文中提出一种相异模型下Stacking集成结构的异常用电用户识别方法.该方法综合分析用户用电侧历史数据特性,建立并提取用户用电特征;采用支持向量机(support vector machine,S...     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

基于深度神经网络的液体视觉识别研究

针对液体表面特征少,区分度低,机器视觉难以有效识别检测的问题,通过使用两束不同波长的激光光源同时照射液体来提高不同液体之间的区分度,设计了数据集自动采集装置为模型训练提供了大量有效的样本,并构建了基于EfficientNetV2深度神经网络的视觉识别模型,模型引入cosine学习率衰减,调节获得最佳超参数后,形成最优方式实现高效训练,进一步提升了预测精度,结果表明视觉检测系统能够获得100%的测试准确率,成功解决了液体视觉检测中特征少的难题。     

基于全卷积神经网络的坝面裂纹检测方法研究

针对常规裂纹检测方法难适用于坝面裂纹检测的问题,提出一种基于全卷积神经网络的裂纹检测方法,主要解决混凝土坝面裂纹的定量化检测问题。该检测方法引入图像预处理与形态学后处理相结合的方式,分别对原始数据和预测结果进行优化,提升检测精度;并根据坝面数据特点对传统FCN(fully convolutional network)网络进行改进,得到针对性更强的裂纹检测网络C-FCN(crack fully convolutional network),提升对裂纹检测的准确率;结合成像原理提取定量化信息,避免繁杂的相机标定工作,更加高效客观。利用该检测方法对实际工程进行实测,像素准确率、召回率和交并比分别达到75.13%、86.84%和60.15%,相比传统FCN网络,三项指标分别提升5.61%、16.56%、13.22%,同时定量化误差小于5%,裂纹平均宽度均不超过5 mm。该检测方法能够实现对坝面裂纹的精准识别和定量,为坝面后期风险评估和维护提供有力的数据支撑,具有显著的工程意义。     

基于深度人工神经网络和GIS数据的最优停电模型研究

为了有效利用地理信息技术支撑复杂大电网的信息化建设,针对停电事故对电力系统运行和日常生活带来的诸多影响,提出基于深度人工神经网络和GIS数据的最优停电模型。结合电力系统运行的特殊性,把最优参数设置和增量反馈结合用来优化受限玻尔兹曼机算法。通过仿真分析了算法的性能。仿真结果表明,采用深度神经网络的最优停电模型可以提高计算效率和精度。     

基于深度神经网络的弱监督信息细粒度图像识别

强监督识别算法需要大量的人工标注信息,消耗较多的人力物力资源。为了解决上述问题,满足实际需求,提出了两种基于弱监督信息图像识别方法用于细粒度图像分类(FGVC)。一种是联合残差网络和Inception网络,通过优化卷积神经网络的网络结构提高捕捉细粒度特征的能力。另一种是对双线性CNN模型进行改进,特征提取器选取Google提出的Inception-v3模组和Inception-v4模组,最后把不同的局部特征汇集起来进行分类。通过在CUB200-2011鸟类公开数据集和Stanford Cars汽车类型数据集上进行测试,实验结果表明,提出的方法在两种数据集上的分类精度分别到达了88.3%和94.2%的分类精度,实现了较好的分类性能。     

基于小波包能量熵和BP神经网络的孤岛检测法

非计划性孤岛会对电网造成严重的冲击以及人身伤害,实现孤岛检测必须准确快速。针对目前的基于信号处理的孤岛检测技术,提出了小波包能量熵和BP神经网络的孤岛检测法。通过小波包变换分解重构公共点电压与逆变器输出电流,得到重构序列,对其进行熵运算,得到更稳定,且更具有代表性的特征向量,可以更有效地区分孤岛发生前后的能量分布。通过BP神经网络对孤岛进行判断,实现了孤岛检测。通过MATLAB/Simulink仿真,表明了此方法的有效性,并且响应速度非常快,未引入扰动,故不会产生电能质量的问题,其稳定性高,检测盲区小。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于改进的YOLOv4输电线路小目标检测

传统的目标检测方法在检测输电线路小目标时,往往存在检测效果不佳,容错率低等问题,针对这种情况,提出一种基于改进的YOLOv4的输电线路小目标检测算法.为了提高输电线路小目标的检测效率,采用一种简化版的YOLOv4算法,减少特征层的使用,从而降低网络计算量.针对输电线路小目标这一特定应用,利用K-means++算法重新进...     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。