基于改进FCM聚类的窃电行为检测

窃电行为检测的主要目的 在于发现窃电用户,降低电力系统运营成本.在此背景下,提出基于改进模糊C均值聚类的窃电行为检测模型,包括因子分析、基于改进模糊C均值聚类的局部离群因子计算、ROC曲线模型评价与调参及最佳检测阈值选取等模块,适用于无大量已知窃电用户样本的情况.首先,通过因子分析对用户用电特征(包括用电负荷数据和电能表异常事件)进行维度规约,提升模型检测效率.再利用遗传模拟退火算法对模糊C均值聚类算法进行改进,对用户用电特征进行检测.最后与现有成熟算法进行比较,验证该模型对窃电行为具有较高的检测准确度.检测模型可输出所有被测用户用电行为离群度得分和窃电概率排序,利用该文检测模型的输出,能够以较高精度检测出窃电行为用户,根据结果进行现场稽查,可提升反窃电工作效率.     

基于随机森林的用电行为分析

长期以来窃电问题一直困扰着电力企业,它不仅损害了供电企业的合法权益,扰乱了正常的供用电秩序,而且给安全用电带来了威胁.通过机器学习算法,对电力用电数据进行分析处理,可以预测用户是否存在窃电行为.基于电力数据中用户用电量提取相关特征,结合随机森林算法,提出了一种预测用户是否具有窃电行为的方法.对比多组实验数据,调节特征数量以及算法参数,以提高预测准确率和预测速度.     

基于改进广义回归神经网络的网络安全态势预测

针对网络安全态势精确预测,提出一种基于改进广义回归神经网络的预测方法,以改善网络安全态势预测精度.利用滑动时间窗口方法将各个离散时间监测点的网络安全态势值构造成部分线性相关的多元回归数据序列,以其做为样本集输入到改进广义回归神经网络加以训练,进而得到网络安全态势预测模型.在改进广义回归神经网络训练过程中,利用粒子群算法...     

基于深度前馈神经网络的多基地外辐射源雷达高精度目标跟踪（英文）

在雷达系统中,目标跟踪误差主要来自运动模型和非线性量测。在评估跟踪算法时,其跟踪精度是主要衡量准则。为提高跟踪精度,本文将跟踪问题表述为从量测到目标状态的回归模型,提出一种基于改进深度前馈神经网络（MDFNN）的跟踪算法。所提MDFNN跟踪算法引入一种滤波层来描述输入量测序列的时序关系,并分析了最优量测序列长度。仿真和实测的外辐射源雷达数据测试表明,在所考虑的场景下,所提算法跟踪精度优于基于扩展卡尔曼滤波器（EKF）、无迹卡尔曼滤波器（UKF）和递归神经网络（RNN）的跟踪方法。     

基于改进旋转森林算法的窃电检测研究

如何准确检测出用户侧窃电行为是长期存在于各供电公司一个难点,传统的窃电检测方案均存在一定的局限性。针对窃电检测领域正负类样本高度不平衡,且单一分类模型表现不佳的问题,提出一种基于改进旋转森林算法的窃电检测方法。旋转森林算法采用主成分分析（principal component analysis,PCA）进行特征提取,利用原始训练集的所有主成分训练每个基分类器。在经典的旋转森林算法基础上,使用改进合成少数类过采样（synthetic minority oversampling technique,SMOTE）算法平衡样本子集中的正负类样本;使用Bagging算法中的Bootstrap抽样对训练子集进一步抽样;按准确率对基分类器进行选择性集成等3个方面的改进。算例使用华东某地区实际用户数据,结果表明所提窃电检测方法对比单一分类模型和现有集成学习策略,在多项评价指标下均取得更好的效果。     

DA多重插补法在电网电能量数据缺失处理中的应用

针对电能量数据缺失值处理技术,提出一种引入时间序列的基于贝叶斯常均值模型的数据增广算法(DA多重插补法).应用期望最大算法(EM插补算法)计算缺失值的插补值,将得到的插补值作为插补的初始值,然后根据电能量数据随时间变化的特点,构建基于常均值模型的多重插补模型,利用贝叶斯方法预测每个缺失值的多次插补值,综合分析观测误差方差和状态误差方差得到最终插补值,从而得到多个完整数据集合.在不同缺失率的条件下,通过与EM插补结果,以及与基于贝叶斯线性回归的DA多重插补结果相比较,得出改进的插补方法比所预测的误差更低,波动更小,插补结果更稳定的结论,有效提高电能量缺失数据的插补精度.     

基于样本局部判别权重的加权迁移成分分析

鉴于迁移成分分析(TCA)忽略了样本间的局部信息差异性,提出一种基于样本局部判别权重的加权迁移成分分析.首先,通过对局部近邻圆内样本分布情况的分析,为共享特征子空间中的每个样本均设计一个局部判别权重;然后,通过将局部判别权重与最大均值差异相结合构造的分布差异矩阵引入进TCA的目标函数中,从而体现样本对维持局部结构的贡献度差异;最后,结合联合分布调整和线性判别分析,使算法不仅能够同时缩小领域间的边缘分布差异和条件分布差异,而且能够提高算法的类间可分特性.36组跨领域图片数据集上的实验结果表明,所提算法能够获得65.67%的平均分类精度.     

基于生成对抗网络的分布式光伏窃电数据增强方法

由于分布式光伏窃电的稽查难度大,致使相关部门收集的窃电样本数量有限,无法满足基于数据驱动的窃电检测需求。通过数据增强的方式,提出一种基于Wasserstein生成对抗网络(WGAN)的分布式光伏窃电样本数据增强方法。首先,WGAN通过生成网络与判别网络的对抗训练,能够学习到光伏窃电数据序列难以显式建模的时间相关性,可以生成与真实窃电样本具有相近分布的新的窃电样本;然后,根据典型的光伏窃电模型,针对窃电样本的数据特征选用卷积神经网络(CNN)进行窃电检测;最后,通过算例分析,对比不同数据增强方法与分类器,表明WGAN生成的窃电样本能够符合真实样本的波动规律和历史数据的概率分布特征,进而有效改善分类器的检测性能。     

基于快速动态时间规划的模糊聚类算法

为快速准确地计算时间序列数据相似度,引入快速动态时间规划距离(fast dynamic time warping,FDTW),提出了基于FDTW的模糊C均值算法和模糊C中心点聚类算法。FDTW通过对数据序列进行拉伸和压缩匹配时间序列数据,只要形状相同,即使发生时间位移也可以准确识别,同时解决了传统DTW计算效率较低的问题。试验结果表明,提出的算法仍能保证聚类的精度。     

基于梯度提升回归树的城市道路行程时间预测

为了提高行程时间的预测精度,在考虑时间序列相关性的同时,分析相邻路段的空间相关性对于行程时间的影响,并提出基于梯度提升回归树模型的城市道路行程时间预测方法.对车牌识别设备获取的实际数据进行预处理,并提出相应的补全算法以解决数据缺失问题,建立完整的历史数据集.通过分析各影响因素与行程时间的相关性,构建特征向量.为了能更好地理解模型,通过梯度提升回归树模型输出各变量对于预测结果的重要度.利用实际数据对模型进行评估,预测行程时间的平均绝对误差百分比,约为10.0%.与SVM、ARIMA等方法相比,所提方法具有较高的精度.     

应用新数据同化算法的桥梁极值应力预测

为合理动态预测桥梁极值应力,将极值应力监测数据视为时间序列,提出桥梁极值应力预测的数据同化新方法。利用极值应力监测数据建立动态非线性模型,引入K均值聚类算法与最大期望算法,并将两者融合嵌入到高斯混合粒子滤波器,得到改进高斯混合粒子滤波算法,结合监测数据实现桥梁极值应力的动态预测,通过在役桥梁监测数据对所提算法的合理性进行验证,并与其他预测算法进行比较,结果发现改进算法更具可行性且预测精度较高。     

基于马氏距离的分段矢量量化时间序列分类

提出一种基于马氏距离的分段矢量量化时间序列分类(Mahalanobis distance-based time series classification using PVQA, MPVQA)算法。该算法在继承传统算法时间复杂度的基础上,引入马氏距离,克服了欧氏距离容易受模式特征量纲影响的缺点,提高了算法精度。首先,在训练时采用分段矢量量化近似方法获得码本,然后以马氏距离为相似性度量对时间序列进行分段重构。对重构后的时间序列,同样基于马氏距离为相似性度量进行判别。在4个时间序列数据集上进行的试验结果验证了所提方法在时间序列表示和分类上的优越性。     

一种改进型YOLOv5草莓检测算法

针对现有的草莓检测算法模型参数量大、准确率低、实时性差等问题,提出一种改进型YOLOv5草莓检测算法。算法基于YOLOv5模型,骨干网络引入GhostConv和C3Ghost模块进行参数量压缩,构造轻量化模型;加入Cutout增强数据,增加训练样本的多样性,进而提高模型的泛化能力和抗干扰能力;通过引入Gather-Excite和Transformer注意力机制加强对草莓图像重要特征的关注,从而提升检测算法在复杂环境下的识别能力。实验显示,所提算法的平均精度均值1和平均精度均值2分别为97.7%和83.5%,参数量缩减为4.01 M,推理时间为26.3 ms。改进后的算法相比原算法具有识别速度快、定位准度高以及占用内存少的优势,在满足精准采摘工作要求的前提下可以提高采摘效率。     

基于网络特征与用户行为分析的联合窃电检测方法

随着电力行业的迅速发展,窃电手段呈现出更复杂隐蔽的特点,给反窃电带来了很大考验.基于此,提出一种基于网络特征与用户行为分析的联合窃电检测方法.一方面,从网络特征分析角度出发,根据当前的电力网络测量数据,基于标准化残差搜索法识别与估计异常参数,准确定位疑似窃电用户所在支路,实现横向窃电检测;另一方面,从用户行为分析角度出发,利用用户的历史用电数据,结合粒子群算法(particle swarm optimization, PSO)和支持向量机(support vector machine, SVM)算法,提高窃电检测分析精度,实现纵向窃电检测.仿真结果表明,利用该联合窃电检测模型能够准确确定窃电异常支路并定位该支路上的窃电用户,有效筛选出电力网络的窃电嫌疑用户.     

基于主动学习机制GAN的MSWI过程二噁英排放风险预警模型

针对构建城市固废焚烧(municipal solid waste incineration, MSWI)过程剧毒污染物二噁英(dioxin, DXN)排放风险预警模型的样本极为稀少的问题，提出一种基于主动学习机制生成对抗网络(generative adversarial network, GAN)的DXN排放风险预警建模方法.首先，以DXN风险等级作为条件信息使得GAN生成候选虚拟样本；然后，利用基于最大均值差异和多视角可视化分布信息的主动学习机制进行虚拟样本的初筛和评估，以获得期望虚拟样本；最后，基于混合样本构建DXN排放风险预警模型.通过基准数据集和MSWI过程数据集验证了所提方法的有效性.基于主动学习机制GAN的DXN排放风险预警建模方法可以有效解决样本稀少的问题，提高模型精度.     

基于光滑支持向量机的机械振动时间序列分析

时间序列分析方法是动态系统建模的重要手段,传统的序列预测方法如统计和神经网络并不适用于复杂的非线性系统,为此引入了一种新的基于支持向量回归(SVR)的时间序列分析方法。为了降低计算的复杂度,采用了光滑化方法对SVR的基本算法进行改进,并应用于汽轮机振动数据序列,尝试建立汽轮机组振动状态模型。仿真结果表明:光滑支持向量回归(SSVR)算法具有良好的预测性能。与传统的时间序列预测方法(如神经网络)相比,SSVR算法具有更高的收敛速度和更好的拟合精度,有效地扩展了SVR的应用范围。     

一种改进的基于梯度提升回归算法的 O2O 电子商务推荐模型

位置属性对于线下消费的用户具有重要影响。为了有效提高个性化推荐精度,在对O2O电子商务特点进行用户特征分析的基础上,在推荐算法中引入当前时间参数和位置参数,提出了一种改进的基于梯度提升回归算法的O2O电子商务推荐模型。实验结果表明,改进的基于梯度提升回归算法的O2O电子商务推荐模型在实时性和准确性方面明显优于传统的推荐算法。     

运动目标追踪的人工鱼群优化粒子滤波算法

为了进一步提高视频图像序列中的运动目标追踪精度,在扩展卡尔曼粒子滤波中引入人工鱼群算法,利用人工鱼群算法优化采样过程,使粒子不断朝高似然区域移动来寻找最优位置;然后对重采样过程优化,提高样本多样性,克服粒子样本贫化问题,提高对系统状态的预估精度;最后以颜色直方图特征描述运动目标,结合目标的运动特征建立游走模式的二阶自回归模型,以提高运动估计精度.对比标准粒子滤波(PF)、扩展卡尔曼粒子滤波(EKPF),人工鱼群优化扩展卡尔曼粒子滤波算法(AFSA-EKPF)能够将滤波结果均方误差的均值和方差分别降低至0.113 86和0.003 09,同时在追踪运动目标实验中,能够有效地消除目标遮挡所带来的影响.     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

基于Adaboost.MK和SM-SVDD的变压器故障诊断方法

为了解决变压器故障诊断过程中单分类器诊断精确度不足的问题,引入一种基于改进AdaBoost算法和二次映射支持向量描述的变压器故障诊断方法。该方法训练若干个多分类二次映射支持向量描述分类器,得到弱分类器,采用改进AdaBoost算法将这些弱分类器进行集成构成一个强分类器,并在迭代训练过程中通过改变训练样本的权重,使集成多分类模型聚焦于一些难以分类的样本,从而提高分类精度。实际案例分析表明所提方法能够提高变压器故障诊断精度