基于CNN-LG模型的窃电行为检测方法研究

针对当前电网单一学习器窃电检测方法准确率低、实时性差且无特征提取的问 题,提出一种基于卷积神经网络轻梯度提升机（CNN-LG）模型的窃电行为检测方法. 通过卷积 神经网络（CNN）提取用户用电数据电力特征,将提取特征输入以决策树为基学习器的轻梯度 提升机（LG）分类器对数据进行训练,据此建立基于卷积神经网络轻梯度提升机模型的窃电行 为检测方法 . 采用基于卷积神经网络轻梯度提升机模型对国家电网和爱尔兰智能能源径 （ISET）数据集分别进行窃电行为检测 . 实验结果表明,本文提出方法可快速准确实现电网中 各类窃电行为检测,相比于现有检测方法具有更高准确度、更优泛化性能和实时性.     

三相三元件有功电能表防窃电技术

当前我国电力计量方式有多种，其中存在一些防窃电方面的漏洞。对大中电力用户的计量，由于采用了电流互感器变流，造成防止用户采用电流法窃电尤其困难。目前市场上尚没有有效产品和成熟技术能检测这一窃电方式。以三相三元件有功电能表为例，根据其计量方式的特点，在分析解决电流法窃电基础上，剖析其它窃电手段，总结出新的防窃电技术。依此技术开发出三相四线制防窃电装置能及时准确地发现各类窃电行为，尤其能灵敏准确地检测电流法窃电。该种装置在电力系统的实际应用中取得了良好效果。     

基于用电特征分析的异常用电检测方法

针对目前异常用电检测中存在的专变用户窃电率高、窃电模式难以察觉、使用窃电检测模型查找窃电用户过程中训练集不足的问题,提出了一种基于用电特征分析的无监督方式异常用电检测方法.该检测方法引入离群点查找算法,量化了海量数据中不同异常用电行为,将其提取为异常用电特征序列,并且根据专变用户不同计量方式和用电特点,构建了基于局部离群因子(local outlier factor, LOF)检测算法的用电不平衡特征序列,定义了考虑失压持续时间的电压异常特征序列和基于每日电流曲线聚类结果的电流异常特征序列,设计了异常用电评价流程,提出异常用电检测方法.通过实例验证了此检测方法能够完全甄别存在异常用电行为的用户,且检测方法对窃电时刻预测结果较为准确,其查准率和召回率的调和均值F_1值为0.81.该方法能为企业提供异常行为发生的时间段,为窃电行为的及时调查提供有力的依据.     

电机驱动系统PWM逆变器故障诊断

电机变频调速系统中,逆变器是故障高发的薄弱环节。设计一种基于小波包分解和RBF神经网络的三相电机驱动系统PWM逆变器故障诊断模型,利用小波包变换提取三相PWM逆变器故障信号特征向量,并将其作为RBF神经网络的输入量;采用狼群—模拟退火算法优化RBF神经网络的结构和参数,利用32组学习样本和6组测试样本分别训练和检验RBF神经网络。仿真实验分析表明,该方法用于三相电机驱动系统PWM逆变器开路故障的诊断,速度快、准确率高。     

基于RBF神经网络的复杂场景人群目标的识别

大型公共建筑内人群数目及分布的在线监测是有效控制和疏散客流、保障人员安全的重要依据之一.利用公共建筑内现有的闭路电视监视系统,通过计算机视觉技术实现人群数目的自动识别是目前国外普遍采用的一种方式.文中提出了一种基于RBF神经网络的复杂场景人群目标的识别算法,利用包含行人数目信息的前景图像的投影曲线等特征数据,通过训练好的RBF神经网络直接得到该前景图像中包含的人群数目.与其他算法相比,该算法具有较高的识别准确率,在一定误差范围内可以达到较好的效果.     

基于多层次非负稀疏编码和SVM的窃电检测方法

针对现有方法对新型窃电方式检测准确率不高的问题,文中提出了一种基于多层次非负稀疏编码和支持向量机(support vector machines, SVM)的窃电检测新方法。该方法以月度用电曲线为检测对象,基于多层次非负稀疏编码提取样本的多层次用电模式特征,以及窃电情景分析提取样本的数值统计特征,将二者的融合检测特征输入SVM分类器进行窃电检测。以爱尔兰智能电表数据集构造的算例验证了所提方法能够提高窃电检测的精确率和召回率。     

基于特征评估和神经网络的机械故障诊断模型

为了克服在无先验知识的情况下，人为选择时域无量纲指标作为故障敏感特征的盲目性，提出了一种基于特征评估和径向基函数（RBF）神经网络的机械故障诊断模型．该模型分别采用小波包和经验模式分解方法对原始振动信号进行分解，分别提取原始信号和各分解信号的时域无量纲指标组成联合特征，然后对联合特征进行评估，计算评估因子，并根据评估因子的大小选取敏感特征作为RBF神经网络的输入，实现对机器不同状态的自动识别．实验结果和工程应用表明，这种集成了小波包、经验模式分解、特征评估方法和RBF神经网络的机械故障诊断模型能够精细地获取故障信息，从大量的故障特征中筛选出敏感特征，因而减小了网络规模，提高了分类准确率，具有很强的鲁棒性．     

基于t-LeNet与时间序列分类的窃电行为检测

窃电行为是导致电力企业电能与经济效益损失的重要原因.提出了一种基于t-LeNet(Time-Series Specific Version of LeNet Model)与时间序列分类(Time Series Classification, TSC)的窃电行为检测方法:首先,获取用户用电量时序数据,使用降采样方法生成训练集;然后,使用t-LeNet神经网络训练并预测得到分类结果,判断用户是否存在窃电行为.使用国家电网真实用户的用电量数据集进行了实验验证.实验结果表明,所提方法相较于基于Time-CNN(Time Convolutional Neural Network)、MLP(Muti-Layer Perception)的时间序列分类方法,在综合评价指标、精确率、召回率指标上均有不同程度提高,其对窃电行为的检测具有可行性与有效性.     

基于大数据的防窃电模型与方法

针对常见的窃电现象及方法，分析了窃电方法的本质特征；利用鱼骨图表示特征参量的方法建立了多维度电参量的相关特征参量集合，并构建了多维度电参量的窃电本质特征模型来揭示窃电方法、本质特征和特征参量三者的关联关系；提出了基于大数据的防窃电模型与方法，包括数据预处理、大数据的防窃电结构化模型；最后通过用电信息系统采集的数据验证了本文结构化防窃电模型与方法的有效性。本文研究成果可为解决大数据条件下窃电行为监控问题提供有效的途径和方法。     

基于短时心电信号的疲劳驾驶检测算法

心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.     

基于层次分析法的加权力线窃电检测方法

为解决传统窃电检测方法的局限性,提出一种基于层次分析法的加权力线(LOF)窃电检测方法。该方法首先通过对窃电现象的系统分析,提出新的用电特征指标,构建合理的窃电嫌疑评价体系;其次针对各电气指标数据异常所能代表窃电的不同概率,采用层次分析法合理量化各电气指标的权重,并结合加权LOF算法对海量用户数据进行加权离群分析,使用综合离群因子表征用户窃电嫌疑程度。最后通过实测数据验证,结果表明所提检测方法相较传统LOF算法在较低检测率时能够挖掘出更多的窃电用户,进而提升采集系统的窃电检测效率。     

基于层次分析法的加权LOF窃电检测方法研究

为解决传统窃电检测方法的局限性,本文提出一种基于层次分析法的加权LOF窃电检测方法。该方法首先通过对窃电现象的系统分析,提出新的用电特征指标,构建合理的窃电嫌疑评价体系;其次针对各电气指标数据异常所能代表窃电的不同概率,采用层次分析法合理量化各电气指标的权重,并结合加权LOF算法对海量用户数据进行加权离群分析,使用综合离群因子表征用户窃电嫌疑程度。最后通过实测数据验证,结果表明所提检测方法相较传统LOF算法在较低检测率时能够挖掘出更多的窃电用户,进而提升采集系统的窃电检测效率。     

基于神经网络的PCB焊点检测方法

针对目前自动光学检测系统在进行焊点检测时容易出现缺陷误报和漏报,以及智能化程度不高的问题.提出了一种基于神经网络的检测方法.首先采用一种基于熵的多阈值自动图像分割方法来提取焊点;然后定义焊点图像的一系列特征,并通过实验对特征进行选择;最后建立用于焊点分类的BP神经网络.实验证明,基于神经网络的焊点图像检测方法具有较高的准确率.     

基于RBF神经网络的青霉素发酵过程的模型辨识

分析了目前青霉素发酵过程中存在的问题.基于RBF神经网络的辨识方法,建立了青霉素发酵过程模型.以动力学模型为基础产生教师数据,采用遗传算法对网络进行训练,建立了基于RBF神经网络的发酵过程模型,并进行了仿真实验验证.实验结果表明,该辨识模型对青霉素补料分批培养过程具有实用价值.     

基于数据挖掘算法的用户窃电嫌疑分析

在详细分析窃电用户用电特性的基础上,搭建了用于处理海量用电数据的分布式存储Hadoop平台,分析和改进了适用于并行处理的BP神经网络算法,进而提出了基于人工神经网络的窃电嫌疑分析模型.根据窃电行为将会导致的用电异常数据,以及参考供电行业同业经验,选取了影响窃电嫌疑系数的十二个指标.结合窃电嫌疑分析模型,分析得出无窃电嫌疑、一般窃电嫌疑和重大窃电嫌疑三种情况.最后结合实例对该模型的精确度进行验证.     

一个基于改进遗传算法的RBF网络入侵检测模型

针对异常入侵检测中存在的误报率高的问题,文章提出了一种基于改进遗传算法的RBF网络入侵检测模型。采用数据挖掘方法建立聚簇规则集,用改进的遗传算法优化RBF网络,用已训练好的RBF网络对与聚簇规则集中不匹配的可疑行为进行检测,并能识别出具体的入侵类型。实验表明,文中提出的模型采用改进遗传算法的RBF神经网络,较基于BP神经网络的检测技术有更好的识别精度。     

利用小波和RBF神经网络进行手写数字识别

提出一种基于小波和RBF神经网络的手写数字识别方法.该方法首先提取字符的小波特征,以它们作为神经网络的输入向量,然后用RBF神经网络进行识别.对字符样本的识别结果显示,此方法在识别错误率和识别效率等方面均有很好的效果.     

窃电分析及防窃电措施

随着电力用户对电能的需求日益增加,一些电力用户特别是企业用户,为无偿获得电能,达到少交或不交电费的目的,以提高企业效益,采取各式各样的窃电方法。不仅造成电能的大量流失,给供电企业造成巨大的经济损失,而且扰乱了正常的用电秩序,给电力用户的用电带来安全隐患。本文主要分析了常见的窃电方法,并结合实例分析提出相应的防窃电措施。结果表明,该技术措施能够有效防范电力用户的窃电行为。     

考虑时滞因素的RBF神经网络模型在高炉铁水硅预报中的应用

在高炉炼铁生产过程中,铁水硅含量反映高炉炉温,预测和控制炉温对高炉生产的节能、降耗、顺行至关重要.基于包钢6号高炉生产数据,建立了RBF神经网络铁水硅含量预测模型.研究表明:考虑时滞因素的RBF神经网络模型,当误差范围＜±0.10时,预报准确率达到了85％,其准确度高于不考虑时滞因素的RBF神经网络模型,对在线预测高炉铁水硅含量具有实用价值.     

一种基于系统行为序列特征的Android恶意代码检测方法

基于行为特征建立机器学习模型是目前Android恶意代码检测的主要方法,但这类方法的特征集中各行为特征相互独立,而行为特征间的顺序关系是反映恶意行为的重要因素。为了进一步提高检测准确率,提出了一种基于系统行为序列特征的Android恶意代码检测方法。该方法提取了程序运行发生的敏感API调用、文件访问、数据传输等系统活动的行为序列,基于马尔科夫链模型将系统行为序列转换为状态转移序列并生成了状态转移概率矩阵,将状态转移概率矩阵和状态发生频率作为特征集对SAEs模型进行了学习和训练,最后利用训练后的SAEs实现了对Android恶意代码的检测。实验结果证明,提出的方法在准确率、精度、召回率等指标上优于典型的恶意代码检测方法。