基于时序偏移双残差网络的窃电行为检测

针对窃电量小、窃电发生时间随机的窃电行为,提出一种基于时序偏移双残差网络(TS-Bi-ResNet)的窃电行为检测模型.将基础残差网络模型改进为双残差网络(bi-residual network,Bi-ResNet)模型,考虑到窃电行为发生时间的随机性,利用时序偏移(timing shift,TS)算法对用电数据预处理,使模型能够学习用电数据的时间因素特征,构成TS-Bi-ResNet模型.根据真实用电数据和窃电特征生成含有伪窃电数据的混合用电数据集,利用TS-Bi-ResNet模型学习其浅层特征和深层特征,进而执行窃电行为检测.仿真和实际运行结果表明,TS-Bi-ResNet模型可以有效检测窃电量小且窃电发生时间随机的窃电行为,其检测精度优于LSTM模型与残差网络(ResNet)模型.     

基于注意力机制的CNN-LSTM模型的航迹预测

基于数学模型或统计模型的传统航迹预测方法存在一定的局限性，无法满足现代航空领域对于高效、准确、实时的航迹预测需求。针对此问题，提出基于注意力机制的CNN-LSTM模型的实时航迹预测方法。该模型首先使用一维卷积对航迹数据的多维度特征进行提取，从而减少输入特征的数量。其次利用获取的多维度时序数据作为LSTM的输入，通过LSTM提取上下文的信息。最后使用注意力机制为LSTM中不同时序节点的输出赋予权重，达到聚焦关键航迹信息的作用。经过实验验证：本文的模型与LSTM模型和CNN-LSTM模型相比，预测出的路径更接近真实航迹；文中的模型比LSTM模型的平均预测误差降低了29.7%，比CNN-LSTM模型降低了25.4%。综上所述，文中方法可以显著提高航迹预测的精度。     

基于RBF神经网络的配电网窃电行为检测

目前的窃电手段隐蔽性强、种类多样,传统的窃电检测方法已经越来越力不从心,不仅准确率低且时效性不高.因此,结合机器学习的方法,提出了一种基于RBF神经网络的窃电行为检测方法.通过对目前常见的窃电方式进行分析,挑选出三相电压中各相电压之间的差值、三相电流中各相电流的差值以及功率因数等参考量作为窃电检测的特征指标,并采用包含特征指标的历史数据来构建基于RBF神经网络的窃电行为检测模型.试验结果表明该方法针对目前常见的窃电方式进行识别的准确率达到94.1%,可以有效地筛选出存在窃电嫌疑的用户.该方法不仅达到了实际应用的精度要求,而且使反窃电技术更加智能化,变被动防窃电为主动防窃电.     

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.     

大数据时代图书馆信息资源个性化服务模式研究

普遍认为，大数据具有结构化、半结构化和非结构化数据等类型，以其容量大、类型多、高时效、低密度和难分辨等特征。该文通过对大数据含义分析，认为大数据时代用户对信息需求具有时效性、精确性、全面性和数据内容针对性。根据大数据时代信息特点和用户信息需求，提出通过建立个性化引擎、开展云搜索服务、进行云推荐与推送服务和建立个性化用户分析系统等方法，建立用户个性化服务模式。     

DDF862-4系列防窃电单相电能表

DDF862-4系列防窃电单相电能表,系由防窃电装置、罚电自动装置及交流有功单相电能表组成的2.0级直接接入式的防窃电单相交流有功电能表。其特点是:1.采用先进的 CIS 技术,实现机—电—仪一体化;2.该产品防窃电及罚电装置,能防止各种窃电手段及方法,并用有以罚治窃功能;3.具有过电压保护及感应雷击过电压保护;4.适用于任何一种型号的直接接入式单相电能表表芯的增设。经国家电力部电力设备及仪表质量检测中心和电力科学研究院检测鉴定,各项技术指标均符合国家标准要求,计量准确、防窃功能齐全、性能可靠。该产品曾荣获中国爱迪生发明奖及专利产品技术展览评比金奖,属国家专利产品。     

基于电表数据的反窃电精准取证装置研制

为解决反窃电中的窃电报警准确性、及时性与取证难的问题,从现场电能计量装置的异常工况特征量的获取与分析入手,提出了利用一次、二次电参数与电能表的计量参数进行对比,快速过滤出计量异常的电能计量装置;通过计量装置环境参数的采集与分析,准确、及时的锁定"正在窃电的电能计量装置"并启动现场声音视频取证,同时将"正在窃电"的信息发送给用检人员;为验证方法与装置的有效性和准确性,在现场进行了279次"正在窃电"的仿真试验,其结果正确率达100%;通过系统地对窃电类型、窃电判据的分析,提出了对窃电现场进行精准音像取证及异常数据的信息传送的方法,实现了基于电表计量数据异常的反窃电精准取证装置研制。     

防窃电技术分析及控制措施

本文分析各种窃电方法的基础上，提出了电力管理中各种常规反窃电方法以及利用无线网络短信开发防窃电功能实现对电能计量回路进行远距离监视，及时、准确、有效地发现各种窃电行为。从而有效提高电力企业经营管理水平。     

电能计量装置防窃电技术及装置的现场应用

本文分析了常用的窃电方法,介绍了电能计量装置中防窃电技术在现场的应用以及供电企业对防窃电的组织管理措施。     

基于LoRa物联网的城市道路照明能耗与窃电监测系统

为了解决现代城市智慧照明线路用电设备日益复杂造成的照明能耗监测难题，基于LoRa物联网技术设计城市道路照明能耗与窃电监测系统.系统是由具备LoRa无线通信功能的集中控制器、LED照明灯具和其他用电设备组成的LoRa无线通信网络；集中控制器为系统主机，LED照明灯具和其他用电设备为监控节点.提出了一种两步无线通信、分时同步采集所有监测节点电力数据，由集中控制器实现照明线路照明功率与能耗计算，判别窃电行为的实时照明能耗与窃电监测策略.介绍了集中控制器的硬件模块设计，详细给出了策略的软件实现方法，包括集中控制器程序设计和LED灯具驱动电源程序修改.照明能耗与窃电监测系统测试平台的实验结果验证了系统能有效实现无线照明能耗同步采集与窃电监测功能，可更好地满足城市路灯智能化管控的要求.     

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。     

基于多维行为分析的窃电高风险客户精准定位方法

窃电行为对国家电力系统及供电公司造成了极大的损失,故反窃电技术是电力行业的重要研究方向之一。传统的窃电用户定位方法存在定位不准确、查处效率低等问题,为了解决上述问题,提出基于多维行为分析的窃电高风险客户精准定位方法。首先通过相关矩阵R及特征值谱熵正则化完成用户数据去噪,其次在UFS-MI模型内提取用户数据特征,分析用户用电的多维行为,最后根据逻辑回归算法完成窃电高风险客户的精确定位。实验结果表明,所提方法的窃电高风险客户定位精准度较高,误判率较低,整体定位效果较好。     

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。     

基于熵权法集成异质分类器的窃电检测

针对传统检测模型仅通过单一方法进行窃电检测具有局限性且用电数据中存在类不平衡的问题,从集成学习的角度出发,本文提出一种基于熵权法融合异质分类器的窃电检测模型。首先,通过少数类样本合成过采样技术（synthetic minority oversampling technique,SMOTE）处理用电数据不平衡的问题,其次综合考虑个体分类器之间的多样性以及各自的检测性能和训练机理进行基分类器的优选,最后,引入信息熵的概念,基于各个基分类器分类结果的分散程度,计算其权重占比,并以该权重占比集成各基分类器的输出。实验结果表明,对比传统的窃电检测模型,本文所提模型在多项评价指标下表现较好,具有良好的检测性能。     

基于聚类和随机矩阵理论的用电行为刻画方法

针对配网大数据应用背景下难以建立用户用电行为刻画模型的问题,提出一种基于聚类和随机矩阵理论的电力用户用电行为刻画方法.首先利用K-means聚类法对海量用户用电特征数据进行分析,根据不同用电模式对用户进行群体划分.然后基于随机矩阵理论建立用户用电行为分析模型,利用各用户群体的经济数据、气候数据及电力价格数据等辨识与用户群体用电量相关联的因素,实现对电力用户用电行为的刻画.最后通过甘肃省武威市电网实际用电数据验证所提方法的有效性和准确性,为电力精准营销和制定电力需求侧响应策略提供数据支撑.     

基于大数据分析挖掘技术的电力设备局部放电诊断方法

当前电力设备状态参量规模逐渐增加,电力设备状态数据来自多个不同系统,较为复杂。传统诊断方法不能有效处理大规模数据,导致电力设备局部放电诊断结果不可靠。为此,提出一种新的基于大数据分析挖掘技术的电力设备局部放电诊断方法。给出谱图生成过程,对电力设备局部放电特征进行提取。对电力设备状态参量进行大数据分析挖掘,完成对电力设备各种状态参量的组合、特征合并处理。通过皮尔逊相关性理论计算相关系数。依据相关系数,利用优化迭代将电力设备样本分成若干类,获取对应聚类中心。将局部放电样本聚集在一起,依据局部放电特征实现诊断。实验结果表明,所提方法诊断可靠性与实用性强。     

基于TLSmote-SVM的非均衡用户窃漏电诊断算法

针对支持向量机（support vector machines, SVM）检测异常用电用户精度受样本非均衡性和核函数选择影响的问题, 提出一种基于TLSmote-SVM（tomekLink-smote-SVM）的窃漏电诊断模型. 首先基于用电用户数据分布, 利用Smote方法扩充少数类样本, 同时采用Tomek-link剔除噪声; 然后对用户用电特征指标降维后优选SVM核函数; 最后将该算法应用于非均衡用户窃漏电诊断实验, 并与传统SVM和Smote-SVM进行对比, 实验结果表明, 该算法可显著提高窃漏电用户的检测精度.     

基于图像识别技术的网吧防盗系统的研究与实现

针对类似网吧这种娱乐场所盗窃行为经常发生的现象,研究并实现了一防盗系统．系统通过分析网吧盗窃时罪犯动作的共同点,采用了基于阈值分割法的图像处理技术,使用OPENCV工具编程实现;该系统能识别上网者身边潜在的危险以便及时提醒,使盗窃案防患于未然．系统研究过程中通过搭建一模拟的网吧环境验证了此课题应用到实际生活中的的可行性...     

一种利用LSTM和稳态时间序列的光伏阵列故障诊断方法

受最大功率点跟踪算法和时变环境条件的影响,光伏阵列的电气工作参数包含了复杂的暂态过程以及工频干扰噪声,严重影响了故障特征质量以及诊断算法性能。针对该问题,本文首先提出了一种基于最大功率点（MPP）的稳态时间序列预处理方法,以自动过滤数据中的暂态过程和干扰噪声,获取连续的稳态时间序列电气特征数据,作为故障诊断模型的输入参数;然后,提出了一种基于长短期记忆网络（LSTM）的深度网络模型,以实现对光伏阵列常见故障的检测及分类;最后,在一个小型光伏并网发电系统及其Simulink仿真模型上,进行故障模拟及仿真以验证所提出的故障诊断方法。实验结果表明所提出的故障诊断方法具有良好的精度和泛化性能,并且优于常规的反向传播神经网络（BPNN）和循环神经网络（RNN）。     

一种利用LSTM和稳态时间序列的光伏阵列故障诊断方法

针对光伏阵列电气工作参数包含复杂的暂态过程及工频干扰噪声严重影响故障诊断模型性能的问题,提出一种基于最大功率点的稳态时间序列预处理方法.首先,以自动过滤数据中的暂态过程和干扰噪声,获取连续的稳态时间序列电气特征数据,作为故障诊断模型的输入参数;然后,提出一种基于长短期记忆网络的深度网络模型,以实现对光伏阵列常见故障的检测及分类;最后,在一个小型光伏并网发电系统及其Simulink仿真模型上,进行故障模拟及仿真,以验证所提出的故障诊断方法.实验结果表明,所提出的故障诊断方法具有良好的精度和泛化性能,并且优于常规的反向传播神经网络和循环神经网络.