-
公开(公告)号：CN113608968A
公开(公告)日：2021-11-05
申请号：CN202110967252.1
申请日：2021-08-23
Applicant: 北京邮电大学
IPC: G06F11/30
Abstract: 本发明实施例提出了一种基于密度距离综合决策的电力调度监控数据异常检测方法，包括：将电力调度监控历史数据作为输入数据集，通过局部可达距离与核密度估计来计算样本的局部密度；使用自然对数函数作为缩放函数，计算每个样本与其近邻的密度比；通过欧式距离找到每个样本密度比自身大的近邻，计算密度提升距离；将局部密度比与密度提升距离标准化后计算乘积，得到最终的异常分数，并判定数据中的异常样本。本发明实施例提供的技术方案，能够提升电力调度监控数据异常检测的准确率。
-
公开(公告)号：CN113112188A
公开(公告)日：2021-07-13
申请号：CN202110529491.9
申请日：2021-05-14
Applicant: 北京邮电大学
Abstract: 本发明实施例提出了一种基于预筛选动态集成的电力调度监控数据异常检测方法，包括：使用电力调度监控历史数据训练一定数量的基检测器；使用孤立森林方法对全部基检测器进行预筛选，筛选掉性能较差的基检测器；使用集成式KNN算法从历史数据中选择与待检测数据欧式距离较小的历史数据作为验证子集；使用最大值法根据筛选后剩余的基检测器在验证子集上的输出生成验证子集的假真值，计算基检测器在验证子集上的输出与假真值的皮尔逊相关系数；使用基于直方图的基检测器选择方法根据皮尔逊相关系数选择基检测器，平均所选基检测器的输出作为待检测数据的检测结果。本发明实施例提供的技术方案，能够提升电力调度监控数据异常检测的准确率。
-
公开(公告)号：CN116432964A
公开(公告)日：2023-07-14
申请号：CN202310403864.7
申请日：2023-04-14
Applicant: 北京邮电大学
IPC: G06Q10/0631 , G06F17/16 , G06Q50/06
Abstract: 本发明实施例提出了一种基于收敛交叉映射的电力调度自动化系统故障溯源方法，包括：收集电力调度自动化系统故障前后的运行数据，计算组件故障前后的排列熵，根据排列熵变化量度量组件自身异常程度；计算故障前后组件间收敛交叉映射系数，构建正常状态下电力调度自动化系统的因果图，并根据因果链接变化情况求得组件全局因果关系变化程度；对正常状态下的因果图进行社区划分，在耦合紧密的社区范围内计算组件局部因果关系变化程度，然后结合组件自身异常程度、全局和局部因果关系变化程度拟合故障程度度量指标，根据故障程度排序结果定位故障根因组件。本发明实施例提供的技术方案，能够提高电力调度自动化系统故障溯源的准确性。
-
公开(公告)号：CN113112188B
公开(公告)日：2022-05-17
申请号：CN202110529491.9
申请日：2021-05-14
Applicant: 北京邮电大学
Abstract: 本发明实施例提出了一种基于预筛选动态集成的电力调度监控数据异常检测方法，包括：使用电力调度监控历史数据训练一定数量的基检测器；使用孤立森林方法对全部基检测器进行预筛选，筛选掉性能较差的基检测器；使用集成式KNN算法从历史数据中选择与待检测数据欧式距离较小的历史数据作为验证子集；使用最大值法根据筛选后剩余的基检测器在验证子集上的输出生成验证子集的假真值，计算基检测器在验证子集上的输出与假真值的皮尔逊相关系数；使用基于直方图的基检测器选择方法根据皮尔逊相关系数选择基检测器，平均所选基检测器的输出作为待检测数据的检测结果。本发明实施例提供的技术方案，能够提升电力调度监控数据异常检测的准确率。
-
公开(公告)号：CN114399407A
公开(公告)日：2022-04-26
申请号：CN202210147086.5
申请日：2022-02-17
Applicant: 北京邮电大学
Abstract: 本发明实施例提出了一种基于动静态选择集成的电力调度监控数据异常检测方法，包括：使用电力调度监控历史数据训练一定数量的基检测器；使用孤立森林剔除性能较差的基检测器；使用平均值法根据剩余基检测器的输出生成历史数据的假真值，并分别将假真值和基检测器的输出转换为二类标签；剔除假真值过小的历史数据，并提取基检测器在剩余历史数据上的元特征和元标签；通过元特征和元标签训练随机森林；提取基检测器在待检测数据上的元特征，将其输入随机森林，根据随机森林的输出选择基检测器，取所选基检测器的输出的最大值作为待检测数据的检测结果。本发明实施例提供的技术方案，能够提升电力调度监控数据异常检测的准确率。
-
Patent Agency Ranking
公开(公告)号：CN114722947B
公开(公告)日：2024-12-06
申请号：CN202210383775.6
申请日：2022-04-12
Applicant: 北京邮电大学
IPC: G06F18/214 , G06F18/2431 , G06F18/2413 , G06N20/00 , G06Q50/06
Abstract: 本发明实施例提出了一种基于近邻搜索分簇的电力调度监控数据异常检测方法，包括：将带正异常标签的电力调度监控历史数据作为训练数据集输入，通过计算样本之间的欧氏距离寻找异常样本在特征空间中的k个近邻；通过异常样本的近邻标签确定该样本是否为噪声或属于某个异常样本簇，并在该样本近邻中依次迭代搜索直到不再找到更多的属于该簇的异常样本；对分簇后的数据过滤噪声并计算每个簇中需要生成的异常样本数量，据此利用SMOTE线性插值在各个簇内合成新样本以平衡数据集；使用平衡后的数据集训练随机森林模型，以检测电力调度监控数据中的异常样本。本发明实施例提供的技术方案，能够提升电力调度监控数据异常检测的准确率。
-
公开(公告)号：CN116543198A
公开(公告)日：2023-08-04
申请号：CN202310363977.9
申请日：2023-04-06
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提出了一种基于多粒度近邻图的智能电表故障分类方法，包括：将智能电表不同类别下的故障历史数据作为输入数据集，划分得到多个二类数据集；针对每个二类数据集，将每个样本作为目标样本，以目标样本和不同数量近邻样本构成多粒度近邻图，作为后续分类任务中的训练样本；基于构造的近邻图数据集，设计自编码器实现对近邻图节点特征的提取，根据近邻图的节点编码特征和近邻图原始节点邻接关系训练图注意力神经网络用于近邻图分类任务；对于给定测试样本，组合其测试样本与其对应的不同数量近邻样本构成的近邻样本组，经近邻图分类结果集成后得到分类器在每个二类数据集下的判别结果，通过软投票得到其故障类别。
-
公开(公告)号：CN113608968B
公开(公告)日：2023-06-23
申请号：CN202110967252.1
申请日：2021-08-23
Applicant: 北京邮电大学
IPC: G06F11/30
Abstract: 本发明实施例提出了一种基于密度距离综合决策的电力调度监控数据异常检测方法，包括：将电力调度监控历史数据作为输入数据集，通过局部可达距离与核密度估计来计算样本的局部密度；使用自然对数函数作为缩放函数，计算每个样本与其近邻的密度比；通过欧式距离找到每个样本密度比自身大的近邻，计算密度提升距离；将局部密度比与密度提升距离标准化后计算乘积，得到最终的异常分数，并判定数据中的异常样本。本发明实施例提供的技术方案，能够提升电力调度监控数据异常检测的准确率。
-
公开(公告)号：CN115293221A
公开(公告)日：2022-11-04
申请号：CN202210295273.8
申请日：2022-03-23
Applicant: 北京邮电大学
Abstract: 本发明实施例提出了基于有向密度比变化率的电力调度监控数据异常检测方法，包括：将电力调度监控历史数据作为输入数据集，通过核密度估计与扩展近邻集合来计算样本的局部核密度；结合局部核密度与样本之间的距离向量，计算每个样本与其近邻样本的有向密度比之和；通过有向密度比的二范数计算样本与其近邻的有向密度比的变化率；将不同参数下的有向密度比变化率进行求和，得到每个样本的最终异常分数，据此判定电力调度监控数据中的异常样本。本发明实施例提供的技术方案，能够提升电力调度监控数据异常检测的准确率与稳定性。
-
公开(公告)号：CN114781495A
公开(公告)日：2022-07-22
申请号：CN202210348671.1
申请日：2022-04-01
Applicant: 北京邮电大学
Abstract: 本发明实施例提出了一种基于样本全局再平衡的智能电表故障分类方法，包括：将智能电表不同类别下的故障历史数据作为输入数据集，划分得到多个二类数据集；针对每个二类数据集，构建VAE与GAN的融合模型，分别将每个样本作为模型的输入，将其隐编码划分为重要特征编码和次要特征编码；通过隐编码重构技术得到其变异隐编码，经解码器还原、互信息约束与判别器对抗，生成多个考虑输入样本重要特征的可靠相似变异样本；设计作用于两类样本隐编码之间的特征斥力技术进行有监督的特征表示学习；通过混合编码技术叠加样本各维度重构误差作为重要特征编码的补充，据此判定待测样本在每个二类数据集下的分类结果，通过硬投票得到其故障类别。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.139 seconds)
