基于活动量分析的独居老人远程监护系统的研究

提出了一种针对独居老人的远程监护系统,通过无线传感器获取老人的日常活动信息。通过对一段时间内采集到的活动信息进行活动量的分析,建立老人的活动预测模型,在模型的基础上进行老人活动量异常的检测,实现对独居老人的远程监护。     

独居老人云智能跌倒实时检测系统的开发

为了准确判断独居老人跌倒并且及时救助,设计开发了一种云智能实时检测系统。该云智能检测系统有效地集成了新型MEMS传感器、通信以及控制等先进技术,实现准确判断、实时检测和及时救助功能。系统通过检测装置采集独居老人日常活动数据,通过支持向量机算法（SVM）对数据进行处理,输出特征数据并通过GPRS将数据上传至物联网云平台,同时将跌倒信息发送给监护人手机。并对各种跌倒状况进行各50次实验,其结果表明：跌倒判断的正确率为100%;并且通过手机APP或者物联网云平台监护人可以实时查看独居老人日常活动,同时能接收跌倒消息以便及时救助。该装置可以突破距离限制,远程实时有效监护独居老人。     

一种智能监控系统的设计与实现

提出了一种智能监控系统的设计和实现,即基于生活供应线的独居老人远程监护方法,通过对日常生活中使用的水、电、煤气、燃气的使用情况进行检测,获得老人日常的生活供应线的使用情况及变化趋势。经检测老人家中生活供应线使用的数据积累,通过递推算法以及生活供应线使用的数据建立老人的活动量变化模型,并在此基础上,进行老人健康和安全状况的预测、异常推理,并将推理结果进行量化,根据该量化结果实施相适应的援助方式,从而实现独居老人的远程监护。     

基于时间规律的独居老人日常行为异常预警系统设计

人口老龄化是中国乃至世界面临的严峻挑战,助老问题正日益成为整个国际社会的关注热点。应用时间规律,设计用于独居老人住所内的单门进出检测模块,并通过多次试验证明了该模块的应用基本达到准确预警的效果。提出基于最大值和关联规则的置信区间求解策略,对模块中时间继电器的预警时间进行确定,有效增强了该模块对不同老人行为特性和不同季节的适应性,并提高了时间异常行为检测的及时率。非接触性检测模块的设计与实现,进一步提高了独居老人的生活质量。该研究成果具有广泛的适用范围和较高的推广价值。     

基于双目标定的独居老人摔倒检测算法

独居老人摔倒已成为一个备受关注的问题.为快速有效获取摔倒信息从而使老人得到及时救助,提出一种基于双目标定的独居老人摔倒检测算法.该算法通过色彩不变性分割前景目标（老人）,采用双目视觉标定计算人体在三维坐标中高度作为特征信息,能够有效区分易混淆动作,防止误判,提高检测准确率.实验结果表明：该算法易于实现,具有较好的鲁棒性和实时性.     

基于电能计量的违规用电行为检测方法研究

现有违规用电行为检测方法的精度较差,为提高检测结果的准确性,设计了基于电能计量的违规用电行为检测方法。建立违规用电数据预处理方案,保证电力数据的完整性,标记数据的缺失值与异常值,对其进行归一化处理;基于电能计量设计用电数据检测模型,以数据的不平衡度为核心,计算离散型采样值,得到检测的总体模型。在实验中对比多种违规用电行为检测方法,设计欠流用电异常、改变电能表接线异常和扩差用电异常3种用电模型,由数据结果可知,该算法在扩差用电异常模型内的检测效果更好,该检测方法的AP值在同等条件下普遍高于其他3种检测方法,可见其检测精度更高,检测效果更好。     

基于室内时空信息的老人安全监测方法

近年来,独居老人越来越多,老人在独居生活中必须要面对安全问题,随时存在的安全隐患不仅会降低生活质量,而且会威胁到生命安全。提出了一种基于室内时空信息的实时安全监测方法。该方法通过对历史活动的空间和时间数据进行分析建模来判断当前活动是否异常。通过搭建的实验平台收集实验数据,对实验结果进行分析,并验证了所提出的安全监测方法的有效性。     

基于门控循环单元的非均衡数据驱动异常用电检测方法

异常用电检测能够及时发现异常用电行为,在减少能源浪费和经济损失的同时能够维持安全、稳定的电网运行环境。智能电表的普及使得用电数据获取十分容易,为数据驱动的异常用电检测方法提供了充足的数据支持。然而,在实际应用过程中,异常数据较少导致的数据非均衡问题严重影响了模型的训练效果。因此,针对上述问题提出了一种针对非均衡数据的门控循环单元异常用电检测方法。该方法利用边界合成少数类过采样技术实现了对少数类数据的有效扩充。为了更好的捕捉用电数据的时序特征,采用了门控循环单元实现对用电数据的分类。为了验证该方法的有效性,基于非均衡数据集进行了对比实验。实验结果表明,该方法能够更好的数据扩充效果以及更准确的异常用电检测效果。     

基于k-means聚类和离群点检测算法的医院建筑节能诊断方法

虽然大型综合医院已经普遍通过加装智能电表实现用电回路监测,但是医院建筑节能仍多采用节能改造等方法,传统节能针对数据利用能力普遍较弱.针对上述问题,提出了一种基于建筑信息模型(BIM)的医院建筑节能诊断方法.首先,建立了医院能耗监测网络,在建筑信息模型中整合用电数据、用电外部影响因子;然后,基于k-means聚类算法和离群点检测两项无监督学习算法实现异常用电数据的主动挖掘;最后,基于建筑信息模型可视化展示建筑内用电逻辑、用电分布、异常点位置.在实际工程项目应用中验证了所提方法的有效性,可从可视化、智能化等角度从丰富的医院建筑用电数据中发现异常现象和节能潜力点,辅助节能诊断和管理.     

基于深度孪生自回归网络的无监督异常用电检测

异常用电检测旨在识别出不符合正常用电规律或者违反用电合约的用电行为。针对现有基于重构的检测方法依赖标记的正常样本和难以捕捉复杂时间依赖性的问题,提出一种基于深度孪生自回归网络的无监督异常用电行为检测模型（DSAD）。所提模型通过两个孪生自回归子网络来分别独立地对无标记的输入数据进行重构,再将两个子网络的重构误差相结合来预测数据中的正常样本,并利用多头自注意力机制来有效地捕捉时间依赖性、周期性和随机性等复杂特征。在大规模时序数据集和国家电网真实用电数据集上进行实验所获得的结果表明,所提模型在AUC以及AP等性能指标上取得了更好的检测效果。     

基于特征选择和改进K-均值聚类的异常用电行为检测算法

窃电等异常用电行为严重影响着电网系统的安全、可靠和稳定运行,传统异常用电检测方法存在模型复杂、准确率低等问题。提出了一种基于特征选择和改进K-均值聚类的异常用电检测算法,首先从用电量变化、线路损耗和电力参数三个维度提取15维特征构成特征向量,然后利用相关向量机(Relevance Vector Machine, RVM)进行特征选择,自动确定最优特征集合,最后提出一种基于信息增益的改进K-均值聚类算法对最优特征集合进行聚类分析,从而实现异常用电检测。基于爱尔兰智能电表公开数据集开展实验,结果表明,所提方法在精准率、召回率和ROC曲线AUC值三项指标方面均能获得良好的表现性能,明显优于传统方法。     

ELM算法在用户用电行为分析中的应用

对于非法用电行为的检测,电力企业通常采用传统的人工检查方式,而这种方式的准确率和效率往往都比较低. 提出一种将极限学习机（ELM）应用于预测存在非法用电行为用户的方法. 首先,在收集到的用户历史用电数据,对原始数据进行预处理. 然后,应用ELM算法建立异常用电行为的神经网络模型. 最后,在真实用电数据上进行实证分析,通过与随机森林算法建立的预测模型及预测结果的对比,证明提出的方法具有较高的准确率和较好的性能.     

基于特征选择和iJaya-SVR的年度电力消费预测研究

准确的电力消费预测对能源规划和政策制定具有重要意义.鉴于已有研究忽略了特征冗余以及智能优化算法控制参数不确定对预测精度的影响,引入最大相关最小冗余(MRMR)算法筛选电力消费的关键影响因素作为预测指标,提出改进的Jaya算法(iJaya)用于优化支持向量回归(SVR)的超参数,进而构建MRMR-iJaya-SVR预测模型.以我国的年度电力消费数据为例,对MRMR-iJaya-SVR模型的预测效果进行验证,并利用北京市的年度电力消费数据测试其鲁棒性.结果表明:iJaya算法具有较强的全局搜索能力和较好的稳定性,MRMR-iJaya- SVR模型在单步预测和多步预测中的表现均优于基准模型.此外,对于不同的数据集,MRMR-iJaya-SVR模型均具有良好的鲁棒性.     

基于半监督学习的学生消费数据异常检测

随着校园卡的应用场景越来越广泛,校园卡的资金安全问题日益突出,校园卡欺诈不但给师生和校内商家带来经济损失,还会危害校园的正常秩序。针对传统异常检测方法无法有效提取学生消费数据时序特征的问题,提出一种基于半监督学习的学生消费数据异常检测方法。首先,利用门控循环单元改进自编码器,使得模型可以更准确地进行消费数据的重构;然后,采用马氏距离计算重构误差,计算Fβ-分数确定误差阈值,进行异常数据的检测;最后,利用所提方法对某高校的学生消费数据进行异常检测实验。实验结果表明,所提方法具有更优越的检测性能。     

A cloud supported model for efficient community health awareness

The needs for efficient and scalable community health awareness model become a crucial issue in today’s health care applications. Many health care service providers need to provide their services for long terms, in real time and interactively. Many of these applications are based on the emerging Wireless Body Area networks (WBANs) technology. WBANs have developed as an effective solution for a wide range of healthcare, military, sports, general health and social applications. On the other hand, handling data in a large scale (currently known as Big Data) requires an efficient collection and processing model with scalable computing and storage capacity. Therefore, a new computing paradigm is needed such as Cloud Computing and Internet of Things (IoT). In this paper we present a novel cloud supported model for efficient community health awareness in the presence of a large scale WBANs data generation. The objective is to process this big data in order to detect the abnormal data using MapReduce infrastructure and user defined functions with minimum processing delay. The goal is to have a large monitored data of WBANs to be available to the end user or to the decision maker in reliable manner. While reducing data packet processing energy, the proposed work is minimizing the data processing delay by choosing cloudlet or local cloud model and MapReduce infrastructure. So, the overall delay is minimized, thus leading to detect the abnormal data in the cloud in real time mode. In this paper we present a multi-layer computing model composed of Local Cloud (LC) layer and Enterprise Cloud (EP) layer that aim to process the collected data from Monitored Subjects (MSs) in a large scale to generate useful facts, observations or to find abnormal phenomena within the monitored data. Performance results show that integrating the MapReduce capabilities with cloud computing model will reduce the processing delay. The proposed MapReduce infrastructure has also been applied in lower layer, such as LC in order to reduce the amount of communications and processing delay. Performance results show that applying MapReduce infrastructure in lower tire will significantly decrease the overall processing delay.     

基于Bi-LSTM的家庭用电量预测

电网智能化升级改造将传统电网与先进的信息、智能技术相融合,实现电力行业的根本性变革。智能电表是智能电网系统中收集用户用电信息的代表性边缘设备,当前智能电表收集的用电量数据存在维度低、波动性强等特征,造成对未来用电情况难以预测的问题;同时对于未来边缘设备端用电量的预测,其他相关特征信息的不可得,此时研究基于单变量特征的用电量预测至关重要。为此,提出一种基于双向长短期循环记忆循环神经网络(Bi-directional Long Short-Term Memory,Bi-LSTM)的单变量家庭用电量预测模型,Bi-LSTM模型能够充分利用上下文的信息实现更准确的预测效果。通过西班牙某市真实的智能电表数据对提出的模型进行了验证,实验结果表明,该模型的预测性能相比传统LSTM、SVM方法有进一步的提高。     

基于数据挖掘的建筑能耗异常检测研究

建筑能耗异常检测对于建筑管理和运行至关重要,论文提出了一种基于D-S证据理论的不平衡数据多划分(Multi-partition,MP)聚类算法,并构建MP算法能耗异常检测模型对建筑能耗中的异常值进行准确检测。首先通过改进的信任c均值算法将能耗数据集多划分；利用基于K-NN的均值漂移算法确定数据集的真实类别个数；然后根据密度合并规则对能耗数据进行合并；最后对未合并的能耗数据再次划分得到最终的能耗异常检测结果。UCI数据集验证结果表明,MP算法对于不平衡数据聚类效果良好,能够有效避免样本“均匀效应”,降低错误率；通过对某大型商场建筑空调和照明用电能耗异常值检测,验证了MP算法能耗异常检测模型的有效性。     

基于VAR的电能表降维误差估计模型

为达到远程监控电能表状态并及时准确发现电能表异常的目的,本文提出了一种基于VAR的电能表降维误差估计模型,通过对于电能表电量数据的获取、分析及筛选,采用主成分分析方法（PCA）对于原始数据进行降维,通过向量自回归模型（VAR）提取时间序列中的特征,从而准确预测电能表使用电量并对比出用电异常电能表。其中PCA降维算法处理了实际模型的不可解性,VAR自回归算法提高了估计的稳定性和精度,相较于传统方法具有预测准确度高,所需数据量小的特点。为验证该方法的有效性和实用性,将该方法应用于实际台区中测试,通过对于台区中127块电表半年内的用电数据进行分析,准确定位出8个异常电能表。结果表明,该方法不需要提前独立计算网损,能够实时估计智能电表误差和网损率。