基于协同机器学习的电力系统可靠性预测模型

众所周知,电力系统运行过程中会出现需要显性只是预测困难等问题,构建了基于连续协同机器学习算法的电力系统运行可靠性预测模型。首先,构建连续协同机器学习算法机制实现电力系统运行可靠性精准预测;然后,构建时间正序下的电力系统运行可靠性核心要素样本精准预测机制;最后,借助电力系统运行可靠性预测函数输出最优预测结果。开展了模型工程应用实践验证,验证结果表明,模型满足电力系统运行可靠性预测智慧化改造需求,大幅度优化了电力系统运行可靠性预测智慧可控感知机制,电力系统运行可靠性预测模型核心参数符合工程实践要求。     

智能变电站主动安全防御体系构建探索

针对目前智能电网的网络安全和数据隐私问题,构建了新型的智能变电站主动安全防御体系.采用改进卷积神经网络计算方法,实现智能变电站通信网络中的异常流量检测.通过concatenate技术,实现平均值和最大值结果聚合.采用全同态数据加密技术,实现智能变电站中的数据加密.通过一种实数取模方法将全同态数据加密方法从整数运算范围扩...     

基于SDN的电力通信网络关键技术综述

随着智能电网和能源互联网的不断深入发展和推进,云计算、数据仓库、数据挖掘以及虚拟化等技术在电力行业的成熟应用,现有电网已无法满足业务的需求。软件定义网络(software defined network,SDN)作为新兴网络架构实现了控制功能和数据转发功能的解耦,是未来电力通信网络架构的选择之一。文中通过对SDN网络原理的论述,详细讨论了基于SDN的电力通信网络需要解决的关键技术,主要包括网架性能、安全性、时延、可扩展性、链路可靠性、容错性和兼容性,最后展望了软件定义网络相关技术在电力系统中的应用领域。     

基于SDN构建高性能、易扩展的电力通信网

目前电力通信网所采用的是以主机为核心的传统网络组建方式,该模式在运营中表现出的设备投资大、管理成本高、升级难度大等问题,使其越来越难以满足电力系统信息化发展与创新的需要。在分析电力通信网承载业务特点的基础上,结合当前互联网发展趋势提出了一种基于软件定义网络（SDN）的新型电力通信网络架构,该架构具备的高性能、高可靠性、易扩展等特性,同时还可以便捷、低成本地实现网络管理、扩展升级以及新业务研发与部署。     

基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

电力监控系统实时DDoS攻击检测方法

针对目前难以实时准确且低能耗地识别电力监控系统中分布式拒绝服务(DDoS)攻击的问题,本文基于电力监控系统专用防火墙装置提出一种实时DDoS攻击检测方法.采用软硬件结合的方式:硬件方面,防火墙采用现场可编程门阵列(FPGA)实时采集报文数据,在转发报文时更新计数器,实时提供检测所需的特征值并进行攻击预判;软件方面,在防...     

智能电网中利用SDN和开流框架进行优化设计的评估研究

智能电网中有效的通信和高自动化的体系结构对电网操作管理者和整个电网系统非常重要,但是这种较高级别的可靠性和效能并不能支撑通信的基础设施。针对此问题,研究评估了利用软件定义网络(SDN)和开流框架(OF)的优化电网。不同于多协议标签交换(MPLS)对基础设施成本高和要求高,SDN解决方案中的开流软件成本低,灵活性好。首先给出机电系统的模型和对应的智能电网原型;然后设计交换机-控制器的最小化延迟、甩负荷控制逻辑和链路故障问题解决方案;最后对SDN中低成本开流软件的模块性和灵活性进行了研究,提出一种开流控制器,提供自动错误转移机制、负载均衡和质量服务保证(Qo S)功能,实验结果表明这些服务功能可以支持真实的智能电网系统。     

基于协同技术的入侵检测研究与应用

根据江苏电力二次系统安全防护实际施工经验,介绍了入侵检测系统(IDS)的框架与构建,并给出数据采集协同、数据分析协同和响应协同3种IDS的协同,阐述了IDS协同的设计,指出多方位协同的必要性,并详细给出了入侵检测协同技术的可行性依据和实施的技术要素,得出IDS等安全设施的合理部署能保护电力监控系统的安全,保证相关业务系统运行可靠数据准确的结论。     

支撑电力大数据平台的SDN架构研究

为了支持国家电网公司电力大数据平台中的数据信息流能够有效传递,文章从SDN的实现功能原理与逻辑平面功能划分角度出发,深入剖析了最新的Open Flow标准,分别从数据平面、控制平面以及应用平面研究了系统的实现方法。在对SDN的Open Flow控制协议体系架构详细分析的基础上,提出了采用SDN作为未来国家电网公司大数据平台底层技术的构想,并从安全性、灵活性、分布式部署控制、互联互通等方面分析了具体的业务需求,为未来电力大数据平台的部署提供了相应的建设方案。     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

融合深度感知特征与核极限学习机的行人检测

行人检测在辅助驾驶和交通监测等方面有着广泛的应用,一直是计算机视觉领域中的研究热点和难点。传统特征提取方法对处在复杂环境中的行人难以有效地捕获具有区分度的特征信息。而目前流行的卷积神经网络因BP算法易陷入局部极小值,对泛化性能有所影响,且随着网络层的增加,一些显著特征信息逐层递减。针对上述问题,提出了融合深度感知特征与核极限学习机的行人检测算法。首先在CNN结构的基础上分两个阶段将前层特征与深层次特征融合后,送入后续层学习,构造一个DAGnet网络。随后采用实时性高,泛化能力强的核极限学习机对所得深度特征信息进行分类,并采用K-折交叉验证进行参数寻优;检测阶段,在DAGnet网络学习到的特征图上采用基于图论的显著性分析算法(GBVS),快速标注测试图像中行人的区域,然后在显著区域利用滑动窗口检测行人的精确位置。实验证明,所提算法在INRIA数据集和Caltech数据集的正检率均高于90%,在保证精度的情况下检测速度也得到明显提高。     

基于机器视觉技术的稻米等级快速自动判定方法及系统研究

当前稻米等级的判定多依赖于人工挑拣称重计算,具有人工主观性强、检测效率低等缺陷,因此实现快速自动判定稻米 等级是稻米行业的必然趋势。 本文基于机器视觉技术设计并开发了稻米等级快速自动判定系统。 通过成像技术获取稻米籽粒 高分辨率图像,利用 Watershed 算法和自适应阈值函数对图像进行处理,对不同籽粒进行标记并运用卷积神经网络训练,选取 最优训练模型对糙米分类,利用线性回归分析数据,实现对稻米等级的判定。 本系统与人工对同一批稻米等级的判定结果相似 度可达 91. 4%,采用本方法设计的系统在对稻米等级判定的过程中不仅排除了人为的主观性,还在检测速度上有了显著提升, 从而提高了稻米分级判定效率。     

基于图像增广与迁移学习的输电线路金具 多目标实时检测方法

架空输电线路金具的状态评估工作对于线路的可靠运行至关重要,金具的检测是评估工作的重要一环。针对金具识别检测中数据集人工标注的工作量大,以及难以兼顾高精度和快速性问题,提出一种基于YOLOX网络改进的输电线路金具检测方法。将无人机拍摄的金具图像进行增广预处理丰富数据集,骨干网络采用在线Mosaic、Mixup增强方式,引入基于特征提取的迁移学习并采用余弦退火学习率进行两阶段模型训练。实验结果表明,改进后的方法对各类金具检测的平均精度均值提高了18.32%,与Faster R-CNN等5种主流检测模型相比,所提方法平均检测精度均值最高,且检测速度仅次于YOLOv3,能够更加快速、精准地识别各类金具,并在一定程度上减少人工标注的工作量。     

深度学习理论及其在电机故障诊断中的研究现状与展望

电机已经被广泛应用到人们生产生活的各个领域中,电机的故障不但会对电机本身会造成损害,甚至会引发经济损失、人员伤亡等各种问题。因此,将及时且高效的故障诊断技术应用于电机有着重要意义。相比较传统故障诊断技术而言,深度学习因其更强大更复杂的数据表达能力,已被应用于电机故障诊断领域,并取得了一定的研究成果。因此,介绍了深度置信网络(DBN)、自编码网络(AE)、卷积神经网络(CNN)和循环神经网络(RNN)这四类经典的深度学习模型,并总结了这四类模型在电机故障诊断中的应用。最后对深度学习在电机故障诊断领域中所面临的问题和挑战进行了总结和展望。     

基于深度学习的天然气管道气体压力超声检测模式识别方法

针对天然气管道气体压力超声检测模式识别问题,提出了对原始信号进行预处理去除冗余信息,然后对信号进行变分模态分解(variational modal decomposition,VMD)提取最优本征模态函数(intrinsic model functin,IMF)对信号进行重构,接着对处理好的信号进行连续小波变换(con...     

支持向量机在入侵检测系统中的应用

目前的入侵检测系统(IDS)存在着在先验知识较少的情况下推广能力差的问题。简述了IDS的基本原理,从本质上讲,入侵检测实际上是一个分类问题．就是通过检测把正常数据和异常数据分开。给出了入侵检测模型,论述了支持向量机(SVM)是在小样本学习的基础上发展起来的分类器设计方法．专门用于小样本数据．而且对数据维数不敏感．提出了基于SVM的通用入侵检测系统模型,它主要由审计数据预处理器、支持向量机分类器和决策系统3部分组成。说明了SVM系统模型的可行性、模型、工作过程、实现4方面的内容．     

The attempt of swallowing discrimination by heart rate variability using machine learning

The number of patients with lifestyle‐related diseases has increased because of irregular dietary life, which is attributed in part to social issues. For maintaining a regular dietary life, managing the dietary history and information is needed. The current method of maintaining rhythm in regular dietary life is cumbersome and has not generally diffused. This paper focuses on swallowing, and experiments evaluate the detection method of swallowing by longitudinal data in heart rate variability with a device capable of measuring biological information. As a result, the detection model for the convolutional neural network has an average accuracy of 83.2%.     

基于改进机器学习的输电线路弧垂温度估计方法

针对采空区地质塌陷造成的杆塔倾斜、构件断裂等问题,以及现有输电线路弧垂和温度估计方法抗干扰性较低且准确度不高,为此,提出了一种基于LoRa通信与神经网络的输电线路弧垂温度非接触式监测,以保障输电线路的安全运行。首先,利用安装在线路上的智能摄影机和传感器获得线路的弧垂与温度数据。然后,提出了基于LoRa的远程无线通信系统传输监测数据,并发送至数据采集与监视控制系统进行分析以估计线路状态。最后,基于遗传-支持向量机算法估计输电线路的弧垂,以及采用GA-Elman神经网络算法估计输电线路的温度,提高了线路状态估计的准确率。采用搭建的实验平台对所提方法进行论证,结果表明所提方法能够快速获取复杂环境下的监测数据,并且弧垂温度估计准确率优于其他对比方法。     

基于R-FCN模型的深海生物识别技术

针对深海生物识别问题采用基于区域的全卷积网络(R-FCN)模型对海洋生物进行识别,以实现潜水器水下视频信息识别的目的。为了提升模型的训练速度,对潜水器的视频数据进行裁剪和转换,利用数据筛选去除噪声图像来提高模型的准确性,最后采用模型的预学习来提高模型的训练质量。该技术在TensorFlow框架上使用基于R-FCN的识别模型对海参、海胆等深海生物进行识别,平均检测准确率在98%以上,达到了预期的识别效果。