-
公开(公告)号：CN113011530A
公开(公告)日：2021-06-22
申请号：CN202110472639.X
申请日：2021-04-29
Applicant: 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) , 国网新疆电力有限公司电力科学研究院 , 大连理工大学
Abstract: 一种基于多分类器融合的智能电表故障预测方法，针对智能电表故障数据规模大、维度高、结构复杂、存在错误及异常数据的特点，采用正态分布补全及箱型图方法，对原始数据集进行缺失值填补及异常值替换；通过计算特征属性与故障类型之间的相关系数，消除冗余及不相关特征，形成特征子集；构建对少数样本过采样、对多数样本进行欠采样的混合采样策略，解决故障数据不平衡问题。计算支持向量机(SVM)、BP神经网络及随机森林算法处理智能电表故障数据的准确率，构建表征各分类器性能的混淆矩阵；考虑各分类器针对不同故障类型的识别能力，为各分类器分配权重，进而构建多分类器决策函数，取权重和最大的类别作为样本的故障预测结果。
-
公开(公告)号：CN113011530B
公开(公告)日：2023-04-07
申请号：CN202110472639.X
申请日：2021-04-29
Applicant: 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) , 国网新疆电力有限公司电力科学研究院 , 大连理工大学
IPC: G06F18/2411 , G06N3/04 , G06N3/084 , G06Q10/04 , G06Q50/06 , G06F18/241
Abstract: 一种基于多分类器融合的智能电表故障预测方法，针对智能电表故障数据规模大、维度高、结构复杂、存在错误及异常数据的特点，采用正态分布补全及箱型图方法，对原始数据集进行缺失值填补及异常值替换；通过计算特征属性与故障类型之间的相关系数，消除冗余及不相关特征，形成特征子集；构建对少数样本过采样、对多数样本进行欠采样的混合采样策略，解决故障数据不平衡问题。计算支持向量机(SVM)、BP神经网络及随机森林算法处理智能电表故障数据的准确率，构建表征各分类器性能的混淆矩阵；考虑各分类器针对不同故障类型的识别能力，为各分类器分配权重，进而构建多分类器决策函数，取权重和最大的类别作为样本的故障预测结果。
-
公开(公告)号：CN113920375B
公开(公告)日：2024-06-25
申请号：CN202111284397.8
申请日：2021-11-01
Applicant: 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) , 大连理工大学
IPC: G06V10/764 , G06V10/80 , G06N3/0464
Abstract: 本发明涉及一种基于Faster R‑CNN与SVM结合的融合特征典型负荷识别方法及系统，其方法包括：S1：采集电器设备的负荷，构建信号数据样本，选取相对应的小波基，确定分解层数；对含噪信号进行分解，得到一组小波系数；S2：对小波系数进行软阈值函数处理，得到估计小波系数；S3：利用估计小波系数对小波进行重构，得到去噪后的重构信号；S4：对重构信号进行归一化处理，得到归一化的重构信号；S5：基于归一化的重构信号，构建负荷特征曲线图像，使用Faster R‑CNN网络对负荷曲线图像进行特征提取，利用SVM进行分类，得到最终的负荷识别结果。本发明提供的方法提升了对典型负荷特征识别的准确率，对节能做出指导，降低用户的用电成本并提高电能的利用率。
-
公开(公告)号：CN113920375A
公开(公告)日：2022-01-11
申请号：CN202111284397.8
申请日：2021-11-01
Applicant: 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) , 大连理工大学
IPC: G06V10/764 , G06V10/80 , G06N3/04
Abstract: 本发明涉及一种基于Faster R‑CNN与SVM结合的融合特征典型负荷识别方法及系统，其方法包括：S1：采集电器设备的负荷，构建信号数据样本，选取相对应的小波基，确定分解层数；对含噪信号进行分解，得到一组小波系数；S2：对小波系数进行软阈值函数处理，得到估计小波系数；S3：利用估计小波系数对小波进行重构，得到去噪后的重构信号；S4：对重构信号进行归一化处理，得到归一化的重构信号；S5：基于归一化的重构信号，构建负荷特征曲线图像，使用Faster R‑CNN网络对负荷曲线图像进行特征提取，利用SVM进行分类，得到最终的负荷识别结果。本发明提供的方法提升了对典型负荷特征识别的准确率，对节能做出指导，降低用户的用电成本并提高电能的利用率。
-
-
-
Search Results
4
records
(took 0.134 seconds)
