-
Patent Agency Ranking
公开(公告)号：CN119380123A
公开(公告)日：2025-01-28
申请号：CN202411976166.7
申请日：2024-12-31
Applicant: 国网江西省电力有限公司电力科学研究院
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/082 , G06V10/80
Abstract: 本发明公开了一种基于多维残差注意力机制的电网异常检测方法及系统，包括以下步骤：输入电网图像，通过多维残差注意力机制提取电网图像的深层特征，并通过卷积神经网络CNN生成特征图；将特征图输入Faster R‑CNN的区域提取网络RPN，生成锚框，锚框作为候选区域；对候选区域进行分类和边界框回归，初步筛选出图像中潜在的异常目标作为下一层支持向量机SVM的输入；使用训练好的支持向量机SVM对潜在的异常目标进行二分类，辨别其中是否存在异常，对于检测到的异常在图中进行标记。本发明能够先通过深度学习模型初步筛选出潜在的异常目标，再利用SVM进行精细分类，有效降低了误检和漏检的风险，提高了检测的准确性。
-
公开(公告)号：CN117828415A
公开(公告)日：2024-04-05
申请号：CN202311619592.0
申请日：2023-11-30
Applicant: 国网江西省电力有限公司电力科学研究院 , 国家电网有限公司
IPC: G06F18/241 , G06F18/214 , G06N3/0985 , G06N20/20
Abstract: 本发明公开了一种自适应分布式电力数据异常检测模型构建方法及系统，该方法通过中心服务器初始化全局模型；客户端用的本地电力数据对全局模型进行两轮梯度更新并上传至中心服务器；中心服务器对所有上传的数据进行加权平均得到新的全局模型；在达到预设的通信轮数或收敛条件后，每个客户端在本地使用新的全局模型进行梯度更新得到自己的个性化模型，并用所述个性化模型对电力数据进行异常检测；联邦训练结束后，客户端在客户端的组内模型及本地电力数据上进行微调产生个性化模型。本发明在分布式的客户端上进行本地模型训练，并在中心服务器上进行模型聚合，在分布式环境下实现高效、可靠、安全的电力数据异常检测。
-
公开(公告)号：CN117407733B
公开(公告)日：2024-04-02
申请号：CN202311695002.2
申请日：2023-12-12
Applicant: 南昌科晨电力试验研究有限公司 , 国网江西省电力有限公司电力科学研究院
IPC: G06F18/23 , G06F18/20 , G06N3/094 , G06N3/0464 , H04L9/40
Abstract: 本发明公开了一种基于对抗生成shapelet的流量异常检测方法及系统，方法包括：判断至少一个流量数据时间序列的时间长度是否大于第一预设阈值；若大于第一预设阈值，则采用两个一维卷积层和一个平均池化层生成shapelet序列；基于判别器对shapelet序列与流量数据时间序列进行辨识，并添加对抗损失训练shapelet序列和流量数据时间序列，使生成的shapelet序列与流量数据时间序列的形状相差不大于第二预设阈值；计算训练后的shapelet序列和流量数据时间序列之间的DTW值，并根据DTW值将流量数据时间序列转化为基于shapelet序列的特征向量，与KNN分类器结合，输出流量异常检测结果。能够提高了流量异常检测的效率。
-
公开(公告)号：CN117407733A
公开(公告)日：2024-01-16
申请号：CN202311695002.2
申请日：2023-12-12
Applicant: 南昌科晨电力试验研究有限公司 , 国网江西省电力有限公司电力科学研究院
IPC: G06F18/23 , G06F18/20 , G06N3/094 , G06N3/0464 , H04L9/40
Abstract: 本发明公开了一种基于对抗生成shapelet的流量异常检测方法及系统，方法包括：判断至少一个流量数据时间序列的时间长度是否大于第一预设阈值；若大于第一预设阈值，则采用两个一维卷积层和一个平均池化层生成shapelet序列；基于判别器对shapelet序列与流量数据时间序列进行辨识，并添加对抗损失训练shapelet序列和流量数据时间序列，使生成的shapelet序列与流量数据时间序列的形状相差不大于第二预设阈值；计算训练后的shapelet序列和流量数据时间序列之间的DTW值，并根据DTW值将流量数据时间序列转化为基于shapelet序列的特征向量，与KNN分类器结合，输出流量异常检测结果。能够提高了流量异常检测的效率。
-
公开(公告)号：CN119337326A
公开(公告)日：2025-01-21
申请号：CN202411884920.4
申请日：2024-12-20
Applicant: 国网江西省电力有限公司电力科学研究院
IPC: G06F18/25 , G06F18/213 , G06F18/23213 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于超图融合的电力物联网异常检测方法及系统，捕获电力物联网中的多源异构数据并进行预处理；使用LSTM和Transformer编码器组成的编码器‑解码器学习多源异构数据的潜在特征表示，并在训练过程中加入对抗训练；对学习到的潜在特征表示进行聚类分析，并根据分析结果进行超图的构建；采用HGCN‑Transformer的方式进行多个超图的加权融合，采用超图注意力机制对融合后的超图学习超图特征表示；将超图注意力机制的输出分别使用Transformer编码器实现预测，使用VAE实现重建，将预测值和重建概率计算异常得分，设置阈值，将异常得分与阈值比较，判断是否异常，完成异常检测。本发明可以挖掘多源异构数据之间复杂多样的关系，提高异常检测准确率。
-
-
-
-
Search Results
5
records
(took 0.051 seconds)
