基于异常用电检测模型的监测定位方法

    公开(公告)号:CN106707099B

    公开(公告)日:2019-04-12

    申请号:CN201611081534.7

    申请日:2016-11-30

    Abstract: 本发明涉及一种基于深度降噪自编码网络—高斯过程的异常用电检测模型的监测定位方法,将台区内所有被测用户的用电量及表计事件信息,输入基于深度降噪自编码网络—高斯过程的异常用电检测模型,对上述数据从时‑频域提取特征并分类,由模型筛选出被测用户中的嫌疑异常用电用户。所述异常用电检测模型输出异常度嫌疑系数,并对用户的异常度疑似概率进行排序,得到异常用电嫌疑用户列表。本发明结合人工智能领域前沿技术对多平台用电数据进行分析,深度挖掘海量数据中隐藏的用户用电行为模式,定位异常用电嫌疑用户,让异常用电检测更智能、更高效。

    异常用电监测与定位系统及方法

    公开(公告)号:CN106780115A

    公开(公告)日:2017-05-31

    申请号:CN201611088525.0

    申请日:2016-11-30

    CPC classification number: G06K9/6267 G06K9/6256 G06Q50/06

    Abstract: 本发明涉及一种异常用电监测与定位系统及方法,将台区内所有用户的用电信息输入异常用电检测模型对有效特征提取并分类,输出嫌疑异常用户的列表;对于嫌疑异常用户的列表范围内,现场判断异常用电证据不足的重大嫌疑用户安装智能监测与数据影像采集装置,对重大嫌疑用户的用电情况进行实时监测及取证;通过后台分析与推送系统接收智能监测与数据影像采集装置采集到的重大嫌疑用户用电数据进行实时分析,对判断发现异常用户的情况进行预警,向用电实时监控应用平台包含的多个用电实时监控智能终端推送异常用电预警信息。本发明可以解决异常用电发现、取证和计量难等问题,让异常用电监测更智能、更高效。

    异常用电检测模型的建立方法

    公开(公告)号:CN106778841A

    公开(公告)日:2017-05-31

    申请号:CN201611081533.2

    申请日:2016-11-30

    CPC classification number: G06Q50/06 G06K9/6259

    Abstract: 本发明涉及一种异常用电检测模型的建立方法,对训练集用户的用电信息进行有效特征的提取,建立用于深度学习的初始训练数据集;在初始训练数据集中,将无标定是否异常用电的数据,作为所述异常用电检测模型的输入,在深度降噪自编码网络进行从底层到顶层的逐层无监督学习,获得网络各层编码器和译码器的参数;在网络顶层设置有高斯过程分类器,通过已标定是否异常用电的数据进行监督学习,从顶层向底层传输误差,对网络各层编码器和译码器的参数进行调整。本发明结合人工智能领域前沿技术对多平台用电数据进行分析,深度挖掘海量数据中隐藏的用户用电行为模式,定位异常用电嫌疑用户,让异常用电监测更智能、更高效。

    电力实训场中人员图像检测中的阴影消除方法

    公开(公告)号:CN113780298A

    公开(公告)日:2021-12-10

    申请号:CN202111088066.7

    申请日:2021-09-16

    Abstract: 本发明提供了一种电力实训场中人员图像检测中的阴影消除方法,包括:获取样本数据;判别器判断阴影图像来自生成器生成还是真实阴影图像,将阴影图像与真实阴影图像之间的第一误差反馈给生成器,生成器减小所述第一误差;判别器判断无阴影图像来自生成器还是真实无阴影图像,将无阴影图像与真实无阴影图像之间的第二误差反馈给生成器,生成器减小所述第二误差;生成器与判别器进行反复对抗训练,得出最优的去阴影网络模型;利用所述去阴影网络模型进行去阴影,输入有阴影的电力实训场中人员图像,输出无阴影的电力实训场中人员图像。通过对阴影数据集的大量训练,使神经网络在对抗中不断的自我博弈,从而更好的实现阴影图像的风格迁移。

    一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法

    公开(公告)号:CN113627378A

    公开(公告)日:2021-11-09

    申请号:CN202110954367.7

    申请日:2021-08-19

    Abstract: 本发明公开了一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法,包括:步骤S1:收集输电线路的螺栓图像并框选出螺栓位置,将框选出的图像分割提取,作为初始样本集;步骤S2:判断初始样本集中的螺栓缺失情况;步骤S3:对初始样本集中螺栓未缺失的图片进行样本量的扩充,得到扩充样本集;步骤S4:将扩充样本集作为训练数据导入Faster R‑CNN网络模型进行训练;步骤S5:识别待检测图像中的螺栓缺损情况并框选螺栓位置,本发明解决了现有螺栓缺失检测方法中准确度低、易受外部光线影响的问题,实现了更为通用的螺栓缺陷检测技术,本发明提出的方法具备更高的准确度和适用性,使待检数据的采集不再受限于天气、位置和设备因素的影响。

Patent Agency Ranking