期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
用电信息采集系统电能计量数据异常识别研究
被引量：
41
1
作者
黄公跃
付婷婷
+2 位作者
林思远
董佩纯
薛冰
《电网与清洁能源》
CSCD
北大核心
2023年第4期25-30,46,共7页
针对电能计量数据识别异常问题,进行用电信息采集系统电能计量数据异常识别方法的研究。选取改进的粒子群算法优化支持向量机核函数参数,构建电能质量扰动模型,对用电信息系统采集的电能计量异常数据实施分类;利用LOF算法计算异常因子,...
针对电能计量数据识别异常问题,进行用电信息采集系统电能计量数据异常识别方法的研究。选取改进的粒子群算法优化支持向量机核函数参数,构建电能质量扰动模型,对用电信息系统采集的电能计量异常数据实施分类;利用LOF算法计算异常因子,采用飞走异常智能分析方法所确定的扰动模型来判断电能计量器示值是否异常,完成电能计量数据异常识别过程。实验结果表明:该方法对异常数据分类较为精准,识别准确率高达98.50%;检测时间较短,仅为1.121 s,均优于对比方法。说明能更好地防止发生错误判断,可有效提升电能计量数据异常判断的质量和效率。
展开更多
关键词
用电信息
采集系统
电能计量数据
异常识别
电能
质量
扰动模型
飞走异常
在线阅读
下载PDF
职称材料
基于ELM-SVM模型与电能计量大数据的窃电识别技术研究
被引量：
21
2
作者
县国成
王永攀
+3 位作者
高俊
浮海
杨斌
武旭
《智慧电力》
北大核心
2022年第9期82-89,共8页
窃电现象破坏社会供用电秩序,严重时更会阻碍新型配电系统建设的发展。为了更精确地识别窃电行为,提出了一种基于极限学习机(ELM)与支持向量机(SVM)相结合的窃电智能识别模型。利用电能计量大数据,分析窃电用户数据状态指标,构建窃电指...
窃电现象破坏社会供用电秩序,严重时更会阻碍新型配电系统建设的发展。为了更精确地识别窃电行为,提出了一种基于极限学习机(ELM)与支持向量机(SVM)相结合的窃电智能识别模型。利用电能计量大数据,分析窃电用户数据状态指标,构建窃电指标评价体系;利用指标评价体系训练窃电智能识别模型,进而以ELM-SVM预测模型来识别窃电用户。该方法有效集合了ELM算法与SVM算法的优点,算例表明,识别模型的识别准确率可达97.8%,说明ELM-SVM结合方法是可行的,实现了对用户窃电行为的高精度、高效性预测识别。
展开更多
关键词
电能
计量
大
数据
窃电智能识别
极限学习机
支持向量机
评价体系
在线阅读
下载PDF
职称材料
题名
用电信息采集系统电能计量数据异常识别研究
被引量：
41
1
作者
黄公跃
付婷婷
林思远
董佩纯
薛冰
机构
深圳供电局有限公司客户服务中心
出处
《电网与清洁能源》
CSCD
北大核心
2023年第4期25-30,46,共7页
基金
南方电网公司科技项目(090000KK52180118)。
文摘
针对电能计量数据识别异常问题,进行用电信息采集系统电能计量数据异常识别方法的研究。选取改进的粒子群算法优化支持向量机核函数参数,构建电能质量扰动模型,对用电信息系统采集的电能计量异常数据实施分类;利用LOF算法计算异常因子,采用飞走异常智能分析方法所确定的扰动模型来判断电能计量器示值是否异常,完成电能计量数据异常识别过程。实验结果表明:该方法对异常数据分类较为精准,识别准确率高达98.50%;检测时间较短,仅为1.121 s,均优于对比方法。说明能更好地防止发生错误判断,可有效提升电能计量数据异常判断的质量和效率。
关键词
用电信息
采集系统
电能计量数据
异常识别
电能
质量
扰动模型
飞走异常
Keywords
power information
acquisition system
power metering data
anomaly identification
power quality
disturbance model
runaway anomaly
分类号
TM933 [电气工程—电力电子与电力传动]
在线阅读
下载PDF
职称材料
题名
基于ELM-SVM模型与电能计量大数据的窃电识别技术研究
被引量：
21
2
作者
县国成
王永攀
高俊
浮海
杨斌
武旭
机构
国网甘肃省电力公司天水供电公司
兰州交通大学自动化与电气工程学院
出处
《智慧电力》
北大核心
2022年第9期82-89,共8页
基金
国家自然科学基金资助项目(51867012)。
文摘
窃电现象破坏社会供用电秩序,严重时更会阻碍新型配电系统建设的发展。为了更精确地识别窃电行为,提出了一种基于极限学习机(ELM)与支持向量机(SVM)相结合的窃电智能识别模型。利用电能计量大数据,分析窃电用户数据状态指标,构建窃电指标评价体系;利用指标评价体系训练窃电智能识别模型,进而以ELM-SVM预测模型来识别窃电用户。该方法有效集合了ELM算法与SVM算法的优点,算例表明,识别模型的识别准确率可达97.8%,说明ELM-SVM结合方法是可行的,实现了对用户窃电行为的高精度、高效性预测识别。
关键词
电能
计量
大
数据
窃电智能识别
极限学习机
支持向量机
评价体系
Keywords
big data of electric energy measurement
intelligent identification of stealing electricity
extreme learning machine
support vector machine
evaluation system
分类号
TM933 [电气工程—电力电子与电力传动]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
用电信息采集系统电能计量数据异常识别研究
黄公跃
付婷婷
林思远
董佩纯
薛冰
《电网与清洁能源》
CSCD
北大核心
2023
41
在线阅读
下载PDF
职称材料
2
基于ELM-SVM模型与电能计量大数据的窃电识别技术研究
县国成
王永攀
高俊
浮海
杨斌
武旭
《智慧电力》
北大核心
2022
21
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
