基于深度自编码器高斯混合模型的窃电行为检测

针对用户侧窃电检测背景下无监督方法的适用性,研究如何解决特征提取和异常检测间的解耦问题,提出基于深度自编码器高斯混合模型(Deep Auto-encoder Gaussian Mixture Model,DAGMM)的用户窃电行为检测方法。首先对数据进行增广迪基-福勒检验,获取具有平稳性的用电数据维度。然后通过压缩网络提取数据潜在特征,利用估计网络及高斯混合模型获取反映异常程度的样本能量。最后基于端对端的学习方式对网络参数联合优化以避免模型解耦,将样本能量超过异常阈值的用户识别为窃电,据此实现用户窃电行为检测。实验结果表明,基于深度自编码器高斯混合模型的窃电行为检测方法受窃电样本影响小,提取的特征可有效反映用户用电规律,具有更高的检测准确率。相比于现有方法,其检出率、误检率、F1测度及AUC等评价指标均有显著提高。

地铁深基坑大跨度无格构柱钢支撑挠度控制

支撑作为基坑支护的主要受力杆件,其受荷变形情况直接关系到基坑的安全。为解决地铁深基坑大跨度无格构柱钢支撑挠度变形较大影响基坑安全问题,以北京大兴国际机场线磁各庄站地铁深基坑工程为研究对象,通过理论计算及现场实测,对施工过程中钢支撑挠度数据进行监测分析。结果表明:支撑挠度与轴力整体呈现正相关关系,但受其他因素影响局部会有波动,同时自重、轴力、安装偏差、附加变形各因素对支撑挠度的影响程度依次减小。随后,针对影响钢支撑挠度的主要因素,提出了相应控制措施,并经权重分析比选验证,发现了一种减小钢支撑挠度的快速经济有效的方法,有力保障了基坑安全,可为类似工程的设计与施工提供有益参考。