基于深度学习与SVM的配电网工程数据预测分析模型设计

为了提升配电网工程数据的精细化管控水平,文中基于人工智能技术的深度学习理论进行了工程造价预测模型的设计。将数据预测问题转化为非线性分类问题,采用支持向量机(Support Vector Machines,SVM)对该问题进行求解。在求解的过程中引入高斯径向基函数,改善SVM算法在多维数据空间中的分类能力。为了提升单个SVM分类器在训练过程中的过拟合和欠拟合现象,通过使用深度学习中的Boosting算法,将若干个弱SVM分类器有机结合并融合为强分类器。以某地区的配电网工程数据集为样本,对算法性能进行测试。实验结果表明,在适当的参数设置下,该算法对于配电网工程造价的预测精度可达到95.62%,相较于GA-BP神经网络提升了2.84%。

基于聚类算法的变压设备运行数据监测与异常检测技术

在线监测数据在判断变压设备运行状态中发挥着重要的作用,但传统监测方法无法及时了解变压设备异常情况,准确甄别噪声数据。针对这一问题,挑选K-means聚类算法引进相应的滑动窗口技术,设计变压设备出现异常情况的检测模型。以某变电站变压器异常数据为对象,提出K-means聚类算法进行验证。结果验证,这种方式能够实时检测变压设备数据流中的异常信息,从而有效去除少量传感器产生的噪音或者突变值的影响,有利于提升变压设备状态检测的精准性及实时性,应用价值较高。

基于改进Chebyshev的配电网工程造价合理区间分布研究

提出一种基于改进Chebyshev的配电网工程造价合理区间的计算方法。该方法对设计评审阶段的造价可靠性提供了分析依据,有利于提升配电网工程造价精益化管理水平。