决策树算法的比较与应用研究

数据挖掘中一项重要的任务是对数据进行分类,而决策树是分类算法中一个最主要而且应用最广泛的算法分支。文章叙述了决策树的工作原理和基本概况,介绍了几种常用的决策树算法,并通过对5种公开数据集的分类结果进行比较,验证了这些算法的优劣,最后将随机森林算法应用到电力用户信用评价中,为进一步研究提供了思路。

不同环境对单相智能电能表电池寿命的影响分析

单相智能电能表已广泛应用于居民用户及单相一般工商业用户,随之电池欠压问题引起社会各界关注。文章通过在不同环境下检测电池内置式电能表和电池可换电能表停电并且休眠状态的电池功耗,计算电池使用寿命,得出最佳贮存环境,节省电池电量,减少采购电池数量,降低成本。

短时过电流试验设备的校准周期确定

短时过电流试验设备应用在试验室,不属于强制检定工作目录范畴,不能定期送至国家认证认可机构检定校准。其溯源工作属于试验室内部校准活动,目前尚未有相关的检定规程和校准规范明确规定其校准周期。为明确短时过电流试验设备的校准周期,对试验设备的工作原理、稳定性、可靠性、使用年限、使用频次等进行分析,考虑试验室环境因素、校准人员的专业能力及数量,使用电流探头和数字示波器校准试验设备并作出符合性判定。参考上一次的校准结果,通过运用增量反应调整法计算其校准周期。观察多次校准结果以及计算得出校准周期的趋势,提出短时过电流试验设备的合理校准周期。经实践验证,在保持校准结果溯源性的基础上,该周期可显著提高工作效率,并确保校准结果的准确可靠。

基于高斯混合模型的光伏发电出力中高比例异常数据检测方法研究

光伏发电出力中的高比例异常数据具有相互重叠、多高斯分布的特点,如何精确地剔除光伏发电出力中的高比例异常数据是实现光伏功率精确预测的关键问题。文章分析了光伏发电出力中高比例异常数据的特点,并研究了一种基于高斯混合模型的光伏发电出力高比例异常数据检测方法。建立了高斯混合模型的算法模型,使用期望极大算法(Expectation Maximization,EM)对高斯混合模型的参数进行估计,使用算法模型对光伏发电出力中的高比例异常数据进行检测和剔除。实际算例分析和对比实验表明,文章的方法可以对多分类的高比例异常数据进行精确地检测,较传统的异常数据检测方法更加适用于光伏发电出力的高比例异常数据检测。

基于改进循环神经网络的窃电行为检测方法研究

针对用电过程中的盗电窃电问题,基于数据挖掘的思想提出了一种自动检测窃电行为的方法。通过分析用户用电数据的特点,在循环神经网络(RNN)算法的基础上引入长短期记忆单元(LSTM),通过输入门、输出门与遗忘门等函数选择性地保留记忆单元的输入输出信息,改善算法训练时的梯度消失现象。将RNN网路改进为并行化网络,将长时间序列的输入特征向量进行片段化处理,克服RNN网络在处理长序列时的信息丢失缺点。使用国家电网的公开数据集进行仿真实验。结果表明,在相同的时间复杂度下,相较于传统RNN网络,改进算法对窃电行为的识别精度提升到了92.85%,模型的交叉熵损失下降为0.253,AUC增长至0.871,算法的综合性能显著提升。

现场作业终端安全接入防护的设计与应用

建立现场作业终端统一安全接入防护及监控,实现对现场作业终端的身份认证、鉴权,和认证通过后的终端和内网之间的信息流加密传输、信息流安全审计等,实现对现场作业终端的接入安全、高效的管理。通过高速消息总线进行平台内部各种接入控制消息、数据消息的高效传递,并通过各种功能组件对外统一提供接入、认证、访控、加密、代理、交换、过滤、监管等各种安全服务,协同完成对现场作业终端安全接入过程的全程控制,使平台各功能组件有机配合、协同工作,成为统一有机的整体。