基于数字孪生的配电网局部异常因子故障辨识仿真

为进一步提高对配电网局部异常因子故障辨识的精度,提出基于数字孪生的配电网局部异常因子故障辨识仿真。通过实时获取配电网运行电气参数并进行预处理,以此为基础提取基于时间序列的故障特征量列矩阵,使用多维标度分析(MDS)方法从降维处理后的故障特征中检测出配电网异常物理节点,再根据配电网网络拓扑得到异常物理节点对应的故障区段,最后结合局部异常因子(LOF)算法计算各物理节点所对应的局部异常因子值,从而获取故障诊断结果,完成对配电网故障的精准辨识。仿真结果表明,运用该方法可以实现对配电网故障的精准辨识。

基于局部异常因子的锂离子电池储能系统故障诊断

锂离子电池在过充、高温及外短路等滥用工况下工作会导致火灾等事故的发生。通过对锂离子电池进行早期故障诊断,定位故障的具体位置并及时采取相应措施,可以有效避免故障进一步升级为热失控。为此,基于锂离子电池储能系统的运行数据,采用局部异常因子算法对其进行故障诊断分析。通过计算单日及多日的电压运行数据,确定故障电池的具体位置,分析故障电池的异常情况。研究结果验证了局部异常因子算法应用于锂离子电池储能系统故障诊断的有效性。

基于Hadoop与局部异常因子的用电行为检测方法

随着智能电网建设的不断发展,电力数据具备海量、多样性、价值密度低等大数据特点,针对异常用电行为挖掘困难,提出一种基于Hadoop和局部异常因子的用电行为检测方法,通过对用电大数据进行特征提取,根据异常用电行为规律和特征,设定异常用电行为判决条件,通过局部异常因子算法计算各用电数据点的离群性,将计算模型与Hadoop分布式大数据平台结合应用,最终确定异常用电用户。实验结果表明,该方法可有效提高电力大数据异常用电行为挖掘效率。

基于SAE-CNN局部异常因子的摆弹机构故障诊断方法

为适应火炮装备健康状态智能识别技术的发展需求,设计火炮摆弹机构故障诊断实验。利用加速度传感器采集摆弹机构正常状态、滚轮裂纹状态和压板损伤状态下的振动信号,并将原始时域振动信号经傅里叶变换为频域数据,作为诊断模型的输入。传统故障诊断方法不能隔离训练数据中不存在的类型,为解决这一问题,利用堆栈自编码器无监督学习和卷积神经网络局部连接的优势,构建基于SAE-CNN的深度学习模型,以提取辨识性特征,结合Softmax函数和局部异常因子算法建立摆弹机构的故障诊断模型。通过两组实验数据进行对比验证,验证得出,所提出的基于SAE-CNN局部异常因子方法不仅能够诊断摆弹机构已存在的故障类型,也能识别出新出现的故障类型。此次研究说明基于SAE-CNN局部异常因子的摆弹机故障诊断的方法在实际应用中具有参考价值。

通信和电网联合仿真的配电网局部异常因子故障辨识算法

信息系统传输故障、恶意攻击和物理系统故障都将威胁智能配电网的正常运行。现有研究未充分考虑信息系统与配电网融合造成的差异,特别是缺乏对信息系统故障与配电网物理故障进行统一辨识的方法。文中利用MATLAB和OPNET建立交互作用分析模型,对发生于信息物理系统中的故障进行定量分析;进而,提出基于多维尺度分析(multi-dimensional scaling,MDS)和局部异常因子(local outlier factor,LOF)的配电网故障辨识算法,实现信息系统故障和配电网物理故障的统一识别,以及对配电网故障区域和故障通信节点的定位。利用交互作用分析模型得到的仿真结果验证了对于智能配电网故障类型的分析,配电网物理故障和通信节点故障的辨识结果验证了本文算法的有效性。

时间序列异常模式的k-均距异常因子检测

提出了一种基于k-均距异常因子检测时间序列异常模式的算法(K-MDOF)。该算法首先利用边缘权重因子提取时间序列模式表示的边缘点,然后通过提取每一段子模式的四个特征值:模式长度、模式高度、模式均值和标准差将时间序列映射到特征空间,最后利用k-均距异常因子在该特征空间中检测时间序列的异常模式。从模式的角度检测时间序列的异常行为弥补了点异常检测的个体行为局限性,提高了异常检测的效率和准确性,在仿真数据集和真实数据集上的实验结果都证明了在时间序列异常检测中模式异常定义的合理性以及算法的有效性。

基于局部异常因子的无监督学习集成异常检测

研究了基于局部异常因子(LOF)的无监督学习模型共享的集成学习异常检测方法,首先在局部采用LOF无监督学习得到检测模型,然后通过交换局部模型的方式实现集成异常检测.该方法能够从检测数据中自动发现异常样本,无需预先了解数据的分布特征,不对数据进行任何假设,适用范围广.方法通过交换检测模型实现数据有效信息的共享,相比集中式方法,减少了网络传输耗费.实验仿真表明,该方法能取得优于或和集中模型相当的检测性能.

绝对重力测量异常值的局部异常因子检测算法

自主研发绝对重力仪的测量结果中出现的离群程度不同的异常值会直接影响测量结果的准确度和测量精度。目前一般采用的一元正态分布异常值检测算法漏检率高,容易造成测量结果的偏差和测量精度的下降。利用人工智能算法中的局部异常因子异常值检测算法,可以在线、快速、高效地完成自主研发绝对重力测量数据的异常值检测。首先,根据实测数据构建测试数据集,利用数值模拟确定局部异常因子算法邻域宽度参数的取值;然后,基于实测数据进行异常值检测并进行结果评估。评估结果表明,局部异常因子异常值检测算法对离群程度不同、连续出现异常值等情况检测效果明显优于一元正态分布异常值检测算法,组测量精度平均提高9.37μGal,可以作为自主研发绝对重力仪异常值检测的通用算法完成组测量结果的异常值检测。

基于异常因子的异常模式探测算法

时间序列挖掘中不同的数据集中的异常模式的长度未必相同。提出的算法使用异常因子作为模式的异常度量,利用模式的k-距离和中位数来计算异常因子,使用二次回归算法来探测时间序列中的所有模式和其长度范围,在这个范围内使用变长方法来判断一个模式是否异常,然后合并相邻的异常模式。为了验证算法的有效性和健壮性,使用人工合成数据和标准数据集对算法进行了测试,得到了较为满意的效果。

基于异常因子的航空器飞行轨迹异常检测研究

为保障终端区航空器飞行安全,提高空域运行效率,提出了一种基于异常因子的航空器飞行轨迹异常检测方法。首先,给出了航空器异常轨迹的定义和分类,同时考虑轨迹的时空属性,采用基于时间比的自顶向下算法进行轨迹分割;其次,建立了基于密度聚类的轨迹段相似性模型,找到每类簇的中心轨迹;最后,利用中心轨迹计算每个轨迹簇的信息熵作为异常因子,同时取航空器飞行距离为另一异常因子,得到轨迹异常值,通过比较异常值的大小及其分布特点实现轨迹异常检测。结果表明,该方法可以有效识别异常轨迹,且对比发现以轨迹信息熵和飞行距离作为异常因子时,异常检测效果更好。

基于软加权k-均距异常因子的雷达数据剔野方法

针对雷达测量数据的特点,提出一种基于软加权k-均值距离异常因子的雷达数据剔野方法。对测量序列进行软性加权,再将序列映射到特征空间通过计算异常因子来对野值进行检测,并以某型雷达在某次任务中的一段测量数据进行实验。实验结果表明:该方法能很好地识别野值,最大限度地保持轨迹测量数据的完整性。

基于井资料的密度异常因子及其应用研究

将密度异常因子应用于测井数据,结果表明该方法的可行性。密度异常因子是借助于Gardner速度密度关系的推导方法而推导出来的一种密度属性,而密度异常是由储层中的含烃饱和度或岩石的矿物成份组成的。这里从与密度关系密切的岩石物理背景出发,探讨了密度异常的物理机制,并且分析了密度异常因子的计算公式,最后通过具体的实例,说明了密度异常因子的应用。

基于局部异常因子的信息网络流量异常检测

网络流量异常问题是网络遭受攻击的一种表现,通常会引起网络丢包、网络延迟、甚至造成网路堵塞和瘫痪,严重威胁着网络性能和安全。因此,对于网络流量异常进行有效检测,对保障网络的正常运行具有重要意义。设计了一种基于局部异常因子的信息网络流量异常检测方案,在局部异常因子算法的基础上通过MVC模型,采用了SOA结构,通过计算最邻近点的K值,实现网络流量异常检测。在仿真实验中人为制造异常点,对比本文方法与传统方法的检测效果,结果表明设计的方案优于传统异常检测方法。

基于互补集总经验模态分解和局部异常因子的有载分接开关状态特征提取及异常状态诊断

为了及时发现和诊断有载分接开关(OLTC)的异常状态,在特征提取方面,结合驱动电机电流信号选取OLTC振动信号的特定时段,以突出状态特征;利用互补集总经验模态分解(CEEMD)得到振动信号的固有模态函数(IMF),针对OLTC振动信号的特点,提出基于IMF能量特征的降噪算法;设计了时频矩阵划分算法,提取划分线、峭度、包络谱熵、时频矩阵能量密度、时频矩阵变异系数等特征参量。在异常状态诊断方面,通过多个振动测点,同时实现OLTC本体和传动机构的异常状态诊断;建立了以局部异常因子(LOF)为诊断参量的OLTC异常状态诊断方法,通过待测样本与正常样本集的比较来发现和诊断OLTC的异常状态,具有较好的普适性。仿真和实验结果表明,基于该文提出的方法能有效发现和诊断OLTC的异常状态。

基于局部异常因子算法的三维声纳单帧重建研究

海洋环境的复杂性会使三维声纳获取到的点云中存在异常点,从而影响点云的后期处理和可视化。将获取到的声纳数据依次进行三维波束成像、最大值滤波和坐标系转换,进而得到原始点云。提出将局部异常因子(LOF)算法应用到点云去噪、剔除干扰的异常点,并用一种改进三角网生长方法进行单帧重建。改进三角网生长法简化了三角网生成中关键的“第三点”搜寻过程,通过实际数据处理分析得知:相比于传统阈值去噪方式,基于LOF算法的去噪方式能够在保持目标真实轮廓的前提下有效剔除非目标点;经过所提去噪方式的声纳数据能够得到更贴合实际目标轮廓的三维重建结果。

结合交叉局部异常因子和注意力机制的超短期风电功率预测方法

风电样本数据的质量和风功率预测模型的结构直接影响风电功率预测的精度,提出一种结合交叉局部异常因子(Local Outlier Factor,LOF)和注意力机制的高精度超短期风电功率预测方法。通过交叉LOF算法进行分钟级的风电数据异常孤立点检测,有效提高了样本数据的质量。通过增加注意力机制避免长短期记忆(Long Short-Term Memory,LSTM)算法在编解码过程中固定长度向量导致的数据特性损失问题,从而更有效利用历史数据的特征,提高风功率预测的精度。最后,对真实风场实测数据进行实验分析,验证了所述方法的可行性与准确性。

基于改进局部异常因子算法的拓扑辨识技术

针对电网中的拓扑错误和不良遥测信息严重影响电网的安全运行的现象,提出了基于改进局部异常因子算法的拓扑辨识方法.该方法利用统计理论对开关及刀闸的状态信息和电网的遥测信息进行评估,同时考虑到遥测及遥信信息对拓扑错误辨识的影响不同,采用相对熵对其数据进行加权处理,并在异常拓扑状态检测过程中,通过网格来屏蔽那些非异常的对象,提升算法效率.实验结果表明,该算法能够快速识别电网中的拓扑错误,发现其中的不良遥测信息.

基于局部异常因子结合神经网络的制冷剂充注量故障诊断

为提升多联机系统故障检测率,本文提出了一种基于局部异常因子结合神经网络的多联机故障诊断方案,并进行制冷剂充注量实验验证该方案的可行性。研究通过局部异常因子(Local Outlier Factor,LOF)法剔除实验原始数据中的异常值,再构建反向传播(Back-Propagation,BP)神经网络进行制冷剂充注量故障诊断,同时优化模型隐含层节点数,进一步提升故障检测率。结果表明:LOF法能有效剔除多联机异常值;较BP神经网络,最优隐含层节点数的LOF-BP神经网络诊断性能增强,整体检测率提高至98.97%。

一种基于局部异常因子(LOF)的k-means算法

聚类分析算法是数据挖掘技术的一个重要分支,目前其研究已经广泛应用于教育、金融、零售等众多领域并取得了较好的效果。本文结合了基于划分和密度的聚类思想,提出了一个适用于挖掘任意形状的、密度不均的、高效的聚类算法。

基于双向邻居修正的局部异常因子算法

针对现有离群点检测算法存在参数选取困难、效率差和精度低等问题,提出了基于双向邻居修正的局部异常因子算法。为了解决所提问题,首先提出了基于双向邻居的搜索算法,降低邻居搜索占用时间,然后使用双向邻居的修剪算法减少参数输入以及不必要的异常值计算。同时提出了基于双向邻居的修正因子,并利用反向邻居进一步提高计算精度。实验结果表明,所提算法减少了参数选取,提高了时间效率,同时基于双向邻居的修正因子使算法在合成数据集和UCI数据集上的准确率更高。