简介:考虑ATM交易过程当中产生的一系列参数,如交易量、交易成功率和响应时间等,对交易状态特征进行分析并建立了异常检测模型。针对成功率与响应时间2个参数,利用聚类算法将数据点划分为正常点、疑似异常点、异常点3大类。对于疑似的异常点,再根据其时间序列周围点的分布情况确定是否确实为异常点;对于交易量参数,首先通过LOF局部离群因子对离群点进行识别,再结合交易量随时间的移动均线及标准差加以辅助筛选,得到初步的疑似异常点,进一步通过与不同天同一时刻数据进行比较,最终确定是否为异常点。根据上述模型,本文将异常情况划分为3个预警等级,并对重大故障情况进行预测。
简介:摘要:现阶段,电力行业的发展迅速, 电力计量作为电网电力系统的核心部分,对电力系统运行有重要作用,电能计量装置的运行误差直接对供用电双方贸易结算的准确性产生很大的影响,因此对电能计量装置的运行状态评价显得尤为重要。在对电力计量装置进行评价时,就需要对电力计量装置的电压异常状态进行检测,因此,所有的电力计量设备必须经过检验后才能投入使用。在电力系统中,电力计量中的校验装置在电网中也具有很重要的作用。近些年,随着技术的发展,电力计量校验装置也在更新换代,并逐步向高集成度,高速化、自动化的方向飞速发展。然而,随着装置功能复杂性提高,装置内部的供电系统也相应变得复杂,要保证装置运行稳定、可靠,首先要保证供电系统的稳定、可靠。
简介:针对桥梁结构监测采集到的桥梁异常状态下长期积累演变的惊人数据量,提出了基于主成分分析与人工神经网络相结合的桥梁结构异常状态识别方法。布设多种类型传感器监测获取高维数据,采用主成分分析法对原始高维特征数据进行预处理,将结构异常特征变量的主成分作为人工神经网络的输入特征。该方法有效的降低了神经网络的结构复杂度,同时提高人工神经网络的训练速度,也保证了人工神经网络具有良好的收敛性和稳定性。应用于江苏南通如泰运河大桥和江苏无锡开源大桥的实际监测数据的结果表明,基于主成分分析的人工神经网络方法用于桥梁结构异常状态识别,与传统的神经网络以及其他模式识别算法相比,有更好的识别精度。