摘要：针对传统的电网工程数据识别与检测严重依赖人工核算,实时性和准确性难以得到保证的问题。为准确、高效地识别电网工程的异常数据,文中建立了分层数据监测系统。为了区分异常数据与正常数据,引入NIDES统计学模型,建立归一化的统计学架构。在对数据进行分类的基础上,选取5种神经网络进行分类对比实验。实验结果证明,BP神经网络分类结果最优、成本最低。通过对搭载BP神经网络分类器的异常数据识别系统进行压力测试可知,该系统可以精确识别出仅占全局数据5%~10%的异常数据,且总体性能良好。

摘要：针对实际应用中电力工程数据的维度不断升高,而现有聚类模型在处理高维数据时模型有效性降低的问题,提出一种基于深度神经网络的电力工程数据聚类模型。该模型在对原始高维数据进行预处理的基础上,引入了深度受限玻尔兹曼机神经网络。通过深度神经网络的无监督学习,将高维的原始电力工程数据进行非线性化处理,从而映射到低维空间。在低维空间采用模糊聚类算法对数据进行处理,得到对原始数据的有效聚类分析。采用实际电力工程数据对模型进行仿真验证的结果表明,该模型可以明显提高电力工程数据聚类的有效性。