一、窃电的特点分析及对策(论文文献综述)
高杨[1](2021)在《基于信用风险评价的H供电公司客户关系管理优化研究》文中进行了进一步梳理供电行业的营销服务是供电企业为客户提供核心产品和服务,服务质量的好坏与否将会直接影响到整个企业可持续发展,也是影响企业在市场上综合竞争力的一个重要决定性因素。优质的客户往往是一个企业的重要财富收入来源,相对而言,信用差的客户往往是一个企业经营的风险源泉。由于历史原因,现阶段公司和客户通常采取的用电方式都是先用电后缴纳电费,对于一些供电公司来说,采取的是信用销售方式。目前,在内外部环境急剧变化的市场背景下,信用销售的用电模式是持续占领市场的有效手段,但同时也会增加企业的风险,比如坏账带来的财务成本和管理成本。基于这个宏观背景,根据供电企业目前的外部市场环境,并充分结合自身的特点,以广大客户需求为服务中心,构建了客户信用风险评估模型,并在对广大客户信用风险评估模型分析的研究基础上,通过创新了客户关系,创新了服务渠道,提出了相应的策略,既能够满足广大供电企业对于客户优质服务的要求,同时也可以扩大供电企业的市场综合竞争力,提升供电企业的活力和售后服务水平,同时建立完善供电企业服务制度,,适应新能源电改给我国带来的变革,以优质的售后服务和产品赢得了客户,在激烈的市场竞争中有效抢占了售后服务份额,促进了供电企业的健康可持续发展。本篇论文的研究目标是为了根据我国电力供应与用电市场的特点,以H供电公司为主要案例,分析影响客户信用的基础性信息,设计适合用电企业客户信用风险评估的指标和风险评级标准,建立了客户信用风险评估体系和风险评级标准,在此基础上提出了优化H供电公司目前现有的信用风险评价、欠费预测、电费风险决策、风险控制及窃电检测和防范等客户经理管理的对策建议,构建新型的客户关系,提高服务质量和客户经理工作效率。在此基础上提出优化H供电公司现有的信用评价、欠费预测、电费风险决策、风险控制及窃电检测和防范等客户管理的对策建议,构建新型客户关系,提高服务质量和服务效率。
蔡嘉辉[2](2021)在《基于数据驱动的线损异常智能分析方法研究及应用》文中指出线损异常管理问题是限制电网发展的重要因素,解决该问题有助于实现配电台区的降损节能,对电网规划建设具有重要指导意义。近年来,随着大数据、人工智能等先进技术的蓬勃发展,传统电网向智能电网转变,智能电表和电力用户用电采集系统在供电企业逐步普及,常规的以人工筛查为主的线损管理方法,由于不能有效反映电力数据间的相互关系,限制了线损分析和线损异常诊断的实时性与准确性,严重制约了线损管理效率。基于此,将大数据和深度学习理论相结合,采用基于数据驱动的方式解决线损异常相关问题,是线损异常管理方法发展的必然趋势。本文的主要工作如下:(1)针对采集的台区线损统计表中存在的台区统计线损率数据缺失,导致无法对该台区是否线损异常进行判定的问题,提出了基于DNN的台区统计线损率预测填充方法以及基于LSTM时间序列算法的台区统计线损率预测填充方法,实现了台区统计线损率缺失数据的有效预测。(2)针对线损异常台区判定的统计线损率考核阈值设定过于宽泛、且所有台区的统计线损率考核阈值设定相同,缺乏精细化管理的问题,提出了基于台区理论线损率的精细化阈值设定方法。首先,针对理论线损率的计算难点,采用了基于1D-CNN的理论线损率计算方法,方便、有效地计算台区理论线损率;其次,依据计算的台区理论线损率对台区进行分类,并为各类台区设定了合理的统计线损率考核阈值。(3)为了解决线损异常的问题,对线损异常原因进行溯源。首先,重点分析了用户窃电导致的台区线损异常问题,提出了基于Dense Net-RF的电力用户窃电检测算法。其次,分析了其它多种线损异常原因,并提出对应的线损异常检测方法。最后,形成了电网整体线损异常分析流程。(4)根据功能需求,开发了台区线损异常智能诊断系统。基于C/S构架完成了数据存储与管理、线损异常台区查询、线损异常诊断分析、缺失数据填充、闭环管理等软件功能模块,实现了线损异常的有效分析与科学诊断、台区线损的精细化管理,提高了线损管理效率。综上,本文从数据的关联性和动态性出发,以技术手段对线损数据进行深度分析,多方位地构建线损异常智能分析体系,并以软件应用的形式,实现线损异常的科学诊断,提高了供电企业线损管理水平和电网运行效率,有利于推动安全可靠、清洁环保、开放兼容的现代化智能化的电网建设。
宋少杰[3](2021)在《电力用户用电行为分析与窃电识别研究》文中进行了进一步梳理在快速发展的当今社会,随之而来的是不断增长的用电量需求,相关电力事业也在规模化发展,但窃电问题并没有因此被掩盖。窃电方式、手段日益多样化,由传统的窃电方式向高科技窃电方式转变,极具隐蔽性。窃电问题不单存在于某一个时期,它是一个长期存在的事实问题,给国家带来的损失不容小觑,因窃电所带来的安全隐患演变成事故的情况也时有出现。不断积累的用户用电数据信息为反窃电工作提供了帮助,因此,利用数据挖掘和机器学习等方法,对电力数据进行分析判断,研究窃电问题变成了热点。本文根据用户历史用电数据信息开展研究分析,以电力用户的窃电行为识别为主题。分析了窃电方式及常见的窃电手段,综合窃电行为所具有的特性选定窃电判别指标。通过对负荷曲线数据进行聚类,得出特征曲线并根据此划分用电行为;计算及分析待测用户负荷曲线和特征曲线之间的相似度,初步筛选存在窃电嫌疑的用户;以部分正常用户和筛选出的窃电嫌疑用户共同构成模型的输入用户集,形成窃电判别指标数据并处理,代入特征选择与Ada Boost集成学习相结合的模型中展开训练和测试。本文主要研究内容和开展工作如下:(1)根据云南省某地区用户历史用电数据信息开展研究分析。从窃电原理出发,分析了传统的窃电方式、高科技窃电手法,及其对应方式下实施窃电的常见手段,归纳总结在不同窃电方式下相关用电特征量的变化,综合窃电行为具有的特性选定了9个窃电判别指标。(2)围绕用户用电行为习惯开展研究分析,正常的用电行为会呈现出一定的规律性,而发生窃电行为时,其用电趋势会偏离以往的用电规律。将具有代表性的日负荷曲线数据通过聚类的迭代处理,得出了特征曲线,也就是聚类中心曲线。不同的聚类中心曲线即代表不同用户类型的日负荷特征曲线,基于聚类算法实现了对用户用电行为的划分。结合电力用户负荷曲线的数据特性及可能存有的位移变化,采用了基于DTW距离的负荷曲线相似度度量方法,基于曲线相似度的计算及分析实现了对窃电嫌疑用户的初步筛选。(3)围绕数据挖掘中的分类算法展开研究工作,结合应用场景进行分析建模,对具有窃电嫌疑的用户做进一步识别判断,得出窃电用户或是非窃电用户的分类预测结果。确定了用于窃电识别的分类算法属性,对集成学习和所使用的Ada Boost算法进行了介绍。建立特征选择与Ada Boost相结合的模型对窃电用户进行识别,包括确定用户集,形成窃电判别指标数据及处理,特征选择,对实验样本集进行划分,完成对模型的训练及测试,以相关实验说明了模型的合理性及有效性。
邝萌[4](2021)在《基于Stacking集成学习的窃电检测方法研究》文中研究指明随着社会经济增长步伐的加快,用电需求在不断的扩增,电网架构也日趋复杂,为了进一步规范市场供电秩序,维护公平与和谐的用电环境,需要对用电情况进行稽查,其难点在于对窃电行为的识别,它不仅会对电网计量的公平性产生影响,也会对电网的主干架构造成威胁。本文以用电数据为基础,探寻一种与窃电行为实际特征相切合并且高效精确的窃电检测方法,对保障电力企业中的智慧用电管理意义重大。研究内容分为以下三点:(1)针对如何从大量的用电数据中提取窃电特征问题,本文采用数据分析的方法,分析常见窃电行为所导致的电压、电流等相关电气参量的变化,选取正常用户与窃电用户之间电气特征参量的差异作为窃电行为的判别特征,包括三相电流不平衡率、电压不平衡率、额定电压偏移度、功率因数,这为下文窃电检测方案提供检测指标和特征基础。(2)针对本文采用的用电数据样本量大且存在正常用电样本与窃电样本不平衡的特点,在采用单分类算法进行预测时,正确率到达一定水平就会进入瓶颈期,继续优化该算法难度较高。现从集成学习的角度出发,引入基于Stacking集成学习的窃电检测方法。首先,针对用电数据的特征引入KNN、SVM、DTree三种经典的单分类算法作为Stacking集成学习方法的学习器,并分别建立基于Stacking集成学习方法与三个单分类算法的分类模型;其次,为了验证Stacking集成学习方法用于窃电检测的有效性,加入RF、Ada Boost两种集成算法进行分类效果对比验证;最后,采用量子遗传算法(QGA)搜索Stacking集成学习方法中三个经典算法的超参数,并以云南省某地的用电数据进行仿真验证,与未经QGA优化的方法相比,正确率提高了8.7%。(3)从数据平衡化的角度出发,将FCM聚类与SMOTE过采样方法结合用于用电数据平衡化处理,引入了基于F-SMOTE和Stacking集成学习的窃电检测方法。首先,针对SMOTE算法处理不平衡数据时容易产生正负样本数据边界模糊问题,采用FCM聚类方法找出窃电样本的类簇质心;其次,在窃电样本质心与窃电样本的连线上进行SMOTE插值,构造相对平衡的用电样本,并将其作为Stacking集成学习模型的输入。最后以云南省某地的用电数据进行验证,与未经FCM聚类算法对数据作预处理的方法相比,正确率提高了3.3%。
陈昊天[5](2020)在《基于故障树的配网窃电损失对策研究》文中认为随着科学技术的发展,人类社会用电需求不断增加,一些不法经营者、个体私营业主及居民用电大户为谋取利润,降低成本,不择手段地窃取国家电能,窃电问题成为困扰电力企业的一项难题。在电力市场中,针对窃电行为的对策,仍停留于窃电事件发生后再调查和追回。此方法虽能弥补窃电的损失,但要从根源上减少窃电带来的损耗,还需分析窃电损耗产生的原因,设立针对产生原因的方法,才可从根本上降低窃电损耗。产生窃电损耗的原因多种多样且相互影响,本文采用故障树分析法,从供配电的结构、供电装置技术水平、人员(包括用户与工作人员)因素这三个方向出发,理清影响因子间的互相作用关系,全面列举供电系统中可能导致窃电的影响因素,并对产生窃电损耗的原因进行了量化分析,分析导致窃电损耗发生的可能性大小,从而确定每个原因对于窃电的重要性系数,得到导致窃电损耗的基本原因。基于窃电台区的定位方法、员工的职业素养、反窃电方法的合理性三方面考虑,提出有效降低窃电损耗的方法。现有判断窃电台区是否存在窃电行为的方法存在漏洞,即当实测线损值发生异常时,窃电台区的定位方法失效,本文提出一种改进窃电台区定位的方法,该方法的优化内容在于,先判断实测线损率是否存在异常,异常情况由什么原因导致,对由于技术所导致的线损率异常问题进行分析,提出对异常线损率进行修正的公式,最后以修正后的线损率为基准,重新判定窃电台区,避免因漏判、错判窃电台区造成窃电损耗。人为因素是导致窃电损耗的重要原因之一,为降低窃电稽查整个流程因人为原因出错发生的几率,本文提出一种智能化识别非法人员的窃电方式,该方法利用现有智能电表的功率数据,结合便携式检测设备所测得的分相电压、分箱电流,确定非法人员的窃电方式方法,从而可以更加有针对性的进行反窃电。综合上述,本文提出一种有效追回窃取电能的方法,该方法通过判定非法人员的窃电手段,以及电能的异常数据,准确地计算非法人员窃取的电量,并利用功率因数对窃电行为进行修正。真正实现了反窃电,且此方法所计算得出的窃取电量有理有据,避免了非法人员的赖账行为发生。最后,通过实际台区的运行数据以及皮尔逊相关系数算法进行对比印证,对所提的方法进行逐一验证,证明了本文提出方法的有效性、实用性及优越性。
王玮[6](2020)在《基于用电信息采集系统大数据分析的反窃电平台应用研究》文中指出在国家智能电网建设中,反窃电是其中不可或缺的基础建设环节。伴随着反窃电技术与方式趋于科技化与信息化的发展,其隐蔽性大大提升,致使以往的诸多反窃电手段与方式受到了越来越多的挑战。随着计量设备不断升级,计算机网络技术的高速发展,利用计算机网络的海量数据云存储能力,依托大数据分析平台,建立基于数据挖掘技术的窃电嫌疑分析方法是新时期反窃电最新技术手段。在数据分析中,以河北省公司数据库为基础,采集其中包含的用户用电信息、用电营销信息等相关指标数据来进行分析。本文通过对大数据分析的算法研究,使用逻辑回归模型与高斯分布作为大数据分析算法,将大数据分析方法应用于反窃电工作中。从数据收集、数据清洗、数据转换、特征提取和模型构建到结果评价,成功构建了反窃电模型,最终实现了对疑似窃电用户的定位和疑似窃电概率指数的预测。通过数据可视化技术,将反窃电结果生动直观展示出来,更加有利于用户进行观察和分析。基于用电信息采集系统的海量数据,从采集电量数据和用户基本信息等特征出发,建立反窃电分析模型,采集窃电查处实践中所产生的各种异常运行数据进行分析,以此可以实现自动化预警与告警,大大提升了查处窃电的效率与精准度,达到了遏制用户的窃电行为发生,保障电网安全,提高公司效益的目的。本文利用大数据技术手段,通过反窃电模型进行智能分析判断疑似窃电用户,对模型结果进行多方位展示,取得了一些有价值的完成成果,对窃电用户发现和窃电行为遏制方面起到了一定的促进作用。
梁春方[7](2020)在《我国电力行业配电网线损优化管理研究 ——以荣成供电公司为案例的分析》文中提出电网是关系国计民生和国家能源安全的重要部分,充分地利用和节约电能不仅可以降低国民经济生产成本,同时对国家环境保护生态安全具有重要的意义。电网中的各种损耗与供电量之间的比率被称为线损率,这一指标既是决定供电公司盈利水平的经济指标,也反映了供电公司管理情况。与发电侧和输电侧相比,当前我国配电网发展相对滞后,与电力行业整体水平和国民经济对供电可靠性的要求不相匹配。配电网的技术发展水平与管理水平的落后导致我国配电网线损率很高,占到电网总线损的一半,降低配电网的线损率迫在眉睫。通过技术措施和管理措施降低线损率,对于增大社会电力供应、提高供电企业盈利能力,具有十分重要的意义。本文以我国配电网线损为研究对象,并以荣成供电公司配电网线损为具体的验证对象,通过理论分析和案例实证的方式进行配电网线损控制的研究,探究降低配电网线损率的有效措施。本文首先回顾了相关理论,包括线损、线损控制、配电网、窃电等与线损相关的概念,简述了项目管理理论和自然垄断行业理论,为后续分析配电网线损控制提供边界条件和理论基础;同时对国内外学者关于线损计算、供电企业线损控制的研究进行了综述。接下来,本文介绍了我国配电网线损的事实特征,在分析当前我国配电网存在的问题基础上,从技术和管理两个方面分析了当前配电网线损率较高的原因。然后介绍了当前配电网线损计算均方根法等的主要计算方法,并结合配电网自身特点给出了合适的线损分析和计算的流程。本文基于配电网线损所面临的技术和管理问题,分别给出了降低线损率的可行的技术降损措施和管理降损措施。最后本文以荣成供电公司为案例,介绍了当前公司线损的整体概况;并结合荣成配电网实际情况,对线损率较高的原因进行了剖析,并给出了公司实施的配电网降损的技术措施与管理措施;对荣成供电公司内沿海的线损率很高的五条线路实施综合改造,改造后的五条线路线损率大幅度降低,验证了本文提出了技术和管理降损措施的有效性。针对配电网窃电多发的现状,本文提出基于用电信息采集系统近年来积累的原始数据,原始数据输出后建立数据库,采用主成分分析的方法挖掘出用户潜在的用电特征,对异常用电行为及时报警,配合电力稽查人员的突击检查打击窃电行为。文章最后进行了总结,并针对我国配电网线损控制和线损管理问题提出了政策建议。
周湛[8](2020)在《基于神经网络的用户异常用电行为分析》文中研究指明现阶段,我国智能电网建设飞速发展,信息化采集系统逐渐完备,可采集到的用电数据日益增多,用户用电数据中隐藏着大量信息,采用神经网络算法分析用户用电数据,挖掘其中的有用信息,获取不同类型用户用电的相关规律和模式信息,为电力调度和电力服务提供依据。同时异常用电行为也与日俱增。异常用电行为不单给电网公司带来了巨大的损失,还会对电网设施造成损坏,对电网安全运行造成巨大隐患。因此,异常用电行为检测是保证电网安全运行的重要一环。通过对以上问题的研究,异常用电的主要手段有电能计量装置故障、窃电、电力系统谐波干扰三个原因。本文将从计量装置故障与窃电两大原因入手,深入探究计量装置故障与窃电发生的特征量,从计量装置检测数据和用户用电数据着手,对特征数据进行整理和计算,随后采用了一种基于主成分分析改进的极限学习机算法,对计量装置检测数据进行分析,划分计量装置中发生的各种故障。然后采用PSO算法对BP神经网络进行优化,搭建用户异常用电检测模型,用以识别出用户的异常用电行为。主要研究内容如下:(1)通过对电能计量系统原理的分析,分析整理各种电能计量装置故障的特征,并通过对电力计量装置设备中的检测电路数据的采集,采用一种基于主成分分析改进的极限学习机算法,对计量装置检测数据进行分析,对各类计量装置故障进行分类,识别出电能计量装置有故障的用户。(2)本文将重点关注有功功率、无功功率、功率因数、三相不平衡率等九个方面,用于评估和预测目标用户的疑似窃电系数。采用BP神经网络搭建异常用电检测模型,将以上九个指标作为输入,实际情况下的窃电结果(窃电为1,否则为0)作为输出,反复训练BP神经网络,结束后,输入测试数据,最终输出窃电结果的判定值。实验阶段,通过对云南省某地区300户计量装置数据及用户用电数据的采集和分析,将90%的数据进行训练建模,并选取其中10%的数据进行测试。结果显示,在PCA-ELM算法对计量装置故障检测的验证中,检测结果完全正确,平均误差为4.5%。同时,在PSO-BP算法对异常用电用户检测的验证中,检测结果与实际异常用电情况一致,平均误差为2.87%。最后通过对二者结论的交叉比对,从疑似异常用电用户中排除有计量故障的用户,最终确定了完整的窃电用户名单。
黄时[9](2020)在《基于末端电网感知的台区线损分析技术研究》文中进行了进一步梳理应对日益紧张的世界能源形式和我国电力市场化改革顺利推进的需求,国家对电网经济运行提出了更高地提质降本要求。低压台区电能损耗(台区线损)在电能传输全过程中能量占比高、监测分析技术欠缺、管理治理手段落后,限制了电网整体运行能效水平的提升。本文基于末端电网感知技术进行台区线损分析技术研究,精准计算台区理论线损支撑“一台区一指标”精细化管理模式构建,改变现有“一刀切”的粗犷型管理方式;基于大数据技术深化剖析线损影响因素,构建台区线损智能化诊断技术体系,辅助电网公司对异常台区线损进行快速查找、智能诊断、精准施策。首先,论文研究了新型末端电网感知技术,梳理出基于高速电力线载波通信(High-speed Power Line Communication,HPLC)的高采台区线损分析基础数据源,基于台区线损的机理构成,从理论线损和管理线损两个方面开展线损影响因素的定性化分析,并设计了基于高采数据的台区线损整体研究架构。接着,重点分析了台区线损的技术因素(理论线损),在台区电网结构和图模型分析基础之上,针对低压台区三相不平衡带来零线损耗问题,论文创新性地构建了计及零线的台区阻抗数学模型,形成低压台区线路阻抗线性规划求解方法;并计及零线阻抗影响,进一步改进了等值电阻法、电压损失率法和前推回代法等低压台区理论线损经典方法,有效提升了台区理论线损的计算精度。以安徽合肥滨湖某台区为样本进行算例分析,改进后的理论线损模型可显着提升线损计算的准确性和稳定性,分析结果的差异度从0.5117%提升至0.1063%。然后,重点分析了台区线损的管理因素(管理线损),管理因素是线损统计异常的主要原因且隐蔽性强、查找困难,论文从量测因素、档案因素及运行因素分别开展研究。结合现场数据采集经验,提出量测数据异常和时钟异常的判断方法及修正方案;以末端电网感知数据源为基础,应用大数据分析技术构建台区拓扑分析模型,包含“相位”、“户变”和“用户-分支箱”三级模型,全面解决台区拓扑档案校验难题;以阻抗计算模型为基础,进一步构建台区线路故障和用户疑似窃电行为分析模型,评估台区运行状态。在安徽合肥滨湖某台区的算例分析中,拓扑匹配准确率达95%,对比现场档案完成3户相位和6个表箱-分支箱所属关系(现场验证)的纠错;辅助用电检查进行窃电用户的精准定位,收缴违约电量减少电能损失,台区线损率从7.86%降低至6.18%。最后,基于线损技术因素和管理因素分析模型的研究,进行了低压台区线损智能化分析系统的功能需求和界面设计;并对比理论线损与统计线损结果进行台区异常类型标记,结合不同标记类型,构建了台区线损异常智能化诊断全流程。通过安徽台区的实际应用案例,进行线损异常诊断全过程应用的详细分析,验证了本文研究成果的可行性和有效性。本文研究成果的规模化推广应用将有效助力电网公司对于线损异常台区的攻坚治理、提质增效,全面提升台区线损精细化管理水平。
汪剑[10](2020)在《基于智能物联锁的防窃电应用研究》文中研究说明当今社会,随着电气化的普及,用电设备越来越多,部分用电用户基于自身利益,为了减少电费开支,进行电能盗窃。根据调查得知,大部分窃电都是通过电箱柜,改接里面电能表接线来实现。然而,目前电力企业主要防窃电方法都是通过保护电能表,防止改接线等方法实现基本保护,而对电箱柜的保护基本停留在原始状态,即只用机械锁进行防盗窃功能实现。但是,根据窃电方法统计表明,保护电箱柜的重要性不容小视。所以,本文为了全面防治窃电,提升防窃电效果,研发基于物联锁的智能防窃电系统。系统的功能主要包括窃电检测、开箱识别、远程控制、信息统计等。系统可以检测强磁、改接线等窃电行为的发生;利用物联锁进行人机交互,对于开箱人的信息能够有效地识别并记录;通过4G模块实现智能防窃电系统与管理中心的远程交互。首先,基于现有技术和实际窃电情况,对研发系统的功能实现进行研究。基于功能需求,设计电箱柜防窃电系统的总体框架,分析设计方案的可行性和安全行。制定基于物联锁的电箱柜防窃电系统方案,使防窃电系统以物联锁为基石、以控制器为核心,将各个部分的硬件串联成一个完整的系统,让各个硬件按部就班的完成本职工作。然后,基于制定的方案需要,选择合适的硬件及设计相关外围电路,包含了中央处理器模块、物联锁模块、信息交互模块、防窃电模块、分合闸模块、身份识别模块和摄像机模块。选用了功能强大的STM32作为系统的主控核心,用MT2503物联锁芯片配合SIM900a 4G模块及抓拍摄像头,实现智能开锁和信息数据交互储存。根据硬件的特点,设计防窃电系统软件实现流程的思路。软件实现流程采取多组任务按需实现的设计模式,根据有关的实时操作系统特点,确定了系统各种任务之间的信息交互方案,对系统各种任务的重要性和先后顺序进行了合理安排。基于系统硬件的设计思路移植合适的实操系统,搭建基于物联锁的防窃电系统软件开发平台。基于系统的软件设计思路,对于各个任务的思路和实现过程进行详细地说明。最后,通过对物联锁防窃电系统各个模块功能测试和整体调试分析,证明系统达到了预期的设计目标。
二、窃电的特点分析及对策(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、窃电的特点分析及对策(论文提纲范文)
(1)基于信用风险评价的H供电公司客户关系管理优化研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
第一节 研究背景和意义 |
一、研究背景 |
二、研究意义 |
第二节 国内外研究现状 |
一、信用风险评价的相关研究 |
二、客户关系管理的相关研究 |
三、电力企业信用风险评价及客户关系管理的相关研究 |
四、文献评述 |
第三节 研究内容与研究方法 |
一、研究内容 |
二、研究方法 |
第四节 技术路线与创新点 |
一、研究框架 |
二、本文创新点 |
第二章 相关理论基础 |
第一节 信用风险评价理论 |
一、因素分析法 |
二、模型分析法 |
第二节 信用风险评价技术 |
一、经验判断期 |
二、数学模型期 |
第三节 客户关系管理理论 |
第四节 信用风险评价方法的选择 |
第三章 电力行业信用风险评价及H公司客户管理现状 |
第一节 电力行业客户信用风险管理的必要性 |
第二节 电力行业客户信用风险评价体系建设 |
第三节 H供电公司客户管理现状 |
一、信用风险评价结果利用不充分 |
二、新技术应用不充分 |
三、客户体验不佳 |
第四章 H供电公司信用风险评价模型设计 |
第一节 评价模型构建的原则 |
一、实用性原则 |
二、可扩展性原则 |
三、整体性原则 |
第二节 信用风险评价模型指标的选取 |
一、定量指标 |
二、定性指标 |
第三节 信用风险评价模型构建 |
一、模型构建流程 |
二、客户信用评价模型 |
三、欠费预警评价模型 |
第五章 H供电公司客户信用风险评价分析 |
第一节 客户信用风险评价分析 |
一、信用风险影响因素 |
二、信用风险等级 |
三、信用风险评价结果 |
第二节 欠费预警风险分析 |
第六章 H供电公司客户关系管理优化研究 |
第一节 信用评级动态差异化管理 |
一、基本服务 |
二、增值服务 |
三、惩罚服务 |
第二节 新技术的应用 |
一、客户基础信息的采集与加工 |
二、客户信用数据的拓展应用 |
第三节 客户关系管理的策略优化 |
一、精准维护客户关系 |
二、提升用电客户的服务感知度 |
三、保持与重点客户的良好互动 |
第七章 结论与展望 |
第一节 研究结论 |
第二节 研究展望 |
参考文献 |
附录 |
致谢 |
(2)基于数据驱动的线损异常智能分析方法研究及应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 线损分析的国内外研究现状 |
1.2.2 窃电问题的国内外研究现状 |
1.3 线损管理面临的问题 |
1.4 本文主要工作和研究内容 |
1.5 技术路线 |
第二章 台区统计线损率数据缺失处理 |
2.1 引言 |
2.2 单一数据缺失的台区统计线损率预测填充方法 |
2.2.1 台区线损统计表的数据缺失分析 |
2.2.2 深度学习框架 |
2.2.3 深度神经网络建模 |
2.2.4 基于DNN算法的模型训练过程 |
2.2.5 DNN算法与其它回归算法的性能比较 |
2.2.5.1 相关性分析 |
2.2.5.2 其它回归算法的模型训练 |
2.2.5.3 算法性能评价指标 |
2.2.5.4 多种回归模型训练过程与结果分析 |
2.3 多重数据缺失的台区统计线损率预测填充方法 |
2.3.1 时序数据缺失的处理方法 |
2.3.1.1 相邻均值法 |
2.3.1.2 LSTM算法及其它时间序列算法 |
2.3.2 基于LSTM的台区统计线损率预测模型 |
2.3.2.1 历史统计线损率数据集介绍 |
2.3.2.2 LSTM模型与实验设计 |
2.3.2.3 结果分析 |
2.3.2.4 单日缺失数据的预测填充比较分析 |
2.3.2.5 连续多日缺失数据的恢复比较分析 |
2.4 本章小结 |
第三章 基于1D-CNN的理论线损率计算与考核阈值设定 |
3.1 引言 |
3.2 计算台区理论线损率特征指标的建立 |
3.3 一维卷积神经网络理论线损率模型 |
3.3.1 一维卷积神经网络 |
3.3.2 1D-CNN模型的建立 |
3.4 算例验证及分析 |
3.4.1 理论线损率数据集及实验平台介绍 |
3.4.2 台区理论线损率模型训练结果与误差分析 |
3.4.3 台区理论线损率计算模型在新样本上的预测性能 |
3.5 台区统计线损率考核阈值设定问题 |
3.6 台区分类与考核阈值合理划分 |
3.7 本章小结 |
第四章 线损异常台区窃电辨识及其它异常原因溯源 |
4.1 引言 |
4.2 用户用电行为分析 |
4.3 DenseNet-RF融合算法的设计 |
4.3.1 DenseNet算法 |
4.3.2 随机森林(RF)算法 |
4.3.3 DenseNet-RF模型的建立 |
4.4 智能电表数据集与数据预处理 |
4.5 基于DenseNet-RF的用户窃电检测模型 |
4.6 电力用户窃电检测方法实现 |
4.6.1 DenseNet及相关网格模型训练 |
4.6.2 多种网络模型的分类准确率比较 |
4.6.3 DenseNet-RF融合模型的分类准确率比较 |
4.6.4 DenseNet-RF融合模型在新样本上的性能评价 |
4.7 其它常见线损异常原因分析 |
4.7.1 表计故障 |
4.7.1.1 电表接线错误 |
4.7.1.2 接触不良 |
4.7.1.3 计量模块失准 |
4.7.2 采集故障 |
4.7.3 户变关系异常 |
4.7.3.1 户变关系挂接错误 |
4.7.3.2 无表无户用电 |
4.8 配电网线损异常分析流程 |
4.9 本章小结 |
第五章 台区线损异常智能诊断系统开发 |
5.1 引言 |
5.2 项目需求分析及总体设计 |
5.2.1 项目需求分析 |
5.2.2 系统开发架构 |
5.2.3 系统主要功能设计 |
5.3 数据库选择与数据表设计 |
5.3.1 数据库选择 |
5.3.2 数据表设计 |
5.4 系统的技术实现 |
5.4.1 用户登录 |
5.4.2 数据存储与管理 |
5.4.3 过期数据定期自动删除模块 |
5.4.4 线损异常台区数据查询 |
5.4.5 线损异常诊断分析 |
5.4.6 线损缺失数据模型的部署与应用 |
5.4.7 窃电检测与台区理论线损率计算模型部署 |
5.4.7.1 Flask应用介绍 |
5.4.7.2 在线预测 |
5.4.8 基于MQTT协议的线损异常闭环管理模块 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 创新点 |
6.3 展望 |
致谢 |
参考文献 |
附录:作者攻读硕士学位期间论文发表及科研情况 |
(3)电力用户用电行为分析与窃电识别研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及实际意义 |
1.2 国内外研究现状 |
1.3 主要研究内容与工作安排 |
第二章 窃电原理与方式分析及判别指标 |
2.1 窃电原理 |
2.2 窃电方式 |
2.2.1 传统窃电方式 |
2.2.2 高科技窃电方式 |
2.3 窃电判别指标 |
2.4 电力负荷 |
2.4.1 电力负荷曲线 |
2.4.2 电力负荷特性分析方法 |
2.5 数据预处理 |
2.5.1 处理数据缺失值 |
2.5.2 数据归一化 |
2.6 本章小结 |
第三章 窃电嫌疑用户初筛 |
3.1 模糊C均值算法 |
3.1.1 模糊C均值聚类算法原理 |
3.1.2 聚类数目确定 |
3.2 基于聚类算法的用户用电行为划分 |
3.2.1 数据准备及处理 |
3.2.2 确定聚类数 |
3.2.3 用户用电行为划分结果 |
3.3 DTW |
3.3.1 DTW距离 |
3.3.2 DTW算法 |
3.4 基于曲线相似度的窃电嫌疑用户筛选 |
3.4.1 DTW适用性分析 |
3.4.2 窃电嫌疑用户筛选步骤 |
3.4.3 实验结果 |
3.5 本章小结 |
第四章 基于分类算法的窃电识别研究 |
4.1 窃电识别场景下的分类算法 |
4.1.1 基本原理 |
4.1.2 一般过程 |
4.1.3 属性确定 |
4.2 集成学习 |
4.2.1 集成学习下的结合(输出)策略 |
4.2.2 集成学习的优势 |
4.3 Ada Boost集成学习 |
4.3.1 算法原理 |
4.3.2 算法流程 |
4.4 基于特征选择与Ada Boost集成学习的窃电识别 |
4.4.1 模型建立 |
4.4.2 数据准备 |
4.4.3 特征选择 |
4.4.4 窃电识别实现 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 论文总结 |
5.2 研究展望 |
致谢 |
参考文献 |
附录 A 攻读硕士学位期间发表的论文专利 |
(4)基于Stacking集成学习的窃电检测方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 窃电检测方法研究现状 |
1.2.2 不平衡数据处理方法研究现状 |
1.3 本文主要研究内容及创新点 |
第二章 基于电气参量的窃电行为特征分析 |
引言 |
2.1 高压计量装置工作原理 |
2.2 常见窃电方式分析 |
2.2.1 欠压法 |
2.2.2 欠流法 |
2.2.3 移相法 |
2.2.4 扩差法 |
2.2.5 高科技窃电法 |
2.3 窃电行为的特征分析与选择 |
2.3.1 电压特征 |
2.3.2 电流特征 |
2.3.3 功率因数特征 |
2.4 用电数据预处理 |
2.4.1 数据过滤 |
2.4.2 数据缺失值处理 |
2.4.3 数据归一化处理 |
2.5 本章小结 |
第三章 基于Stacking集成学习的窃电检测方法研究 |
引言 |
3.1 算法原理介绍 |
3.1.1 支持向量机 |
3.1.2 K近邻算法 |
3.1.3 决策树 |
3.1.4 集成学习方法 |
3.2 性能评价指标 |
3.3 实验设计 |
3.3.1 实验环境与参数设置 |
3.3.2 对比实验设计 |
3.4 实验结果与分析 |
3.4.1 数据集描述 |
3.4.2 实验对比分析 |
3.5 本章小结 |
第四章 基于F-SMOTE和 Stacking集成学习窃电检测方法研究 |
引言 |
4.1 不平衡数据集的概述 |
4.2 SMOTE算法和FCM算法简介 |
4.2.1 SMOTE算法 |
4.2.2 模糊C均值聚类算法 |
4.3 基于FCM和 SMOTE的不平衡数据处理方法 |
4.4 实验结果与分析 |
4.4.1 数据集描述 |
4.4.2 实验对比分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录 A(攻读学位期间发表论文目录) |
(5)基于故障树的配网窃电损失对策研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 本文的研究工作 |
第2章 基于故障树模型的窃电因素研究 |
2.1 引言 |
2.2 基于故障树的窃电因素分析模型 |
2.2.1 故障树模型研究 |
2.2.2 窃电因素权重分析 |
2.2.3 窃电影响因素及窃电方式 |
2.2.4 窃电的影响因子分析 |
2.3 窃电损耗因素的重要性系数量化评估 |
2.4 窃电损耗因素研究 |
2.5 本章小结 |
第3章 改进的窃电台区判定方法 |
3.1 引言 |
3.2 线损率异常检测方法 |
3.2.1 线损率数据异常情况分析 |
3.2.2 线损率异常原因分析 |
3.2.3 实际线损率异常判定 |
3.2.4 三相不平衡因素的判定及修正 |
3.2.5 无功不足的判定及修正 |
3.2.6 计量装置异常判定及修正 |
3.3 改进的窃电台区辨别 |
3.4 实例验证 |
3.5 线损率修正法与皮尔逊相关系数算法对比 |
3.6 本章小结 |
第4章 基于智能采集系统的窃电方式判断和损失追缴 |
4.1 引言 |
4.2 典型窃电方式的判定方法 |
4.2.1 窃电方式的特点 |
4.2.2 判定窃电方式的流程 |
4.2.3 实例验证 |
4.3 追缴电费损失的方法 |
4.3.1 K值的计算 |
4.3.2 实例验证 |
4.4 本章小结 |
结论 |
参考文献 |
致谢 |
个人简历 |
(6)基于用电信息采集系统大数据分析的反窃电平台应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景及来源 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 反窃电技术国内外研究现状 |
1.2.2 大数据技术研究现状 |
1.3 本文的研究内容 |
第2章 用电信息采集系统的研究 |
2.1 主站系统架构 |
2.1.1 系统逻辑架构 |
2.1.2 系统物理架构 |
2.2 主站数据部署模式 |
2.2.1 分布式部署模式 |
2.2.2 集中式部署模式 |
2.3 数据采集功能研究 |
2.3.1 数据采集概述 |
2.3.2 数据采集现状 |
2.3.3 数据采集应用 |
2.4 本章小结 |
第3章 大数据预处理方法和分析算法的研究 |
3.1 大数据预处理方法 |
3.1.1 数据的接入 |
3.1.2 数据的梳理 |
3.1.3 数据的清洗 |
3.2 大数据分析的算法研究 |
3.2.1 逻辑回归 |
3.2.2 决策树 |
3.2.3 随机森林 |
3.2.4 查准率、查全率与F1 |
3.2.5 高斯分布 |
3.3 本章小结 |
第4章 反窃电平台模型研究 |
4.1 基于逻辑回归的疑似窃电用户概率预测模型构建 |
4.1.1 数据的选取与处理 |
4.1.2 模型构建 |
4.1.3 模型实例 |
4.2 基于高斯分布的疑似窃电用户概率预测模型构建 |
4.2.1 数据的选取与处理 |
4.2.2 模型构建 |
4.2.3 模型实例 |
4.3 反窃电平台模型整体流程 |
4.4 反窃电平台模型结果及验证 |
4.5 本章小结 |
第5章 反窃电平台应用 |
5.1 反窃电平台简介 |
5.2 平台架构组成 |
5.3 平台可视化界面展示 |
5.4 平台应用成效 |
5.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间所发表的论文 |
致谢 |
个人简历 |
(7)我国电力行业配电网线损优化管理研究 ——以荣成供电公司为案例的分析(论文提纲范文)
摘要 |
ABSTRACT |
第1章 导论 |
1.1 选题背景与研究意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 研究思路与研究框架 |
1.3 论文的主要研究方法 |
1.4 本文的创新之处与不足 |
1.4.1 本文创新之处 |
1.4.2 本文不足 |
第2章 相关理论与文献综述 |
2.1 相关理论回顾 |
2.1.1 线损相关介绍 |
2.1.2 项目管理理论 |
2.1.3 自然垄断行业理论 |
2.2 国内外研究现状 |
2.2.1 国外研究现状 |
2.2.2 国内研究现状 |
2.3 本章小结 |
第3章 我国配电网线损的事实特征 |
3.1 我国配电网现状及存在的问题 |
3.2 线损率较高的技术原因 |
3.2.1 配电网布局不够科学 |
3.2.2 三相不平衡问题显着 |
3.2.3 缺乏有效的就地补偿 |
3.2.4 计量装置老化、接线错误 |
3.3 我国线损率较高的管理因素 |
3.3.1 线损管理组织结构问题 |
3.3.2 营销管理环节 |
3.3.3 供电企业员工素质有待提升 |
3.3.4 受供电公司外部影响 |
3.3.5 不少地区窃电现象严重 |
3.4 本章小结 |
第4章 我国电力行业配电网线损的测算方法及优化管理分析 |
4.1 配电网线损的主要测算方法 |
4.1.1 均方根电流法 |
4.1.2 均方根电流法衍生算法分析 |
4.1.3 潮流法 |
4.1.4 智能算法 |
4.2 线损计算流程 |
4.3 配电网线损控制有效措施 |
4.3.1 技术降损措施 |
4.3.2 管理降损措施 |
4.3.3 强化供电公司效率效益 |
4.4 本章小结 |
第5章 以山东荣成供电公司线损问题为案例的分析 |
5.1 山东荣成供电公司线损现状 |
5.1.1 荣成供电公司整体概况 |
5.1.2 荣成供电公司线损现状 |
5.1.3 荣成供电公司线损计算方法 |
5.2 荣成供电公司线损率高的原因剖析 |
5.2.1 技术因素 |
5.2.2 管理因素 |
5.3 山东荣成供电公司对线损实施优化管理的操作 |
5.3.1 提高电压等级 |
5.3.2 降低负荷峰谷差 |
5.3.3 对旧线路进行升级 |
5.3.4 加强无功就地补偿 |
5.3.5 加强电网建设,优化网架结构 |
5.3.6 升级节能型变压器 |
5.3.7 提高线损管理小组运行效率 |
5.3.8 推进同期线损统计 |
5.3.9 加强窃电违法宣传力度 |
5.4 采取综合措施改造五条线路进行降损验证 |
5.4.1 改造措施 |
5.4.2 改造效果 |
5.5 荣成供电公司反窃电方法 |
5.5.1 一体化电量与线损管理系统 |
5.5.2 荣成公司反窃电方法 |
5.6 本章小结 |
第6章 结论与政策建议 |
6.1 结论 |
6.2 政策建议 |
参考文献 |
致谢 |
学位论文评阅及答辩情况表 |
(8)基于神经网络的用户异常用电行为分析(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景意义 |
1.2 课题研究现状 |
1.2.1 计量装置故障检测研究现状 |
1.2.2 窃电检测研究现状 |
1.3 存在的问题 |
1.4 本文主要工作 |
第二章 异常用电行为分析 |
2.1 计量装置故障 |
2.1.1 电能计量系统 |
2.1.2 电压互感器与电流互感器 |
2.1.3 互感器故障分析 |
2.2 窃电 |
2.2.1 窃电特征分析 |
2.2.2 空间异常用电特征 |
2.2.3 时间异常用电特性 |
2.3 电力系统谐波干扰 |
2.4 异常用电行为检测流程 |
2.5 本章小结 |
第三章 基于PCA-ELM的电能计量装置故障分析 |
3.1 PCA-ELM故障诊断算法 |
3.1.1 主成分分析法 |
3.1.2 极限学习机基本原理 |
3.1.3 PCA-ELM故障判断基本原理 |
3.2 基于PCA-ELM的互感器故障诊断方法 |
3.2.1 互感器故障数据处理 |
3.2.2 提取主成分 |
3.2.3 ELM故障样本处理和诊断测试 |
3.3 本章小结 |
第四章 基于BP神经网络的异常用电行为检测 |
4.1 基于粒子群优化的BP神经网络算法 |
4.1.1 BP神经网络原理 |
4.1.2 粒子群优化算法 |
4.1.3 基于PSO优化的BP神经网络算法 |
4.2 BP神经网络模型建立 |
4.2.1 异常用电行为评价指标的确定 |
4.2.2 数据收集和预处理 |
4.2.3 BP网络模型的设计 |
4.2.4 异常用电检测模型的建立 |
4.2.5 防窃电模型的验证 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录A(攻读学位期间发表的论文) |
(9)基于末端电网感知的台区线损分析技术研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 论文研究内容 |
2 基于末端电网感知的线损分析架构 |
2.1 低压台区末端感知技术 |
2.2 低压台区线损的定义及构成 |
2.3 低压台区线损影响的因素 |
2.4 低压台区线损分析架构设计 |
2.5 本章小结 |
3 低压台区线损技术因素分析方法研究 |
3.1 低压台区网络结构分析 |
3.1.1 低压台区电力线路结构 |
3.1.2 典型低压台区图模型构建 |
3.2 计及零线的低压台区阻抗计算方法研究 |
3.2.1 计及零线的阻抗数学模型 |
3.2.2 计及零线的阻抗计算方法 |
3.3 台区理论线损的改进方法研究 |
3.3.1 等值电阻法及其改进 |
3.3.2 电压损失率法及其改进 |
3.3.3 前推回代法及其改进 |
3.4 本章小结 |
4 低压台区线损管理因素分析技术研究 |
4.1 量测因素评估技术研究 |
4.1.1 基础数据异常识别及修正 |
4.1.2 时钟异常识别及修正 |
4.2 拓扑档案评估技术研究 |
4.2.1 低压台区相位识别技术研究 |
4.2.2 低压台区户变关系技术研究 |
4.2.3 用户-分支箱拓扑关系识别方法研究 |
4.3 低压台区运行状态评估技术 |
4.3.1 线路故障模型评估 |
4.3.2 台区窃电模型评估 |
4.4 本章小结 |
5 低压台区线损智能分析系统开发及应用 |
5.1 系统功能及线损界面 |
5.1.1 管理线损分析及其界面 |
5.1.2 台区理论线损分析及其界面 |
5.2 基于系统的线损分析与诊断流程 |
5.2.1 台区线损异常类型分析 |
5.2.2 台区线损异常诊断流程 |
5.3 算例分析 |
5.3.1 算例1 |
5.3.2 算例2 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
(10)基于智能物联锁的防窃电应用研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 窃电存在原因及窃电方法 |
1.2.2 防窃电方法 |
1.3 本文的研究工作 |
第二章 防窃电系统需求分析与方案设计 |
2.1 需求分析 |
2.2 系统整体结构 |
2.2.1 硬件架构 |
2.2.2 软件架构 |
2.3 方案设计 |
2.4 方案可行性分析 |
2.4.1 技术可行性 |
2.4.2 经济可行性 |
2.4.3 安全性分析 |
2.5 本章小结 |
第三章 系统的硬件设计 |
3.1 中央处理器 |
3.2 物联锁模块 |
3.2.1 物联锁芯 |
3.2.2 物联钥匙 |
3.3 信息交互模块 |
3.3.1 4G模块的选型 |
3.3.2 4G模块电路设计 |
3.4 防窃电模块设计 |
3.5 分合闸模块设计 |
3.6 身份识别电路 |
3.7 摄像机模块 |
3.8 本章小结 |
第四章 系统软件设计 |
4.1 系统任务间联系 |
4.2 防窃电系统软件详细设计 |
4.2.1 读取管理中心指令任务 |
4.2.2 窃电检测任务 |
4.2.3 认证时限 |
4.2.4 箱门状态检测任务 |
4.2.5 摄像头拍照流程 |
4.3 本章小结 |
第五章 系统测试 |
5.1 系统电路测试 |
5.2 4G模块测试 |
5.3 摄像头测试 |
5.4 系统测试 |
5.5 应用效果 |
5.6 本章小结 |
结论与展望 |
参考文献 |
致谢 |
四、窃电的特点分析及对策(论文参考文献)
- [1]基于信用风险评价的H供电公司客户关系管理优化研究[D]. 高杨. 云南师范大学, 2021(08)
- [2]基于数据驱动的线损异常智能分析方法研究及应用[D]. 蔡嘉辉. 江南大学, 2021(01)
- [3]电力用户用电行为分析与窃电识别研究[D]. 宋少杰. 昆明理工大学, 2021(01)
- [4]基于Stacking集成学习的窃电检测方法研究[D]. 邝萌. 昆明理工大学, 2021(01)
- [5]基于故障树的配网窃电损失对策研究[D]. 陈昊天. 河北科技大学, 2020(07)
- [6]基于用电信息采集系统大数据分析的反窃电平台应用研究[D]. 王玮. 河北科技大学, 2020(06)
- [7]我国电力行业配电网线损优化管理研究 ——以荣成供电公司为案例的分析[D]. 梁春方. 山东大学, 2020(04)
- [8]基于神经网络的用户异常用电行为分析[D]. 周湛. 昆明理工大学, 2020(05)
- [9]基于末端电网感知的台区线损分析技术研究[D]. 黄时. 东南大学, 2020(01)
- [10]基于智能物联锁的防窃电应用研究[D]. 汪剑. 广东工业大学, 2020(06)