电力系统的异常数据会影响电力系统的安全稳定运行。传统的异常数据检测方法已无法实现对海量电力系统运行数据的有效识别与判断, 对此, 提出了一种策略融合的电网运行异常值检测方法, 该方法结合了机器学习算法与统计学算法, 通过机器学习快速确定异常数据出现的时间段, 随后采用统计学算法对电网运行异常值进行有效判断。将提出的方法应用于包含了多种用电消费端的电网运行数据, 并将实验结果与三种传统方法的实验结果进行了比较。实验结果表明, 提出的策略融合异常值检测方法的F1-score高于其他三种方法, 相比于其他三种方法具有显著性, 可以快速且有效地识别电网运行异常数据。

如何准确地检测出图像中的操纵痕迹是数字图像被动取证领域的研究重点。传统方法利用人工构造的特征进行检测,鲁棒性不强,而基于深度学习的方法虽具有较强的检测能力,但较少关注在正常图像上出现误检的情况。提出了一种改进的RGB-N图像操纵检测算法,该算法在使用F1分数评价操纵目标检测性能的同时,引入了在正常图像上的误检率指标来评价算法的实用性。设计了自适应空域富模型滤波器,构造多尺度融合的特征提取网络,并接入自注意力模块,增强了模型获取图像全局信息的能力,提高检测性能;为降低误检率,设计了真实性判断模块,输出的热图用于判断检测到的目标是否为误检,并通过从操纵目标来源图像选择负样本的训练策略进一步提高模型的分辨能力。实验结果表明,改进的RGB-N模型在含目标拼接与擦除两种操纵手段的数据集上的F1分数为0.759,在未操纵图像数据集上的误检率为0.2%,并在JPEG压缩攻击下具有较好的鲁棒性。

为了实现二氧化碳气体温度的实时、非接触测量, 研究基于可调谐二极管激光吸收光谱技术(TDLAS)的温度测量方法。根据单激光器的电流调谐特性和谱线对的选择标准, 选取6241.402828 ｃｍ-1、6242.672190 cm-1处的两条对温度有不同依赖关系的二氧化碳谱线进行分析。针对二次谐波幅度法和一、二次谐波幅度比值法所存在的问题, 提出应用一次谐波信号的TDLAS温度测量方案。首先测量两吸收谱线的一次谐波峰峰值和平均值, 以峰峰值和平均值的比值作为单吸收线的输出, 再以两吸收线输出值之比来实现气体温度的测量。实验结果表明: 在200~1000 K范围内, 气体温度测量误差小于30 K。该温度测量方案可消除光强波动对温度测量产生的影响, 且仅需检测一次谐波信号, 系统结构简单, 性能稳定, 可以满足二氧化碳气体温度实时、非接触测量的需要。