期刊导航
期刊开放获取
重庆大学
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于时序生成对抗网络的居民用户非侵入式负荷分解
1
作者
罗平
朱振宇
+3 位作者
樊星驰
孙博宇
张帆
吕强
《电力系统自动化》
EI
CSCD
北大核心
2024年第2期71-81,共11页
现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。...
现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。
展开更多
关键词
非侵入式负荷分解
对抗生成
网络
降维
网络
卷积神经网络-双向门控循环单元
深度
神经网络
下载PDF
职称材料
基于模糊聚类和CNN-BIGRU的轨道电路故障预测
2
作者
林俊亭
王帅
+1 位作者
刘恩东
王阳
《振动.测试与诊断》
EI
CSCD
北大核心
2023年第3期500-507,619,620,共10页
针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit...
针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit,简称BIGRU)进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。
展开更多
关键词
轨道电路
GG模糊聚类
退化状态划分
卷积神经网络-双向门控循环单元
故障预测
下载PDF
职称材料
基于CNN-BiGRU-NN模型的短期负荷预测方法
被引量:
26
3
作者
曾囿钧
肖先勇
+1 位作者
徐方维
郑林
《中国电力》
CSCD
北大核心
2021年第9期17-23,共7页
为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)、全连接神经网络(NN)的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动...
为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)、全连接神经网络(NN)的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明:该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。
展开更多
关键词
电力系统
短期负荷预测
卷积
神经网络
双向
门控
循环
单元
卷积神经网络-双向门控循环单元
神经网络
混合模型
下载PDF
职称材料
题名
基于时序生成对抗网络的居民用户非侵入式负荷分解
1
作者
罗平
朱振宇
樊星驰
孙博宇
张帆
吕强
机构
杭州电子科技大学自动化学院
杭州电子科技大学圣光机联合学院
杭州电子科技大学信息工程学院
出处
《电力系统自动化》
EI
CSCD
北大核心
2024年第2期71-81,共11页
基金
浙江省自然科学基金资助项目(LY20E070004)
国家自然科学基金资助项目(62073108)。
文摘
现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。
关键词
非侵入式负荷分解
对抗生成
网络
降维
网络
卷积神经网络-双向门控循环单元
深度
神经网络
Keywords
non
-
intrusive load decomposition
generative adversarial network
dimensionality reduction network
convolutional neural network
-
bidirectional gated recurrent unit
deep neural network
分类号
TM714 [电气工程—电力系统及自动化]
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于模糊聚类和CNN-BIGRU的轨道电路故障预测
2
作者
林俊亭
王帅
刘恩东
王阳
机构
兰州交通大学自动化与电气工程学院
中国国家铁路集团有限公司铁路安全研究中心
出处
《振动.测试与诊断》
EI
CSCD
北大核心
2023年第3期500-507,619,620,共10页
基金
中国铁道科学研究院科研基金资助项目(2021YJ205)。
文摘
针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit,简称BIGRU)进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。
关键词
轨道电路
GG模糊聚类
退化状态划分
卷积神经网络-双向门控循环单元
故障预测
Keywords
track circuit
GG fuzzy clustering
degradation state division
convolutional neural network
-
bidirectional gated recurrent unit(CNN
-
BIGRU)
fault prediction
分类号
U284.2 [交通运输工程—交通信息工程及控制]
下载PDF
职称材料
题名
基于CNN-BiGRU-NN模型的短期负荷预测方法
被引量:
26
3
作者
曾囿钧
肖先勇
徐方维
郑林
机构
四川大学电气工程学院
国网四川省电力公司绵阳供电公司
出处
《中国电力》
CSCD
北大核心
2021年第9期17-23,共7页
基金
国家自然科学基金面上资助项目(新一代电力系统中谐波发射水平评估理论与方法,51877141)。
文摘
为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)、全连接神经网络(NN)的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明:该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。
关键词
电力系统
短期负荷预测
卷积
神经网络
双向
门控
循环
单元
卷积神经网络-双向门控循环单元
神经网络
混合模型
Keywords
power system
short
-
term load forecasting
convolutional neural network
bidirectional gated recurrent unit
convolutional neural network
-
bidirectional gated recurrent unit neural network hybrid model
分类号
TM715 [电气工程—电力系统及自动化]
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于时序生成对抗网络的居民用户非侵入式负荷分解
罗平
朱振宇
樊星驰
孙博宇
张帆
吕强
《电力系统自动化》
EI
CSCD
北大核心
2024
0
下载PDF
职称材料
2
基于模糊聚类和CNN-BIGRU的轨道电路故障预测
林俊亭
王帅
刘恩东
王阳
《振动.测试与诊断》
EI
CSCD
北大核心
2023
0
下载PDF
职称材料
3
基于CNN-BiGRU-NN模型的短期负荷预测方法
曾囿钧
肖先勇
徐方维
郑林
《中国电力》
CSCD
北大核心
2021
26
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部