检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

领域对抗与分类差异的变工况球磨机负荷识别

电子测量与仪器学报 2024年

作者：蔡改贫肖文聪黄耀锋江西省矿冶机电工程技术研究中心江西理工大学机电工程学院

在变工况球磨机负荷识别过程中，针对域适应方法在源域和目标域的特征迁移中没有考虑目标域样本而导致域适应效果不好的问题，本文提出一种基于领域对抗与分类差异的域适应方法。该方法使用域对抗训练方式实现源域和目标域之间的特征的... 详细信息

在变工况球磨机负荷识别过程中，针对域适应方法在源域和目标域的特征迁移中没有考虑目标域样本而导致域适应效果不好的问题，本文提出一种基于领域对抗与分类差异的域适应方法。该方法使用域对抗训练方式实现源域和目标域之间的特征的对齐；同时，引入两个分类器用于检测远离目标域中的样本，利用最大化和最小化分类器之间的不一致性，实现目标域和源域特征的自适应匹配，达到更好的域适应效果。为了验证训练分类器误差的方法能够考虑类内边界提高目标域上的负荷识别准确率，设计了迁移实验分析其差异损失函数对模型迁移性能的影响，实验表明：当分类器损失值大于0.02时预测模型的准确率会下降0.8%～1.2%，且较未引入分类器差异损失模型的负荷精度高，可达到95.78%。通过与两类经典的迁移方法进行对比，验证了该方法在变工况下磨机负荷识别应用中的优势。

关键词：迁移学习领域对抗分类差异域适应负荷识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

非侵入式负荷识别边缘计算颜色编码研究

仪器仪表学报 2020年第9期41卷 12-19页

作者：陈军锋王雪张效天清华大学精密仪器系精密测试技术及仪器国家重点实验室北京100084

非侵入式负荷监测是负荷监测领域的发展趋势,随着用电负荷数量和类型的迅速增加,提取可辨识的负荷特征并建立可靠的分类模型是提升负荷识别效果的重要途径。而将原始电能数据上传至云端集中计算会占用大量网络带宽和服务器计算资源。本... 详细信息

非侵入式负荷监测是负荷监测领域的发展趋势,随着用电负荷数量和类型的迅速增加,提取可辨识的负荷特征并建立可靠的分类模型是提升负荷识别效果的重要途径。而将原始电能数据上传至云端集中计算会占用大量网络带宽和服务器计算资源。本文提出一种颜色编码负荷标识构建方法,并依托边缘计算架构合理分配计算任务,根据边缘端和云端计算资源分别部署合适的深度学习模型进行负荷识别,实现边缘端和云端计算资源的充分利用,并降低网络带宽需求。针对公共数据集的实验结果表明,本文边缘-云协作负荷识别正确率超过当前最优方法,边缘端独立负荷识别方法在资源受限的条件下正确率超过91%,对提高居民家庭用电的能效性和减少能源浪费具有重要意义。

关键词：非侵入式负荷监测边缘计算负荷识别颜色编码负荷标识

一种基于时频特征融合和极限学习机的非侵入式负荷识别方法

在线全文

学校读者我要写书评

暂无评论

电工电能新技术 2023年第3期42卷 85-96页

作者：莫浩杰彭勇刚蔡田田邓清唐韦巍智新振浙江大学电气工程学院浙江杭州310012 南方电网数字电网研究院有限公司广东广州510700

以往的负荷识别方法在提高识别精度和实际落地部署方面遇到了一些挑战,如传统经典方法的识别准确度相对较低,而先进深度学习方法又因其较复杂的模型而很难部署到嵌入式设备上。为解决上述问题,本文提出一种基于高频样本数据识别方法。... 详细信息

以往的负荷识别方法在提高识别精度和实际落地部署方面遇到了一些挑战,如传统经典方法的识别准确度相对较低,而先进深度学习方法又因其较复杂的模型而很难部署到嵌入式设备上。为解决上述问题,本文提出一种基于高频样本数据识别方法。首先采用快速傅里叶变换(FFT)和希尔伯特变换(HT)对样本进行时域和频域特征提取。然后基于极限学习机(ELM)提出了一种多特征融合学习策略来获取特征与负荷类型之间的映射关系,设计了一种窗口调整方法,以获得最优模型和最合适的窗口长度。最后在两个高频公共数据集BLUED和PLAID上对该方法进行了实验评估。实验结果表明,所提方法具有识别性能较好、易于在嵌入式设备上落地部署的优点。

关键词：特征融合负荷识别 NILM 数字电网时频特征

基于多时间尺度卷积神经网络的煤改电用户负荷识别方法研究

在线全文

学校读者我要写书评

暂无评论

电网与清洁能源 2023年第7期39卷 35-43页

作者：连华刘明浩国网长治供电公司山西长治046011 华北电力大学新能源电力系统国家重点实验室河北保定071003

为提高煤改电用户负荷识别准确率,该文提出了一种基于多时间尺度卷积神经网络的煤改电用户负荷识别模型。首先,利用粗粒度过程得到原始负荷数据的多尺度表示;然后将多尺度负荷样本输入MT-CNN模型进行训练,并行获取丰富且互补的负荷特征... 详细信息

为提高煤改电用户负荷识别准确率,该文提出了一种基于多时间尺度卷积神经网络的煤改电用户负荷识别模型。首先,利用粗粒度过程得到原始负荷数据的多尺度表示;然后将多尺度负荷样本输入MT-CNN模型进行训练,并行获取丰富且互补的负荷特征信息;最后以京津冀地区不同类型用户负荷样本进行实验分析,识别准确率达到99.64%,相比使用传统卷积神经网络模型和机器学习算法时的准确率显著提高,且具有良好的鲁棒性和泛化性。

关键词：卷积神经网络煤改电负荷特性负荷识别深度学习多时间尺度

在线全文

学校读者我要写书评

暂无评论

基于堆栈降噪自编码网络的电力负荷识别

中国测试 2022年第5期48卷 163-168页

作者：陈克绪徐春华刘玲胡涛国网江西省电力有限公司供电服务管理中心江西南昌330096 国网江西省电力有限公司南昌供电分公司江西南昌330012

电力系统中负荷识别需要进行特征选择,而常见的人工方式特征选取比较困难。为解决负荷特征选择困难的问题,采用一种基于堆栈降噪自编码网络(SDAE)的电力负荷识别方法,能有效选取现场真实负荷波形的特征并加以识别,该方法是由一层后向传... 详细信息

电力系统中负荷识别需要进行特征选择,而常见的人工方式特征选取比较困难。为解决负荷特征选择困难的问题,采用一种基于堆栈降噪自编码网络(SDAE)的电力负荷识别方法,能有效选取现场真实负荷波形的特征并加以识别,该方法是由一层后向传播的神经网络和多层降噪自编码器(DAE)构成。首先向数据信号中掺杂一定比例的噪声进行“破坏”,然后采用“破坏”后的信号重构原始信号,进而得到数据信号的波形特征,最后采用BP神经网络对整个数据处理网络进行有效监督和微调。经过现场实时采集的电力负荷波形数据验证,相较于BP神经网络算法,该方法的识别效果更佳。实验结果显示,采用SDAE方法在8类电力负荷的识别中辨析识别率超过96%。

关键词：电力负荷深度学习堆栈降噪自编码网络负荷识别

基于多尺度模糊熵和改进极限学习机的球磨机负荷状态识别

在线全文

学校读者我要写书评

暂无评论

吉林大学学报（工学版） 2020年第6期50卷 2055-2067页

作者：蔡改贫刘鑫罗小燕戴聪聪周小云江西理工大学机电工程学院江西赣州341000

针对球磨机振动信号具有非线性、非平稳性特点导致的负荷状态难以识别问题,提出一种基于改进多尺度模糊熵(MMFE)和极限学习机(ELM)的球磨机负荷识别方法。首先,采用自适应频率窗经验小波变换(EWT)对球磨机振动信号进行预处理;其次,利用M... 详细信息

针对球磨机振动信号具有非线性、非平稳性特点导致的负荷状态难以识别问题,提出一种基于改进多尺度模糊熵(MMFE)和极限学习机(ELM)的球磨机负荷识别方法。首先,采用自适应频率窗经验小波变换(EWT)对球磨机振动信号进行预处理;其次,利用MMFE提取能表征原始振动信号的负荷状态特征;最后,利用自适应进化粒子群算法(AEPSO)优化极限学习机,进而建立出球磨机负荷识别模型。试验结果表明:MMFE能够有效区分球磨机三种负荷状态,AEPSO-ELM模型在负荷识别时有较高的精准性,整体识别率高达98.67%。以上结果证明了MMFE能较好地提取负荷状态特征;MMFE特征提取结合AEPSO-ELM的方法可实现对球磨机负荷状态的准确识别。

关键词：仪器仪表技术负荷识别球磨机多尺度模糊熵极限学习机经验小波变换

在线全文

学校读者我要写书评

暂无评论

领域对抗与分类差异的变工况球磨机负荷识别

电子测量与仪器学报 2023年第12期37卷 67-75页

作者：蔡改贫肖文聪黄耀锋江西理工大学机电工程学院赣州341000 江西省矿冶机电工程技术研究中心赣州341000

在变工况球磨机负荷识别过程中,针对域适应方法在源域和目标域的特征迁移中没有考虑目标域样本而导致域适应效果不好的问题,本文提出一种基于领域对抗与分类差异的域适应方法。该方法使用域对抗训练方式实现源域和目标域之间的特征的对... 详细信息

在变工况球磨机负荷识别过程中,针对域适应方法在源域和目标域的特征迁移中没有考虑目标域样本而导致域适应效果不好的问题,本文提出一种基于领域对抗与分类差异的域适应方法。该方法使用域对抗训练方式实现源域和目标域之间的特征的对齐;同时,引入两个分类器用于检测远离目标域中的样本,利用最大化和最小化分类器之间的不一致性,实现目标域和源域特征的自适应匹配,达到更好的域适应效果。为了验证训练分类器误差的方法能够考虑类内边界提高目标域上的负荷识别准确率,设计了迁移实验分析其差异损失函数对模型迁移性能的影响,实验表明,当分类器损失值大于0.02时预测模型的准确率会下降0.8%~1.2%,且较未引入分类器差异损失模型的负荷精度高,可达到95.78%。通过与两类经典的迁移方法进行对比,验证了该方法在变工况下磨机负荷识别应用中的优势。

关键词：迁移学习领域对抗分类差异域适应负荷识别

基于EEMD与CNN模型的多标签负荷识别方法

在线全文

学校读者我要写书评

暂无评论

电工电能新技术 2023年第2期42卷 88-96页

作者：程志友程安然李悦姜帅教育部电能质量工程研究中心安徽大学安徽合肥230601 安徽大学互联网学院安徽合肥230039

识别用户用电负荷组成与用电行为是智能电网技术发展的重要研究内容之一。本文提出了一种基于集合经验模态分解(EEMD)结合卷积神经网络(CNN)的多标签负荷识别方法,实现对用户负荷有效的非侵入式监测。首先从检测到事件的聚合测量数据中... 详细信息

识别用户用电负荷组成与用电行为是智能电网技术发展的重要研究内容之一。本文提出了一种基于集合经验模态分解(EEMD)结合卷积神经网络(CNN)的多标签负荷识别方法,实现对用户负荷有效的非侵入式监测。首先从检测到事件的聚合测量数据中提取单周期电流波形,应用集合经验模态分解将电流分解为两种模态分量,接着应用欧氏距离相似度函数将分解后的电流转化为二维矩阵表示,通过CNN多标签分类器自动提取矩阵的有效特征,最后利用公开数据集对所提出的方法进行了实验验证。结果表明,基于EEMD处理后的负荷识别准确率高,能够有效地实现多标签负荷识别。

关键词：集合经验模态分解卷积神经网络欧式距离相似度函数多标签负荷识别

基于融合GMM与SVM的船载非侵入式负荷识别方法

在线全文

学校读者我要写书评

暂无评论

中国海洋大学学报（自然科学版） 2022年第1期52卷 129-133页

作者：贾东宁中国海洋大学信息科学与工程学院山东青岛266100 青岛海洋科学与技术试点国家实验室山东青岛266237

为保障安全的船载用电环境,实现合理的用电配置与管理,在船载电力布局中引入非侵入式电力负荷监测。提出了一种融合高斯混合模型(GMM)与支持向量机(SVM)的电器类型识别算法。该方法利用暂态事件检测所提取的有效负荷特征,建立具有较好... 详细信息

为保障安全的船载用电环境,实现合理的用电配置与管理,在船载电力布局中引入非侵入式电力负荷监测。提出了一种融合高斯混合模型(GMM)与支持向量机(SVM)的电器类型识别算法。该方法利用暂态事件检测所提取的有效负荷特征,建立具有较好统计分布能力的GMM模型和具有较好泛化能力的SVM模型。对两种算法的概率分布进行融合生成最终识别结果。实验结果表明,相对单独应用SVM模型,本文所用方法在准确率和稳定性方面均有一定程度的提升,且实现复杂度低,具有良好的实用价值。

关键词：船载非侵入式负荷监测支持向量机高斯混合模型负荷特征负荷识别