期刊导航
期刊开放获取
上海教育软件发展有限公..
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
2
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
基于级联MCNN-MMLP双残差网络的短期负荷预测
被引量：
1
1
作者
余凯峰
吐松江·卡日
+2 位作者
张紫薇
马小晶
王志刚
《电力系统保护与控制》
北大核心
2025年第2期151-162,共12页
为了解决负荷特性复杂导致负荷预测精度低的问题,提出了一种GWO-VMD和级联MCNN-MMLP双残差网络的短期负荷预测模型。首先,利用由灰狼算法(grey wolf optimize,GWO)优化的变分模态分解(variational mode decomposition,VMD)对原始负荷数...
为了解决负荷特性复杂导致负荷预测精度低的问题,提出了一种GWO-VMD和级联MCNN-MMLP双残差网络的短期负荷预测模型。首先,利用由灰狼算法(grey wolf optimize,GWO)优化的变分模态分解(variational mode decomposition,VMD)对原始负荷数据进行处理,降低原始负荷数据的复杂程度。其次,使用多尺度卷积神经网络(multiscale convolutional neural networks,MCNN)和多层感知机(multi-layer perception,MLP)结合的双残差神经网络对各个模态进行迁移学习训练和预测,并在MLP网络中引入多头注意力机制弥补网络信息瓶颈问题。最后,再次使用MCNN-MMLP双残差模型对初步预测的误差进行预测并校正初值,从而进一步提升预测精确度。通过对实际负荷数据进行分析,本模型的均方误差为5.024(MW)^(2)、均方根误差为2.241 MW、平均绝对百分比误差为0.160%,决定系数为0.996,各性能指标均优于其他传统及智能负荷预测方法。
展开更多
关键词
负荷预测
多尺度卷积
神经网络
双残差神经网络
多头注意力机制
迁移学习
在线阅读
下载PDF
职称材料
基于DTL与DC-ResNet的非侵入式多标签负荷识别方法
被引量：
2
2
作者
潘国兵
王振涛
+3 位作者
欧阳静
王杰
高亚栋
尹康
《高技术通讯》
CAS
2021年第7期781-789,共9页
针对目前负荷识别中存在的人工挖掘特征困难的问题,同时为了进一步提升识别精度,提出了一种基于深度转换学习(DTL)与双通道深度残差神经网络(DC-ResNet)的非侵入式多标签负荷识别方法。首先运用改进的DTL从原始的负荷数据中自动提取有...
针对目前负荷识别中存在的人工挖掘特征困难的问题,同时为了进一步提升识别精度,提出了一种基于深度转换学习(DTL)与双通道深度残差神经网络(DC-ResNet)的非侵入式多标签负荷识别方法。首先运用改进的DTL从原始的负荷数据中自动提取有效的负荷特征,可以达到降维的效果。然后将负荷数据按时间滑窗生成特征图作为DC-ResNet的输入,利用卷积核自动提取时间尺度上的有效特征。DC-ResNet的一条通道用于提取大类特征预测负荷的开关状态,另一条通道用于提取小类特征预测负荷的运行模式,综合两条通道的输出可以得到最后的多标签分类结果。实验结果表明,经DTL提取后的负荷数据更易被识别,DC-ResNet在总体和单一设备的识别上都具有更好的效果,而且模型所需的训练时间较短。
展开更多
关键词
双
通道深度
残差
神经网络
(DC-ResNet)
深度转换学习(DTL)
非侵入式负荷识别
多标签分类
在线阅读
下载PDF
职称材料
题名
基于级联MCNN-MMLP双残差网络的短期负荷预测
被引量：
1
1
作者
余凯峰
吐松江·卡日
张紫薇
马小晶
王志刚
机构
新疆大学电气工程学院
清华四川能源互联网研究院
出处
《电力系统保护与控制》
北大核心
2025年第2期151-162,共12页
基金
国家自然科学基金项目资助(52067021,52207165)
新疆维吾尔自治区自然科学基金面上项目资助(2022D01C35)
新疆维吾尔自治区优秀青年科技人才培养项目资助(2019Q012)。
文摘
为了解决负荷特性复杂导致负荷预测精度低的问题,提出了一种GWO-VMD和级联MCNN-MMLP双残差网络的短期负荷预测模型。首先,利用由灰狼算法(grey wolf optimize,GWO)优化的变分模态分解(variational mode decomposition,VMD)对原始负荷数据进行处理,降低原始负荷数据的复杂程度。其次,使用多尺度卷积神经网络(multiscale convolutional neural networks,MCNN)和多层感知机(multi-layer perception,MLP)结合的双残差神经网络对各个模态进行迁移学习训练和预测,并在MLP网络中引入多头注意力机制弥补网络信息瓶颈问题。最后,再次使用MCNN-MMLP双残差模型对初步预测的误差进行预测并校正初值,从而进一步提升预测精确度。通过对实际负荷数据进行分析,本模型的均方误差为5.024(MW)^(2)、均方根误差为2.241 MW、平均绝对百分比误差为0.160%,决定系数为0.996,各性能指标均优于其他传统及智能负荷预测方法。
关键词
负荷预测
多尺度卷积
神经网络
双残差神经网络
多头注意力机制
迁移学习
Keywords
load forecasting
multiscale convolutional neural network
double residual neural network
multi-head attention mechanism
transfer learning
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
TM715 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
基于DTL与DC-ResNet的非侵入式多标签负荷识别方法
被引量：
2
2
作者
潘国兵
王振涛
欧阳静
王杰
高亚栋
尹康
机构
浙江工业大学特种装备制造与先进加工技术教育部/浙江省重点实验室
出处
《高技术通讯》
CAS
2021年第7期781-789,共9页
基金
国家重点研发计划(2017YFA0700301)
浙江省重点研发计划(2018C01081)资助项目。
文摘
针对目前负荷识别中存在的人工挖掘特征困难的问题,同时为了进一步提升识别精度,提出了一种基于深度转换学习(DTL)与双通道深度残差神经网络(DC-ResNet)的非侵入式多标签负荷识别方法。首先运用改进的DTL从原始的负荷数据中自动提取有效的负荷特征,可以达到降维的效果。然后将负荷数据按时间滑窗生成特征图作为DC-ResNet的输入,利用卷积核自动提取时间尺度上的有效特征。DC-ResNet的一条通道用于提取大类特征预测负荷的开关状态,另一条通道用于提取小类特征预测负荷的运行模式,综合两条通道的输出可以得到最后的多标签分类结果。实验结果表明,经DTL提取后的负荷数据更易被识别,DC-ResNet在总体和单一设备的识别上都具有更好的效果,而且模型所需的训练时间较短。
关键词
双
通道深度
残差
神经网络
(DC-ResNet)
深度转换学习(DTL)
非侵入式负荷识别
多标签分类
Keywords
double channel-deep residual neural network(DC-ResNet)
deep transform learning(DTL)
non-intrusive load identification
multi-label classification
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于级联MCNN-MMLP双残差网络的短期负荷预测
余凯峰
吐松江·卡日
张紫薇
马小晶
王志刚
《电力系统保护与控制》
北大核心
2025
1
在线阅读
下载PDF
职称材料
2
基于DTL与DC-ResNet的非侵入式多标签负荷识别方法
潘国兵
王振涛
欧阳静
王杰
高亚栋
尹康
《高技术通讯》
CAS
2021
2
在线阅读
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
