整流器作为电能变换功率模块的关键环节,广泛应用于变频器等供电系统设备中,其运行可靠性直接影响整个系统的运行状态。为提高整流器运行可靠性,需针对其中的敏感部件整流二极管进行寿命预测,提出一种由改进后的灰狼优化算法(grey wolf ...整流器作为电能变换功率模块的关键环节,广泛应用于变频器等供电系统设备中,其运行可靠性直接影响整个系统的运行状态。为提高整流器运行可靠性,需针对其中的敏感部件整流二极管进行寿命预测,提出一种由改进后的灰狼优化算法(grey wolf optimization,GWO)优化简单循环单元(simple recurrent unit,SRU)网络超参数的预测模型。首先对二极管进行功率循环加速老化试验,对其特征参数进行分析,选取正向导通压降作为主要老化特征,其次采用改良策略后的GWO对SRU网络的学习率、隐藏层个数、迭代次数等超参数进行寻优,建立组合预测模型,最后将老化试验所得数据输入模型中进行训练以及验证,得到预测结果与其他模型对比。结果表明:本文模型具有更高的准确性,基于数据驱动的预测方法较传统分析建模方法提高了二极管寿命预测精度,进而提高了整流器工作可靠性。展开更多
锂离子电池的荷电状态(State of charge,SOC)和健康状态(State of health,SOH)是电池储能系统在运维过程中所需要估算的重要参数。为了能够对电池状态进行可靠估计,采用深度学习方法中的简单循环单元(Simple recurrent unit,SRU)来实现...锂离子电池的荷电状态(State of charge,SOC)和健康状态(State of health,SOH)是电池储能系统在运维过程中所需要估算的重要参数。为了能够对电池状态进行可靠估计,采用深度学习方法中的简单循环单元(Simple recurrent unit,SRU)来实现对电池SOC和SOH的联合估计。首先,通过利用SRU在处理时序问题上的优势,建立了基于SRU的电池SOC估计模型;接着,给模型引入了数据单元的输入形式,并使用含有电池老化信息的样本数据来对模型进行训练,使得训练好的模型能够实现任意电池老化程度下的SOC估计;最后,通过对该模型输出的SOC估计值中所隐含的老化信息进行挖掘,实现对电池SOH的估计。试验结果表明,该联合估计方法可以实现电池SOC与SOH的准确估计,并且对不同种类的电池也有较好的适用能力。展开更多
针对现有循环和卷积深度模型特征抽取不全面,以及循环模型训练速度慢等问题,本文提出了结合ALBERT和BiFASRU-AT的情感分析模型.借助ALBERT(A Lite BERT)预训练模型赋予词上下文动态语义,解决一词多义问题;再采用双向内置快速注意力简单...针对现有循环和卷积深度模型特征抽取不全面,以及循环模型训练速度慢等问题,本文提出了结合ALBERT和BiFASRU-AT的情感分析模型.借助ALBERT(A Lite BERT)预训练模型赋予词上下文动态语义,解决一词多义问题;再采用双向内置快速注意力简单循环单元(Bidirectional Build-in Fast Attention Simple Recurrent Unit,BiFASRU)对上下文进行建模,同时内置快速注意力机制可以捕获词与词之间的依赖关系,得到更为全面的高维情感特征;最后通过注意力机制对情感分析贡献大的词分配更高权重,经分类器得到结果.实验采用中文酒店评论和豆瓣评论数据集,结果表明,ALBERT-BiFASRU-AT模型能够获得更高的F1值,且BiFASRU模型比其他循环模型训练速度更快,证明了该模型的有效性.展开更多
文摘整流器作为电能变换功率模块的关键环节,广泛应用于变频器等供电系统设备中,其运行可靠性直接影响整个系统的运行状态。为提高整流器运行可靠性,需针对其中的敏感部件整流二极管进行寿命预测,提出一种由改进后的灰狼优化算法(grey wolf optimization,GWO)优化简单循环单元(simple recurrent unit,SRU)网络超参数的预测模型。首先对二极管进行功率循环加速老化试验,对其特征参数进行分析,选取正向导通压降作为主要老化特征,其次采用改良策略后的GWO对SRU网络的学习率、隐藏层个数、迭代次数等超参数进行寻优,建立组合预测模型,最后将老化试验所得数据输入模型中进行训练以及验证,得到预测结果与其他模型对比。结果表明:本文模型具有更高的准确性,基于数据驱动的预测方法较传统分析建模方法提高了二极管寿命预测精度,进而提高了整流器工作可靠性。
文摘锂离子电池的荷电状态(State of charge,SOC)和健康状态(State of health,SOH)是电池储能系统在运维过程中所需要估算的重要参数。为了能够对电池状态进行可靠估计,采用深度学习方法中的简单循环单元(Simple recurrent unit,SRU)来实现对电池SOC和SOH的联合估计。首先,通过利用SRU在处理时序问题上的优势,建立了基于SRU的电池SOC估计模型;接着,给模型引入了数据单元的输入形式,并使用含有电池老化信息的样本数据来对模型进行训练,使得训练好的模型能够实现任意电池老化程度下的SOC估计;最后,通过对该模型输出的SOC估计值中所隐含的老化信息进行挖掘,实现对电池SOH的估计。试验结果表明,该联合估计方法可以实现电池SOC与SOH的准确估计,并且对不同种类的电池也有较好的适用能力。
文摘针对现有循环和卷积深度模型特征抽取不全面,以及循环模型训练速度慢等问题,本文提出了结合ALBERT和BiFASRU-AT的情感分析模型.借助ALBERT(A Lite BERT)预训练模型赋予词上下文动态语义,解决一词多义问题;再采用双向内置快速注意力简单循环单元(Bidirectional Build-in Fast Attention Simple Recurrent Unit,BiFASRU)对上下文进行建模,同时内置快速注意力机制可以捕获词与词之间的依赖关系,得到更为全面的高维情感特征;最后通过注意力机制对情感分析贡献大的词分配更高权重,经分类器得到结果.实验采用中文酒店评论和豆瓣评论数据集,结果表明,ALBERT-BiFASRU-AT模型能够获得更高的F1值,且BiFASRU模型比其他循环模型训练速度更快,证明了该模型的有效性.
