结合GAF与CNN的操动机构弹簧储能状态智能辨识

1

作者 施贻铸 满天雪 +3 位作者 周余庆 任燕 沈志煌 孙维方 《重庆大学学报》 CAS CSCD 北大核心 2024年第9期30-38,共9页

操动机构弹簧储能状态的鲁棒辨识对断路器服役性能有重要影响,如何建立起采样信号与弹簧储能状态之间的映射关系是制约其广泛应用的关键。针对这一问题,结合格拉姆角场(Gramian angular field,GAF)与卷积神经网络(convolutional neural ... 操动机构弹簧储能状态的鲁棒辨识对断路器服役性能有重要影响,如何建立起采样信号与弹簧储能状态之间的映射关系是制约其广泛应用的关键。针对这一问题,结合格拉姆角场(Gramian angular field,GAF)与卷积神经网络(convolutional neural network,CNN),提出了一种弹簧储能状态智能辨识方法,并成功应用于断路器操动机构。采用格拉姆角场将采集到的时域信号进行二维化处理,并利用其进行操动机构动态特性演化过程的追踪。断路器操动机构状态辨识实验验证了所提出的智能诊断方法有效性(识别成功率接近100.00%),为断路器在役状态的鲁棒识别提供一种可能。 展开更多

关键词 断路器 卷积神经网络 弹簧储能状态 格拉姆角场

在线阅读 下载PDF 职称材料

基于图像融合技术的阿尔茨海默病检测研究

2

作者 李志刚 牟明凯 +1 位作者 胡德安 项楠 《东北大学学报(自然科学版)》 北大核心 2025年第6期1-7,共7页

利用傅里叶变换红外衰减全反射光谱(FTIR-ATR)技术采集阿尔茨海默病(AD)患者血浆样本.根据血浆膜样本的FTIR-ATR光谱数据,利用格拉姆角场(GAF)和马尔可夫转移场(MTF)将光谱数据编码为二维图像,同时结合基于深度残差网络和注意力机制的... 利用傅里叶变换红外衰减全反射光谱(FTIR-ATR)技术采集阿尔茨海默病(AD)患者血浆样本.根据血浆膜样本的FTIR-ATR光谱数据,利用格拉姆角场(GAF)和马尔可夫转移场(MTF)将光谱数据编码为二维图像,同时结合基于深度残差网络和注意力机制的神经网络模型,实现对阿尔茨海默病的筛查分类研究.实验结果表明,使用GAF-MTF-CNN模型能够有效提升光谱特征提取的准确率.同时,使用二维数据结合深度学习的方法比传统的分类方法具有更高的分类精度.采用GAF与MTF技术编码光谱为图像,结合改进残差神经网络,有效提升了AD筛查模型的泛化能力与诊断精准度,优化了筛查性能. 展开更多

关键词 近红外光谱 阿尔茨海默病 格拉姆角场 马尔可夫转移场 卷积神经网络

在线阅读 下载PDF 职称材料

基于GADF与SAM-LCNN机制的石化离心风机轴承故障诊断方法

3

作者 刘森 刘美 +2 位作者 韩惠子 崔坤 陈曦 《机电工程》 北大核心 2025年第1期72-81,共10页

针对石化离心风机轴承故障诊断方法精度不高、诊断速度慢和泛化性较差的问题,提出了一种基于格拉姆角差场(GADF)图像编码以及融合了空间注意力机制的轻量化卷积神经网络(SAM-LCNN)的石化离心风机轴承故障诊断方法。首先,使用格拉姆角差... 针对石化离心风机轴承故障诊断方法精度不高、诊断速度慢和泛化性较差的问题,提出了一种基于格拉姆角差场(GADF)图像编码以及融合了空间注意力机制的轻量化卷积神经网络(SAM-LCNN)的石化离心风机轴承故障诊断方法。首先,使用格拉姆角差场将轴承一维振动信号编码为二维图像;然后,构建了融合空间注意力机制的轻量化卷积神经网络;最后,将GADF转换所得二维图像作为融合空间注意力机制的轻量化卷积神经网络的输入,进行了特征提取与故障诊断,分别采用了广东石油化工学院的石化多级离心风机轴承故障数据集与凯斯西储大学轴承故障数据集,对该方法的有效性及优越性进行了验证。研究结果表明:两种数据集的测试集分类准确率分别为99.7%和98.5%;相较于卷积神经网络(CNN)、LeNet-5和MobileNetV2三种对比方法,该离心风机滚动轴承诊断方法具有诊断精度高、诊断速度快和泛化能力强等优点。该方法能够有效地对石化离心风机轴承故障振动信号进行分类,可为石化安全生产提供保障,同时也为其他机械设备故障诊断提供参考。 展开更多

关键词 离心风机 滚动轴承 图像编码 格拉姆角场 轻量化卷积神经网络 空间注意力机制

在线阅读 下载PDF 职称材料

一种GAF-CNN行星齿轮箱故障诊断方法 被引量：27

4

作者 庞新宇 仝钰 魏子涵 《北京理工大学学报》 EI CAS CSCD 北大核心 2020年第11期1161-1167,共7页

为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后... 为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法. 展开更多

关键词 行星齿轮箱 故障诊断 图像编码 格拉姆角场 卷积神经网络

在线阅读 下载PDF 职称材料

基于GAF与卷积神经网络的配电网故障选线新方法 被引量：11

5

作者 雷静 李晨婧 +3 位作者 郭亮 王晓卫 徐经民 黄灿英 《电力系统及其自动化学报》 CSCD 北大核心 2023年第2期53-62,共10页

消弧线圈接地配电网的暂态零序电流特征和选线结果呈现复杂的非线性关系,传统选线方法不适用于弱故障特征提取。为提高配电网的故障选线准确性,提出了一种基于格拉米角场GAF(Gramian angular field)与卷积神经网络CNN(convolutional neu... 消弧线圈接地配电网的暂态零序电流特征和选线结果呈现复杂的非线性关系,传统选线方法不适用于弱故障特征提取。为提高配电网的故障选线准确性,提出了一种基于格拉米角场GAF(Gramian angular field)与卷积神经网络CNN(convolutional neural network)的故障选线新方法。首先对不同工况下的零序电流进行GAF变换,利用变换后的GASF(Gramian angular summation field)和GADF(Gramian angular difference field)特征图样本集训练CNN,用于判定待测馈线是否故障。为提高选线方法的普适性,除了10 kV辐射状配电网样本库,另外建立了包含3种完全不同拓扑模型样本的混合库。最后,所提方法在辐射状模型库和混合库都得到了验证,判定结果证实了该方法的有效性和准确性。 展开更多

关键词 故障选线 零序电流 卷积神经网络 格拉米角场

在线阅读 下载PDF 职称材料

基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法

6

作者 张国栋 尹强 羊柳 《兵器装备工程学报》 CAS CSCD 北大核心 2024年第4期301-308,共8页

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优... 针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优。利用西储大学的轴承数据集进行试验验证,试验结果表明,该方法可自适应生成网络结构,平均诊断精度为99%,相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度。 展开更多

关键词 格拉姆角场 粒子群优化算法 卷积神经网络 滚动轴承 故障诊断

在线阅读 下载PDF 职称材料

基于多模态特征工程和TSNet的心脏异常检测算法

7

作者 刘纪红 薛维 徐超 《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第10期1394-1400,1520,共8页

心电图(electrocardiogram,ECG)和心音图(phonocardiogram,PCG)是心脏疾病诊断中常用的图像,单一的方法进行心脏疾病诊断效果不佳.基于多模态特征工程,数据集经过切分和归一化预处理后,使用格拉姆角场(Gramian angle fields,GAF)进行时... 心电图(electrocardiogram,ECG)和心音图(phonocardiogram,PCG)是心脏疾病诊断中常用的图像,单一的方法进行心脏疾病诊断效果不佳.基于多模态特征工程,数据集经过切分和归一化预处理后,使用格拉姆角场(Gramian angle fields,GAF)进行时间序列数据重建,形成图像模型.提出一种适用于该图像模型的双流自融合网络(two‑stream self‑fusion network,TSNet),使用双流自融合(two‑stream self‑fusion,TS)模块替代底层卷积操作,更好地融合ECG和PCG的异构信息.经Physio Net Challenge 2016 a数据集测试,该算法的准确率、F1值、精确率和召回率最佳值分别达到95.3%,95.4%,96.2%,99.4%,相较其他心电和心音多模态卷积神经网络算法,精度更高. 展开更多

关键词 心电图 心音图 多模态特征工程 格拉姆角场 双流自融合网络

在线阅读 下载PDF 职称材料

基于格拉姆角场和多尺度残差神经网络的地震事件分类方法 被引量：2

8

作者 刘蔚 黄永明 +2 位作者 卢永 刘高川 章国宝 《地震学报》 CSCD 北大核心 2024年第1期69-80,共12页

以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行... 以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示:最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。 展开更多

关键词 地震分类 格拉姆角场(gaf) 深度学习 多尺度残差网络

在线阅读 下载PDF 职称材料

采用格拉姆角场-卷积神经网络-时序卷积网络混合模型的锂离子电池健康状态估计

9

作者 赵扬 耿莉敏 +5 位作者 胡循泉 胡兵 巫春玲 张文博 山世玉 陈昊 《西安交通大学学报》 EI CAS CSCD 北大核心 2024年第11期27-38,共12页

针对现有电池健康状态(SOH)估计存在估计精度低、时序特征捕捉不足的问题,提出了一种格拉姆角场-卷积神经网络-时序卷积网络(GAF-CNN-TCN)混合模型。利用GAF算法将不同长度的容量增量(IC)曲线转换成图像数据,并采用卷积神经网络从中提... 针对现有电池健康状态(SOH)估计存在估计精度低、时序特征捕捉不足的问题,提出了一种格拉姆角场-卷积神经网络-时序卷积网络(GAF-CNN-TCN)混合模型。利用GAF算法将不同长度的容量增量(IC)曲线转换成图像数据,并采用卷积神经网络从中提取特征;提出一种特征融合网络,将二维卷积神经网络从图像中提取的图片特征与一维卷积神经网络从IC序列中提取的时序特征进行融合;将提取的综合特征输入时序卷积网络模型中进行训练,实现了SOH的准确估计。利用美国国家航空航天局和牛津大学的锂离子电池数据集进行模型验证,结果表明:相较于长短期记忆(LSTM)模型,GAF-CNN-TCN混合模型输出的SOH与真实SOH之间的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了85.65%、86.12%、84.0%;相较于CNN-LSTM模型,所提模型的MAE、MAPE和RMSE分别降低了83.24%、83.75%、82.27%;相较于TCN模型,所提模型的MAE、MAPE和RMSE分别降低了76.92%、77.19%、76.01%。 展开更多

关键词 锂离子电池 电池健康状态 格拉姆角场 卷积神经网络 时序卷积网络

在线阅读 下载PDF 职称材料

红外光谱发射率测量设备检定状态预测研究

10

作者 郭娟 张金铭 季新杰 《激光与红外》 CAS CSCD 北大核心 2024年第12期1900-1905,共6页

使用光谱发射率测量设备检测红外隐身涂层发射率,是监控飞机红外隐身涂层状态的一种重要手段。在测量设备检定周期内,受使用环境、使用频率、使用方法等因素影响,偶发设备状态变得恶劣,测量值偏离参考值,对及时发现红外隐身涂层缺陷带... 使用光谱发射率测量设备检测红外隐身涂层发射率,是监控飞机红外隐身涂层状态的一种重要手段。在测量设备检定周期内,受使用环境、使用频率、使用方法等因素影响,偶发设备状态变得恶劣,测量值偏离参考值,对及时发现红外隐身涂层缺陷带来一定风险,可能影响飞机整体红外隐身特性。针对检定周期内出现的测量值偏差问题,建立格拉姆角场(GAF)-并行卷积神经网络(PCNN)设备检定状态预测模型。将测量设备一维时序数据送入GAF-PC-NN模型中,经过深度学习,训练出红外发射率测量设备检定状态预测模型。试验表明,该检定状态预测模型平均识别准确率达到95%,且收敛速度快且稳定,可应用于设备检定状态预测,提示提前检定或者超检定周期使用,在确保设备状态良好的同时,减少设备检定活动,提高保障效率。 展开更多

关键词 格拉姆角场 并行卷积神经网络 红外发射率 预测 检定状态

在线阅读 下载PDF 职称材料

基于改进深度残差网络的心电信号分类算法 被引量：4

11

作者 李鸿强 吴非凡 +2 位作者 曹路 张振 张美玲 《天津工业大学学报》 CAS 北大核心 2022年第5期65-72,共8页

针对不同类型心电(electrocardiogram,ECG)信号分类的不足,提出了一种基于改进深度残差网络(Resnet)的分类方法。首先对心电数据做可视化处理,使用格拉姆角场(Gramian angular fields,GAF)将一维的ECG信号转换为二维图像,然后对Resnet-5... 针对不同类型心电(electrocardiogram,ECG)信号分类的不足,提出了一种基于改进深度残差网络(Resnet)的分类方法。首先对心电数据做可视化处理,使用格拉姆角场(Gramian angular fields,GAF)将一维的ECG信号转换为二维图像,然后对Resnet-50网络模型进行改进,在网络中添加多级shortcut支路,并优化了残差块;为了进一步提高模型的表达能力,将Relu激活函数替换为SELU激活函数;最后将图像输入到改进的残差网络中进行分类,并在医院对患者的心电信号进行了实际测试。实验结果表明:该算法对7类心电信号的平均识别率达到了98.3%,相对于原始的残差网络,准确率提升了2.9%;算法诊断结果与医生诊断结果一致,从而验证了算法的有效性和实用性。 展开更多

关键词 心电(ECG)信号分类 残差网络(Resnet) 格拉姆角场(gaf) 激活函数

在线阅读 下载PDF 职称材料

基于ResNeXt网络和迁移学习的非侵入式负荷监测 被引量：11

12

作者 鲍光海 黄逸欣 《电力系统自动化》 EI CSCD 北大核心 2023年第13期110-120,共11页

为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此,提出基于ResNeXt网络和... 为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此,提出基于ResNeXt网络和迁移学习的非侵入式负荷监测,采用一维时间序列总功率通过格拉姆角场(GAF)算法转换为带有时间特性的二维图像作为输入,放入迁移学习下ResNeXt网络进行负荷识别。该方法采用现有电表采集的低频数据作为输入,减少数据输入维度并加入了时间特性,再将输入图像进行标准化处理后通过堆叠深层次的残差神经网络来学习负荷深层次信息,利用迁移学习将在ImageNet-1K数据集下已训练好的网络模型参数传入新的目标域,加快网络的收敛速度,提高负荷分类的识别准确率和网络的泛化性。最后,利用公开数据集AMPds和UK-DALE模拟不同用电场景验证了所提方法的高效性和泛化性。 展开更多

关键词 非侵入式负荷监测 图像编码 格拉姆角场算法 迁移学习 残差神经网络

在线阅读 下载PDF 职称材料

基于图像编码技术和卷积神经网络的刀具磨损值在线监测方法 被引量：10

13

作者 滕瑞 黄海松 +3 位作者 杨凯 陈启鹏 熊巧巧 谢庆生 《计算机集成制造系统》 EI CSCD 北大核心 2022年第4期1042-1051,共10页

为提高刀具磨损在线监测的精度及泛化性能,提出一种基于格拉姆角场(GAF)编码技术和卷积神经网络(CNN)的刀具磨损值在线监测方法,利用GAF图像编码技术将铣削加工过程中采集的时间序列信号数据图像化,既保留了信号的原始特征信息,又增强... 为提高刀具磨损在线监测的精度及泛化性能,提出一种基于格拉姆角场(GAF)编码技术和卷积神经网络(CNN)的刀具磨损值在线监测方法,利用GAF图像编码技术将铣削加工过程中采集的时间序列信号数据图像化,既保留了信号的原始特征信息,又增强了时间序列特征信息。采用深度CNN自适应的提取图像特征,避免人工特征提取带来的复杂性和局限性。使用同类研究所用的数据集进行实验,验证了该方法在刀具磨损在线监测中的有效性和可行性,在多项评价标准下其精度较其他几种方法有了较大提高。 展开更多

关键词 刀具磨损 在线监测 格拉姆角场 图像编码 深度卷积神经网络 特征提取

在线阅读 下载PDF 职称材料

基于二维图像与迁移卷积神经网络的心律失常分类 被引量：11

14

作者 陈敏 王娆芬 《计算机工程》 CAS CSCD 北大核心 2020年第10期315-320,共6页

心律失常的自动分类对心血管疾病的诊断和预防具有重要意义。传统分类方法需要对心电信号进行人工特征提取,这对分类准确度有很大的影响。针对该问题,提出一种基于二维图像与迁移卷积神经网络(TCNN)的分类方法。通过对心电信号进行格拉... 心律失常的自动分类对心血管疾病的诊断和预防具有重要意义。传统分类方法需要对心电信号进行人工特征提取,这对分类准确度有很大的影响。针对该问题,提出一种基于二维图像与迁移卷积神经网络(TCNN)的分类方法。通过对心电信号进行格拉姆角场变换将其转换为二维图像,在保证心电图像完整性的同时,保留原始信号的时间依赖性。在此基础上,结合迁移学习的思想,设计结构简单且参数量较少的TCNN模型对心电图像进行分类。实验结果表明,该方法网络训练用时较少,并且分类总准确率达到99.82%,可实现对心律失常的有效分类。 展开更多

关键词 心电信号 格拉姆角场 二维图像 迁移学习 迁移卷积神经网络

在线阅读 下载PDF 职称材料

基于长-短时序特征融合的资源负载预测模型 被引量：9

15

作者 王艺霏 于雷 +2 位作者 滕飞 宋佳玉 袁玥 《计算机应用》 CSCD 北大核心 2022年第5期1508-1515,共8页

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源... 高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场(GAF)将时间序列转变为图像格式数据,以便利用卷积神经网络(CNN)来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆(LSTM)网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差(MAE)为3.823,均方根误差(RMSE)为5.274,拟合度(R^(2))为0.8158,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。 展开更多

关键词 资源负载预测 卷积神经网络 长短期记忆网络 格拉姆角场 双通道 时间序列预测

在线阅读 下载PDF 职称材料

基于两阶段特征选择和格拉姆角场的配电网拓扑辨识方法 被引量：14

16

作者 潘毓笙 秦超 《电力系统自动化》 EI CSCD 北大核心 2022年第16期170-177,共8页

分布式能源并网、辐射状与环状拓扑混合运行、量测误差等影响因素使得配电网在线拓扑难以准确获得。为此,文中提出了一种基于两阶段特征选择和格拉姆角场(GAF)的配电网拓扑辨识方法。首先,基于XGBoost和最大信息系数的两阶段特征选择方... 分布式能源并网、辐射状与环状拓扑混合运行、量测误差等影响因素使得配电网在线拓扑难以准确获得。为此,文中提出了一种基于两阶段特征选择和格拉姆角场(GAF)的配电网拓扑辨识方法。首先,基于XGBoost和最大信息系数的两阶段特征选择方法筛选出不含冗余拓扑特征信息的重要量测。其次,基于GAF特征变换,将一维的配电网时间断面量测数据变换为二维的GAF,在保留时间断面的节点电压分布规律的同时,有效表征节点电压幅值分布中的拓扑特征信息。最后,设计了一种适用于拓扑辨识的三卷积层神经网络模型,凭借卷积和池化的运算特性以及抗噪性,稳定地提取GAF所蕴含的拓扑特征信息,从而准确建立配电网节点电压幅值分布到拓扑的映射关系。通过IEEE 33节点系统验证了所提方法的有效性,并分析了所提方法对不同噪声水平、数据缺失比例以及其他场景的适应性。 展开更多

关键词 智能配电网 拓扑辨识 深度学习 格拉姆角场 卷积神经网络

在线阅读 下载PDF 职称材料

基于格拉姆角场与改进CNN-ResNet的风电功率预测方法 被引量：26

17

作者 张淑清 杜灵韵 +2 位作者 王册浩 姜安琦 徐丽华 《电网技术》 EI CSCD 北大核心 2023年第4期1540-1547,共8页

风电输出功率的不确定性给电力系统的调度带来了较大的困难,因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响,若将时间序列编码为二维图像,能够让神经网络从“视觉上”对数据进行识别和学习,一定程度上能提高... 风电输出功率的不确定性给电力系统的调度带来了较大的困难,因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响,若将时间序列编码为二维图像,能够让神经网络从“视觉上”对数据进行识别和学习,一定程度上能提高分类和计算方法的准确度。因此,提出了一种基于格拉姆角场(Gramian angular fields,GAF)与卷积神经网络–残差网络(convolutional neural network-residual neural network,CNN-Res Net)的预测风电功率的方法。首先,利用GAF将一维历史风电功率数据转换为二维图像,经过CNN提取时间序列的相关性和特征,再利用Res Net提取与风电功率相关的其他相关数据的特征,在增加网络深度的同时解决退化问题,以提高预测的准确度。然后,将两种网络融合,构建双输入网络结构。最后,将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上,通过与Res Net、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和Bi LSTM(bi-directional long-short term memory)网络模型相比,所提出的GAF与改进CNN-Res Net的预测方法误差更小、预测准确度更高,从而为风电功率预测提供了新思路。 展开更多

关键词 风电功率预测 格拉姆角场 卷积神经网络 残差网络 CNN-ResNet 网络融合

在线阅读 下载PDF 职称材料

基于改进GADF-SeResNet滚动轴承故障诊断方法 被引量：1

18

作者 王凯 吉卫喜 +1 位作者 卢璟钰 苏璇 《现代制造工程》 CSCD 北大核心 2023年第5期135-142,共8页

针对传统故障诊断方法对滚动轴承进行故障诊断准确率较低且时效性较差的问题,提出了一种基于格拉姆角场(Gramian Angular Field,GAF)编码技术与改进SeResNet50模型对滚动轴承的故障诊断方法。采用格拉姆角场技术将一维振动信号重编码为... 针对传统故障诊断方法对滚动轴承进行故障诊断准确率较低且时效性较差的问题,提出了一种基于格拉姆角场(Gramian Angular Field,GAF)编码技术与改进SeResNet50模型对滚动轴承的故障诊断方法。采用格拉姆角场技术将一维振动信号重编码为二维特征图像,将二维特征图像作为模型的输入,结合ResNet算法在图像特征提取和分类识别方面的优势,实现自动特征提取与故障诊断,最终达成对不同故障类型的分类。为验证方法的有效性,选用凯西斯储大学的滚动轴承数据进行验证,并与其他常用智能算法进行对比,结果表明,所提方法较其他智能算法分类准确率更高且时效性较好。 展开更多

关键词 滚动轴承 故障诊断 格拉姆角场 残差神经网络 注意力机制

在线阅读 下载PDF 职称材料

基于改进V-I轨迹的非侵入式负荷辨识方法

19

作者 李剑文 梅飞 +2 位作者 张晓光 封通通 李欣 《电力工程技术》 2025年第5期128-137,共10页

针对目前非侵入式负荷辨识方法对负荷特征信息挖掘不足和辨识模型规模庞大的问题,文中提出一种基于改进V-I轨迹的非侵入式负荷辨识方法。首先利用格拉姆角场(Gramian angular field,GAF)和颜色编码技术,将有功电流、瞬时功率、V-If轨迹... 针对目前非侵入式负荷辨识方法对负荷特征信息挖掘不足和辨识模型规模庞大的问题,文中提出一种基于改进V-I轨迹的非侵入式负荷辨识方法。首先利用格拉姆角场(Gramian angular field,GAF)和颜色编码技术,将有功电流、瞬时功率、V-If轨迹进行融合形成新的负荷特征,然后通过深度可分离卷积(depthwise separable convolution,DSC)模块和混合空洞卷积(hybrid dilated convolution,HDC)模块优化卷积神经网络(convolutional neural network,CNN)模型框架,构建轻量化负荷辨识模型,最后利用公开数据集进行实验分析。结果表明,文中所提方法的F1分数为0.953,可实现在减少软硬件资源占用的基础上进一步提升对用电负荷的辨识精度。 展开更多

关键词 非侵入式负荷监测 颜色编码 多特征融合 V-If轨迹 轻量化模型 格拉姆角场(gaf)

在线阅读 下载PDF 职称材料