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
共找到8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：
基于改进双重压缩和激励与多头特征注意力机制的电-热负荷协同预测
1
作者 余强 韩静娴 +4 位作者 杨子梁 宋济东 杨德昌 齐海杰 于芃 《电力自动化设备》 北大核心 2025年第3期201-208,共8页
综合能源系统中负荷多样且存在耦合,为提升负荷预测精度,提出一种基于改进双重注意力机制的分组卷积神经网络-门控循环单元短期电-热负荷协同预测模型。通过改进的压缩和激励注意力为各输入通道加权,再对其进行分组卷积;利用多头特征注... 综合能源系统中负荷多样且存在耦合,为提升负荷预测精度,提出一种基于改进双重注意力机制的分组卷积神经网络-门控循环单元短期电-热负荷协同预测模型。通过改进的压缩和激励注意力为各输入通道加权,再对其进行分组卷积;利用多头特征注意力对卷积结果进行赋权,并利用输入门控循环单元模型对负荷进行预测。算例仿真结果表明,所提模型的平均绝对百分比误差均低于3%。 展开更多
关键词 综合能源系统 负荷预测 分组卷积神经网络 门控循环单元 改进的压缩和激励注意力机制 多头特征注意力机制
在线阅读 下载PDF
基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测 被引量：5
2
作者 岳有军 吴明沅 +1 位作者 王红君 赵辉 《南京信息工程大学学报》 CAS 北大核心 2024年第2期231-238,共8页
针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率... 针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度. 展开更多
关键词 光伏功率预测 改进麻雀搜索算法 卷积神经网络 门控循环单元 XGBoost模型
在线阅读 下载PDF
基于特征选择及ISSA-CNN-BiGRU的短期风功率预测 被引量：9
3
作者 王瑞 徐新超 逯静 《工程科学与技术》 EI CAS CSCD 北大核心 2024年第3期228-239,共12页
针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD... 针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD)将原始功率分解为一组包含不同信息的子分量,以降低原始功率序列的非平稳性,提升可预测性,同时通过观察中心频率方式确定模态分解数。其次,对每一分量采用随机森林(RF)特征重要度的方法进行特征选择,从风速、风向、温度、空气密度等气象特征因素中,选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后,建立各分量的CNN-BiGRU预测模型,针对神经网络算法参数难调、手动配置参数随机性大的问题,利用ISSA对模型超参数寻优,自适应搜寻最优参数组合。最后,叠加各分量的预测值,得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验,与多种单一及组合预测方法进行对比,结果表明,本文所提方法相比于其他方法具有更高的预测精度,其平均绝对百分比误差值达到2.644 0%;在其他4个数据集上进行的模型准确性及泛化性验证结果显示,模型平均绝对百分比误差值分别为4.385 3%、3.174 9%、1.576 1%和1.358 8%,均保持在5.000 0%以内,证明本文所提方法具有较好的预测精度及泛化能力。 展开更多
关键词 短期风功率预测 变分模态分解 特征选择 改进麻雀搜索算法 卷积神经网络 双向门控循环单元
在线阅读 下载PDF
激光熔化沉积过程缺陷识别方法
4
作者 刘伟嵬 刘炳君 +1 位作者 刘焕强 刘泽远 《东北大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第8期1150-1158,共9页
激光熔化沉积加工过程中的缺陷萌生是制约激光熔化沉积技术发展的关键性问题.实现对缺陷的精确自动识别是提高激光熔化沉积技术应用水平的重要途径.提出了熔池瞬态特征提取算法,分析了熔池瞬态特征对沉积层熔合不良缺陷的影响关系,建立... 激光熔化沉积加工过程中的缺陷萌生是制约激光熔化沉积技术发展的关键性问题.实现对缺陷的精确自动识别是提高激光熔化沉积技术应用水平的重要途径.提出了熔池瞬态特征提取算法,分析了熔池瞬态特征对沉积层熔合不良缺陷的影响关系,建立了熔池瞬态特征数据集.对主流识别算法进行了模型训练测试,获取了相对最优模型ResNet 34.为解决ResNet 34训练损失拟合效果差、计算速度慢的问题,结合传统卷积网络和LSTM(long short-term memory)网络,建立了训练和测试精度高且计算速度快的LRCN 64模型,测试准确率达95.8%,实现了对熔合不良缺陷的识别,为实现沉积件在线无损检测提供了技术支撑. 展开更多
关键词 激光熔化沉积 熔池瞬态特征 熔合不良 长期循环卷积神经网络(lrcn) 残差神经网络(ResNet)
在线阅读 下载PDF
面向多复杂场景环境的敞车车号辨识研究
5
作者 薛峰 于国丞 +3 位作者 李世杰 凌烈鹏 张峰峰 陈峰炜 《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2024年第6期1162-1169,共8页
针对现有敞车车号定位识别方法存在的环境适应性差、定位和识别精度低的问题,本文提出一种面向多种复杂环境下的敞车车号精准定位和识别的方法。搭建融合多尺度特征信息的敞车车号定位模型框架,在此基础上,融合多尺度金字塔特征进行深... 针对现有敞车车号定位识别方法存在的环境适应性差、定位和识别精度低的问题,本文提出一种面向多种复杂环境下的敞车车号精准定位和识别的方法。搭建融合多尺度特征信息的敞车车号定位模型框架,在此基础上,融合多尺度金字塔特征进行深度可分离卷积的敞车车号特征提取网络设计。提出基于改进卷积循环神经网络的车号定位识别模型,主要针对识别网络模型结构进行设计。通过不同环境下采集的敞车车厢图片对本文提出的方法进行验证。结果表明:本文提出的车号定位方法的准确率为0.94,车号识别的准确率为0.97。 展开更多
关键词 车号定位 深度可分离卷积 特征提取 改进卷积循环神经网络 特征金字塔 字符识别 铁路货运 深度学习
在线阅读 下载PDF
基于卷积神经网络和简单循环单元集成模型的风电场内多风机风速预测 被引量：35
6
作者 王晨 寇鹏 《电工技术学报》 EI CSCD 北大核心 2020年第13期2723-2735,共13页
在传统风电场风速预测中,往往将风电场视作一个整体,进而给出较大空间尺度下的单一整体风速预测结果。但在实际风电场中,多台风机分布在不同的地理位置上,其各自的本地风速也存在明显差异。对此,该文提出一种通过学习历史风速和历史风... 在传统风电场风速预测中,往往将风电场视作一个整体,进而给出较大空间尺度下的单一整体风速预测结果。但在实际风电场中,多台风机分布在不同的地理位置上,其各自的本地风速也存在明显差异。对此,该文提出一种通过学习历史风速和历史风向中空间相关性和时间相关性,从而实现不同地理位置上多风机各自本地风速的预测方法。该方法首先利用卷积神经网络(CNN)提取空间相关性信息,然后将蕴含空间信息的特征序列交由简单循环单元(SRU)处理,进而学习时间相关性信息。风速和三角函数化的风向构成类似于RGB图像结构的三维矩阵。CNN非常适合处理RGB图像类型的数据,故使用CNN提取多风机的风速和风向在同一个时刻下的空间信息。与其他循环神经网络相比,由于SRU可大幅减小计算代价,故使用SRU提取多风机的风速和风向随时间变化的动态信息。在实际风电场数据上的仿真测试表明:在多个不同的预测时域下,该方法与现有利用时空相关性的预测方法相比,不仅显著减小了计算代价,而且提高了预测的准确性。 展开更多
关键词 多风机风速预测 卷积神经网络 简单循环单元 改进循环神经网络 时空相关性
在线阅读 下载PDF
基于改进长期循环卷积神经网络的海上风电功率预测 被引量：34
7
作者 周勇良 余光正 +2 位作者 刘建锋 宋子恒 孔培 《电力系统自动化》 EI CSCD 北大核心 2021年第3期183-191,共9页
准确的风电功率预测对海上风电安全并网具有重要意义。不同于陆地,海上具有气象因素复杂、风电出力波动显著等特点,使得海上风电功率预测精度难以满足工程实际要求。针对以上问题,文中提出一种基于改进长期循环卷积神经网络(LRCN)的预... 准确的风电功率预测对海上风电安全并网具有重要意义。不同于陆地,海上具有气象因素复杂、风电出力波动显著等特点,使得海上风电功率预测精度难以满足工程实际要求。针对以上问题,文中提出一种基于改进长期循环卷积神经网络(LRCN)的预测模型,用于超短期海上风电功率预测。首先,采用改进LRCN进行初步功率预测,即构建多卷积通道分别提取不同层次变量的时序特征,并通过具有前瞻性的改进Adam优化器提升网络收敛效果。其次,利用摇摆窗算法与波动特征聚类识别预测时段的出力波动类型。再次,针对不同的波动类型建立对应的误差修正模型,并输入经Xgboost算法筛选出的强相关特征因子,实现误差修正。最后,采用实际海上风电场数据进行实验,其结果表明所提方法能够有效预测超短期海上风电功率,且预测精度高于多种传统预测模型。 展开更多
关键词 海上风电 改进长期循环卷积神经网络 时序特征挖掘 波动 误差修正
在线阅读 下载PDF
基于ICNN-BiGRU的轴承故障诊断模型 被引量：3
8
作者 杨慧 张瑞君 陈国良 《机电工程》 CAS 北大核心 2022年第11期1559-1566,共8页
在实际使用过程中,基于深度学习模型的滚动轴承故障诊断方法易受环境噪声的干扰,为此,提出了一种基于改进卷积神经网络双向门控循环单元(ICNN-BiGRU)的滚动轴承故障诊断模型(方法)。首先,使用Laplace小波对采集到的滚动轴承振动信号进... 在实际使用过程中,基于深度学习模型的滚动轴承故障诊断方法易受环境噪声的干扰,为此,提出了一种基于改进卷积神经网络双向门控循环单元(ICNN-BiGRU)的滚动轴承故障诊断模型(方法)。首先,使用Laplace小波对采集到的滚动轴承振动信号进行了相关滤波,得到了功率谱;然后,利用ICNN-BiGRU自动提取了功率谱特征,在卷积神经网络基础上引入了动态选择机制和自注意力机制,根据轴承不同故障状态定位了相关的特征信息,从而实现了轴承故障特征提取和故障诊断;最后,通过西安交通大学昇阳科技(XJTU-SY)联合实验室的滚动轴承加速寿命试验数据集,对ICNN-BiGRU模型与其他深度学习模型进行了对比,以验证ICNN-BiGRU模型的优越性。研究结果表明:相比于其他深度学习模型,ICNN-BiGRU模型的故障诊断精度更高,其诊断准确率可达99.65%;在不同背景噪声的干扰下,相比于其他深度学习模型,ICNN-BiGRU模型的特征学习能力更强,具有一定的工程参考价值。 展开更多
关键词 深度学习模型 特征学习能力 改进卷积神经网络 双向门控循环单元 Laplace小波 动态选择 自注意力
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部