检索结果-维普期刊中文期刊服务平台

基于LSTM-Informer模型的液压支架压力时空多步长预测被引量：3: 1; 作者余琼芳杨鹏飞唐高峰《工矿自动化》 CSCD 北大核心 2024年第6期30-35,共6页; 目前多步液压支架压力预测大多为单步液压支架压力的累计预测,单步累计次数越多,累计误差就越大,影响预测精度。针对该问题,提出了一种基于长短时记忆(LSTM)-Informer模型的液压支架压力时空多步长预测方法。采用卡尔曼滤波消除液压支... 展开更多; 关键词液压支架压力多步长液压支架压力预测 LSTM-Informer模型时间相关性卡尔曼滤波; 在线阅读下载PDF 职称材料

基于AlexNet深度学习网络的串联故障电弧检测方法被引量：31: 2; 作者余琼芳黄高路 +1 位作者杨艺孙岩洲《电子测量与仪器学报》 CSCD 北大核心 2019年第3期145-152,共8页; 在家用交流供配电系统中,接触松动等原因可能会导致故障电弧的发生,威胁用电系统的安全。线路发生串联故障电弧时的电流基本与正常运行时的电流大小一致,具有很强的隐蔽性。对此,首次提出用深度学习检测电流信号的方法来检测串联故障电... 展开更多; 关键词串联故障电弧深度学习卷积神经网络检测平台; 在线阅读下载PDF 职称材料

基于小波特征及深度学习的故障电弧检测被引量：27: 3; 作者余琼芳胡亚倩杨艺《电子测量与仪器学报》 CSCD 北大核心 2020年第3期100-108,共9页; 由线路绝缘层老化破损、电气接触不良等原因产生的串联故障电弧严重威胁着低压配电系统的电力安全。其电流小、温度高、隐蔽性强等特点更是给检测和识别带来了困难。基于此,提出一种基于小波特征及深度学习的串联故障电弧检测方法。通... 展开更多; 关键词故障电弧小波变换深度学习检测方法; 在线阅读下载PDF 职称材料

基于深度长短时记忆网络的多支路串联故障电弧检测方法被引量：13: 4; 作者余琼芳路文浩杨艺《计算机应用》 CSCD 北大核心 2021年第S01期321-326,共6页; 针对低压配电系统中,实际配电网负载端的负载串并联形式的多样化和多变性特点,研究干路点检测支路发生的故障电弧具有十分明显的实际意义,提出了一种基于深度长短时记忆(LSTM)网络的多支路串联故障电弧检测方法。首先,构建实验平台,采... 展开更多; 关键词低压配电系统串联故障电弧多支路负载深度学习长短期记忆(LSTM)网络; 在线阅读下载PDF 职称材料

基于CNN_LSTM模型的复杂支路故障电弧检测被引量：7: 5; 作者余琼芳徐静杨艺《中国安全生产科学技术》 CAS CSCD 北大核心 2022年第4期204-210,共7页; 在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用... 展开更多; 关键词低压交流系统串联故障电弧复杂支路支路故障卷积神经网络长短时记忆网络; 在线阅读下载PDF 职称材料

绝对值激活深度神经网络的串联故障电弧检测被引量：4: 6; 作者余琼芳黄高路杨艺《计算机应用》 CSCD 北大核心 2019年第A01期54-59,共6页; 串联故障电弧具有隐蔽性和随机性,发生时线路电流波形受负载类型的影响而具有复杂性,检测难度大,严重威胁用电系统安全。鉴于电流数据具有大量负值的特点,提出用绝对值函数作为激活函数改进AlexNet深度学习网络检测串联故障电弧,并分析... 展开更多; 关键词串联故障电弧深度学习卷积神经网络激活函数绝对值函数指数线性单元修正线性单元; 在线阅读下载PDF 职称材料

题名基于LSTM-Informer模型的液压支架压力时空多步长预测被引量：3: 1; 作者余琼芳杨鹏飞唐高峰; 机构河南理工大学电气工程与自动化学院河南理工大学河南省煤矿装备智能检测与控制重点实验室大连理工大学北京研究院博士后科研工作站; 出处《工矿自动化》 CSCD 北大核心 2024年第6期30-35,共6页; 基金国家自然科学基金资助项目(61601172) 中国博士后科学基金资助项目(2018M641287)。; 文摘目前多步液压支架压力预测大多为单步液压支架压力的累计预测,单步累计次数越多,累计误差就越大,影响预测精度。针对该问题,提出了一种基于长短时记忆(LSTM)-Informer模型的液压支架压力时空多步长预测方法。采用卡尔曼滤波消除液压支架压力数据中的振动噪声后,在工作面端部和中部各选取相邻的5台液压支架压力数据建立2个时空数据集(数据集1和数据集2),并对时空数据进行标准化预处理。将时空数据输入LSTM模型提取时空特征,并将提取的时空特征输入Informer模型的编码器,经过位置编码后利用多头概率稀疏自注意力来关注压力序列的变化特征,经过最大池化和一维卷积消除最终输出特征图的冗余组合。利用多头概率稀疏自注意力来关注压力序列的变化特征,将Informer模型的解码器改为全连接层,得到液压支架压力的预测结果。实验结果表明:与基于门控循环单元(GRU)、LSTM和Informer模型的预测方法相比,基于LSTM-Informer模型的预测方法在预测6,12,24步长液压支架压力时的均方根误差(RMSE)和平均绝对误差(MAE)均最小;其中基于数据集1预测的6步长液压支架压力的RMSE分别降低了41.63%,49.74%,11.85%,MAE分别降低了41.75%,50.00%,12.00%;基于数据集2预测的6步长液压支架压力的RMSE分别降低了48.15%,59.86%,19.88%,MAE分别降低了49.87%,54.90%,13.16%。; 关键词液压支架压力多步长液压支架压力预测 LSTM-Informer模型时间相关性卡尔曼滤波; Keywords hydraulic support pressure multi-step hydraulic support pressure prediction LSTM-Informer model time correlation Kalman filtering; 分类号 TD323 [矿业工程—矿井建设]; 在线阅读下载PDF 职称材料

题名基于AlexNet深度学习网络的串联故障电弧检测方法被引量：31: 2; 作者余琼芳黄高路杨艺孙岩洲; 机构河南理工大学电气工程与自动化学院大连理工大学北京研究院博士后科研工作站; 出处《电子测量与仪器学报》 CSCD 北大核心 2019年第3期145-152,共8页; 基金国家自然科学基金(61601172)资助项目; 文摘在家用交流供配电系统中,接触松动等原因可能会导致故障电弧的发生,威胁用电系统的安全。线路发生串联故障电弧时的电流基本与正常运行时的电流大小一致,具有很强的隐蔽性。对此,首次提出用深度学习检测电流信号的方法来检测串联故障电弧,该方法只需将电流信号输入深度学习网络,由网络自主挖掘隐含在电流信号数据背后的特征,实现对串联故障电弧的识别。搭建实验平台,并用开关模拟发生正常电弧,分别采集电阻性负载、电感性负载和阻感性负载正常运行和发生串联故障电弧时的电流数据共7 200组。构建AlexNet卷积神经网络并做相应改进,用采集到的数据训练网络并测试,结果显示辨识平均准确率在85%以上,表明该方法能够较好的实现对串联故障电弧的检测。; 关键词串联故障电弧深度学习卷积神经网络检测平台; Keywords series arc fault deep learning convolutional neural network detection platform; 分类号 TM501.2 [电气工程—电器]; 在线阅读下载PDF 职称材料

题名基于小波特征及深度学习的故障电弧检测被引量：27: 3; 作者余琼芳胡亚倩杨艺; 机构河南理工大学电气工程与自动化学院大连理工大学北京研究院博士后科研工作站; 出处《电子测量与仪器学报》 CSCD 北大核心 2020年第3期100-108,共9页; 基金国家自然科学基金(61601172) 中国博士后科学基金(2018M641287)资助项目。; 文摘由线路绝缘层老化破损、电气接触不良等原因产生的串联故障电弧严重威胁着低压配电系统的电力安全。其电流小、温度高、隐蔽性强等特点更是给检测和识别带来了困难。基于此,提出一种基于小波特征及深度学习的串联故障电弧检测方法。通过搭建串联故障电弧实验平台,采集了典型阻性、阻感性、感性负载下的电流信号,对电流信号进行小波变换构造了训练集和测试集,通过改进的AlexNet模型识别故障电弧并输出检测结果。实验结果表明,采用该方法进行串联故障电弧识别的准确率约为95.58%,比利用AlexNet模型要高出约10.58%。; 关键词故障电弧小波变换深度学习检测方法; Keywords arc fault wavelet transform deep learning detection method; 分类号 TM501.2 [电气工程—电器]; 在线阅读下载PDF 职称材料

题名基于深度长短时记忆网络的多支路串联故障电弧检测方法被引量：13: 4; 作者余琼芳路文浩杨艺; 机构河南理工大学电气工程与自动化学院大连理工大学北京研究院博士后科研工作站; 出处《计算机应用》 CSCD 北大核心 2021年第S01期321-326,共6页; 基金中国博士后科学基金资助项目(2018M641287)。; 文摘针对低压配电系统中,实际配电网负载端的负载串并联形式的多样化和多变性特点,研究干路点检测支路发生的故障电弧具有十分明显的实际意义,提出了一种基于深度长短时记忆(LSTM)网络的多支路串联故障电弧检测方法。首先,构建实验平台,采集支路发生不同串联故障情况下的干路电流信号共计72000组;然后,将电流信号分为训练集和测试集;最后,通过Python平台优化深度LSTM网络模型结构以识别故障电弧,并输出检测结果。实验结果显示改进的LSTM网络对于每组实验单独分类检测准确率最低为96.8%,最高可达99.0%,多组实验统一进行检测准确率达94.88%。该方法能够有效识别多支路负载下的串联故障电弧,为低压串联故障电弧的准确检测提供了新的思路和有益探索。; 关键词低压配电系统串联故障电弧多支路负载深度学习长短期记忆(LSTM)网络; Keywords low-voltage distribution system series fault arc multi-branch load deep learning Long Short-Term Memory(LSTM)network; 分类号 TP391.5 [自动化与计算机技术—计算机应用技术] TP389.1 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于CNN_LSTM模型的复杂支路故障电弧检测被引量：7: 5; 作者余琼芳徐静杨艺; 机构河南理工大学电气工程与自动化学院大连理工大学北京研究院博士后科研工作站; 出处《中国安全生产科学技术》 CAS CSCD 北大核心 2022年第4期204-210,共7页; 基金国家自然科学基金项目(61601172)。; 文摘在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用以采集不同负载在不同支路下发生故障时和正常工作时的干路电流数据;然后,构建CNN_LSTM模型并做出相应改进,将电流数据直接输入到模型中,由模型自主提取波形特征并进行分类。研究结果表明:该方法可以快速、准确地识别出电弧故障,准确率达99.04%以上,且能够较为准确地检测出是哪类负载所在的支路发生电弧故障,准确率达97.90%,可为复杂支路下的电弧故障识别研究提供参考。; 关键词低压交流系统串联故障电弧复杂支路支路故障卷积神经网络长短时记忆网络; Keywords low voltage AC system series fault arc complex branch branch fault convolutional neural network long short-term memory network; 分类号 X934 [环境科学与工程—安全科学]; 在线阅读下载PDF 职称材料

题名绝对值激活深度神经网络的串联故障电弧检测被引量：4: 6; 作者余琼芳黄高路杨艺; 机构河南理工大学电气工程与自动化学院大连理工大学北京研究院博士后科研工作站; 出处《计算机应用》 CSCD 北大核心 2019年第A01期54-59,共6页; 基金国家自然科学基金资助项目(61601172); 文摘串联故障电弧具有隐蔽性和随机性,发生时线路电流波形受负载类型的影响而具有复杂性,检测难度大,严重威胁用电系统安全。鉴于电流数据具有大量负值的特点,提出用绝对值函数作为激活函数改进AlexNet深度学习网络检测串联故障电弧,并分析了激活函数特性对串联故障电弧检测效果的影响。把实验采集的三类负载分别在正常和发生串联故障电弧状态下的共7200组电流数据制作成训练集和测试集,并分别对使用四种激活函数的AlexNet网络进行训练和测试。实验结果显示,ELU激活的网络最高检测正确率为95.5%;而绝对值激活的网络效果最好,其平均检测正确率最高为97.25%,最低为93%,比ReLU激活的AlexNet网络最高88.75%的平均准确率高出最少4.25个百分点;而使用Sigmoid函数的网络不收敛。分析结果表明线性的激活数据特征有助于提高网络的检测准确率。; 关键词串联故障电弧深度学习卷积神经网络激活函数绝对值函数指数线性单元修正线性单元; Keywords series fault arc deep learning convolutional neural network activation function ABSsolute value function (ABS) Exponential Linear Unit (ELU) Rectified Linear Unit (ReLU); 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 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LSTM-Informer模型的液压支架压力时空多步长预测	余琼芳杨鹏飞唐高峰	《工矿自动化》 CSCD 北大核心	2024	3	在线阅读下载PDF 职称材料
2	基于AlexNet深度学习网络的串联故障电弧检测方法	余琼芳黄高路杨艺孙岩洲	《电子测量与仪器学报》 CSCD 北大核心	2019	31	在线阅读下载PDF 职称材料
3	基于小波特征及深度学习的故障电弧检测	余琼芳胡亚倩杨艺	《电子测量与仪器学报》 CSCD 北大核心	2020	27	在线阅读下载PDF 职称材料
4	基于深度长短时记忆网络的多支路串联故障电弧检测方法	余琼芳路文浩杨艺	《计算机应用》 CSCD 北大核心	2021	13	在线阅读下载PDF 职称材料
5	基于CNN_LSTM模型的复杂支路故障电弧检测	余琼芳徐静杨艺	《中国安全生产科学技术》 CAS CSCD 北大核心	2022	7	在线阅读下载PDF 职称材料
6	绝对值激活深度神经网络的串联故障电弧检测	余琼芳黄高路杨艺	《计算机应用》 CSCD 北大核心	2019	4	在线阅读下载PDF 职称材料