检索结果-内蒙古大学图书馆

中国机械工程 2025年

作者：岳子桐李艳婷赵宇上海交通大学机械与动力工程学院

在风力发电机组的状态监测中，温度时序数据作为评估其运行是否稳定的关键指标，通常由SCADA(数据采集与监视控制)系统进行收集。本文提出了一种利用温度数据来实现更加稳健的风电机组状态监测的新方法。为了解决传统预测模型存在的收... 详细信息

在风力发电机组的状态监测中，温度时序数据作为评估其运行是否稳定的关键指标，通常由SCADA(数据采集与监视控制)系统进行收集。本文提出了一种利用温度数据来实现更加稳健的风电机组状态监测的新方法。为了解决传统预测模型存在的收敛速度慢的问题，本研究采用了卷积神经网络(CNN)与双向门控循环单元(BiGRU)相结合的网络结构，并引入了一种新颖的优化算法——长鼻浣熊优化算法(COA)，以改善温度预测模型的训练效果。此外，考虑到在实际操作环境中传统控制图存在较高的假警报率这一问题，本文提出了一种结合中位数估计(MED)与最小正则化加权协方差行列式估计(MRWCD)的策略，用于残差向量的稳健性监测。基于这些改进，本文建立了一个多元指数加权移动平均控制图。该方法在中国华东地区某一风电场的应用案例表明，相较于传统的监测手段，本文提出的新方法能够显著减少误报的情况，并且在风电机组的状态监测过程中提供了更高的可靠性与稳定性。

关键词：风电机组状态监测卷积神经网络-双向门控循环单元长鼻浣熊优化算法稳健检验统计量

来源：评论

学校读者我要写书评

暂无评论

基于模糊聚类和CNN-BIGRU的轨道电路故障预测

引用

振动．测试与诊断 2023年第3期43卷 500-507,619,620页

作者：林俊亭王帅刘恩东王阳兰州交通大学自动化与电气工程学院兰州730070 中国国家铁路集团有限公司铁路安全研究中心北京100081

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit... 详细信息

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit,简称BIGRU)进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。

关键词：轨道电路 GG模糊聚类退化状态划分卷积神经网络-双向门控循环单元故障预测

来源：评论

学校读者我要写书评

暂无评论

基于时序生成对抗网络的居民用户非侵入式负荷分解

引用

电力系统自动化 2024年第2期48卷 71-81页

作者：罗平朱振宇樊星驰孙博宇张帆吕强杭州电子科技大学自动化学院浙江省杭州市310018 杭州电子科技大学圣光机联合学院浙江省杭州市310018 杭州电子科技大学信息工程学院浙江省杭州市310018

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。... 详细信息

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。

关键词：非侵入式负荷分解对抗生成网络降维网络卷积神经网络-双向门控循环单元深度神经网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：