针对传统局部线性嵌入算法在挖掘局部流形结构时未充分考虑样本邻居分布信息,且在降维过程中默认样本具有相同的重要性导致提取鉴别特征不明显的问题,提出基于共享近邻的加权局部线性嵌入(weighted local linear embedding based on sha...针对传统局部线性嵌入算法在挖掘局部流形结构时未充分考虑样本邻居分布信息,且在降维过程中默认样本具有相同的重要性导致提取鉴别特征不明显的问题,提出基于共享近邻的加权局部线性嵌入(weighted local linear embedding based on shared neighbors,SN-WLLE)算法,并用于滚动轴承故障诊断.该算法首先使用余弦距离划分样本邻域;其次计算样本邻域对相似度用以评估样本共享近邻信息,并结合样本的6种邻居分布修正局部结构挖掘,提高多共享近邻的k近邻重构准确性;接着从多流形的角度评估样本点与近邻点间的稀疏分布一致性,以获得样本的重要性指标,并在低维空间保持该信息,进而提取准确的鉴别特征;最后结合KNN分类器构建出完备的轴承故障诊断模型.采用凯斯西储大学轴承数据集和实验室测试平台轴承数据集,从可视化评估、定量聚类评估、故障识别精度评估及鲁棒性评估等方面进行分析.结果表明:SN-WLLE算法的F值保持在108以上水准,平均故障识别精度最低可达0.9734,不仅具有较好的类内紧致性与类间可分性,还对近邻参数k具有低敏感性.展开更多
针对光伏出力和电动汽车充电特性的随机特性对电力系统的冲击不断增强,准确及时的源荷预测是实现增强电力系统适应性和稳定性的重要课题。因此,提出一种基于共享权重长短期记忆网络(shared weight long short-term networks,SWLSTM)与St...针对光伏出力和电动汽车充电特性的随机特性对电力系统的冲击不断增强,准确及时的源荷预测是实现增强电力系统适应性和稳定性的重要课题。因此,提出一种基于共享权重长短期记忆网络(shared weight long short-term networks,SWLSTM)与Stacking集成模型相结合的源荷区间预测方法。首先,光伏出力存在时序性特征,采用局部线性嵌入改进k-means算法聚类提取特征日,在实现数据降维同时,减少了网络训练难度;其次,在Stacking集成模型的框架下,将SWLSTM作为元学习器,并通过Q统计量筛选合适的基学习器模型,从而实现多模型融合的多异学习器Stacking集成学习的源荷预测;紧接着,为了得到预测的不确定信息,引入置信度区间预测;最后,采用实测数据对本文所提方法进行验证。结果表明改进k-means算法能够降低其求解难度,加快求解速度,可以快速获取聚类特征;所引入集成学习模型和置信度区间,有效表征源荷预测的不确定性,提升区间预测模型的泛化能力。展开更多
文摘针对传统局部线性嵌入算法在挖掘局部流形结构时未充分考虑样本邻居分布信息,且在降维过程中默认样本具有相同的重要性导致提取鉴别特征不明显的问题,提出基于共享近邻的加权局部线性嵌入(weighted local linear embedding based on shared neighbors,SN-WLLE)算法,并用于滚动轴承故障诊断.该算法首先使用余弦距离划分样本邻域;其次计算样本邻域对相似度用以评估样本共享近邻信息,并结合样本的6种邻居分布修正局部结构挖掘,提高多共享近邻的k近邻重构准确性;接着从多流形的角度评估样本点与近邻点间的稀疏分布一致性,以获得样本的重要性指标,并在低维空间保持该信息,进而提取准确的鉴别特征;最后结合KNN分类器构建出完备的轴承故障诊断模型.采用凯斯西储大学轴承数据集和实验室测试平台轴承数据集,从可视化评估、定量聚类评估、故障识别精度评估及鲁棒性评估等方面进行分析.结果表明:SN-WLLE算法的F值保持在108以上水准,平均故障识别精度最低可达0.9734,不仅具有较好的类内紧致性与类间可分性,还对近邻参数k具有低敏感性.
文摘针对光伏出力和电动汽车充电特性的随机特性对电力系统的冲击不断增强,准确及时的源荷预测是实现增强电力系统适应性和稳定性的重要课题。因此,提出一种基于共享权重长短期记忆网络(shared weight long short-term networks,SWLSTM)与Stacking集成模型相结合的源荷区间预测方法。首先,光伏出力存在时序性特征,采用局部线性嵌入改进k-means算法聚类提取特征日,在实现数据降维同时,减少了网络训练难度;其次,在Stacking集成模型的框架下,将SWLSTM作为元学习器,并通过Q统计量筛选合适的基学习器模型,从而实现多模型融合的多异学习器Stacking集成学习的源荷预测;紧接着,为了得到预测的不确定信息,引入置信度区间预测;最后,采用实测数据对本文所提方法进行验证。结果表明改进k-means算法能够降低其求解难度,加快求解速度,可以快速获取聚类特征;所引入集成学习模型和置信度区间,有效表征源荷预测的不确定性,提升区间预测模型的泛化能力。