期刊文献+
共找到6篇文章
< 1 >
每页显示 20 50 100
基于双隐层量子线路循环单元神经网络的状态退化趋势预测 被引量:4
1
作者 李锋 向往 +2 位作者 陈勇 汤宝平 王家序 《机械工程学报》 EI CAS CSCD 北大核心 2019年第6期83-92,共10页
针对现有人工智能预测方法在旋转机械状态退化趋势预测中存在预测精度较差、计算效率较低等缺点,提出基于双隐层量子线路循环单元神经网络(Double hidden layer quantum circuit recurrent unit neural network,DHL-QCRUNN)的旋转机械... 针对现有人工智能预测方法在旋转机械状态退化趋势预测中存在预测精度较差、计算效率较低等缺点,提出基于双隐层量子线路循环单元神经网络(Double hidden layer quantum circuit recurrent unit neural network,DHL-QCRUNN)的旋转机械状态退化趋势预测方法。首先采用量纲一化排列熵误差构建状态退化特征集,然后将该特征集输入DHL-QCRUNN以完成旋转机械状态退化趋势预测。在所提出的DHL-QCRUNN中,设计双隐层结构以提高网络的非线性映射能力;并引入量子相移门和多位受控非门以实现信息的传递;通过双隐层的量子反馈机制获得输入序列的整体记忆;最后采用输出层激发态的概率幅表示输出,通过以上方法改善了网络的非线性逼近能力和泛化性能,使所提出的旋转机械状态退化趋势预测方法具有较高的预测精度。此外,通过量子Levenberg-Marqudt(LM)算法更新DHL-QCRUNN的网络参数,提高该网络的收敛速度,使所提出的状态退化趋势预测方法具有较高计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。提出了基于DHL-QCRUNN的旋转机械状态退化趋势预测新方法,该方法具有较高的预测精度和较高的计算效率。 展开更多
关键词 双隐层量子线路循环单元神经网络 量子计算 排列熵误差 趋势预测 旋转机械
原文传递
基于量子加权GRU神经网络的电力系统短期负荷预测 被引量:8
2
作者 王凇瑶 张智晟 《电力系统及其自动化学报》 CSCD 北大核心 2022年第1期1-7,共7页
为提升电力系统短期负荷预测精度,提出粒子群算法优化量子加权门控循环单元神经网络模型。首先,将量子加权神经元融入门控循环单元神经网络中,构建量子加权门控循环单元神经网络预测模型,利用量子信息处理机制,提高该神经网络的非线性... 为提升电力系统短期负荷预测精度,提出粒子群算法优化量子加权门控循环单元神经网络模型。首先,将量子加权神经元融入门控循环单元神经网络中,构建量子加权门控循环单元神经网络预测模型,利用量子信息处理机制,提高该神经网络的非线性逼近能力和泛化能力。然后,使用全局优化能力较强的改进粒子群优化算法对所提出模型的参数进行寻优,构建权重矩阵进行负荷预测。最后,通过实际电网算例进行仿真,仿真结果表明,本文提出的粒子群优化量子加权门控循环单元神经网络预测模型的预测精度较高。 展开更多
关键词 短期负荷预测 量子加权门控循环单元 神经网络 粒子群优化算法 电力系统
下载PDF
基于混沌云量子蝙蝠CNN-GRU大坝变形智能预报方法研究
3
作者 陈以浩 李明伟 +2 位作者 安小刚 王宇田 徐瑞喆 《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2024年第1期110-118,共9页
针对大坝变形影响因素复杂、精准预报难度较大问题,为了提高在大坝安全管理过程中大坝变形的预报精度,本文从大坝变形非线性动力系统时间序列的强非线性出发,引入深度卷积神经网络,对大坝变形及其空间影响特性进行挖掘,引入门控循环单元... 针对大坝变形影响因素复杂、精准预报难度较大问题,为了提高在大坝安全管理过程中大坝变形的预报精度,本文从大坝变形非线性动力系统时间序列的强非线性出发,引入深度卷积神经网络,对大坝变形及其空间影响特性进行挖掘,引入门控循环单元,对大坝变形的时域特性进行挖掘,构建应用于大坝变形预报的深度卷积神经网络-门控循环单元大坝变形组合深度学习网络;同时,为了获取深度卷积神经网络-门控循环单元组合网络的最佳超参,引入了混沌云量子蝙蝠算法,建立了基于混沌云量子蝙蝠算法算法的深度卷积神经网络-门控循环单元组合网络超参优选方法;最后,提出了深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法大坝变形组合深度学习智能预报方法。基于实测数据开展预报研究,对比结果表明:与对比模型相比,提出的深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法预报方法取得了更精确的预报结果,混沌云量子蝙蝠算法算法用于超参优选获得了更佳的超参组合。 展开更多
关键词 大坝变形预测 卷积神经网络 门控循环单元 蝙蝠算法 量子力学 混沌理论 非线性动力系统模拟与预测 深度学习
下载PDF
基于GRU和GWO-KELM的电力线路故障诊断 被引量:1
4
作者 任一鸣 杜董生 +2 位作者 邓祥帅 连贺 赵哲敏 《综合智慧能源》 CAS 2024年第3期54-62,共9页
为实现电力线路故障的高精度检测和分类,设计并实现了基于机器学习的电力线路故障诊断系统,核心模块是机器学习经典算法中门控循环单元(GRU)神经网络和核极限学习机(KELM)。利用GRU对电力数据进行故障诊断,将正常数据与故障数据高精度... 为实现电力线路故障的高精度检测和分类,设计并实现了基于机器学习的电力线路故障诊断系统,核心模块是机器学习经典算法中门控循环单元(GRU)神经网络和核极限学习机(KELM)。利用GRU对电力数据进行故障诊断,将正常数据与故障数据高精度地区分开来;利用灰狼优化(GWO)算法对KELM的核参数和惩罚因子进行寻优,使KELM获得了最佳参数;利用KELM进行故障分类,成功将不同种类的故障区分开。试验证明,GRU在数据集的准确率高达98%,得到了最优参数的KELM在数据集中准确率高达99%;利用模拟退火算法(SA)进行了准确率比对,证实了GWO算法的优越性。还对数据集中的电压和电流进行了数据可视化,简洁直观地表达了数据集,为电力线路故障诊断提供了一个切实有效的方法。 展开更多
关键词 门控循环单元神经网络 极限学习机 灰狼优化算法 电力线路 故障诊断 机器学习
下载PDF
基于Attention机制的CNN⁃GRU配网线路重过载短期预测方法 被引量:3
5
作者 杨秀 胡钟毓 +2 位作者 田英杰 谢海宁 陈文涛 《电力科学与技术学报》 CAS CSCD 北大核心 2023年第1期201-209,共9页
随着用户用电需求增加,迎峰度夏期间配网线路重过载较严重,为电网运行增加安全隐患。实现配网线路重过载短期预测,对合理安排负荷高峰时期运行方式和调度管理以及线路的安全运行具有重要意义。文中提出一种基于注意力(Attention)机制的... 随着用户用电需求增加,迎峰度夏期间配网线路重过载较严重,为电网运行增加安全隐患。实现配网线路重过载短期预测,对合理安排负荷高峰时期运行方式和调度管理以及线路的安全运行具有重要意义。文中提出一种基于注意力(Attention)机制的卷积神经网络(CNN)—门限循环单元神经网络(GRU)组合预测模型。结合高相关性时间段的历史线路负载率数据和气象因素作为输入特征,利用CNN处理多源数据并提取有效特征作为GRU的输入,再通过GRU对时序特征集进行分析预测,利用Attention机制对重要数据分配更多的注意力权重,实现配网线路负载率的回归预测,最后根据负载等级划分标准将负载率预测结果转化为负载等级。使用所提方法对上海市某区某10 kV线路数据进行实验。实验结果表明,该预测方法比相同模型结构但以负载等级为输入的重过载分类预测,更适用于配网线路重过载预测。 展开更多
关键词 卷积神经网络 注意力机制 门限循环单元神经网络 配网线路 短期重过载预测
下载PDF
基于遮挡关系推理的输电线路图像金具检测 被引量:1
6
作者 戚银城 赵席彬 +3 位作者 耿劭锋 张薇 赵振兵 吕斌 《智能系统学报》 CSCD 北大核心 2022年第6期1154-1162,共9页
实现输电线路图像典型金具的精准检测是进行其缺陷检测的前提。针对通用目标检测模型对密集分布、遮挡严重的金具检测精度较低、易出现漏检等问题,提出了一种结合金具间遮挡结构信息和场景关联信息的典型金具检测方法。基于经典的Faster... 实现输电线路图像典型金具的精准检测是进行其缺陷检测的前提。针对通用目标检测模型对密集分布、遮挡严重的金具检测精度较低、易出现漏检等问题,提出了一种结合金具间遮挡结构信息和场景关联信息的典型金具检测方法。基于经典的FasterR-CNN模型提取金具特征作为节点,提取整张图像特征作为金具场景关联信息,学习金具标注框间相交区域信息作为金具遮挡关系信息,并采用图同时建模金具特征、场景关联信息和遮挡关系信息,通过门控循环单元信息传递机制构建结构推理模块完成金具类别和位置的联合推理检测。为了验证所提方法的有效性,选取了8类存在遮挡连接关系的金具进行实验,其中,原始Faster R-CNN模型的mAP值为81.30%,改进模型的mAP值为84.15%。实验结果表明,本文方法一定程度上提高了遮挡严重金具的检测精度,为后续的金具故障诊断奠定良好的基础。 展开更多
关键词 输电线路 金具 遮挡关系描述 结构推理 超快速区域卷积神经网络 目标检测 门控循环单元
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部