堆叠自动编码器与S变换相结合的电缆早期故障识别方法

将深度学习概念应用到电缆早期故障识别中,提出结合S变换与堆叠自动编码器(SAE)的电缆早期故障识别方法。通过对故障相电流进行S变换,将获得的S变换模时频矩阵分为低、中和高频段。求取对应频段的能量熵和奇异熵等特征量,并组成特征向量后,将时频域特征向量作为SAE网络的输入,经过预训练和参数微调,得到最优训练参数。利用构建好的网络从输入数据中挖掘有用信息,从大量扰动中识别电缆早期故障。仿真结果表明,与传统模式识别方法相比,所提方法的精度更高。

基于堆叠自动编码器的网络行为识别

网络行为识别一直是网络安全中的研究热点,随着网络中数据量的海量增大以及数据的非线性等问题的影响,对于网络行为识别的特征提取和识别技术提出更高的要求。文章提出了一种基于堆叠自动编码器的网络行为识别方法,该方法通过构建堆叠自动编码器和SOFTMAX分类器的深度学习框架,结合无监督的预训练和有监督的全局微调,优化堆叠自动编码器的特征提取性能,实现了网络行为特征的深度提取,从而对高校流量数据中上网行为进行分析识别。

基于堆叠自动编码器的汽轮发电机多指标故障诊断模型

大型发电机的故障诊断对电网安全和经济运行具有重大影响,但由于实际操作中的故障数据较少,且预警指标单一无法满足汽轮发电机故障诊断的要求。因此,提出一种基于堆叠自动编码器的汽轮发电机多指标早期故障预警与诊断模型。首先,根据多种相关性方法对数据进行降维处理,采用堆叠自动编码器来学习降维后数据之间的深层映射关系,并提取出重构误差;在此基础上,建立包括参数与测点温度的静态阈值,重构误差的自适应动态阈值,温度波动差值的动态阈值和电流及有功功率上升速率阈值的多指标综合故障预警与诊断模型;然后建立故障征兆–参数关联合集,将超过阈值的数据结合实际值与预测值的残差值,完成故障的具体诊断。最后,以京能集团河北涿州电厂以及山西某热电厂350MW汽轮发电机实际数据为例,验证所提出的基于堆叠自动编码器的汽轮发电机多指标故障诊断模型的有效性,算例分析表明,所提出的基于堆叠自动编码器的汽轮发电机多指标故障诊断模型能够提前2~10h预警故障并诊断出故障类型,为汽轮发电机安全稳定运行提供保障。

堆叠自动编码器的金桂花朵图像分割方法

针对金桂的花朵图像,提出一种基于堆叠自动编码器(Stacked Autoencoder,SAE)深度学习的桂花花朵图像分割方法。将花朵RGB彩图通过R-B运算转换成灰度图,将灰度图分成互不重叠子块,对子块进行第一层稀疏自动编码器训练,得到压缩编码特征;对此特征进行第二层稀疏自动编码器训练,得到二层压缩编码特征;然后用此特征和标签进行Softmax层训练;并将2层自动编码器和Softmax层堆叠成深度神经网络;最后用堆叠自动编码器对花朵和背景进行分类。试验结果表明,通过设置合理的参数,提出的深度学习方法能很好地分割出金桂花朵,SD、Dice、ER、NR值分别为77.03%、87.03%、20.80%、6.94%。

基于堆叠自动编码器的电力系统暂态稳定评估

将深度学习的思想和模型引入电力系统暂态稳定评估研究中，提出一种基于堆叠自动编码器的电力系统暂态稳定评估方法。该方法无需人工计算形成输入特征，直接面向底层量测数据，通过深层架构建立量测数据与稳定类别之间的非线性映射关系。采用一种“预训练一参数微调”的两阶段学习方法，同时引入稀疏化技术和Dropout技术对模型参数进行优化。训练后的模型能够依靠深层结构挖掘数据的隐藏模式，提取出有利于暂态稳定评估的高阶特征。此外，该方法能够通过大量无标注样本的无监督训练提高模型泛化能力，从而大大缩减训练样本时域仿真耗时。新英格兰10机39节点系统上的仿真结果表明所提方法比常规浅层评估方法的评估性能更加优越。

基于堆叠自动编码器的输电线路故障选相方法

针对人工神经网络(ANN)用于输电线路故障选相时收敛性差的问题,提出一种基于堆叠自动编码器(SAE)的故障选相方法,即先构建SAE深层架构模型,再将线路两端采集的故障电流、电压及相关序分量组成的综合电气量数据作为输入特征对SAE进行两阶段训练学习,该模型可充分提取输入量的高阶特征,能够对复杂故障数据进行较好地分类,进而得到精准的选相结果。仿真试验和现场实际故障数据的测试结果表明,该方法受故障位置、过渡电阻、系统电压及负荷水平等因素影响小,较人工神经网络(ANN)有更优的收敛性能和选相准确率。

基于堆叠自动编码器的miRNA-疾病关联预测方法

作为一类小的非编码RNA,miRNA的异常调控与人类疾病的发生和发展密切相关,研究miRNA与疾病的关联对于了解人类疾病致病机制具有重要意义。机器学习方法被广泛应用于miRNA-疾病关联预测,然而现有方法仅仅考虑了miRNA与疾病相似性网络信息,忽略了相似性网络的拓扑结构。因此,文中提出基于堆叠自动编码器的miRNA-疾病关联预测模型SAEMDA,该模型采用重启随机游走获取miRNA与疾病相似性网络的拓扑结构特征,用堆叠自动编码器提取miRNA与疾病的抽象低维特征,将得到的低维特征输入深度神经网络进行miRNA-疾病关联预测。SAEMDA模型在5折交叉验证中取得了较好的结果,并在结肠癌和肺癌两个案例中进行了验证。在结肠癌的案例中,此模型预测的前50个miRNA-疾病关联中的45个miRNA在数据库中得到了验证;在肺癌的案例中,排名前50的miRNA均在数据库中得到了验证。

基于行波特征量与堆叠自动编码器的电缆早期故障定位方法

电缆由于不易受天气影响及可靠性高等优点,在配电网中的使用越加广泛。但是,随着电缆运行年限的增加,电缆会因局部放电等影响而发生故障。电缆早期故障作为永久性故障的前兆,对其进行识别和定位是提高电网安全性的重要方法。由于过电流扰动信号在时频域下包含丰富的暂态信息,提出了行波特征量与堆叠自动编码器相结合的电缆早期故障定位方法。首先利用S变换对电流信号进行处理,提取行波等特征量,并将其作为输入数据对堆叠自动编码器进行训练,利用训练好的网络,正确定位早期故障发生的区段。通过在PSCAD/EMTDC中搭建仿真模型获得仿真数据,结果表明,所提的方法具有较高的准确率和较好的泛化性能。

改进沙猫群优化算法优化堆叠降噪自动编码器的发动机故障诊断

车辆发动机振动信号受到噪声干扰,影响故障诊断精度,而堆叠降噪自动编码器(SDAE)可以有效抑制噪声干扰,但SDAE模型超参数对诊断性能影响较大,不合理的模型超参数容易引起SDAE诊断性能不佳。因此,文中采用一种新型沙猫群优化算法(SCSO)对SDAE参数进行优化选取。考虑到沙猫群优化算法(SCSO)中沙猫群种群缺乏变异机制的缺陷,在其探索阶段和开发阶段分别引入柯西变异机制和高斯变异机制,得到了改进沙猫群优化算法(ISCSO),并提出了SCSO优化SDAE的发动机故障诊断方法。发动机故障诊断实例结果表明:与其余5种方法相比,所提方法的平均诊断精度提高了1.47%~6.5%,平均耗时缩短了5.29~19.44 s。

基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制

风电调频的逐步惯性控制(SIC)策略在负荷波动后提供一个阶跃式功率增发,能够有效阻止系统频率下降,保障电网频率安全.但在其功率恢复阶段,容易出现二次频率跌落现象,需优化SIC以获得更好的调频效果.传统方法存在计算维度高和耗时较长的弊端,难以满足不同场景下快速提供最优控制效果的需求.为实现负荷扰动事件下风电调频的最优逐步惯性快速控制,引入深度学习算法,提出一种基于堆叠式降噪自动编码器(SDAE)和深度神经网络(DNN)的风电调频逐步惯性智能控制方法.首先,使用麻雀搜索算法获得最优参数,使用SDAE高效提取数据特征;随后,基于DNN对数据特征进行学习,并引入加速自适应矩估计优化网络参数,提升网络全局最优参数;最后,应用SDAE-DNN联合方法实现扰动事件后风电调频的逐步惯性在线控制.在IEEE 30节点测试系统中分别对单台风力机和风电场进行仿真分析,与传统方法、浅层反向传播神经网络及原始DNN所得结果对比发现,所提网络结构具有更优的预测精度和泛化能力,该方法能够实现良好的逐步惯性调频效果.

基于改进堆叠自动编码器的循环冷却水系统工艺介质温度预测控制方法

循环冷却水系统中冷却供给量与工艺介质冷却需求量之间往往存在"大马拉小车"的现象,造成大量的冷却资源浪费.为了匹配冷却需求量与供给量,提高循环冷却水系统能源利用率,给出一种基于多工艺介质温度目标循环冷却水最小压差控制系统,并将深度学习引入工艺介质温度预测研究中,提出一种基于改进堆叠自动编码器(improved stacked auto encoders,ISAE)的工艺介质温度预测方法.首先,对工业现场数据进行清洗;然后,将多个自动编码器堆叠,构建深度学习网络结构,采用"逐层贪婪无监督预训练-参数微调"方法训练网络参数,并基于均方根反向传播(root mean square back propagation,RMSProp)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,利用某化工厂历史运行数据进行测试,与浅层神经网络、未改进的SAE方法进行比较,所得结果表明,所提出的ISAE方法的预测准确性高,预测的工艺介质温度平均百分比误差仅为0.85%,且泛化能力优于未改进的SAE算法.

基于堆叠自动编码器的电网运行断面相似性匹配研究

面向电网历史数据挖掘需求,提出了一种基于堆叠自动编码器(stacked automatic encoder,SAE)的电网运行断面相似性匹配方法。基于历史断面信息,结合电网运行特点,筛选有效样本数据。通过无标签的电网运行断面有效样本数据和逐层自动编码器(automatic encoder,AE)得到预训练阶段的权重和偏差参数。进一步地,在参数微调阶段利用带标签的样本数据、初始化后的权重以及偏差对整个网络进行参数优化,得到能够挖掘运行断面深层特征的堆叠自编码网络。所提方法通过SAE算法的深层架构建立历史运行断面数据与相似性度量的非线性映射关系,进而可得到有价值的历史信息。采用IEEE 39节点算例对所提方法进行验证。结果表明,所提方法相较K-means算法匹配准确率较高,错误率随迭代次数的增加下降速度较快。

基于堆叠降噪自动编码器的胶囊缺陷检测方法

目前医用胶囊生产过程中的缺陷检测主要由人工完成,费时费力,容易受主观因素的影响。提出一种基于堆叠降噪自动编码器的胶囊表面缺陷检测方法,该方法首先建立深度自动编码器网络,并根据缺陷样本进行降噪训练,获取网络的初始权值;然后通过BP算法进行微调,得到训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测。实验表明,堆叠降噪自动编码器较好地建立了上述映射关系,能快速、准确地进行缺陷检测,对噪声具有很强的鲁棒性和稳定性。

优化堆叠降噪自动编码器滚动轴承故障诊断

针对深度堆叠降噪自动编码器(SDAE)网络超参数采用经验枚举获得时存在的泛化能力较弱,且选参过程与设计人员经验有关,效率低等问题,利用新设计的人工变性天牛算法(ATLA)对SDAE网络超参数进行自适应选取,并确定网络结构,训练得到故障状态的特征表示,最后输入到Softmax分类层进行故障检测,并确定故障类别。通过变工况下滚动轴承故障诊断仿真实验验证,该文所提出的ATLA-SDAE诊断方法在泛化性能、故障识别率等方面均优于BP神经网络、支持向量机(SVM)以及卷积神经网络(CNN)方法,能够从海量数据中自适应地提取更深层次的故障特征,可避免手动设计和提取故障特征的繁琐过程,更有利于提高故障分类的精度和诊断效率。

基于改进正余弦算法优化堆叠降噪自动编码器的电机轴承故障诊断

轴承是电机的重要组成部分,其故障振动信号存在噪声干扰,导致特征提取困难,堆叠降噪自动编码器(SDAE)通过将输入数据随机置零训练网络可以有效抑制噪声干扰。此外,不理想的超参数组合易引起SDAE诊断性能不佳。因此,提出一种基于改进正余弦算法(ISCA)优化SDAE的电机轴承故障诊断方法。首先,在改进正余弦算法(SCA)粒子值更新公式中引入非线性惯性权重并对控制参数加入余弦变化构造ISCA,利用ISCA对SDAE超参数自适应选取;其次,利用具有最优网络结构的SDAE模型的无监督自学习特征提取方法提取振动信号特征参数,从而实现更好的故障诊断效果。仿真及现场实验结果表明,该方法收敛速度快、诊断准确率高,而且具有较强的鲁棒性,在电机轴承故障诊断方面具有较好的应用前景。

基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明:改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性。

基于改进堆叠去噪自动编码器的电能质量扰动分类方法

针对当前电能质量扰动分类时因数据量大和特征量提取不足而造成分类精度低的问题,文章将压缩感知和深度学习结合,提出一种基于改进堆叠降噪自动编码器(Improved Stacked Denoising Autoencoders,ISDAE)的电能质量扰动分类方法。首先,将原始数据经过压缩感知后得到的稀疏向量作为数据集;然后构建堆叠去噪自动编码器模型,引入Inverted Dropout技术提升网络的泛化能力,避免过拟合现象的产生,并在微调阶段引入自适应矩估计(Adaptive moment estimation,Adam)优化方法,以降低陷入局部最优的概率。最后对10种常见的电能质量扰动信号进行仿真分析,可以发现所提方法降低了需要分析的数据量,解决了传统分类算法对特征选取不充分从而造成分类效率低的问题,并在一定程度上提升模型的鲁棒性。

基于代价敏感堆叠变分自动编码器的暂态稳定评估方法

机器学习算法在训练过程中,难免会遇到样本不平衡的情况,同时,对于电力系统来说稳定样本与不稳定样本的误分类代价是不同的,因此提出一种基于代价敏感堆叠变分自动编码器(stacked variational auto-encoder,SVAE)的电力系统暂态稳定评估方法。在模型训练过程中,通过改变误分类结果对模型参数调整的权重系数,修正了判别模型在不平衡样本训练过程中的倾向性,并提高了模型全局准确率。在此基础上,进一步提高不稳定样本的权重系数,有效加强了模型对不稳定样本的拟合程度,降低了不稳定样本的误判情况。在IEEE-39节点系统下的仿真结果说明,在不平衡样本情况下,所提方法可以改善判别结果的倾向性;在平衡样本情况下,通过误分类代价的设定可以有效降低不稳定样本的误判情况。

基于堆叠变分自动编码器的电力系统暂态稳定评估方法

通过模型的构建和特征量的提取2个方面,提出了一种具有较好抗噪能力的暂态稳定性判别模型。模型的构建采用堆叠变分自动编码器,并在训练过程中引入L2正则化,加强了稳定性判别模型的泛化能力。同时,特征量的提取时刻与传统方法不同,通过设定所有发电机最大功角差值的阈值,当系统发展至该阈值时,进行特征量的提取。在IEEE 39节点系统中进行仿真验证,仿真结果表明,采用上述特征量提取方法,大幅降低了稳定性判别模型的误判率,同时设定合理的阈值并不会影响实时控制措施的启动,加强了模型的抗噪能力。

基于压缩感知和堆叠降噪自动编码器的配电网扰动事件智能溯源方法

鉴于配电网扰动事件的溯源分析有利于准确了解扰动原因、保障电力系统的安全稳定运行,提出了一种基于压缩感知和堆叠降噪自动编码器的配电网扰动事件智能溯源方法,首先利用压缩感知方法将添加了噪声的原始数据映射到压缩域,在保留扰动特征的同时提高了分析效率;然后将压缩采样数据作为堆叠降噪自动编码器的输入,通过堆叠降噪自动编码器的特征自学习能力,学习得到扰动数据中的鲁棒性特征,实现特征与不同配电网扰动事件的关联,构造扰动事件智能溯源模型。通过PSCAD/EMTDC中搭建的IEEE 14节点模型获得的仿真数据进行验证,表明所提方法能准确溯源配电网扰动事件。