基于GRU神经网络多标签多分类的焦炭质量预测模型

通过关联配合煤中硫、灰分、挥发分的质量分数等主要的煤质指标,利用基于Adma算法为优化器的GRU神经网络模型,不断对模型参数进行调整后,通过sigmoid激活函数判断模型准确率的多标签多分类方法,建立了焦炭质量预测模型。结果表明:当三层GRU网络的隐层神经元数量为(64,64,64);学习率为0.01;样本批次大小为64;样本训练次数为50;丢弃率为0.3时,得到了模型的最优参数,此时模型预测准确率达到97%。采用GRU神经网络多标签多分类焦炭预测模型不仅具有高精度、低损失函数等特点,而且针对小样本配煤数据预测焦炭质量可以达到很好的效果,对实际的配煤炼焦具有一定的参考意义。

基于改进的两支路ResNet的配电网接地故障辨识和选线

故障类型与故障馈线准确、快速辨识有助于提高配电网供电可靠性。文中鉴于故障辨识与选线的故障信息利用率低,且分类器挖掘故障深层次特征能力不足。提出了以多标签多分类的思路,搭建两支路改进的ResNet并列训练进而同时实现配电网接地故障辨识和选线。引入小波分析对各类电气量进行分解并构造时频矩阵,以分频带分时间段提取时频矩阵的初级特征矩阵,作为网络输入量,改进一种适用于故障类型与故障馈线准确、快速辨识的多分支残差单元结构,以此单元结构首尾相连并构建两支路ResNet同时实现配网故障辨识与选线。仿真实验结果分析,相较于MLP网络、原ResNet,以改进的ResNet完成配电网故障辨识与选线,指标评估结果更优,并能验证所提方法具有更强的适应性和容错性。