基于改进DBN的回转支承寿命状态识别

为了解决大型回转支承背景噪声大,特征信号微弱,寿命状态难以识别等问题,提出了一种基于改进深度信念网络(Deep Belief Network,DBN)的回转支承寿命状态识别方法。DBN网络拥有强大的深度学习能力,能够有效挖掘回转支承运行状态信息,解决了传统浅层网络过度依赖特征提取效果和识别精度不高的问题。在DBN学习训练中,采用新的优化学习方法FEPCD(Free Energy in Persistent Contrastive Divergence),解决了DBN在长期学习中近似和分类能力下降的问题。然后利用自主研发试验台的试验数据对所提方法的优越性进行验证。将改进的DBN算法与浅层分类算法的识别结果进行比较。结果表明改进DBN网络比原始DBN网络和浅层算法能更精确反映回转支承寿命特征,所提方法具有稳定性和智能性的特点。

基于改进DBN的用电负荷预测建模与仿真

电力负荷数据的精准预测不仅能够保证电网可以安全地长期运行,而且能够提高经济效益和社会效益。针对电力负荷值的变化而导致变化规律很难用具体数学函数式表达的问题,提出了一种基于改进DBN的用电负荷预测模型。通过遗传算法选取网络权重,并将其应用于电网负荷预测。通过与BP网络模型的仿真对比可以得出,改进的DBN网络模型能够更好更快地对用电负荷进行预测。