基于双流卷积与双中心loss的行为识别研究

针对行为视频中相似动作类内差异大、类间差异小,识别准确率不高的问题,提出了一种基于双流卷积网络与双中心loss的行为识别方法.该方法首先构建双流卷积网络结构,以C3Dnet模型作为双流结构的基础模型,分别提取多尺度RGB视频帧中的表观短时运动信息和堆叠光流图中的长时运动信息;然后将双流结构提取的深度信息经长短时记忆(LSTM)网络解析后进行特征融合;最后,利用基于双中心loss的2C-softmax目标函数,来最大化类间距离和最小化类内距离,从而实现相似动作的分类与识别.在数据集KTH上的实验结果表明,该方法能够准确识别相似动作,识别准确率可达98.2%,具有很好的识别效果.

考虑光伏波动性的配电网线损率阈值评估

针对分布式光伏接入后,异常线损率的判定阈值不合理导致漏检率较高的问题,提出考虑光伏波动性的10 kV配电网线损率波动阈值评估方法。首先,分析分布式光伏电量的并网形式以及可能存在的电量异常情况;其次,采用长短时记忆网络(LSTM)拟合输入特征与线损率之间的非线性关系预测线损率的方法,取代基于量测数据的潮流计算线损率的方法;然后,基于天气类型SCF指数,采用Monte Carol模拟体现光伏发电量的波动性,求得考虑光伏发电随机性的配电网线损率概率密度函数,并以此划定线损率的异常判定阈值。最后以IEEE 37节点配电系统为例,实际评估光伏接入后在考虑气象因素条件下配电线路日线损率的概率密度分布,并与电网的传统判定阈值进行对比分析。

基于CNN-LSTM和卷复制方法的高可用系统设计方法

针对单机服务器存在的单点故障问题,以及主备双机中存在的逻辑故障导致数据丢失的问题,设计了一种基于卷积和长短期记忆神经网络(CNN-LSTM)和卷复制方法的HA(High Availability)系统。系统至少包含两个节点,一个主节点以及一个或多个备用节点,主节点和备节点之间支持主备切换。每个服务器节点上包含4个模块,分别是负责接收配置信息与读写请求的代理模块;进行磁盘读写操作和重定向读写的磁盘I/O(输入输出)模块;负责主备节点间备份快照、映射表、数据块复制的卷复制模块以及基于CNN-LSTM进行状态检测的高可用模块。实验表明,该系统不仅可以解决单点故障问题,也可以解决主备双机集群中无法解决的逻辑错误问题;同时基于CNN-LSTM方法,自动针对服务器的运行健康状态进行分析和预测,可以根据预测结果自动通知管理员进行处理或自动进行主备切换。

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。

基于改进二次模态分解和BiLSTM-Attention的短期电力负荷预测

针对短期电力负荷预测中变分模态分解的参数选择缺乏有效优化,采用长短期记忆神经网络预测时存在长期信息弱化等问题,提出了一种基于改进二次模态分解,并利用注意力机制重新分配神经网络中输入权重的预测方法。首先对传统二次模态分解中的分解参数采用分解损失的评价标准进行优化。然后在特征选择的基础上,将注意力机制和正反向记忆层添加到长短期神经网络中,针对各个模态分量分别进行训练预测。最后将子序列预测结果重构输出。算例分析表明,所提方法解决了预测中变分模态分解的参数选择及长期信息的弱化等问题,有效减小了分解损失,具有更高的预测精度。

基于多视图与注意力机制的睡眠脑电分期

为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络进一步学习睡眠阶段之间的转换规则;最后使用Softmax函数进行睡眠分期,并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用Sleep-EDF数据库中前20名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估,睡眠分期准确率达到83.7%,宏平均F_(1)值达到79.0%,Cohen′s Kappa系数达到0.78。与现有方法相比,算法性能提升明显,证明了所提方法的有效性。

基于差异补偿和短期采样对比损失的城市电力负荷预测方法

城市电力负荷预测是城市智能电网规划和调度的一项重要内容。然而,城市电力负荷预测中存在数据不均的问题,给城市电力负荷预测带来了巨大挑战。传统的基于单一模型的方法难以解决数据不均的问题,而现有的基于多模型的预测方法根据电力负荷分布将数据集拆分成多个子数据集,然后分别建立多个预测模型进行预测,该类方案在一定程度上解决了数据不均问题,但存在模型构建成本较高、不同分布样本间共有的电力分布特征发生分离等问题。基于此,提出了一个轻量级城市电力负荷预测模型(Lighten-DCSC-LSTM)。该模型通过在长短期记忆网络的基础上引入差异补偿的思想和短期采样对比损失进行构建,同时构建共享特征提取层来降低模型构建成本。其中,差异补偿思想通过学习不同电力负荷分布样本之间的差异对主序列预测模块的预测结果进行差异补偿,短期采样对比损失通过动态类中心的对比学习损失对模型的训练进行正则化。为了验证模型的性能,进行了参数调优和对比实验。对比实验结果表明,模型在预测电力负荷的任务中取得了良好的性能。

基于深度学习的配电网线损异常检测方法

配电网的线损异常检测对于保障电网安全、优化资源分配和提升服务质量至关重要。传统的线损分析方法在处理大规模数据集和识别复杂异常模式时存在局限性,针对这一问题,文章提出了一种基于深度学习的配电网线损异常检测方法。该方法利用LSTM对线损数据进行时序分析以捕捉数据的时空特征,实现对配电网线损的实时监测和异常检测。试验结果表明,该方法具有较高的检测精度和实时性,能有效识别出配电网中的线损异常,为配电网的优化运行和管理提供了有力的技术支持。

基于BP神经网络的短距离无线通信数据传输丢帧测试方法

单一传输节点在不同传输信道的传输任务分配情况不同,导致短距离无线通信数据传输丢帧情况的测试结果误差往往较大。为此,基于反向传播(Back Propagation,BP)神经网络对短距离无线通信数据传输丢帧测试方法展开研究。考虑影响短距离无线通信数据传输状态的核心要素是传输节点的感知范围和目标点与传输节点之间的距离,利用布尔感知模型构建包含完全感知(概率为1)或未感知(概率为0)的短距离无线通信感知模型;在数据传输丢帧测试阶段,引入BP神经网络,围绕感知概率为0的节点,将传输节点在不同传输信道的传输任务分配情况作为隐藏层的学习目标,综合分析丢帧率。测试结果表明,在不同通信密度测试场景下,文章方法均未受到明显影响,测试结果与实际丢帧率之间的绝对误差仅0.01%,该方法具有高度稳定性和准确性。

分步预测法在省级电网短期负荷预测中的应用

各地市负荷特性千差万别,单纯的利用省端历史负荷数据以及全省综合气象要素进行预测会产生较大误差,故提出一种分步预测的短期负荷预测方法。在分析省调负荷的组成以及不同类型地区负荷预测方法的基础上,通过查找网损相似日和厂用电率,利用下级电网上报的计划负荷对网损和厂用电进行有效预测,进而得到次日全省发电计划。分析表明,该方法能充分反映省调负荷各组成成分的变化情况,一定程度上提高了省调负荷预测准确率。通过南方某省短期负荷预测系统的实际应用证明了所提出方法的有效性。

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题,提出一种基于类不平衡学习的情感分析方法.该方法利用深度学习训练过程中的概率输出,以计算样例的信息熵作为影响因子构建交叉信息熵损失函数.在IMDB公开数据集上进行实验验证的结果表明,基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题;对数据的统计分析结果表明,该策略能提升基于双向长短期记忆网络的评论情感极性分类性能.针对AUC(area under curve)指标,使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.

基于C#与Python混合编程的钻井溢漏风险智能识别平台

为了提高油气井钻井过程中溢漏风险识别的准确性,降低风险识别对人为经验的依赖,该文综合利用井下随钻测量数据及地面录井数据,提出了基于长短期记忆网络的钻井溢漏风险智能识别方法。利用C#执行效率高、Python利于建立深度学习模型的优势,基于C#与Python混合编程设计开发了钻井溢漏风险智能识别实验系统软件平台。首先,在Python平台下建立基于长短期记忆网络的溢漏风险识别模型,利用溢漏样本数据对识别模型进行训练,优化确定模型参数;再利用C#语言开发溢漏风险智能识别实验系统软件,通过C#调用在Python平台下训练好的长短期记忆网络模型实现对溢漏风险的智能判别。利用现场实测数据对软件的风险识别性能进行的实验测试结果表明,软件能够准确识别溢流和井漏风险,且与钻井现场采用的泥浆池液面监测法相比时间上有所提前。

基于组序列多分支CNN-LSTM的风机轴承和齿轮箱故障诊断研究

现实工业环境中,单点数据的采集时间通常为几秒甚至更短,现有基于单点数据的风机轴承和齿轮箱故障智能诊断算法难以取得满意结果,为此,提出了一种具有注意力机制的组序列多分支卷积神经网络长短期记忆网络(CNN-LSTM)模型,即GSMBCLAM模型。首先,将具有相同采样间隔的连续多点数据合并成组序列样本,并将组序列波形和频谱同时输入2个不同的一维卷积神经网络(1D-CNN)中,进行了自适应特征提取;其次,采用注意力机制,将提取出来的特征与人工提取的特征进行了特征加权,并将加权后的特征进行了融合,然后将其输入到LSTM中;再次,考虑到故障分类中,不同类别误分类代价不同的问题,采用焦点损失函数代替了传统的交叉熵损失函数;最后,基于SoftMax分类器输出了诊断结果,通过一个包含54000个原始波形、频谱和人工提取特征,区分5类不同的轴承和齿轮故障和1类正常的真实数据集进行了对比实验。研究结果表明:GSMBCLAM方法在准确率、精确率、召回率、F1分数上分别达到了98.40%、98.46%、98.63%、98.30%;其效果优于只基于单点数据或单分支的模型,各项指标对比于其他深度学习竞争模型具有明显优势;焦点损失函数的引入解决了故障诊断中误分类代价不同的问题。

基于深度学习的用户异常用电模式检测

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。

短期发电权交易对系统网损的影响

采用基于直流潮流方程的方法计算发电权交易对系统网损的影响,该方法计及了每个潮流状态,更符合发电权交易改变潮流的实际情况.通过分析代发交易电量进行的机理与过程,针对日发电权交易模式下在交易时段平均分摊交易电量的不合理做法,采用3次样条插值方法,拟合出一条可根据交易电量进行调整的交易电量分摊曲线,从而代替传统的平摊方法.通过IEEE13节点算例,并结合3种情况验证了该方法的合理性.

数据采集异常下的车用动力电池状态监测与故障诊断

实时准确的状态监测对车载动力电池至关重要,其依赖于大量传感器采集的信息数据。在长期使用中,高频振动和连接器松动使局部传感器失效,导致数据采集异常。由于针对数据缺失和更新停滞异常的相关研究较少,该文提出一种基于双向长短期记忆网络和最小二乘支持向量回归的异常数据监测与校正方法。建模和参数辨识分别采用戴维宁模型和数据驱动方法,同时输入和状态估计算法用于电池状态估计。实验中,该方法在6种混合异常测试条件下的估计误差保持在5%左右,其有效性得到验证。

基于DAE-LSTM神经网络的配电网日线损率预测

针对配电网线损精益化管理的需求,为准确把握配电线路线损率短期变化趋势,提出一种基于降噪自编码器(DAE)和长短期记忆网络(LSTM)相结合的配电网日线损率预测模型。首先建立灰色综合关联度分析指标,挖掘日线损率影响因素近期量与其去年同期量间的相关性,选择去年同期量作为模型的输入变量辅助预测。然后以无监督的方式构建DAE模型对输入序列进行特征编码与重构,实现输入序列的特征提取与降维。最后将编码后的序列输入LSTM神经网络,经训练拟合得到日线损率预测模型。采用湖南某地市多条配电线路实测数据进行实例分析,结果表明该模型日线损率预测准确性较高,运算速度适中,具有一定的实际工程应用价值。

220kV/110kV电磁环网闭环试验对象的选择

文中以湖南电网为基础,结合电网运行的经验确定闭环区域选定的基本原则,以此为基础选定可闭环的电磁环网,并从短路电流水平、N-1校核、网损和保护通信等方面分析初选对象的可行性并确定待选对象。针对待选对象,在多负荷水平下对其网损、冲击电流和暂态稳定进行校核,并制定有针对性的预控措施。

光伏接入对电网的影响研究

为解决光伏系统接入导致电网的电压分布、网络损耗和短路电流发生改变等问题,需要对光伏系统的接入位置和接入容量进行合理规划。首先,基于WSCC3机9节点环形电网模型建立了仿真模型,并对仿真过程中部分参数进行了简化处理。其次,分别对单、多个光伏发电系统的接入位置、接入容量仿真分析,研究了光伏并网对电网电压的影响。随后,对光伏接入位置、接入容量对系统网损的影响进行了仿真分析。最后,研究了光伏接入对网络短路电流的影响。通过以上仿真分析研究,有助于指导光伏系统的接入位置及容量。

基于领域BERT模型的服务文本分类方法

针对BERT模型领域适应能力较差,无法解决训练数据类别数量不均衡和分类难易不均衡等问题,提出一种基于WBBI模型的服务文本分类方法。首先通过TF-IDF算法提取领域语料中的词汇扩展BERT词表,提升了BERT模型的领域适应性;其次,通过建立的BERT-BiLSTM模型实现服务文本分类;最后,针对数据集的类别数量不均衡和分类难易不均衡问题,在传统焦点损失函数的基础上提出了一种可以根据样本不均衡性特点动态调整的变焦损失函数。为了验证WBBI模型的性能,在互联网获取的真实数据集上进行了大量对比试验,实验结果表明:WBBI模型与通用文本分类模型TextCNN、BiLSTM-attention、RCNN、Transformer相比Macro-F1值分别提高了4.29%、6.59%、5.3%和43%;与基于BERT的文本分类模型BERT-CNN、BERT-DPCNN相比,WBBI模型具有更快的收敛速度和更好的分类效果。