CN109471049A - 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 - Google Patents
一种基于改进堆叠自编码器的卫星电源系统异常检测方法 Download PDFInfo
- Publication number
- CN109471049A CN109471049A CN201910021404.1A CN201910021404A CN109471049A CN 109471049 A CN109471049 A CN 109471049A CN 201910021404 A CN201910021404 A CN 201910021404A CN 109471049 A CN109471049 A CN 109471049A
- Authority
- CN
- China
- Prior art keywords
- data
- encoding encoder
- self
- power system
- satellite power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种基于改进堆叠自编码器的卫星电源系统异常检测方法,包括:计算堆叠自编码器每个批次的重构数据之间的距离,计算这些距离的均值和方差作为重构数据的组内误差;将相位相同的训练数据划分为同一组,训练时每次选择同一组的若干条数据输入到堆叠自编码器,使堆叠自编码器的重构误差和组内误差之和最小化;利用堆叠自编码器重构误差进行异常检测。本发明的优点是:有机结合了堆叠自编码器模型,充分利用了卫星电源系统产生的各个参数的数据,克服了传统方法检测速度慢、对高维数据检测效果不准确的困难,提高了卫星电源系统异常检测的速度与准确度。本发明还适用检测那些结构复杂、具有周期性工作特点的系统。
Description
技术领域
本发明涉及一种改进堆叠自编码器的卫星电源系统异常检测方法,是针对在轨卫星电源系统的一种数据驱动的异常检测方法,属于工程应用与信息科学的交叉领域。
背景技术
随着空间技术的发展和广泛应用,空间系统在政治、军事、经济等领域的战略地位日益提高。当今世界进入信息时代以后,社会发展和人类进步将对空间技术形成新的、更强的依赖。卫星技术在通信广播、导航定位、环境监视、军事侦察、测绘和气象等方面都彰显出了强大的能力。卫星把成千上万个零部件有机组合起来,形成一定功能的综合系统,具有很高的复杂性。其中,卫星电源系统负责将电源系统产生的电能分配传输到卫星上各个用电设备,并对各用电设备的配电进行控制,其主要功能包括产生电能、储存电能、变换电能、调节和分配电能,是卫星系统的重要组成部分。据有关文献统计,卫星电源系统是卫星第二大可能发生故障的系统,而卫星电源系统一旦发生故障,将对卫星的正常运行造成严重影响,进而可能对通信广播、导航定位等这些依赖卫星技术的领域造成不可挽回的损失。因此,考虑到以上各个因素,及时有效地检测卫星电源系统的异常具有重要意义。
常用的卫星电源系统异常检测方法可以分为两大类:基于模型的异常检测方法和数据驱动的异常检测。其中基于模型的异常检测,如专家系统、电路模型建模等,这类方法将专家知识以逻辑规则的形式表达或将专家总结的经验进行编码,基于专家的领域知识对卫星电源系统进行建模,然后对特定的卫星电源系统进行异常检测。这种方法针对某个特定卫星电源系统具有较好的异常检测效果,但高度依赖专家的领域知识,智能化程度低。数据驱动的异常检测方法,运用数据挖掘、机器学习等人工智能方法对卫星电源系统历史遥测数据进行分析,从数据中挖掘出有用的信息,从而对电源系统异常检测。数据驱动的方法不依赖专家的领域知识,智能化程度高,是当今航天器异常检测的研究热点。目前,数据驱动的异常检测方法有孤立森林、单类支持向量机、K近邻等传统的机器学习算法,这些算法对低维数据具有较好的异常检测效果,但对于高维数据却面临着维度诅咒的困难,异常检测效果不理想。
由于与日俱增的数据量和硬件性能的提升,近年来深度学习在计算机视觉、语音识别和自然语言处理等领域都取得了优于传统方法的佳绩,相比于传统机器学习算法,深度学习对处理高维数据具有显著的优势。在异常检测领域,采用堆叠自编码器的方法实现异常检测愈来愈受同行专家学者的关注,堆叠自编码器是一种神经网络,内部有若干个隐藏层,经过训练后,堆叠自编码器能够将输入复制到输出,自编码器通常用于学习数据的内在特征,但不具备异常检测能力,也不能直接用于异常检测。
已有的基于自编码器的异常检测方法通常在使用自编码器进行降噪滤波和特征提取,对提取到的特征使用其他分类算法进行分类,这种方式通过少量数据训练就可以得到较好的异常检测效果,充分体现了堆叠自编码器强大的特征提取能力。
由于卫星电源系统具有众多零部件,每个零部件都包含一个或多个参数,并且卫星运行过程中会周期性地经过地球的阳区和阴区,电源系统会做出相应的充放电动作。因此其产生的数据具有维度高、周期性明显的特点。针对该系统某一个或多个特定参数进行异常检测,往往不能反映出系统的真实状态,而使用所有参数进行异常检测时,传统的机器学习算法又面临着“维度诅咒”的困难。因此目前机器学习方法用于卫星分系统异常检测时往往检测速度慢并且效果差。卫星电源系统产生的数据具有维度高的特点,直接将堆叠自编码器用于卫星电源系统异常检测面临着如下困难:
(1)若直接使用电源系统产生的高维数据训练堆叠自编码器,即将每个时刻产生的数据作为训练样本输入到堆叠自编码器中,这样虽然充分利用了电源系统各参数的数据,但是将每个样本当做了孤立的样本,丢失了时间维度上的信息,从而不能发现电源系统的正常特征;
(2)若针对某一个具体参数,采用固定长度的数据作为训练数据输入到堆叠自编码器,则没有充分利用电源系统的其他参数,并不能反映出电源系统的真实状态,进而无法准确地检测出异常发生的时刻。
针对上述困难,本发明通过设计一种新的堆叠自编码器损失函数和训练算法,进而提出一种新的代表性特征自编码器,可用于对卫星电源系统进行无监督的异常检测。
发明内容
发明目的:本发明的目的是提供一种基于改进堆叠自编码器的卫星电源系统异常检测方法。该方法利用了卫星电源系统的遥测数据,对卫星电源系统进行异常检测,是一种数据驱动的异常检测方法。该方法解决了传统方法对高维数据异常检测效果不佳的问题,充分利用了卫星电源系统各个参数的遥测数据,提高了异常检测的准确率。通过该方法,地面管理人员可以及时有效地发现卫星电源系统出现的异常,从而可以快速采取相关措施进行修复,避免或减少卫星电源系统异常状态造成的损失。
技术方案:为实现上述目的,本发明提出一种基于堆叠自编码器的卫星电源系统异常检测方法。该方法通过改进传统堆叠自编码器的损失函数和训练算法,使堆叠自编码器可以提取相同相位的正常遥测数据的代表性特征。通过使用卫星电源系统的历史遥测数据训练堆叠自编码器,训练完成后将新获取到的遥测数据输入到训练好的堆叠自编码器,堆叠自编码器提取输入数据的特征,然后根据该特征重构数据。对于输入的正常数据,其重构误差较小;对于异常数据,其重构误差较大。从而可以基于卫星电源系统遥测数据的重构误差来进行异常检测。其具体的技术方案包括以下几个步骤:
步骤一:针对卫星电源系统遥测数据周期性的特点,改进堆叠自编码器的损失函数。堆叠自编码器原始的损失函数一般只衡量重构数据和原始数据之间的误差,本发明提出了一种既能衡量重构数据和原始数据之间的误差,又能衡量重构数据之间误差的损失函数。
步骤二:本发明提出了一种面向周期性时序数据的训练算法,该算法根据相位对卫星电源系统遥测数据进行分组,相位相同的数据被划分为同一组,保留了时序数据的周期信息,并通过核密度估计解决了每个分组内数据量少的问题。通过该训练算法训练步骤一中改进后堆叠自编码器,使得堆叠自编码器可以提取到表示相同相位正常数据的代表性特征。
步骤三:将卫星电源系统某一时刻的遥测数据输入到步骤二中训练后的堆叠自编码器,堆叠自编码器生成重构数据,然后计算重构数据和原始输入数据之间的误差,根据误差的大小来判断是否为异常。
有益效果:本发明是从数据驱动角度,提出了一种无人工干预的新颖电源系统异常检测方法,该方法基于堆叠自编码器,通过改进堆叠自编码器的损失函数和训练算法,使其可以根据遥测数据检测出卫星电源系统的异常。该方法避免了维度过高导致的检测效果不佳的问题,具有检测速度高、检测准确率高的优点。卫星地面管理人员可以通过该方法及时发现卫星电源系统出现的异常状况,从而可以快速采取相关措施进行修复,避免或减少由于卫星电源系统异常而造成的损失,确保空间任务的顺利执行。本发明经过扩展后,还可以用于其他高维周期性复杂系统的异常检测。
附图说明
图1是本发明方法的总体流程图。
图2是堆叠自编码器的网络结构图。
具体实施方式
下面结合附图,对本发明做进一步说明。
本发明的总体流程如图1所示。图2展示了图1中堆叠自编码器的网络结构。
本发明利用卫星电源系统的遥测数据进行异常检测,通过改进堆叠自编码器的损失函数和训练算法,使堆叠自编码器可以提取到代表性特征,然后将新的数据输入到训练好的堆叠自编码器,堆叠自编码器通过代表性特征重构数据,根据重构数据和原始数据的误差判断数据是否异常,进而达到检测卫星电源系统异常的目的。其具体实施步骤如下,且总体流程见附图1。
1.构造损失函数
通过改进堆叠自编码器的损失函数,使堆叠自编码器可以提取代表相同相位正常数据的特征。改进的损失函数在附图1中以DF表示,其包括重构误差和组内误差两个部分。具体步骤如下:
(1)计算输入到堆叠自编码器中的维度为m的数据x和堆叠自编码器生成的维度为m的重构数据r之间的均方误差MSE,其中i是数据的第i维:
(2)计算重构数据两两之间的距离,dij是重构数据ri和rj之间的距离:
D={d00,d01,...,dij}
(3)计算上一步中得到的D中数据的均值μ(D)和方差σ(D),得到衡量重构数据之间的差异的组内误差DIF:
DIF=μ(D)+σ(D)
(4)将第三步中得到的组内误差DIF和第一步中得到的均方误差MSE求和,得到新的误差函数DF作为堆叠自编码器的损失函数:
DF=MSE+DIF
2.周期性数据训练算法
改进堆叠自编码器的损失函数后,还需要改进相应的训练算法,使其能够适用该损失函数和卫星电源系统产生的高维周期性时序数据。在使用DF作为损失函数时,为了使堆叠自编码器可以学习相同相位样本的代表性特征,需要对训练数据按相位进行分组,相位相同的样本被划分为同一组。为了提高每个分组内数据的数量,我们对每个分组内的数据进行核密度估计。然后从估计的概率分布中采样出一部分样本,并把它们加入到相应的分组,作为对原始数据的补充。然后从每个分组内选出若干样本进行训练,用梯度下降和Adam算法最小化损失函数,上述过程称为周期性数据训练算法(Periodic Data TrainingAlgorithm,PDTA)。具体过程如下所示,且详细处理流程见附图1的虚线部分。
(1)卫星电源系统产生的是周期性高维时序数据X=x0x1...xn-1,记时间序列X的周期为P,xi是在时间为i时产生的数据,含有d个参数,即维度为d,总时长为n,不妨设X共有k个周期,即n=kp。将相位相同的数据划分为同一组,则可划分为p组,每组有k条数据:
S0={x0,x0+p,...,x0+(k-1)p}
S1={x1,x1+p,...,x1+(k-1)p}
...
Si={xi,xi+p,...,xi+(k-1)p}
...
Sp-1={xp-1,xp-1+p,...,xp-1+(k-1)p}
(2)对每一组数据,使用核密度估计生产n′条数据加入到该组。
(3)从(1)中得到p个分组中随机选取一个分组Si,再从Si包含的k条数据中随机选取b条数据,输入到以DF为损失函数的堆叠自编码器中。
(4)使用反向传播算法和Adam算法最小化损失函数DF。
(5)重复(3)和(4),直至损失函数DF趋于稳定,则训练完成。
3.基于堆叠自编码器的异常检测
通过步骤2训练得到的堆叠自编码器可以提取到卫星电源系统遥测数据的代表性特征,该特征表示的是每个分组内的正常样本。根据该特征重构样本时,若原始样本是正常样本,则重构样本和原始样本差异较小,即重构误差较小;若原始样本是异常样本,由于代表性特征并不能准确的表示异常样本,因此重构样本和原始样本差异较大,即重构误差较大。基于这一点,可以通过重构误差来检测异常。具体过程如下所示,且详细处理流程见附图1的实线部分。
(1)将卫星电源系统的在某一时刻t生成的新的遥测数据x′t输入到步骤2中训练好的堆叠自编码器中。
(2)堆叠自编码器生成重构样本r′,计算x′和r′的均方误差MSE。
(3)若MSE大于用户设定的阈值ε,则将判定这条数据为异常,并向用户报警。
本发明提出的预测方法总体描述如下:
Claims (4)
1.一种基于改进堆叠自编码器的卫星电源系统异常检测方法,其主要特征包括如下步骤:
(1)构造损失函数:构造损失函数,使其能够衡量重构数据和原始数据的差异以及重构数据之间的差异;
(2)周期性数据训练算法:将卫星电源遥测数据按相位进行分组,相同相位的数据划分为同一组,并对每一组使用核密度估计生成新的数据加入到相应的组中,训练时每次从某一个组中随机选取若干条数据;
(3)卫星电源系统异常检测:利用(1)~(2)中训练好的堆叠自编码器进行异常检测。
2.根据权利要求1所述的基于改进堆叠自编码器的卫星电源系统异常检测方法,其特征在于,步骤(1)构造损失函数,其实现方法包括:
(21)计算输入到堆叠自编码器中的维度为m的数据x和堆叠自编码器生成的维度为m的重构数据r之间的均方误差MSE,其中i是数据的第i维:
(22)计算重构数据两两之间的欧式距离,dij是重构数据ri和rj之间的距离,其中0≤i,j≤b,b是训练批次的大小:
dij=||ri-rj||,
D={d00,d01,...,di(k-1),d(i+1)0,...,d(k-2)(k-1)}
(23)计算上一步中得到的D中数据的均值μ(D)和方差σ(D),得到衡量重构数据之间的差异的组内误差DIF:
DIF=μ(D)+σ(D)
(24)将第三步中得到的组内误差DIF和第一步中得到的均方误差MSE求和,得到新的误差函数DF作为堆叠自编码器的损失函数:
DF=MSE+DIF。
3.根据权利要求1所述的基于改进堆叠自编码器的卫星电源系统异常检测方法,其特征在于,步骤(2)周期性数据训练算法,具体实现方法包括:
(31)卫星电源系统产生的是周期性高维时序数据X=x0x1...xn-1,记时间序列X的周期为P,xi是在时间为i时产生的数据,含有d个参数,即维度为d,总时长为n,不妨设X共有k个周期,即n=kp。将相位相同的数据划分为同一组,则可划分为p组,每组有k条数据:
S0={x0,x0+p,...,x0+(k-1)p}
S1={x1,x1+p,...,x1+(k-1)p}
…
Si={xi,xi+p,...,xi+(k-1)p}
…
Sp-1={xp-1,xp-1+p,...,xp-1+(k-1)p}
(32)对每一组数据,使用核密度估计生产n′条数据加入到该组;
(33)从(31)中得到p个分组中随机选取一个分组Si,再从Si包含的k条数据中随机选取b条数据,输入到以DF为损失函数的堆叠自编码器中;
(34)使用反向传播和Adam算法最小化损失函数DF;
(35)重复(33)和(34),直至损失函数趋于稳定,即损失函数值不再随着迭代次数显著下降,则训练完成。
4.根据权利要求1所述的基于改进堆叠自编码器的卫星电源系统异常检测方法,其特征在于,步骤(3)卫星电源系统异常检测,具体实现方法包括:
(41)将新获取的卫星电源系统遥测数据输入到权利要求1中所述的步骤(1)和步骤(2)训练好的堆叠自编码器中,每次输入一条数据x′;
(42)堆叠自编码器生成重构样本r′,计算x′和r′的均方误差MSE;
(43)若MSE大于用户设定的阈值ε,则将这条数据判定为异常,并向用户报警该电源系统出现了异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021404.1A CN109471049B (zh) | 2019-01-09 | 2019-01-09 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021404.1A CN109471049B (zh) | 2019-01-09 | 2019-01-09 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109471049A true CN109471049A (zh) | 2019-03-15 |
CN109471049B CN109471049B (zh) | 2021-09-17 |
Family
ID=65678629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910021404.1A Active CN109471049B (zh) | 2019-01-09 | 2019-01-09 | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109471049B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
CN112924749A (zh) * | 2021-02-04 | 2021-06-08 | 西安电子科技大学 | 无监督对抗学习电磁频谱异常信号检测方法 |
CN114065862A (zh) * | 2021-11-18 | 2022-02-18 | 南京航空航天大学 | 一种多维时序数据异常检测方法和系统 |
CN115375600A (zh) * | 2022-10-20 | 2022-11-22 | 福建亿榕信息技术有限公司 | 一种基于自编码器的重构图像质量衡量方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101223418A (zh) * | 2005-07-19 | 2008-07-16 | 株式会社安川电机 | 包括异常检测装置的编码器及其控制系统 |
CN104537684A (zh) * | 2014-06-17 | 2015-04-22 | 浙江立元通信技术股份有限公司 | 一种静态场景中的实时运动目标提取方法 |
US20160033580A1 (en) * | 2012-05-29 | 2016-02-04 | Board Of Regents Of The University Of Nebraska | Detecting Faults in Turbine Generators |
CN107766823A (zh) * | 2017-10-25 | 2018-03-06 | 中国科学技术大学 | 基于关键区域特征学习的视频中异常行为检测方法 |
EP3227799A4 (en) * | 2014-12-02 | 2018-05-09 | Fair Isaac Corporation | Auto-encoder enhanced self-diagnostic components for model monitoring |
CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
CN108764588A (zh) * | 2018-07-11 | 2018-11-06 | 天津工业大学 | 一种基于深度学习的温度影响电力预测方法 |
CN109101986A (zh) * | 2018-06-07 | 2018-12-28 | 国网山东省电力公司青岛供电公司 | 基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 |
-
2019
- 2019-01-09 CN CN201910021404.1A patent/CN109471049B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101223418A (zh) * | 2005-07-19 | 2008-07-16 | 株式会社安川电机 | 包括异常检测装置的编码器及其控制系统 |
US20160033580A1 (en) * | 2012-05-29 | 2016-02-04 | Board Of Regents Of The University Of Nebraska | Detecting Faults in Turbine Generators |
CN104537684A (zh) * | 2014-06-17 | 2015-04-22 | 浙江立元通信技术股份有限公司 | 一种静态场景中的实时运动目标提取方法 |
EP3227799A4 (en) * | 2014-12-02 | 2018-05-09 | Fair Isaac Corporation | Auto-encoder enhanced self-diagnostic components for model monitoring |
CN107766823A (zh) * | 2017-10-25 | 2018-03-06 | 中国科学技术大学 | 基于关键区域特征学习的视频中异常行为检测方法 |
CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
CN109101986A (zh) * | 2018-06-07 | 2018-12-28 | 国网山东省电力公司青岛供电公司 | 基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 |
CN108764588A (zh) * | 2018-07-11 | 2018-11-06 | 天津工业大学 | 一种基于深度学习的温度影响电力预测方法 |
Non-Patent Citations (3)
Title |
---|
ZIHONG CAO 等: "AUTO-ENCODER USING THE BI-FIRING ACTIVATION FUNCTION", 《PROCEEDINGS OF THE 2014 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
康旭 等: "一种基于角度偏离的卫星分系统异常检测方法", 《宇航学报》 * |
江国乾 等: "基于排序模式相异性分析的轴承健康监测", 《中国机械工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
CN112924749A (zh) * | 2021-02-04 | 2021-06-08 | 西安电子科技大学 | 无监督对抗学习电磁频谱异常信号检测方法 |
CN114065862A (zh) * | 2021-11-18 | 2022-02-18 | 南京航空航天大学 | 一种多维时序数据异常检测方法和系统 |
CN114065862B (zh) * | 2021-11-18 | 2024-02-13 | 南京航空航天大学 | 一种多维时序数据异常检测方法和系统 |
CN115375600A (zh) * | 2022-10-20 | 2022-11-22 | 福建亿榕信息技术有限公司 | 一种基于自编码器的重构图像质量衡量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109471049B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109471049A (zh) | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 | |
CN110941928B (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
CN111091233A (zh) | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 | |
CN111582610A (zh) | 基于卷积神经网络对家庭能量分解的预测方法 | |
Li et al. | An integrated missing-data tolerant model for probabilistic PV power generation forecasting | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
Araya et al. | A Multi-Scale Model based on the Long Short-Term Memory for day ahead hourly wind speed forecasting | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN114358389A (zh) | 结合vmd分解和时间卷积网络的短期电力负荷预测方法 | |
Naduvil-Vadukootu et al. | Evaluating preprocessing strategies for time series prediction using deep learning architectures | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
Huang et al. | Deep learning model-transformer based wind power forecasting approach | |
CN112241802A (zh) | 一种风电功率的区间预测方法 | |
Agga et al. | Short-term load forecasting: based on hybrid CNN-LSTM neural network | |
Khan et al. | Forecasting renewable energy for environmental resilience through computational intelligence | |
Chen et al. | Chaotic wind speed series forecasting based on wavelet packet decomposition and support vector regression | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
Zhang et al. | Tidal current prediction based on fractal theory and improved least squares support vector machine | |
Chu et al. | A relaxed support vector data description algorithm based fault detection in distribution systems | |
Glandorf et al. | HyperSparse Neural Networks: Shifting Exploration to Exploitation through Adaptive Regularization | |
Li et al. | Hydrological Time Series Prediction Model Based on Deep Belief Network | |
Guler et al. | Preemptive Detection of Electrical System Anomalies in Particle Accelerators | |
Zhang et al. | A data-driven approach for electromagnetic transient recognition using transfer learning | |
CN116563953B (zh) | 自底向上的弱监督时序动作检测方法、系统、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |