CN111488968A - 综合能源计量数据特征提取方法及系统 - Google Patents

综合能源计量数据特征提取方法及系统 Download PDF

Info

Publication number
CN111488968A
CN111488968A CN202010138090.6A CN202010138090A CN111488968A CN 111488968 A CN111488968 A CN 111488968A CN 202010138090 A CN202010138090 A CN 202010138090A CN 111488968 A CN111488968 A CN 111488968A
Authority
CN
China
Prior art keywords
data
metering data
comprehensive energy
layer
dbn
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.)
Pending
Application number
CN202010138090.6A
Other languages
English (en)
Inventor
董得龙
李野
窦健
杨光
孔祥玉
卢文祺
李刚
刘宣
郄爽
季浩
何泽昊
卢静雅
孙虹
刘浩宇
白涛
陈娟
乔亚男
顾强
翟术然
吕伟嘉
张兆杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
Tianjin University
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical Tianjin University
Priority to CN202010138090.6A priority Critical patent/CN111488968A/zh
Publication of CN111488968A publication Critical patent/CN111488968A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种综合能源计量数据特征提取方法，包括如下步骤：步骤一：获取计量数据；步骤二：将计量数据进行小波包分解预处理；步骤三：将i组数据进行深度置信网络特征提取。本发明还涉及一种综合能源计量数据特征提取系统，包括计量数据获取模块、小波包分解预处理模块及深度置信网络特征提取模块。本发明能够准确进行数据特征提取与综合能源对象识别，构建全面高效、准确可靠的综合能源计量数据特征提取与对象识别系统，为满足各类能源计量业务的可靠性、安全性、稳定性需求提供基础，有效支撑各类能源计量新技术的探索研究及推广实施。

Description

综合能源计量数据特征提取方法及系统
技术领域
本发明属于综合能源计量领域，涉及一种综合能源计量数据特征提取方法及系统，特别是一种综合能源计量数据特征提取方法。
背景技术
近年来，国家电网公司为加快建设具有卓越竞争力的世界一流能源互联网企业，对支撑营销业务发展的客户侧能源计量提出新的要求，传统电网企业所涉及的电能计量方式、方法在发生改变，非电计量的种类也在变的更为多样，电能计量正在向着综合能源计量进行转变。随着光伏、风能等可再生能源的大量推广使用，以及电动汽车等柔性负荷的广泛接入电网，对接入综合能源系统中的能源对象的数据进行特征提取，以便准确识别区分不同的能源对象，具有越来越重要的意义。但是，目前我国传统的计量数据特征提取过于依赖专家经验，受未知状况影响较大，很难由设备独立完成数据的特征分类提取。此外，我国各能源计量行业开展的计量系统设备单一，种类稀少，精确度低，自主性差，无法满足我国对多种类的新能源对象进行区分验证的需求。为解决以上问题，本发明提出了一种基于改进的深度置信网络(DBN)的综合能源数据计量特征提取方法，并进行特征归类分析，实现对不同综合能源对象的识别区分。
深度置信网络DBN数据特征提取解决了人工提取特征过度依赖专家经验，受未知特征影响较大以及不具备一般性的问题。但是当输入层单元数较多时，需要较多隐含层单元数与隐含层层数才能达到良好的训练效果，复杂的结构会大大降低DBN学习效率，辨识结果也受到影响。同时，DBN学习时间过长，无法实时快速进行数据特征提取和分析。
发明内容
本发明的目的在于克服现有技术的不足，提供一种综合能源计量数据特征提取方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种综合能源计量数据特征提取方法，包括如下步骤：
获取计量数据；
将所述计量数据进行小波包分解预处理，获得n个特征值；
根据相关性准则，对所述n个特征值进行排序，得到作为DBN网络输入值的前i个特征，i＝n/l，其中，n为特征值的个数，l为DBN神经网络隐含层神经元个数；
提取所述前i个特征对应的i组数据进行深度置信网络特征。
而且，获取计量数据之后，还包括对计量数据进行常规数据预处理，常规数据预处理包括滤波、清洗、异常数据剔除及重采样。
而且，将所述计量数据进行小波包分解预处理，获得n个特征值方法为：首先对常规处理后的计量数据进行高低频段分解，得到a组不同频段的数据；然后在该a组不同频段的数据中分别选取b个统计量特征，统计得到a*b个特征值；最后根据相关性准则，对该n个特征值进行排序，得到作为DBN网络输入值的前i个特征，该前i个特征值为主要特征数据组，i＝n/l，其中，n为特征值的个数，n＝a*b，a为选取的统计量特征的个数，b为不同分量的个数，l为DBN神经网络隐含层神经元个数。
而且，提取所述前i个特征对应的i组数据进行深度置信网络特征的方法为：
步骤1：将i组数据划分为训练集和测试集；
步骤2：输入数据维数，确定各可视层、隐含层节点数，建立一个多隐含层的DBN模型；
步骤3：输入训练集，DBN模型中每层RBM正向无监督学习输入的训练集数据，用贪婪无监督学习算法进行逐层训练，对各层每单元的偏置值与隐含层之间的权重进行更新；
步骤4：输入正确的与数据所分别对应的综合能源对象分类标签；
步骤5：利用DBN模型中最后一层BP神经网络进行反向有监督微调，完成DBN模型的训练；
步骤6：对DBN模型输入测试集数据，校验正确率；
步骤7：向完成训练和校验的DBN模型输入待提取特征的数据组，经特征提取后记录输出特征数据组。
而且，所述综合能源计量数据特征提取方法还包括步骤四综合能源对象的识别，该步骤的方法为：根据输出的特征数据组匹配对象类别，完成综合能源对象的识别。
而且，包括计量数据获取模块、小波包分解预处理模块及深度置信网络特征提取模块，
所述的计量数据获取模块用于获取计量数据；
所述的小波包分解预处理模块用于将所述计量数据进行小波包分解预处理，获得n个特征值；
所述的深度置信网络特征提取模块用于提取所述前i个特征对应的i组数据进行深度置信网络特征。
而且，还包括综合能源对象识别模块，该模块用于识别不同类别的综合能源对象。
而且，还包括常规数据预处理模块，该模块用于对获取的计量数据进行滤波、清洗、异常数据剔除及重采样。
而且，将所述计量数据进行小波包分解预处理，获得n个特征值方法为：首先对常规处理后的计量数据进行高低频段分解，得到a组不同频段的数据；然后在该a组不同频段的数据中分别选取b个统计量特征，统计得到a*b个特征值；最后根据相关性准则，对该n个特征值进行排序，得到作为DBN网络输入值的前i个特征，该前i个特征值为主要特征数据组，i＝n/l，其中，n为特征值的个数，n＝a*b，a为选取的统计量特征的个数，b为不同分量的个数，l为DBN神经网络隐含层神经元个数。
而且，提取所述前i个特征对应的i组数据进行深度置信网络特征的方法为：
步骤1：将i组数据划分为训练集和测试集；
步骤2：建立一个多隐含层的DBN模型，确定各可视层、隐含层节点数；
步骤3：输入训练集，DBN模型中每层RBM正向无监督学习输入的训练集数据，用贪婪无监督学习算法进行逐层训练，对各层每单元的偏置值与隐含层之间的权重进行更新；
步骤4：输入正确的与数据所分别对应的综合能源对象分类标签；
步骤5：利用DBN模型中最后一层BP神经网络进行反向有监督微调，完成DBN模型的训练；
步骤6：对DBN模型输入测试数据，校验正确率；
步骤7：向完成训练和校验的DBN模型输入待提取特征的数据组，经特征提取后记录输出特征数据组。
本发明的优点和积极效果是：
1.本发明利用小波包分解与相关性分析进行庞大计量数据的预处理，解决了在实际应用过程中，深度置信网络处理大量数据时所存在的模型结构复杂、学习效率低下、辨识结果精确度不高等问题。
2.本发明提供了一种对综合能源系统计量数据进行特征提取的方法，该方法融合了小波包分解与深度置信网络双方的优点，提取速度快，运行效率高，对特征识别具有较高的自主性，打破了传统特征提取过度依赖专家经验的模式，且具有较高的区分辨识度。
3.本发明针对综合能源系统对象众多、人工或传统方法技术难以准确区别的问题，搭建了一种识别综合能源系统内不同对象的系统，可以较为快速、准确地对综合能源系统内来自不同厂家、不同型号的众多对象进行识别，提高了对象识别的速度和精确性，对促进我国综合能源行业的发展具有重要意义。
附图说明
图1为本发明的总流程方法框架图；
图2为小波包分解预处理模块图；
图3为深度置信网络特征提取模块图；
图4为综合能源对象识别模块图。
具体实施方式
以下结合附图对本发明的实施例做进一步详述：
一种综合能源计量数据特征提取方法，其创新之处在于：包括如下步骤：
步骤一：获取计量数据并将获取的计量数据进行常规数据预处理，包括对计量数据的滤波、清洗、异常数据剔除、重采样等；
步骤二：常规预处理后的数据输入小波包分解预处理模块，进行三次高低频段分解，得到八组不同频段的数据；
步骤三：选取六个统计量特征，对八个不同分量进行统计，得到48个特征值；
步骤四：根据相关性准则，对48个特征值排序，选取前i个特征作为DBN网络的输入值，
i＝48/l，其中l为DBN神经网络隐含层神经元个数；
步骤五：将i组数据划分为训练集和测试集；
步骤六：输入数据维数，确定各可视层、隐含层节点数，建立一个多隐含层的DBN模型；
步骤七：输入训练集，DBN模型中每层RBM正向无监督学习输入的训练集数据，用贪婪无监督学习算法进行逐层训练，对各层每单元的偏置值与隐含层之间的权重进行更新；
步骤八：输入正确的与数据所分别对应的综合能源对象分类标签；
步骤九：利用DBN模型中最后一层BP神经网络进行反向有监督微调，完成DBN模型的训练；
步骤十：对DBN模型输入测试集数据，校验正确率；
步骤十一：向完成训练和校验的DBN模型输入待提取特征的数据组，经特征提取后记录输出特征数据组；
步骤十一：根据输出的特征匹配对象类别，完成综合能源对象分析与识别。
一种综合能源计量数据特征提取系统，其创新之处在于：包括小波包分解预处理模块、深度置信网络特征提取模块及综合能源对象识别模块，
所述的小波包分解预处理模块用于初步处理庞大的计量数据，从输入数据中选取一定量的主要特征数据组，并将其应用于后期的深度特征提取及对象识别，以缓解深度置信网络处理庞大数据时的压力，提高DBN的学习效率和识别率，增快整个特征提取过程的速度，它的输入是计量系统采集到的综合能源系统对象功率数据，它的输出连接到深度置信网络DBN的输入端；
所述的深度置信网络特征提取模块用于进行数据特征的提取和深度分析，并进行准确率的自我测验以及模型微调整。它不依赖与传统的专家经验，具有较好的自主性和高辨识能力，能够利用有限数据组进行快速地学习与校正。该模块输入端连接小波包分解预处理的输出，输出端提供的采集到的数据即为该层提取到特征，层数越深提取到特征越具有代表性。输出的特征数组输入到综合能源对象识别模块；
所述的综合能源对象识别模块用于识别不同类别的综合能源对象，如不同厂家型号的光伏分布式电源、电动汽车等。前一模块DBN处理提取到的特征数组没有实际意义，该模块处理后则按照输入标签进行特征匹配，从而实现不同对象的区分识别。该模块的输入端连接到深度置信网络特征提取模块的输出，输出端的输出内容即为综合能源系统对象识别结果。
本发明利用小波包分解对深度置信网络输入数据进行预处理，提高其对庞大数据的处理效率，搭建综合能源数据特征提取与对象识别系统，对提高特征提取速度、增加特征对象识别的自主性与准确性、促进我国综合能源行业的发展均具有重要意义。目前，我国综合能源数据处理技术仍处于实验研究阶段，亟需提出高效精确的综合能源数据特征提取与对象识别方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种综合能源计量数据特征提取方法，其特征在于：包括如下步骤：
获取计量数据；
将所述计量数据进行小波包分解预处理，获得n个特征值；
根据相关性准则，对所述n个特征值进行排序，得到作为DBN网络输入值的前i个特征，i＝n/l，其中，n为特征值的个数，l为DBN神经网络隐含层神经元个数；
提取所述前i个特征对应的i组数据进行深度置信网络特征。
2.根据权利要求1所述的一种综合能源计量数据特征提取方法，其特征在于：获取计量数据之后，还包括对计量数据进行常规数据预处理，常规数据预处理包括滤波、清洗、异常数据剔除及重采样。
3.根据权利要求1所述的一种综合能源计量数据特征提取方法，其特征在于：将所述计量数据进行小波包分解预处理，获得n个特征值，包括：
首先对常规处理后的计量数据进行高低频段分解，得到a组不同频段的数据；然后在该a组不同频段的数据中分别选取b个统计量特征，统计得到a*b个特征值；最后根据相关性准则，对该n个特征值进行排序，得到作为DBN网络输入值的前i个特征，i＝n/l，其中，n为特征值的个数，n＝a*b，a为选取的统计量特征的个数，b为不同分量的个数，l为DBN神经网络隐含层神经元个数。
4.根据权利要求1所述的一种综合能源计量数据特征提取方法，其特征在于：提取所述前i个特征对应的i组数据进行深度置信网络特征的方法为：
步骤1：将i组数据划分为训练集和测试集；
步骤2：输入数据维数，确定各可视层、隐含层节点数，建立一个多隐含层的DBN模型；
步骤3：输入训练集，DBN模型中每层RBM正向无监督学习输入的训练集数据，用贪婪无监督学习算法进行逐层训练，对各层每单元的偏置值与隐含层之间的权重进行更新；
步骤4：输入正确的与数据所分别对应的综合能源对象分类标签；
步骤5：利用DBN模型中最后一层BP神经网络进行反向有监督微调，完成DBN模型的训练；
步骤6：对DBN模型输入测试集数据，校验正确率；
步骤7：向完成训练和校验的DBN模型输入待提取特征的数据组，经特征提取后记录输出特征数据组。
5.根据权利要求4所述的一种综合能源计量数据特征提取方法，其特征在于：所述综合能源计量数据特征提取方法还包括步骤四综合能源对象的识别，该步骤的方法为：根据输出的特征数据组匹配对象类别，完成综合能源对象的识别。
6.一种综合能源计量数据特征提取系统，其特征在于：包括计量数据获取模块、小波包分解预处理模块及深度置信网络特征提取模块，
所述的计量数据获取模块用于获取计量数据；
所述的小波包分解预处理模块用于将所述计量数据进行小波包分解预处理，获得n个特征值；
所述的深度置信网络特征提取模块用于提取所述前i个特征对应的i组数据进行深度置信网络特征。
7.根据权利要求6所述的一种综合能源计量数据特征提取系统，其特征在于：还包括综合能源对象识别模块，该模块用于识别不同类别的综合能源对象。
8.根据权利要求6所述的一种综合能源计量数据特征提取系统，其特征在于：还包括常规数据预处理模块，该模块用于对获取的计量数据进行滤波、清洗、异常数据剔除及重采样。
9.根据权利要求6所述的一种综合能源计量数据特征提取系统，其特征在于：所述的小波包分解预处理模块用于将所述计量数据进行小波包分解预处理，获得n个特征值的方法为：首先对常规处理后的计量数据进行高低频段分解，得到a组不同频段的数据；然后在该a组不同频段的数据中分别选取b个统计量特征，统计得到a*b个特征值；最后根据相关性准则，对该n个特征值进行排序，得到作为DBN网络输入值的前i个特征，该前i个特征值为主要特征数据组，i＝n/l，其中，n为特征值的个数，n＝a*b，a为选取的统计量特征的个数，b为不同分量的个数，l为DBN神经网络隐含层神经元个数。
10.根据权利要求6所述的一种综合能源计量数据特征提取系统，其特征在于：
所述的深度置信网络特征提取模块用于提取所述前i个特征对应的i组数据进行深度置信网络特征的方法为：
步骤1：将i组数据划分为训练集和测试集；
步骤2：输入数据维数，确定各可视层、隐含层节点数，建立一个多隐含层的DBN模型；
步骤3：输入训练集，DBN模型中每层RBM正向无监督学习输入的训练集数据，用贪婪无监督学习算法进行逐层训练，对各层每单元的偏置值与隐含层之间的权重进行更新；
步骤4：输入正确的与数据所分别对应的综合能源对象分类标签；
步骤5：利用DBN模型中最后一层BP神经网络进行反向有监督微调，完成DBN模型的训练；
步骤6：对DBN模型输入测试集数据，校验正确率；
步骤7：向完成训练和校验的DBN模型输入待提取特征的数据组，经特征提取后记录输出特征数据组。
CN202010138090.6A 2020-03-03 2020-03-03 综合能源计量数据特征提取方法及系统 Pending CN111488968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010138090.6A CN111488968A (zh) 2020-03-03 2020-03-03 综合能源计量数据特征提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010138090.6A CN111488968A (zh) 2020-03-03 2020-03-03 综合能源计量数据特征提取方法及系统

Publications (1)

Publication Number Publication Date
CN111488968A true CN111488968A (zh) 2020-08-04

Family

ID=71798058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010138090.6A Pending CN111488968A (zh) 2020-03-03 2020-03-03 综合能源计量数据特征提取方法及系统

Country Status (1)

Country Link
CN (1) CN111488968A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112087731A (zh) * 2020-09-11 2020-12-15 山东润一智能科技有限公司 物联网信息采集处理传输的边缘处理主机、系统和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140068257A1 (en) * 2011-05-10 2014-03-06 Nagravision S.A. Method for handling privacy data
CN107256393A (zh) * 2017-06-05 2017-10-17 四川大学 基于深度学习的一维生理信号的特征提取与状态识别
CN108089099A (zh) * 2017-12-18 2018-05-29 广东电网有限责任公司佛山供电局 基于深度置信网络的配电网故障的诊断方法
CN108629370A (zh) * 2018-04-28 2018-10-09 广东工业大学 一种基于深度置信网络的分类识别算法及装置
CN109784276A (zh) * 2019-01-16 2019-05-21 东南大学 一种基于dbn的电压暂降特征提取与暂降源辨识方法
CN110000610A (zh) * 2019-04-17 2019-07-12 哈尔滨理工大学 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140068257A1 (en) * 2011-05-10 2014-03-06 Nagravision S.A. Method for handling privacy data
CN107256393A (zh) * 2017-06-05 2017-10-17 四川大学 基于深度学习的一维生理信号的特征提取与状态识别
CN108089099A (zh) * 2017-12-18 2018-05-29 广东电网有限责任公司佛山供电局 基于深度置信网络的配电网故障的诊断方法
CN108629370A (zh) * 2018-04-28 2018-10-09 广东工业大学 一种基于深度置信网络的分类识别算法及装置
CN109784276A (zh) * 2019-01-16 2019-05-21 东南大学 一种基于dbn的电压暂降特征提取与暂降源辨识方法
CN110000610A (zh) * 2019-04-17 2019-07-12 哈尔滨理工大学 一种基于多传感器信息融合及深度置信网络的刀具磨损监测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112087731A (zh) * 2020-09-11 2020-12-15 山东润一智能科技有限公司 物联网信息采集处理传输的边缘处理主机、系统和方法

Similar Documents

Publication Publication Date Title
CN112067294A (zh) 基于深度学习的滚动轴承智能故障诊断方法
CN114067368B (zh) 基于深度卷积特征的电网危害鸟种分类识别方法
CN115510965A (zh) 一种基于生成数据融合的轴承不平衡故障诊断方法
CN110232415B (zh) 一种基于生物信息特征的列车转向架故障识别方法
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN112836809A (zh) 一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法
CN113434685A (zh) 一种资讯分类处理的方法及系统
CN109543693A (zh) 基于正则化标签传播的弱标注数据降噪方法
CN113128567A (zh) 一种基于用电量数据的异常用电行为识别方法
CN112541510A (zh) 基于多通道时间序列数据的智能故障诊断方法
CN113268370A (zh) 一种根因告警分析方法、系统、设备及存储介质
CN115021679A (zh) 一种基于多维离群点检测的光伏设备故障检测方法
CN110443303B (zh) 基于图像分割和分类的煤岩显微组分智能识别方法
CN116935892A (zh) 一种基于音频关键特征动态聚合的工业阀门异常检测方法
CN111488968A (zh) 综合能源计量数据特征提取方法及系统
CN110825642A (zh) 一种基于深度学习的软件代码行级缺陷检测方法
CN114330430A (zh) 一种基于大数据特征分析的电梯故障判断方法及系统
CN113593605A (zh) 一种基于深度神经网络的工业音频故障监测系统和方法
CN112507881A (zh) 一种基于时间卷积神经网络的sEMG信号分类方法及系统
CN110555054B (zh) 一种基于模糊双超球分类模型的数据分类方法及系统
CN111079809A (zh) 电连接器智能统型方法
CN116738204A (zh) 基于生成对抗Transformer的电力负荷数据异常检测方法
CN115310531A (zh) 应用于一体式间隔设备综合测试模块的测试结果粗检系统和方法
CN114861815A (zh) 基于改进DBN-MobileNetV2的轴承故障诊断方法及系统
CN109657404B (zh) 基于混沌修正群智能寻优的采煤机故障自动诊断系统

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