CN113850028A - 基于堆叠异构残差网络的换流阀冷却方式分类方法及装置 - Google Patents
基于堆叠异构残差网络的换流阀冷却方式分类方法及装置 Download PDFInfo
- Publication number
- CN113850028A CN113850028A CN202111437452.2A CN202111437452A CN113850028A CN 113850028 A CN113850028 A CN 113850028A CN 202111437452 A CN202111437452 A CN 202111437452A CN 113850028 A CN113850028 A CN 113850028A
- Authority
- CN
- China
- Prior art keywords
- residual error
- error network
- classification
- cooling mode
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于堆叠异构残差网络的换流阀冷却方式分类方法及装置,包括:将集成了有监督分类算法和无监督聚类算法的基础分类器库堆叠于深度残差网络,构建堆叠异构残差网络模型;获取初始数据集,并将初始数据集划分为训练集和测试集;利用训练集对构建的堆叠异构残差网络模型进行学习训练;利用测试集对训练完成的堆叠异构残差网络模型进行验证评价,获得分类评价指标,并根据分类评价指标判断到模型满足预设分类效果时,获取待测数据,并利用训练完成的堆叠异构残差网络模型进行冷却方式分类,获得待测数据的冷却方式推荐结果。本发明实现了冷却方式的快速选择,增强了模型的泛化能力,且明显提高了冷却方式的分类准确率。
Description
技术领域
本发明涉及换流阀控制技术领域,尤其涉及一种基于堆叠异构残差网络的换流阀冷却方式分类方法及装置。
背景技术
换流阀是直流输电工程的核心设备,由于换流阀的晶闸管在运行时会产生大量的热,为保证元件的正常使用并防止换流阀老化,需要合理选择冷却方式并设计相应的阀冷却系统。目前,大多数文献集中在对阀冷却系统进行故障分析和改造等方面,而鲜有围绕换流阀冷却方式选择所展开的相关研究。冷却方式的选择一般需调研分析当地气候与水源供给,并分析计算散热效率、成本等来选择最为适宜的冷却方式,并对阀冷却系统进行优化,人为地分析与计算调研数据,会消耗大量的时间与人力成本,此外,通常无法挖掘气候环境、阀冷却系统设备条件间的关联性。
上述难点激发了基于数据驱动下机器学习算法在该应用场合下的可能性,机器学习算法可通过对阀冷却系统的经验案例进行离线分析,来构建冷却方式分类模型,为换流阀冷却方式的选择以及阀冷却系统的最终设计提供参考依据。但针对冷却方式的分类仍然存在以下难点:1)目前获得的人为经验数据集较少,样本间同标签的特征值差异较大,不利于冷却方式分类模型的构建;2)冷却方法分类模型通常采用单个独立分类器,其可解释性与预测精度上可能存在矛盾。
发明内容
基于此,本发明提供一种基于堆叠异构残差网络的换流阀冷却方式分类方法及装置,以解决背景技术中的上述至少一个技术问题。
基于上述目的,本发明提供一种基于堆叠异构残差网络的换流阀冷却方式分类方法,包括:
构建堆叠异构残差网络模型;所述堆叠异构残差网络模型包含基础分类器库和深度残差网络,所述基础分类器库由第一数量的有监督分类算法和第二数量的无监督聚类算法组成,用以对输入数据进行一次分类,并将一次分类获得的多元数据集合堆叠至深度残差网络;所述深度残差网络由输入层、包含第三数量的卷积单元和网络底层单元的中间层和输出层组成,用于对所述多元数据集合进行再分类,获得冷却方式分类结果;
获取初始数据集,并将所述初始数据集划分为训练集和测试集;其中,所述初始数据集中包含多个数据样本的多维特征向量和冷却方式标签;
利用所述训练集对构建的所述堆叠异构残差网络模型进行学习训练,获得训练完成的所述堆叠异构残差网络模型;
利用所述测试集对训练完成的所述堆叠异构残差网络模型进行验证评价,获得分类评价指标,并根据所述分类评价指标判断模型是否满足预设分类效果;
在模型满足预设分类效果时,获取待测数据,并利用训练完成的堆叠异构残差网络模型进行冷却方式分类,获得所述待测数据的冷却方式推荐结果。
优选地,所述获取初始数据集,并将所述初始数据集划分为训练集和测试集,包括:
获取多个数据样本以及多个所述数据样本的冷却方式标签;
从每个所述数据样本中提取气候环境参数和设备条件参数,并根据所述气候环境参数和所述设备条件参数构建多维特征向量;
根据所有数据样本的所述多维特征向量和冷却方式标签构建初始数据集;
将所述初始数据集按照预设比例划分为训练集和测试集。
优选地,所述气候环境参数包括平均气温、极端最高气温、极端最低气温、最大日温差、平均气压、最高气压、最低气压、平均相对湿度、平均风速、最大风速、海拔高度;所述设备条件参数包括额定冷却容量、额定进阀流量、冷却塔进塔水温、用电负荷、补水量、喷淋水池容积、设备占地空间。
优选地,所述利用所述训练集对构建的所述堆叠异构残差网络模型进行学习训练,获得训练完成的所述堆叠异构残差网络模型,包括:
将所述训练集输入所以堆叠异构残差网络模型,并通过所述基础分类器库对所述训练集进行初步分类学习,获得多元数据集合;
将所述多元数据集合堆叠至所述深度残差网络,并通过所述深度残差网络进行再分类学习,获取训练好的所述深度残差网络;
基于所述基础分类器库和训练好的所述深度残差网络,获得训练完成的所述堆叠异构残差网络模型。
优选地,所述将所述训练集输入所述堆叠异构残差网络模型,并通过所述基础分类器库对所述训练集进行初步分类学习,获得多元数据集合,包括:
根据各类有监督分类算法和各类无监督聚类算法的置信分数集合,构建多元数据集合。
优选地,所述将所述多元数据集合堆叠至所述深度残差网络,通过所述深度残差网络进行再分类学习,获取训练好的所述深度残差网络,包括:
设置所述深度残差网络的网络参数向量和初始超参数;
通过所述深度残差网络的输入层获取所述多元数据集合;
通过中间层的卷积单元提取所述多元数据集合的分数特征,并通过网络底层单元生成各类冷却方式的置信分数;
根据所述各类冷却方式的置信分数确定每个训练数据的冷却方式预测类别,并根据所述冷却方式预测类别与冷却方式标签获取损失值;
在所述损失值大于预设值时,通过贝叶斯优化调整所述初始超参数;
基于调整后的超参数,通过基于动量的随机梯度下降算法更新所述网络参数向量;
利用所述多元数据集合对更新网络参数向量的所述深度残差网络重新进行训练,直至所述损失值小于等于预设值,保存所述网络参数向量,并获取训练好的所述深度残差网络。
优选地,所述利用所述测试集对训练完成的所述堆叠异构残差网络模型进行验证评价,获得分类评价指标,并根据所述分类评价指标判断模型是否满足预设分类效果,包括:
将所述测试集输入训练完成的所述堆叠异构残差网络模型,以获取模型输出的冷却方式分类结果;
根据所述冷却方式分类结果和冷却方式标签计算各项分类评价指标;
根据所述各项分类评价指标计算整体评价指标,并检测所述整体评价指标是否达到预设指标阈值;
若所述整体评价指标达到预设指标阈值,则确定模型满足预设分类效果;否则,确定模型不满足预设分类效果。
优选地,所述基础分类器库中的有监督分类算法包括基于线性核函数的支持向量机、基于高斯核函数的支持向量机、朴素贝叶斯模型、随机森林算法、K临近值算法和判别子空间法;无监督聚类算法包括K中心聚类、基于密度的空间聚类和谱聚类。
优选地,所述深度残差网络中的卷积单元包含卷积层、批量归一化层和残差层各两层,网络底层单元包含全连接层和激活函数层。
此外,本发明还提供一种基于堆叠异构残差网络的换流阀冷却方式分类装置,包括:
模型构建模块,用于构建堆叠异构残差网络模型;所述堆叠异构残差网络模型包含基础分类器库和深度残差网络,所述基础分类器库由第一数量的有监督分类算法和第二数量的无监督聚类算法组成,用以对输入数据进行一次分类,并将一次分类获得的多元数据集合堆叠至深度残差网络;所述深度残差网络由输入层、包含第三数量的卷积单元和网络底层单元的中间层和输出层组成,用于对所述多元数据集合进行再分类,获得冷却方式分类结果;
数据集处理模块,用于获取初始数据集,并将所述初始数据集划分为训练集和测试集;其中,所述初始数据集中包含多个数据样本的多维特征向量和冷却方式标签;
模型训练模块,用于利用所述训练集对构建的所述堆叠异构残差网络模型进行学习训练,获得训练完成的所述堆叠异构残差网络模型;
模型测试模块,用于利用所述测试集对训练完成的所述堆叠异构残差网络模型进行验证评价,获得分类评价指标,并根据所述分类评价指标判断模型是否满足预设分类效果;
冷却方式推荐模块,用于在模型满足预设分类效果时,获取待测数据,并利用训练完成的堆叠异构残差网络模型进行冷却方式分类,获得所述待测数据的冷却方式推荐结果。
优选地,所述模型训练模块包括:
初步分类子模块,用于将所述训练集输入所以堆叠异构残差网络模型,并通过所述基础分类器库对所述训练集进行初步分类学习,获得多元数据集合;
再分类子模型,用于将所述多元数据集合堆叠至所述深度残差网络,并通过所述深度残差网络进行再分类学习,获取训练好的所述深度残差网络;
模型输出子模块,用于基于所述基础分类器库和训练好的所述深度残差网络,获得训练完成的所述堆叠异构残差网络模型。
本发明提供的基于堆叠异构残差网络的换流阀冷却方式分类方法,将集成了有监督分类算法和无监督聚类算法的基础分类器库堆叠于深度残差网络,构建堆叠异构残差网络模型,并利用训练集对堆叠异构残差网络模型进行学习训练,利用测试集对堆叠异构残差网络模型进行验证评价,在获取到待测数据后,训练完成的堆叠异构残差网络模型综合多类分类方法的分类结果,最终输出各类冷却方式的分类分数。相较于现有的换流阀冷却方式分类方法,具有以下有效效果:
1)构建的堆叠异构残差网络模型通过学习历史数据样本,挖掘出气候环境参数和设备条件参数对冷却方式的深层影响,为设计阀冷却系统进行冷却方式选择提供依据,避免了冗长且复杂的计算过程,从而实现冷却方式的快速选择;
2)构建的堆叠异构残差网络模型深度提取了多类分类方式之间输出结果的潜在特征,增强了模型的泛化能力,且明显提高了冷却方式的分类准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例中基于堆叠异构残差网络的换流阀冷却方式分类方法的流程示意图一;
图2为本发明一实施例中基于堆叠异构残差网络的换流阀冷却方式分类方法的流程示意图二;
图3为本发明一实施例中基于堆叠异构残差网络的换流阀冷却方式分类装置的结构示意图;
图4为本发明一实施例中基于堆叠异构残差网络的换流阀冷却方式分类装置的模型训练模块的结构示意图。
具体实施方式
为使本发明所要解决的技术问题、技术方案及有益效果更为清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明中涉及的部分名词解释如下:
SH-ResNet:Stacked Heterogeneous Residual Network,堆叠异构残差网络模型;
SVM:Support Vector Machine,支持向量机;
RF:Random Forest,随机森林;
KNN:K-Nearest Neighbor,K近邻算法;
SGDM,Stochastic Gradient Descent with Momentum,基于动量的随机梯度下降算法;
BO:Bayesian Optimization,贝叶斯优化。
请一并参考图1和图2,本发明一实施例提供的一种基于堆叠异构残差网络的换流阀冷却方式分类方法,具体包括以下步骤:
步骤S10,构建堆叠异构残差网络模型;堆叠异构残差网络模型包含基础分类器库和深度残差网络(ResNet);基础分类器库由第一数量的有监督分类算法和第二数量的无监督聚类算法组成,用以对输入数据进行冷却方式初步分类,并将初步分类获得的多元数据集合堆叠至深度残差网络;深度残差网络由输入层、包含第三数量的卷积单元和网络底层单元的中间层和输出层组成,用以对多元数据集合进行冷却方式再分类,获得冷却方式分类结果。
在步骤S10中,基础分类器库由类有监督分类算法和类无监督聚类算法组成,且有监督分类算法的数量(即第一数量)和无监督聚类算法的数量(即第二数量)根据需求进行设置。为方便描述,可以将基础分类器库中的每一类有监督分类算法和无监督聚类算法视为一类基础分类器,且各类基础分类器的基本工作原理均不相同,此时,基础分类器库包含类基础分类器。作为优选,基础分类器库中可以包含6类有监督分类算法和3类无监督聚类算法,6类有监督分类算法分别为基于线性核函数的支持向量机(SVML)、基于高斯核函数的支持向量机(SVMG)、朴素贝叶斯模型(NB)、随机森林算法(RF)、K临近值算法(KNN)和判别子空间算法(DS),3类无监督聚类算法分别为K中心聚类(K-Medoids)、基于密度的空间聚类(DBSCAN)和谱聚类(SC)。在K中心聚类中,每个输入数据离聚类中心的马氏距离作为该输入数据相对于每一类冷却方式的置信分数,马氏距离越短,置信分数越高;在基于密度的空间聚类中,能识别某些噪声样本数据,进而弱化噪声样本数据对基础分类器库中分类器的影响;在谱聚类中,计算输入数据对应于拉帕拉斯矩阵的多个最小特征值,并将多个最小特征值分别作为多类冷却方式的置信分数,且作为优选,冷却方式包含风冷却、水冷却和风串水冷却三类,相应地,最小特征值的数量为3个。
形式构成,卷积层与批量归一化层之间采用个大小为2的卷积滤波器进行映射,上一个卷积单元的残差层与本卷积单元的批量归一化层进行跨层后元素相加后构成本卷积单元的残差层,依次类推,多个卷积单元连接后,与包含全连接层和激活函数层的网络底层单元连接。输入层用于获取初步分类得到的多元数据集合;中间层用于通过个卷积单元提取多元数据集合的分数特征,并通过网络底层单元生成各类冷却方式的分类结果;输出层用于输出各类冷却方式的分类结果。
冷却方式分类结果包含各类冷却方式最终的置信分数。
步骤S20,获取初始数据集,并将所述数据集划分为训练集和测试集。其中,该初始数据集中包含多个数据样本的多维特征向量和冷却方式标签。
在步骤S20中,训练集可以包含个训练数据的多维特征向量和个训练数据的冷却方式标签(,为标签数量)。作为优选,多维特征向量由气候环境参数和设备条件参数组成,气候环境参数包括但不限于平均气温、极端最高气温、极端最低气温、最大日温差、平均气压、最高气压、最低气压、平均相对湿度、平均风速、最大风速、海拔高度等;设备条件参数包括但不限于额定冷却容量、额定进阀流量、冷却塔进塔水温、用电负荷、补水量、喷淋水池容积、设备占地空间等。
需要说明的是,步骤S10和步骤S20中任一步骤优先于另一步骤执行即可。
在一实施例中,步骤S20包括以下步骤:
步骤S2011,获取多个数据样本以及多个数据样本的冷却方式标签。其中,冷却方式标签为水冷却、风串水冷却和风冷却中任一类冷却方式对应的编码。
在步骤S2011中,冷却方式可以采用十进制编码或二进制编码形式。若冷却方式采用十进制编码,则类别标签可以表示为,其中、、分别表示为水冷却、风串水冷却和风冷却;若冷却方式采用二进制编码,则类别标签可以表示为,其中、、分别表示为水冷却、风串水冷却和风冷却。
步骤S2012,从每个数据样本中提取气候环境参数和设备条件参数,并根据气候环境参数和设备条件参数构建多维特征向量。
可选地,多维特征向量为19维特征向量,包含12个气候环境参数和7个设备条件参数,气候环境参数分别为平均气温、极端最高气温、极端最低气温、最大日温差、平均气压、最高气压、最低气压、平均相对湿度、平均风速、最大风速、海拔高度;设备条件参数分别为额定冷却容量、额定进阀流量、冷却塔进塔水温、用电负荷、补水量、喷淋水池容积、设备占地空间。
步骤S2013,根据所有数据样本的多维特征向量和冷却方式标签构建初始数据集。
步骤S2014,将初始数据集按照预设比例划分为训练集和测试集。
可理解的,本实施例首先基于不同地区站点的气候环境、阀冷却系统需求、设备布置情况以及最终设计阀冷却系统所使用的冷却方式,获取多个数据样本;然后,分别从每个数据样本中提取12个气候环境参数和7个设备条件参数组合构建19维特征向量,以及通过经验和计算确定对应的冷却方式,并根据冷却方式的编码设置冷却方式标签;最后,根据所有数据样本的19维特征参向量和冷却方式标签构建初始数据集,并按照预设比例划分为训练集和测试集。其中,训练集可以表示为,为训练数据总数;测试集可以表示为,为测试数据总数,且。
步骤S30,利用训练集对构建的堆叠异构残差网络模型进行学习训练,获得训练完成的堆叠异构残差网络模型。
在步骤S30中,堆叠异构残差网络模型的学习训练过程包含两个学习阶段,第一学习阶段采用基础分类器库对训练集进行初步分类学习;第二学习阶段采用深度残差网络作为元分类器,将基础分类器库的输出堆叠至深度残差网络进行再分类学习,以降低堆叠异构残差网络模型的泛化误差。
作为优选,步骤S30包括以下步骤:
步骤S301,将训练集输入堆叠异构残差网络模型,并通过基础分类器库对训练集进行初步分类学习,获得多元数据集合。其中,多元数据集合包含通过第一数量的有监督分类算法进行次折交叉验证或者通过第二数量的无监督聚类算法进行次聚类所获得的各类冷却方式的置信分数。
步骤S302,将多元数据集合堆叠至深度残差网络,通过深度残差网络进行再分类学习,获取训练好的深度残差网络。
步骤S303,基于基础分类器库和训练好的深度残差网络,获得训练完成的堆叠异构残差网络模型。
在本实施例中,在堆叠异构残差网络模型的学习训练过程,首先将训练集输入基础分类器库进行初步分类学习,得到训练集对应的多元数据集合,然后将多元数据集合输入到包含网络参数向量的深度残差网络中进行分类再学习,并根据深度残差网络输出的多元数据集合对应的冷却方式分类结果(冷却方式分类结果包含每一个训练数据对应的各类冷却方式最终的置信分数)确定每一个训练数据的冷却方式预测类别,与实际的冷却方式进行对比获取损失值,并利用贝叶斯优化调整网络超参数,再利用基于动量的随机梯度下降算法更新网络参数向量,最终完成堆叠异构残差网络模型的学习训练过程。
进一步地,所述基础分类器库由第一数量的有监督分类算法和第二数量的无监督聚类算法组成,步骤S301包括以下步骤:
步骤S3011,通过基础分类器库中的有监督分类算法对训练集进行次(多次)()折交叉验证,并将每一次交叉验证的结果进行堆叠,获得每一类有监督分类算法的置信分数集合。其中,有监督分类算法的置信分数集合可以表示为:
上式中,为第类有监督分类算法的置信分数集合,为第类有监督聚类算法在第次折交叉验证下第个训练数据相对于第类冷却方式的置信分数,为交叉验证次数,为训练数据总数,为标签总数,为基础分类器库中有监督分类算法的数量。可选地,交叉验证次数,三次不同的折交叉验证分别为3、4、5折交叉验证。
在步骤S3011中,对于每一次折交叉验证,首先将训练集划分为个大小相似的集合,然后选取划分后数据中的个集合作为交叉验证中的训练集,剩余的一个集合作为验证集,分别输入有监督分类算法()中,获取每一类有监督分类算法在不同的折交叉验证下每个训练数据()对每种冷却方式标签()的置信分数,进而得到每一类有监督分类算法的置信分数集合。可理解的,本实施例通过多次交叉验证可以扩充深度残差网络的输入数据。
上式中,为第类无监督聚类算法的置信分数集合,为第类无监督聚类算法在第次聚类下第个训练数据相对于第类冷却方式的置信分数,为聚类次数,为基础分类器库中无监督聚类算法的数量,为基础分类器库中基础分类器的总数。
在步骤S3022中,在有监督分类算法的基础上增加无监督聚类算法,并利用无监督聚类算法对训练集进行聚类时,去除训练数据的冷却方式标签,仅保留多维特征向量,同时对每类无监督聚类算法的算法参数进行设置,使每个无监督聚类算法将训练集的训练数据聚至类,也即聚类中心的数量与冷却方式标签的数量相同。可理解的,本实施例通过多次聚类可以排除偶然因素。
步骤S3023,根据各类有监督分类算法和各类无监督聚类算法的置信分数集合,构建多元数据集合。其中,多元数据集合可以表示为:
在步骤S3023中,将类基础分类器所获得的置信分数进行堆叠,得到元数据集合。例如,若基础分类器库包含9类基础分类器,冷却方式标签的数量为3,聚类次数和交叉验证次数为3,训练集中包含的训练数据数量为155,则多元数据集合为元数据集合。
进一步地,所述深度残差网络由输入层、包含第三数量的卷积单元和网络底层单元的中间层和输出层组成,所述步骤S302包括以下步骤:
步骤S3021,设置深度残差网络的网络参数向量和初始超参数。
步骤S3022,通过深度残差网络的输入层获取多元数据集合。
步骤S3023,通过中间层的卷积单元提取多元数据集合的分数特征,并通过网络底层单元生成多类冷却方式的置信分数。
步骤S3023,通过深度残差网络的输出层输出各类冷却方式的置信分数。
步骤S3024,根据多类冷却方式的置信分数确定每个训练数据的冷却方式预测类别,并根据冷却方式预测类别与冷却方式标签获取损失值。
步骤S3025,在损失值大于预设值时,通过贝叶斯优化调整初始超参数;而在损失值小于等于预设值时,则保存网络参数向量,并获取训练好的深度残差网络。
在本实施例中,深度残差网络的输入数据为分数集合,相应地,贝叶斯优化的数据集合可以表示,其中,,函数表示在该组超参数下,深度残差网络训练得到的先验误差计算函数。通过对数据集合进行拟合得到高斯过程模型,对高斯过程模型求解获得后验分布,并基于后验分布寻找使基于期望提高的采集函数最大的超参数,采集函数可以表示为:
需要说明的是,通过贝叶斯优化优化后的超参数为深度残差网络最终的超参数。
步骤S3026,基于调整后的超参数,通过基于动量的随机梯度下降算法更新网络参数向量。
步骤S3047,利用多元数据集合对更新网络参数向量的深度残差网络重新进行训练,直至损失值小于等于预设值,保存网络参数向量,并获取训练好的深度残差网络。
可理解的,本实施例首先将每个训练数据的置信分数集合和对应的冷却方式标签输送至深度残差网络进行再分类学习,并获取深度残差网络输出的每个训练数据对应的各类冷却方式最终的置信分数;然后根据各类冷却方式最终的置信分数确定每个训练数据的冷却方式预测类别,与实际的冷却方式标签进行对比,获取损失值;最后若检测到,则按照贝叶斯优化调整网络超参数,并通过基于动量的随机梯度下降算法更新网络参数向量,直至,确定深度残差网络训练完成。
步骤S40,利用测试集对训练完成的堆叠异构残差网络模型进行验证评价,获得分类评价指标,并根据分类评价指标判断模型是否满足预设分类效果。
在本实施例中,分类评价指标为预测精度(ACC)、灵敏度(SN)、特异性(SP)、调和平均数(HA)和马修斯相关系数(MCC)中的一项或多项指标;各项指标分别表示为:
上式中,为预测精度,为灵敏度,为特异性,为调和平均数,为马修斯相关系数,、分别为被模型分类正确的正样本数量与负样本数量,、分别为被模型分类错误的正样本数量与负样本数量,为观察总数,即测试集的测试数据总数,观察总数可以表示为:
在本实施例中,冷却方式分类属于多分类范畴,在利用测试集评估模型的性能时,需要定义正样本和负样本,可以将某类冷却方式标签关联的测试数据视为正样本,以及将类冷却方式标签关联的测试数据视为负样,从而测试数据划分为正样本和反样本两类。
作为优选,步骤S40包括以下步骤:
步骤S401,将测试集输入训练完成的堆叠异构残差网络模型,以获取模型输出的冷却方式分类结果。
步骤S402,根据冷却方式分类结果和冷却方式标签计算各项分类评价指标。
步骤S403,根据各项分类评价指标计算整体评价指标,并检测整体评价指标是否达到预设指标阈值;其中,整体评价指标的计算公式为:
步骤S404,若整体评价指标达到预设指标阈值,则确定模型满足预设分类效果;否则,确定模型不满足预设分类效果。
在评价堆叠异构残差网络模型时,首先,将测试集输入步骤S30训练完成的堆叠异构残差网络模型,堆叠异构残差网络模型输出冷却方式分类结果,该冷却方式分类结果包含每个测试数据的各类冷却方式最终的分类分数;然后,将冷却方式分类结果中分类分数最高的冷却方式确定为冷却方式预测类别,并根据测试数据的冷却方式预测类别和冷却方式标签分别计算预测精度(ACC)、灵敏度(SN)、特异性(SP)、调和平均数(HA)和马修斯相关系数(MCC);最后,基于五项分类评价指标通过平均算法计算得到整体平均指标,并检测整体平均指标是否达到预设指标阈值,若整体平均指标达到预设指标阈值,则确定堆叠异构残差网络模型满足预设分类效果,此时可进入步骤S50,以利用训练完成的堆叠异构残差网络模型对待测数据进行冷却方式判定;而若整体平均指标未达到预设指标阈值,则确定异构残差网络模型不满足预设分类效果,此时可进入步骤S30,以重新对堆叠异构残差网络模型进行学习训练,直至堆叠异构残差网络模型满足预设分类效果。
需要说明的是,在另一实施例中,在堆叠异构残差网络模型输出冷却方式分类结果之后,结合冷却方式类标签计算各项分类评价指标,并判断各项分类评价指标是否达到对应的指标阈值,若各项分类评价指标均达到对应的指标阈值,则确定堆叠异构残差网络模型满足预设分类效果;而若某一项分类评价指标未达到对应的指标阈值,则确定堆叠异构残差网络模型未满足预设分类效果。
步骤S50,在模型满足预设分类效果时,获取待测数据,并利用训练完成的堆叠异构残差网络模型进行冷却方式分类,获得待测数据的冷却方式推荐结果。
在步骤S50中,待测数据包含监测站点的实测气候环境和实测设备条件;冷却方式推荐结果包含各类冷却方式的分类分数。
在本实施例中,将待测数据输入训练完成的堆叠异构残差网络模型,并获取模型输出待测数据的冷却方式推荐结果。进一步地,可以根据冷却方式推荐结果生成可视化的冷却方式推荐图,以及从冷却方式推荐结果中获取分类分数最高的冷却方式作为待测数据的最终冷却方式。
可理解的,本发明可以根据上述基于堆叠异构残差网络的换流阀冷却方式分类方法构建交互式的换流阀冷却方式推荐系统,换流阀冷却方式推荐系统集成有多个可视化模块。
综上所述,本实施例提供的基于堆叠异构残差网络的换流阀冷却方式分类方法,将集成有有监督分类算法和无监督聚类算法的基础分类器库堆叠于深度残差网络,构建堆叠异构残差网络模型,并利用训练集对堆叠异构残差网络模型进行学习训练,利用测试集对堆叠异构残差网络模型进行验证评价,在获取到待测数据后,训练完成的堆叠异构残差网络模型综合多类分类方法的分类结果,最终输出各类冷却方式的分类分数。相较于现有的换流阀冷却方式分类方法,具有以下有效效果:
1)构建的堆叠异构残差网络模型通过学习历史数据样本,挖掘出气候环境参数和设备条件参数对冷却方式的深层影响,为设计阀冷却系统进行冷却方式选择提供依据,避免了冗长且复杂的计算过程,从而实现冷却方式的快速选择;
2)构建的堆叠异构残差网络模型深度提取了多类分类方式之间输出结果的潜在特征,增强了模型的泛化能力,且明显提高了冷却方式的分类准确率;此外,利用测试数据对模型进行验证评价,结果表明模型的分类正确率可以达到97%。
此外,如图3所示,与上述任意实施例方法相对应的,本发明一实施例还提供了一种基于堆叠异构残差网络的换流阀冷却方式分类装置,包括模型构建模块110、数据集处理模块120、模型测试模块130、模型测试模块140、和冷却方式推荐模块150,各功能模块的详细说明如下:
模型构建模块110,用于构建堆叠异构残差网络模型;堆叠异构残差网络模型包含基础分类器库和深度残差网络,基础分类器库由第一数量的有监督分类算法和第二数量的无监督聚类算法组成,用以对输入数据进行一次分类,并将一次分类获得的多元数据集合堆叠至深度残差网络;深度残差网络由输入层、包含第三数量的卷积单元和网络底层单元的中间层和输出层组成,用于对多元数据集合进行再分类,获得冷却方式分类结果;
数据集处理模块120,用于获取初始数据集,并将初始数据集划分为训练集和测试集;其中,初始数据集中包含多个数据样本的多维特征向量和冷却方式标签;
模型训练模块130,用于利用训练集对构建的堆叠异构残差网络模型进行学习训练,获得训练完成的堆叠异构残差网络模型;
模型测试模块140,用于利用测试集对训练完成的堆叠异构残差网络模型进行验证评价,获得分类评价指标,并根据分类评价指标判断模型是否满足预设分类效果;
冷却方式推荐模块150,用于在模型满足预设分类效果时,获取待测数据,并利用训练完成的堆叠异构残差网络模型进行冷却方式分类,获得待测数据的冷却方式推荐结果。
在一可选实施例中,所述数据集处理模块120包括以下子模块,各功能子模块的详细说明如下:
数据处理子模块,用于获取多个数据样本以及多个数据样本的冷却方式标签;
特征向量构建子模块,用于从每个数据样本中提取气候环境参数和设备条件参数,并根据气候环境参数和设备条件参数构建多维特征向量;
数据集构建子模块,用于根据所有数据样本的多维特征向量和冷却方式标签构建初始数据集;
数据集划分子模块,用于将初始数据集按照预设比例划分为训练集和测试集。
在一可选实施例中,如图4所示,所述模型训练模块130包括以下子模块,各功能子模块的详细说明如下:
初步分类子模块131,用于将训练集输入所以堆叠异构残差网络模型,并通过基础分类器库对训练集进行初步分类学习,获得多元数据集合;
再分类子模型132,用于将多元数据集合堆叠至深度残差网络,并通过深度残差网络进行再分类学习,获取训练好的深度残差网络;
模型输出子模块133,用于基于基础分类器库和训练好的深度残差网络,获得训练完成的堆叠异构残差网络模型。
在一可选实施例中,所述初步分类子模块131包括以下单元,各功能单元的详细说明如下:
结果堆叠单元,用于根据各类有监督分类算法和各类无监督聚类算法的置信分数集合,构建多元数据集合。
在一可选实施例中,所述再分类子模型132包括以下单元,各功能单元的详细说明如下:
参数设置单元,用于设置深度残差网络的网络参数向量和初始超参数;
网络训练单元,用于通过深度残差网络的输入层获取多元数据集合;通过中间层的卷积单元提取多元数据集合的分数特征,并通过网络底层单元生成各类冷却方式的置信分数;
损失计算单元,用于根据各类冷却方式的置信分数确定每个训练数据的冷却方式预测类别,并根据冷却方式预测类别与冷却方式标签获取损失值;
参数优化单元,用于在损失值大于预设值时,通过贝叶斯优化调整初始超参数;
迭代更新单元,用于基于调整后的超参数,通过基于动量的随机梯度下降算法更新网络参数向量;以及利用多元数据集合对更新网络参数向量的深度残差网络重新进行训练,直至损失值小于等于预设值,保存网络参数向量,并获取训练好的深度残差网络。
在一可选实施例中,所述模型测试模块140包括以下子模块,各功能子模块的详细说明如下:
模型测试子模块,用于将测试集输入训练完成的堆叠异构残差网络模型,以获取模型输出的冷却方式分类结果;
指标获取子模块,用于根据冷却方式分类结果和冷却方式标签计算各项分类评价指标;
指标检测子模块,用于根据各项分类评价指标计算整体评价指标,并检测整体评价指标是否达到预设指标阈值;
结果处理子模块,用于若整体评价指标达到预设指标阈值,则确定模型满足预设分类效果;否则,确定模型不满足预设分类效果。
上述实施例的基于堆叠异构残差网络的换流阀冷却方式分类装置用于实现前述实施例中相应的基于堆叠异构残差网络的换流阀冷却方式分类方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明实施例的,不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种基于堆叠异构残差网络的换流阀冷却方式分类方法,其特征在于,包括:
构建堆叠异构残差网络模型;所述堆叠异构残差网络模型包含基础分类器库和深度残差网络,所述基础分类器库由第一数量的有监督分类算法和第二数量的无监督聚类算法组成,用以对输入数据进行一次分类,并将一次分类获得的多元数据集合堆叠至深度残差网络;所述深度残差网络由输入层、包含第三数量的卷积单元和网络底层单元的中间层和输出层组成,用于对所述多元数据集合进行再分类,获得冷却方式分类结果;
获取初始数据集,并将所述初始数据集划分为训练集和测试集;其中,所述初始数据集中包含多个数据样本的多维特征向量和冷却方式标签;
利用所述训练集对构建的所述堆叠异构残差网络模型进行学习训练,获得训练完成的所述堆叠异构残差网络模型;
利用所述测试集对训练完成的所述堆叠异构残差网络模型进行验证评价,获得分类评价指标,并根据所述分类评价指标判断所述堆叠异构残差网络模型是否满足预设分类效果;
在模型满足预设分类效果时,获取待测数据,并利用训练完成的堆叠异构残差网络模型进行冷却方式分类,获得所述待测数据的冷却方式推荐结果。
2.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法,其特征在于,所述获取初始数据集,并将所述初始数据集划分为训练集和测试集,包括:
获取多个数据样本以及多个所述数据样本的冷却方式标签;
从每个所述数据样本中提取气候环境参数和设备条件参数,并根据所述气候环境参数和所述设备条件参数构建多维特征向量;
根据所有数据样本的所述多维特征向量和冷却方式标签构建初始数据集;
将所述初始数据集按照预设比例划分为训练集和测试集。
3.根据权利要求2所述的基于堆叠异构残差网络的换流阀冷却方式分类方法,其特征在于,所述气候环境参数包括平均气温、极端最高气温、极端最低气温、最大日温差、平均气压、最高气压、最低气压、平均相对湿度、平均风速、最大风速、海拔高度;所述设备条件参数包括额定冷却容量、额定进阀流量、冷却塔进塔水温、用电负荷、补水量、喷淋水池容积、设备占地空间。
4.根据权利要求2所述的基于堆叠异构残差网络的换流阀冷却方式分类方法,其特征在于,所述利用所述训练集对构建的所述堆叠异构残差网络模型进行学习训练,获得训练完成的所述堆叠异构残差网络模型,包括:
将所述训练集输入所以堆叠异构残差网络模型,并通过所述基础分类器库对所述训练集进行初步分类学习,获得多元数据集合;
将所述多元数据集合堆叠至所述深度残差网络,并通过所述深度残差网络进行再分类学习,获取训练好的所述深度残差网络;
基于所述基础分类器库和训练好的所述深度残差网络,获得训练完成的所述堆叠异构残差网络模型。
6.根据权利要求5所述的基于堆叠异构残差网络的换流阀冷却方式分类方法,其特征在于,所述将所述多元数据集合堆叠至所述深度残差网络,通过所述深度残差网络进行再分类学习,获取训练好的所述深度残差网络,包括:
设置所述深度残差网络的网络参数向量和初始超参数;
通过所述深度残差网络的输入层获取所述多元数据集合;
通过中间层的卷积单元提取所述多元数据集合的分数特征,并通过网络底层单元生成各类冷却方式的置信分数;
根据所述各类冷却方式的置信分数确定每个训练数据的冷却方式预测类别,并根据所述冷却方式预测类别与冷却方式标签获取损失值;
在所述损失值大于预设值时,通过贝叶斯优化调整所述初始超参数;
基于调整后的超参数,通过基于动量的随机梯度下降算法更新所述网络参数向量;
利用所述多元数据集合对更新网络参数向量的所述深度残差网络重新进行训练,直至所述损失值小于等于预设值,保存所述网络参数向量,并获取训练好的所述深度残差网络。
7.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法,其特征在于,所述利用所述测试集对训练完成的所述堆叠异构残差网络模型进行验证评价,获得分类评价指标,并根据所述分类评价指标判断模型是否满足预设分类效果,包括:
将所述测试集输入训练完成的所述堆叠异构残差网络模型,以获取模型输出的冷却方式分类结果;
根据所述冷却方式分类结果和冷却方式标签计算各项分类评价指标;
根据所述各项分类评价指标计算整体评价指标,并检测所述整体评价指标是否达到预设指标阈值;
若所述整体评价指标达到预设指标阈值,则确定模型满足预设分类效果;否则,确定模型不满足预设分类效果。
8.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法,其特征在于,所述基础分类器库中的有监督分类算法包括基于线性核函数的支持向量机、基于高斯核函数的支持向量机、朴素贝叶斯模型、随机森林算法、K临近值算法和判别子空间法;无监督聚类算法包括K中心聚类、基于密度的空间聚类和谱聚类。
9.根据权利要求1所述的基于堆叠异构残差网络的换流阀冷却方式分类方法,其特征在于,所述深度残差网络中的卷积单元包含卷积层、批量归一化层和残差层各两层,网络底层单元包含全连接层和激活函数层。
10.一种基于堆叠异构残差网络的换流阀冷却方式分类装置,其特征在于,包括:
模型构建模块,用于构建堆叠异构残差网络模型;所述堆叠异构残差网络模型包含基础分类器库和深度残差网络,所述基础分类器库由第一数量的有监督分类算法和第二数量的无监督聚类算法组成,用以对输入数据进行一次分类,并将一次分类获得的多元数据集合堆叠至深度残差网络;所述深度残差网络由输入层、包含第三数量的卷积单元和网络底层单元的中间层和输出层组成,用于对所述多元数据集合进行再分类,获得冷却方式分类结果;
数据集处理模块,用于获取初始数据集,并将所述初始数据集划分为训练集和测试集;其中,所述初始数据集中包含多个数据样本的多维特征向量和冷却方式标签;
模型训练模块,用于利用所述训练集对构建的所述堆叠异构残差网络模型进行学习训练,获得训练完成的所述堆叠异构残差网络模型;
模型测试模块,用于利用所述测试集对训练完成的所述堆叠异构残差网络模型进行验证评价,获得分类评价指标,并根据所述分类评价指标判断所述堆叠异构残差网络模型是否满足预设分类效果;
冷却方式推荐模块,用于在模型满足预设分类效果时,获取待测数据,并利用训练完成的堆叠异构残差网络模型进行冷却方式分类,获得所述待测数据的冷却方式推荐结果。
11.根据权利要求10所述的基于堆叠异构残差网络的换流阀冷却方式分类装置,其特征在于,所述模型训练模块包括:
初步分类子模块,用于将所述训练集输入所以堆叠异构残差网络模型,并通过所述基础分类器库对所述训练集进行初步分类学习,获得多元数据集合;
再分类子模型,用于将所述多元数据集合堆叠至所述深度残差网络,并通过所述深度残差网络进行再分类学习,获取训练好的所述深度残差网络;
模型输出子模块,用于基于所述基础分类器库和训练好的所述深度残差网络,获得训练完成的所述堆叠异构残差网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111437452.2A CN113850028B (zh) | 2021-11-30 | 2021-11-30 | 基于堆叠异构残差网络的换流阀冷却方式分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111437452.2A CN113850028B (zh) | 2021-11-30 | 2021-11-30 | 基于堆叠异构残差网络的换流阀冷却方式分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850028A true CN113850028A (zh) | 2021-12-28 |
CN113850028B CN113850028B (zh) | 2022-03-04 |
Family
ID=78982306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111437452.2A Active CN113850028B (zh) | 2021-11-30 | 2021-11-30 | 基于堆叠异构残差网络的换流阀冷却方式分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850028B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018046412A1 (en) * | 2016-09-07 | 2018-03-15 | Koninklijke Philips N.V. | Semi-supervised classification with stacked autoencoder |
CN108280436A (zh) * | 2018-01-29 | 2018-07-13 | 深圳市唯特视科技有限公司 | 一种基于堆叠递归单元的多级残差网络的动作识别方法 |
CN112731161A (zh) * | 2021-02-08 | 2021-04-30 | 中南大学 | 基于少量数据混插的非线性数据特征提取和分类预测方法 |
CN113255212A (zh) * | 2021-05-17 | 2021-08-13 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法 |
CN113274031A (zh) * | 2021-04-30 | 2021-08-20 | 西安理工大学 | 一种基于深度卷积残差网络的心律失常分类方法 |
-
2021
- 2021-11-30 CN CN202111437452.2A patent/CN113850028B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018046412A1 (en) * | 2016-09-07 | 2018-03-15 | Koninklijke Philips N.V. | Semi-supervised classification with stacked autoencoder |
CN108280436A (zh) * | 2018-01-29 | 2018-07-13 | 深圳市唯特视科技有限公司 | 一种基于堆叠递归单元的多级残差网络的动作识别方法 |
CN112731161A (zh) * | 2021-02-08 | 2021-04-30 | 中南大学 | 基于少量数据混插的非线性数据特征提取和分类预测方法 |
CN113274031A (zh) * | 2021-04-30 | 2021-08-20 | 西安理工大学 | 一种基于深度卷积残差网络的心律失常分类方法 |
CN113255212A (zh) * | 2021-05-17 | 2021-08-13 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法 |
Non-Patent Citations (2)
Title |
---|
柯永振: "面向网络的体绘制关键技术研究", 《中国博士学位论文全文数据库》 * |
楼嘉宇: "基于机器学习的电弧故障检测算法研究", 《中国优秀博硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113850028B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596492B (zh) | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 | |
CN108734355B (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
CN103559504B (zh) | 图像目标类别识别方法及装置 | |
Murphey et al. | Neural learning from unbalanced data | |
CN110009030B (zh) | 基于stacking元学习策略的污水处理故障诊断方法 | |
CN110363230B (zh) | 基于加权基分类器的stacking集成污水处理故障诊断方法 | |
CN110162014A (zh) | 一种集成多种智能算法的制冷系统故障诊断方法 | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN110942091B (zh) | 寻找可靠的异常数据中心的半监督少样本图像分类方法 | |
Shi et al. | Multi-label ensemble learning | |
CN109214460A (zh) | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 | |
CN105975611A (zh) | 自适应组合降采样增强学习机 | |
CN110162013A (zh) | 一种制冷系统故障诊断方法 | |
CN110705794A (zh) | 一种基于支持向量机算法预测窗户状态的方法 | |
CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
CN113239199B (zh) | 一种基于多方数据集的信用分类方法 | |
CN112541530B (zh) | 针对聚类模型的数据预处理方法及装置 | |
CN114353261A (zh) | 空调机组故障分析方法、装置、终端设备及存储介质 | |
CN113850028B (zh) | 基于堆叠异构残差网络的换流阀冷却方式分类方法及装置 | |
Javan et al. | On-line voltage and power flow contingencies ranking using enhanced radial basis function neural network and kernel principal component analysis | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
CN111127184B (zh) | 一种分布式组合信用评估方法 | |
Lustosa Filho et al. | An analysis of diversity measures for the dynamic design of ensemble of classifiers | |
CN113962440A (zh) | 一种融合dpc和gru的光伏预测方法和系统 | |
Lemaire et al. | An initialization scheme for supervized k-means |
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 |