文章编号: 1000-3673(2021)05-2025-08 中图分类号: TM 721 文献标识码: A 学科代码: 470·40
2. 河北省电磁场与电器可靠性重点实验室(河北工业大学),天津市 红桥区 300131;
3. 国网潍坊供电公司,山东省 潍坊市 261021
2. Key Laboratory of Electromagnetic Field and Electrical Apparatus Reliability of Hebei Province (Hebei University of Technology), Hongqiao District, Tianjin 300131, China;
3. State Grid Weifang Power Supply Company, Weifang 261021, Shandong Province, China
发电机励磁功率单元由晶闸管整流电路和交流电源两部分组成,主要作用是输出励磁电流并通过励磁系统调节来维持机端电压稳定和并联机组间的无功分配[1]。保持励磁功率单元的正常运行对发电机及整个电力系统有重要作用[2]。由于长期处于高频通断的工作状态,晶闸管整流电路极易发生故障[3]。
目前对于大功率电力电子变换设备的故障诊断有2种思路:一是硬件冗余;二是软件冗余[4]。前者通过检测故障信号,辅以硬件电路实现故障诊断。文献[5]设计了一种新型罗氏线圈(Rogowski coil)传感器,通过检测电感电流导数,利用简单的硬件电路实现非隔离单开关DC-DC变换器中的开路和短路故障检测。但是硬件冗余应用于整个系统会导致成本增加,且有可能受限于重量或空间等物理问题。
软件冗余方法主要有3种。一是基于解析模型[6-8]的方法,其思想是建立功率变换单元的数学模型,将实际测量的输出信号与理论模型的输出信号对比得到残差,以此作为分析信号进行故障诊断。文献[9]提出了以网侧电流残差变化率为判据的故障诊断方法,通过建立混合逻辑动态模型得到相互独立的故障特征,设定检测阈值从而实现H桥整流器中IGBT开路故障的实时诊断,但此方法需要准确的数学模型做计算,实际应用性和模型可移植性较差。
第二种是基于信号处理[10-12]的方法,通过在时域或频域里对输出信号做分析和变换,获得更加明显的故障信息,从而实现故障诊断和定位。常利用小波变换、谱分析法、希尔伯特–黄变化等方法对功率变换器进行故障诊断。文献[13]定义“面积”表达式描述可控整流电路输出电压,分析特征信号与故障类别的对应关系,通过改进的傅里叶变换对信号进行谱分析,从而对整流电路实现故障分类。使用傅里叶变换的缺点是需要对时窗内各次谐波整周期采样,实际情况中非平稳信号会限制傅里叶变换的应用。
第三类是基于知识[14-16]的方法。不同于前2种方法,此方法依赖的是大量历史数据而非先验模型或信号变换。通过选择合适的智能算法对数据样本进行分析实现故障诊断。文献[17]直接使用原始电压电流数据,通过构建一维卷积神经网络,实现了对四单元八开关MMC的故障检测与识别;文献[18]以三相电压为判据,通过在PSCAD/EMTDC平台上建立MMC模型,采样得到各故障信号数据,将其输入到神经网络以检测故障子模块数量和所在桥臂,但未能实现精确定位。
大功率同步发电机为提高运行可靠性,其励磁功率单元通常使用多桥并联的结构增加冗余,正常工况下各整流桥同时工作,互为备用。目前对多桥并联功率单元的故障诊断研究较少。本文以双桥并联三相整流模型为例,针对晶闸管开路故障提出基于1D-CNN-LSTM混合神经网络模型的故障诊断方法,以1号整流桥共阴极侧和共阳极侧电流以及AB相线电压作为判据,无需对输入特征进行人工处理。仿真结果表明该方法能够快速、准确地对励磁功率单元晶闸管开路进行故障诊断,具有良好的抗噪声能力。
1 双桥并联励磁功率单元 1.1 工况分析双桥并联励磁功率单元总共有12只晶闸管,每个整流桥包含6只晶闸管,两个整流桥通过并联的方式连接。图 1为双桥并联功率单元结构原理图。
晶闸管T11、T13、T15和T21、T23、T25位于共阴极侧,T14、T16、T12和T24、T26、T22位于共阳极侧。正常情况下,1号功率柜晶闸管导通顺序为T11、T12、T13、T14、T15、T16,2号功率柜晶闸管导通顺序为T21、T22、T23、T24、T25、T26,若以自然换向点作为触发角的起点,工程上触发角α=10°~90°时处于整流工作状态,触发角α=90°~150°时处于逆变灭磁状态。
励磁功率单元主要的故障类型是由于晶闸管高频通断导致的直通故障与开路故障。当晶闸管发生直通故障时,保护电路动作会切断线路使其转变为开路故障;当晶闸管发生开路故障时,另一功率柜相同位置的晶闸管会承担全部励磁电流的导通,保证发电机正常运行。例如T11发生开路故障后,流过T21的电流会变为原来的2倍,励磁电压和励磁电流因为T21的导通不会变化,1号励磁柜共阴极侧电流在T11导通时间为0,共阳极侧电流不变。
虽然通过整流桥的并联运行可以暂时保证发电机的正常工作,但这种不均流的现象会加重晶闸管的负担,进而缩短晶闸管使用寿命,降低励磁装置强励效果,造成更大的事故隐患。
大量实践表明,同一整流桥发生故障的晶闸管一般不会超过2个,所以在单个整流桥故障晶闸管数量小于3的情况下按故障发生位置将其分为6大类(将正常情况算作故障类型的一种),如表 1所示。
以触发角α=60°为例,部分故障各状态量波形图如图 2所示。
图中Id和Ud分别表示励磁电流和励磁电压,Ia和Ib分别表示1号功率柜共阴极侧电流和共阳极侧电流。对比正常工况与故障工况,当2个整流桥相同位置仅有一个晶闸管发生故障时,励磁电压和励磁电流并未发生明显变化。而1号功率柜共阴极侧电流和共阳极侧电流有各自的故障特征。例如仅T11发生故障时,励磁电压和励磁电流与正常工况时相同,1号功率柜共阴极侧电流在T11导通时间内为0,共阳极侧电流则不发生变化;而仅T14发生故障时,励磁电压和励磁电流也和正常工况没有差异,1号功率柜共阴极侧电流在T14导通时间内不发生变化,共阳极侧电流则变为0。励磁电压和励磁电流对单一整流桥故障不敏感,不适合作故障判据。实验表明选择1号功率柜的共阴极侧电流和共阳极侧电流作为故障特征是有效且合理的。
由于整流桥结构的对称性,有些故障类型反映在特征波形上只是相位的平移,如果采样零时刻不确定则可能会导致误判。交流侧状态量不会随故障变化,因此提取AB相线电压作为时间参考特征向量,通过比对故障特征向量与时间参考特征向量之间的相位关系,便可将其区分。最终确定1号功率柜共阴极侧电流Ia、共阳极侧电流Ib和AB相线电压Uab共同作为故障诊断特征判据。
2 1D-CNN-LSTM混合模型 2.1 一维卷积神经网络卷积神经网络依靠多个相同权值的卷积核提取目标特征,无需对特征进行手动提取,因此该结构具有较强的鲁棒性[19],在新兴的以人工智能和机器学习为基础的故障诊断中得到广泛应用。一维卷积神经网络是指卷积和池化操作仅在一维尺度上进行,其结构如图 3所示。
卷积操作只计算前一层神经元的局部参数,减少了参数数量,降低了网络复杂度,随后通过激活函数得到新的特征量传递至下一层网络。其数学模型如公式(1)所示
${H_i} = f({H_{i - 1}} \otimes {\boldsymbol{W}_i} + {\boldsymbol{b}_i})$ | (1) |
式中:Hi为第i层输入特征量;⊗代表卷积运算;Wi和bi分别表示第i层卷积核的权值矩阵和对应的偏置向量;f代表激活函数,在模型中引入非线性因素,使其具有更好的表达能力。
卷积操作在层与层之间建立映射关系,为了进一步减小计算量,引入池化层对卷积后的特征量进行降维,同时降低网络过拟合的风险。其计算过程表示为
${H_i} = {\rm{down}}({H_{i - 1}})$ | (2) |
式中:Hi-1和Hi分别表示池化前后的特征量;down()表示池化函数。常用池化方法有最大值池化,平均值池化等[20]。
2.2 长短期记忆网络LSTM是循环神经网络(recurrent neural network,RNN)的一类变体,由输入层、隐藏层和输出层构成,LSTM在隐藏层各神经单元中加入记忆单元,使时间序列上的特征信息被选择性的输出,解决了RNN在实际应用中的长期记忆问题[21]。LSTM的记忆单元结构如图 4所示。
细胞状态(cell state)通过3个门控结构更新,分别是输入门、遗忘门和输出门[22]。在t时刻,细胞状态计算过程如下:
$\left\{ \begin{gathered} {f_t} = \sigma ({\boldsymbol{W}_f} \cdot [{h_{t - 1}},{x_t}] + {\boldsymbol{b}_f}) \\ {i_t} = \sigma ({\boldsymbol{W}_i} \cdot [{h_{t - 1}},{x_t}] + {\boldsymbol{b}_i}) \\ {\mathit{\boldsymbol{\widetilde C}}_t} = \tan h({\boldsymbol{W}_c} \cdot [{h_{t - 1}},{x_t}] + {\boldsymbol{b}_c}) \\ {C_t} = {f_t} \times {\boldsymbol{C}_{t - 1}} + {i_t} \times {\mathit{\boldsymbol{\widetilde C}}_t} \\ {o_t} = \sigma ({\boldsymbol{W}_o}[{h_{t - 1}},{x_t}] + {\boldsymbol{b}_o}) \\ {h_t} = {o_t} * \tan h({\boldsymbol{C}_t}) \\ \end{gathered} \right.$ | (3) |
式中:ft、it、ot分别为3个门控结构的计算结果;xt为t时刻输入;ht为t时刻LSTM输出;Ct为t时刻细胞状态;
本文提出的1D-CNN-LSTM网络结构如图 5所示。输入特征量为1号功率柜共阴极侧电流、共阳极侧电流和AB相线电压3个一维向量。1D-CNN采用6层网络结构,通过3个一维卷积层和3个一维池化层将故障特征量进行特征重构与特征向量降维,没有破坏特征向量时序性。随后将特征量输入LSTM网络,通过LSTM网络对特征时序信息进行二次提取。经过LSTM处理的特征量输入全连接层,通过两层全连接层将维度降到与输出标签类别相同,通过Softmax分类器输出分类标签。
故障类型如表 1所示为6大类,共
在MATLAB中建立脚本,控制Simulink中模型运行和参数更改,通过循环嵌套程序经过排列组合遍历所有参数类型,得到共
3组故障特征量中2个为电流量,一个为电压量,表示的物理意义不完全一样,其数量级和量纲也不完全相同,为避免因数据不规范导致的数值问题,统一评价标准,使网络更快地收敛,采用线性归一化方法对原始数据进行处理,将其数值线性变换到[0, 1]之间,其数学表达式为
$x' = \frac{{x - \min (x)}}{{\max (x) - \min (x)}}$ | (4) |
式中:x表示原始数据;
本文模型仿真所用实验平台参数为:Intel(R) Core(TM) i54210H处理器,基本频率为2.9GHz,8G内存,使用CPU训练。深度学习框架为TensorFlow,编程语言为Python3.6。
网络模型需要通过训练学习得到最优参数,训练过程如图 6所示。通过训练集对网络调参,若网络收敛,则用测试集测试分类准确率;若网络不收敛,说明网络的结构或参数设置存在问题。修改模型后再次训练,直到测试集的准确率达到最高。
网络学习率初始值为0.001,输入采用Shuffle batch打乱样本,避免梯度下降的过程中在局部最优解处振荡;卷积核采用零填充,所以卷积操作不影响特征量维度;池化函数选择最大值池化;模型训练使用自适应矩估计方法(adaptive moment estimation,Adam)通过最小化损失函数更新网络权重,Adam算法计算高效,对内存要求低,对梯度对角缩放保持不变,适用于解决大规模数据的优化问题,其计算过程如下所示
$\left\{ \begin{array}{l} {m_t} = {\beta _1}{m_{t - 1}} + (1 - {\beta _1}){g_t} \\ {v_t} = {\beta _2}{v_{t - 1}} + (1 - {\beta _2})g_t^2 \\ {{\hat m}_t} = \frac{{{m_t}}}{{1 - \beta _1^t}} \\ {{\hat v}_t} = \frac{{{v_t}}}{{1 - \beta _2^t}} \\ {\theta _t} = {\theta _{t - 1}} - \frac{{{{\hat m}_t}}}{{\sqrt {{{\hat v}_t}} + \varepsilon }}\alpha \\ \end{array} \right.$ | (5) |
式中:gt表示梯度;mt和vt分别是对梯度的一阶矩估计和二阶矩估计;
网络损失选择交叉熵损失函数。其数学表达为
$L = - \sum\limits_{i = 1}^N {{{\hat y}_i}\log (} {y_i})$ | (6) |
式中:
网络其他参数中,CNN参考LeNet-5网络[24]选择并加以调整,LSTM参数的选择与CNN的输出相配合,最终得到各参数最优取值如表 3所示。
网络训练过程各指标变化情况如图 7所示。
图中蓝色线代表训练集准确率,红色线代表网络损失。由曲线可知,随着迭代次数的增加,训练集准确率呈振荡上升趋势,网络损失总体为振荡下降趋势。在迭代到2000次后,训练集准确率和网络损失均趋于稳定。最终在迭代至3000次时取得最好效果。训练集准确率为100%,网络损失为0.0245,训练结果表明网络收敛且拟合效果较好。取第3000次迭代网络为目标网络保存。
为验证网络泛化性能,将测试集全部数据输入到目标网络中,最终得到测试集准确率为97.92%。结果表明该网络结构对双桥并联励磁功率系统晶闸管开路故障有良好的诊断能力。
3.4 对比实验为了验证本文所选网络模型的优越性,使用相同数据集与其他主流智能故障诊断网络模型以及本文所用模型的变体作对比,所用网络结构设计如下所示。
1)1D-CNN:在本文网络结构基础上去掉LSTM结构,即三层卷积与三层最大池化交替排列,通过两层全连接网络将输出与分类器相连。
2)LSTM:在本文网络结构的基础上去掉1D-CNN部分,选择基本单层LSTM模型,时间步为80,隐藏层节点数为512。
3)DNN:通过两层全连接网络与分类器连接,FC1隐藏层节点数为(240, 1024),FC2隐藏层节点数为(1024, 484)。
4)1D-CNN-LSTM(1C1P):本文网络结构1D-CNN只保留第一层卷积层和第一层池化层。
5)1D-CNN-LSTM(2C2P):在本文网络结构的基础上去掉第三层卷积层和第三层池化层。
6)1D-CNN-LSTM(3C3P):本文设计的网络结构。
7)1D-CNN-LSTM(4C4P):在本文网络结构的基础上,1D-CNN后增加一层卷积层和一层池化层,卷积核尺寸不变,深度为32,池化层尺寸与前层相同。
表中6号网络为本文选用的网络结构。1号和3号网络在迭代至6000次时收敛。将1—3号网络与6号网络作对比,本文所采用的混合网络结构在网络损失和准确率上都是最优的,测试集准确率达到97.92%。1D-CNN和LSTM网络稍差,原因是CNN网络和LSTM网络只对空间特征或时序特征中的某一类敏感,因此网络拟合程度不足。DNN网络测试集准确率最低,为84.79%,原因在于DNN很难对局部特征进行有效提取,而且神经元的增多加大了计算量,也加大了过拟合的风险。而本文所选网络结构综合了CNN和LSTM的优点,因此能够很好地从原始信号中挖掘更全面的特征信息,通过池化对特征量降维,使网络具有更好的拟合能力和泛化性。
4—7号网络的对比实验探索了CNN结构网络深度和训练效果之间的关系。本文所采用网络结构CNN部分是在LeNet-5网络模型基础上改进得来,LeNet-5模型为3层卷积层与2层池化层的网络结构。在对网络结构调试的过程中发现,当CNN深度过小时,由于对特征提取能力的不足,会导致Loss没有很好的下降,会产生欠拟合的可能。相应的4号网络Loss为0.0878是4组测试中最大的,而测试集准确率是4组中最小的95.93%。当卷积层与池化层数量为3层时,网络拟合效果和泛化性达到最优。继续增加网络的深度发现网络损失和测试集准确率开始下降,原因分析为网络深度增加导致过拟合的风险增加,虽然池化层有减小过拟合的作用,但由于池化层会减小特征维度,添加过多的池化层会导致输入到LSTM中的特征量时间步过小,影响LSTM对时序特征的提取,进而导致网络拟合效果降低。
3.5 抗噪性能分析为测试本文网络结构的抗噪性能,借助MATLAB工具对全部测试集共50 820组样本添加高斯白噪声,不同信噪比时测试结果如表 5所示。
由测试结果可知,当测试集无噪声时准确率最高,达到97.92%。随着噪声的增加,测试集准确率下降,但下降幅度不大,测试结果中当信噪比为35dB时测试集准确率最低,为96.16%,与无噪声时相差1.77%,可以认为网络具备良好的抗噪性能,能够应对励磁功率单元中出现的噪声情况。
4 结论本文提出了一种基于1D-CNN-LSTM混合神经网络模型的双桥并联励磁功率单元故障诊断系统,通过将1号整流桥共阴极侧、共阳极侧电流和AB相线电压构造时序特征向量作为输入,使用1D-CNN和LSTM混合网络提取故障特征,既避免了人工提取故障特征可能出现的特征丢失问题,还可以深层次发掘故障数据时间和空间上的隐藏特征。推广到多桥并联只需重新设置数据集训练网络模型。通过仿真实验验证了该方法的有效性。与传统故障诊断方法相比,该方法减少了传感器数量,降低了设备成本,保证故障诊断的准确性,实现了对故障位置的精确定位,且能够有效应对实际情况中出现的波动,具有一定的工程意义。
[1] |
李基成. 现代同步发电机励磁系统的设计与应用[M]. 北京: 中国电力出版社, 2017.
(0) |
[2] |
傅磊, 卢力东, 刘甲林. 一种发电机励磁系统性能的模糊综合评估算法[J]. 电机与控制应用, 2016, 43(2): 26-29, 86. FU Lei, LU Lidong, LIU Jialin. A kind of method based on fuzzy comprehensive evaluation algorithm for performance of generator excitation system[J]. Electric Machines & Control Application, 2016, 43(2): 26-29, 86 (in Chinese). DOI:10.3969/j.issn.1673-6540.2016.02.006 (0) |
[3] |
龚俊名, 刘伟. 多桥并联励磁系统功率单元故障诊断方法[J]. 重庆理工大学学报: 自然科学, 2017, 31(6): 171-178. GONG Junming, LIU Wei. Fault diagnosis scheme based on wavelet analysis of power unit in excitation system[J]. Journal of Chongqing University of Technology: Natural Science, 2017, 31(6): 171-178 (in Chinese). DOI:10.3969/j.issn.1674-8425(z).2017.06.026 (0) |
[4] |
GAO Z, CECATI C, DING S X. A survey of fault diagnosis and fault-tolerant techniques—Part I: fault diagnosis with model-based and signal-based approaches[J]. IEEE Transactions on Industrial Electronics, 2015, 62(6): 3757-3767. DOI:10.1109/TIE.2015.2417501 (0) |
[5] |
FARJAH E, GIVI H, GHANBARI T. Application of an efficient Rogowski coil sensor for switch fault diagnosis and capacitor ESR monitoring in nonisolated single-switch DC-DC converters[J]. IEEE Transactions on Power Electronics, 2017, 32(2): 1442-1456. DOI:10.1109/TPEL.2016.2552039 (0) |
[6] |
陈勇, 张建建, 陈章勇. 基于电流观测器的三相逆变电路开路故障在线诊断[J]. 电工技术学报, 2019, 34(S2): 609-617. CHEN Yong, ZHANG Jianjian, CHEN Zhangyong. A current observer based on-line open-fault diagnosis for three-phase inverter[J]. Transactions of China Electrotechnical Society, 2019, 34(S2): 609-617 (in Chinese). (0) |
[7] |
JLASSI I, ESTIMA J O, KHIL S K E, et al. A robust observer-based method for IGBTS and current sensors fault diagnosis in voltage-source inverters of PMSM drives[J]. IEEE Transactions on Industry Applications, 2017, 53(3): 2894-2905. DOI:10.1109/TIA.2016.2616398 (0) |
[8] |
殷实, 谭国俊. 一种基于扩展卡尔曼滤波算法的MMC系统故障诊断策略[J]. 电工技术学报, 2016, 31(19): 74-84. YIN Shi, TAN Guojun. A novel fault diagnosis strategy of MMC system based on EKFA[J]. Transactions of China Electrotechnical Society, 2016, 31(19): 74-84 (in Chinese). DOI:10.3969/j.issn.1000-6753.2016.19.007 (0) |
[9] |
谢东, 葛兴来. 基于残差变化率的单相级联H桥整流器IGBT开路故障诊断[J]. 电工技术学报, 2018, 33(16): 3822-3834. XIE Dong, GE Xinglai. Residual-changing-rate based open-circuit fault diagnosis for a single-phase cascaded H-bridge rectifier[J]. Transactions of China Electrotechnical Society, 2018, 33(16): 3822-3834 (in Chinese). (0) |
[10] |
陈勇, 刘志龙, 陈章勇. 基于电流矢量特征分析的逆变器开路故障快速诊断与定位方法[J]. 电工技术学报, 2018, 33(4): 883-891. CHEN Yong, LIU Zhilong, CHEN Zhangyong. Fast diagnosis and location method for open-circuit fault in inverter based on current vector character analysis[J]. Transaction of China Electrotechnical Society, 2018, 33(4): 883-891 (in Chinese). (0) |
[11] |
崔江, 王强, 龚春英. 结合小波与Concordia变换的逆变器功率管故障诊断技术研究[J]. 中国电机工程学报, 2015, 35(12): 3110-3116. CUI Jiang, WANG Qiang, GONG Chunying. Inverter power switch fault diagnosis technique research based on wavelet and Concordia transform[J]. Proceedings of the CSEE, 2015, 35(12): 3110-3116 (in Chinese). (0) |
[12] |
毕恺韬, 安群涛, 孙东阳, 等. 基于子模组工况分析的模块化多电平储能系统开路故障诊断方法[J]. 电工技术学报, 2018, 33(6): 1219-1226. BI Kaitao, AN Quntao, SUN Dongyang, et al. Modular multilevel energy storage system open circuit diagnostic method based on sub-module operation analysis[J]. Transactions of China Electrotechnical Society, 2018, 33(6): 1219-1226 (in Chinese). (0) |
[13] |
李敏远, 陈如清. 基于改进谱分析法的大功率可控整流电路故障在线诊断系统[J]. 中国电机工程学报, 2004, 24(10): 162-167. LI Minyuan, CHEN Ruqing. On-line fault diagnosis system for high-power controlled rectifier based on improved frequency analysis method[J]. Proceedings of the CSEE, 2004, 24(10): 162-167 (in Chinese). (0) |
[14] |
SHI T C, HE Y G, WANG T, et al. Open switch fault diagnosis method for PWM voltage source rectifier based on deep learning approach[J]. IEEE Access, 2019(7): 66595-66608. (0) |
[15] |
HE Y G, LI C C, WANG T, et al. Incipient fault diagnosis method for IGBT drive circuit based on improved SAE[J]. IEEE Access, 2019(7): 92410-92418. (0) |
[16] |
陈文博, 程红, 王聪. 三相无桥功率因数校正器开路故障的快速诊断与定位策略[J]. 电工技术学报, 2019, 34(18): 3873-3883. CHEN Wenbo, CHENG Hong, WANG Cong. A fast open circuit fault diagnosis and location strategy for three-phase bridgeless power factor corrector[J]. Transactions of China Electrotechnical Society, 2019, 34(18): 3873-3883 (in Chinese). (0) |
[17] |
KIRANYAZ S, GASTLI A, BEN-BRAHIM L, et al. Real-time fault detection and identification for MMC using 1D convolutional neural networks[J]. IEEE Transactions on Industrial Electronics, 2018, PP(99): 1-1. (0) |
[18] |
LIN P, ZHANG Z, ZHANG Z, et al. Open-circuit fault diagnosis for modular multilevel converter using wavelet neural network[C]//2019 IEEE Innovative Smart Grid Technologies - Asia (ISGT Asia), Chengdu, China: IEEE, 2019: 250-255.
(0) |
[19] |
周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1229-1251. ZHOU Feiyan, JIN Linpeng, DONG Jun. Review of convolution neural network[J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251 (in Chinese). (0) |
[20] |
刘星辰, 周奇才, 赵炯, 等. 一维卷积神经网络实时抗噪故障诊断算法[J]. 哈尔滨工业大学学报, 2019, 51(7): 89-95. LIU Xingchen, ZHOU Qicai, ZHAO Jiong, et al. Real-time and anti-noise fault diagnosis algorithm based on 1-D convolutional neural network[J]. Journal of Harbin Institute of Technology, 2019, 51(7): 89-95 (in Chinese). (0) |
[21] |
刘建伟, 王园方, 罗雄麟. 深度记忆网络研究进展[J/OL]. 计算机学报, 2020: 1-52[2020-03-25]. http://kns.cnki.net/kcms/detail/11.1826.TP.20200114.1543.004.html. LIU Jianwei, WANG Yuanfang, LUO Xionglin. Research and development on deep memory network[J/OL]. Chinese Journal of Computers, 2020: 1-52[2020-03-25]. http://kns.cnki.net/kcms/detail/11.1826.TP.20200114.1543.004.html(in Chinese). (0) |
[22] |
李鹏, 何帅, 韩鹏飞, 等. 基于长短期记忆的实时电价条件下智能电网短期负荷预测[J]. 电网技术, 2018, 42(12): 4045-4052. LI Peng, HE Shuai, HAN Pengfei, et al. Short-term load forecasting of smart grid based on long-short-term memory recurrent neural networks in condition of real-time electricity price[J]. Power System Technology, 2018, 42(12): 4045-4052 (in Chinese). (0) |
[23] |
KINGMA D P, BA J. Adam: a method for stochastic optimization[J]. Computerence, 2014. (0) |
[24] |
史建超, 胡正伟, 贺冬梅, 等. 基于深度学习的电力线信道传输特性识别方法[J]. 电网技术, 2019, 43(12): 4283-4290. SHI Jianchao, HU Zhengwei, HE Dongmei, et al. Transmission characteristic recognition method of power line channel based on deep learning[J]. Power System Technology, 2019, 43(12): 4283-4290 (in Chinese). (0) |