期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
融合Boruta与TimesNet模型的台区总表接线故障辨识方法 认领 引用
1
作者 郭云鹏 李亦言 严正 《电测与仪表》 CSCD 北大核心 2026年第8期170-179,共10页
针对现阶段低压配电台区总表故障辨识主要依赖专家经验或简单指标判断,存在智能化、自动化水平不高,人工排查效率低的问题,且未能利用台区总表量测数据的多周期性特征。文中提出了融合Boruta与TimesNet模型的台区总表接线故障辨识方法... 针对现阶段低压配电台区总表故障辨识主要依赖专家经验或简单指标判断,存在智能化、自动化水平不高,人工排查效率低的问题,且未能利用台区总表量测数据的多周期性特征。文中提出了融合Boruta与TimesNet模型的台区总表接线故障辨识方法。首先采用Boruta算法对原始特征进行筛选,选择出对目标变量有显著贡献的特征。然后,引入TimesNet模型将一维时间序列转换为二维张量,并通过多尺寸并行卷积捕捉周期内和跨周期的序列特征。此外,文中依据先验知识改进了TimesNet模型,对其提取的周期信息进行补充完善。基于上海市10 kV台区实测数据的算例分析证明了所提出方法可针对4类主要故障(含正常状态)实现98%以上的辨识精度。 展开更多
关键词 台区总表 故障辨识 Boruta算法 TimesNet
暂未订购 下载PDF
基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命预测方法 认领 引用 被引量：1
2
作者 张楚 王熠炜 +2 位作者 张越 陈佳雷 彭甜 《太阳能学报》 EI CAS CSCD 北大核心 2025年第11期98-108,共11页
提出一种基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命(RUL)预测方法。首先,采用核主成分分析(KPCA)对原始数据实施降维与去冗余操作,以提取关键特征。随后,构建一个基于TimesNet的深度学习模型来评估电池的RUL。为进一步提... 提出一种基于改进堆优化算法和TimesNet神经网络的锂电池剩余寿命(RUL)预测方法。首先,采用核主成分分析(KPCA)对原始数据实施降维与去冗余操作,以提取关键特征。随后,构建一个基于TimesNet的深度学习模型来评估电池的RUL。为进一步提升模型性能,结合改进的堆优化算法(IHBO)对TimesNet模型的超参数进行优化。此外,引入误差校正机制来提高预测精度。实验结果表明,该方法在预测锂电池RUL方面具有较高的准确性,其均方根误差(RMSE)达到1.9937次,优于传统的时间序列模型。 展开更多
关键词 锂离子电池 剩余使用寿命 机器学习 堆优化算法 TimesNet 误差校正
暂未订购 下载PDF
基于Ethernet-APL的智能阀门故障诊断算法的设计 认领 引用
3
作者 金锦娣 张周博 +3 位作者 俞利明 张晓刚 陈劲聿 黄文君 《中国仪器仪表》 2026年第8期43-48,共6页
针对传统流程工业现场网络带宽受限、底层设备运行数据利用不足的问题,本文提出一种基于以太网先进物理层(Ethernet-APL)的智能阀门定位器及故障诊断方法。该方案构建控制数据与设备状态数据双通道通信机制,实现阀门控制指令和高频过程... 针对传统流程工业现场网络带宽受限、底层设备运行数据利用不足的问题,本文提出一种基于以太网先进物理层(Ethernet-APL)的智能阀门定位器及故障诊断方法。该方案构建控制数据与设备状态数据双通道通信机制,实现阀门控制指令和高频过程变量的同步传输;采用TimesNet对阀位、流量、压力等多变量时间序列进行多周期分解与二维张量重构,提取复杂时序故障特征。真实气动调节阀平台实验表明,该方法可有效识别摩擦力增大、供气压力偏低及阀门内外漏等典型故障,分类性能优于RF、XGBoost、CNN、GRU和Transformer。本研究验证了Ethernet-APL与深度时序模型结合用于智能阀门故障诊断的可行性。 展开更多
关键词 气动工业调节阀 智能阀门定位器 Ethernet-APL 故障诊断 TimesNet算法
暂未订购 下载PDF
基于SVMD的改进BWO-TimesNet短期热负荷预测模型 认领 引用 被引量：6
4
作者 段沁宇 薛贵军 +1 位作者 谭全伟 谢文举 《广西师范大学学报（自然科学版）》 CAS 北大核心 2024年第6期101-116,共16页
精准高效的热负荷预测对于保障热力系统稳定运行和合理规划热力资源至关重要。为了提升热负荷预测的准确性,本文提出一种基于逐次变分模态分解(successive variational mode decomposition,SVMD)和改进白鲸优化算法(improved Beluga wha... 精准高效的热负荷预测对于保障热力系统稳定运行和合理规划热力资源至关重要。为了提升热负荷预测的准确性,本文提出一种基于逐次变分模态分解(successive variational mode decomposition,SVMD)和改进白鲸优化算法(improved Beluga whale optimization,IBWO)的TimesNet短期热负荷预测模型。首先,利用SVMD将原始热负荷数据进行分解,去除噪声后得到若干个平稳且有规律的模态分量;其次,根据每个模态分量的特点选择合适的特征作为输入;然后,引入3种策略来改进白鲸优化算法,从而建立IBWO-TimesNet预测模型;最后,通过算例对模型的预测性能进行详细评估。结果表明:SVMD-IBWO-TimesNet模型的MAE、RMSE和R 2分别为0.647、1.190和99.1%。与其他主流预测模型相比,该模型具有更高的预测精度。同时,在减少训练样本的情况下,SVMD-IBWO-TimesNet模型仍能有效预测热负荷,具有较强的泛化能力。验证了所提出模型的有效性,为热力系统供热负荷的精准调控提供了参考。 展开更多
关键词 热负荷预测 TimesNet 逐次变分模态分解 白鲸优化算法
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈