基于改进AP聚类与优化GRNN的非侵入式负荷分解研究

泛在电力物联网的提出推动了智慧用电、负荷监测等技术的大力发展,为解决传统非侵入式负荷监测与分解方法耗时长,辨识精度低等问题,文章提出了一种半监督学习聚类数据建立特征集并结合果蝇优化广义回归神经网络模型的负荷分解方法。首先,该方法利用输入的设备有功功率和电流数据采取半监督学习优化相似矩阵,以近邻传播聚类算法为基础挖掘出用电设备的运行状态特性以及功率信息,再使用数字编码方式将设备运行状态表示为分类标签,然后输入总有功功率、无功功率以及电流的时间序列数据和对应序列的分类标签矩阵,利用果蝇优化算法的寻优能力求得广义回归神经网络模型的最优Spread值完成模型优化和训练,随后输入测试时间序列数据,得到分类矩阵即各设备运行状态,并利用设备运行状态对应的功率信息进行总有功功率重构拟合,完成负荷分解。经仿真对比,此方法对所有用电设备运行状态辨识准确率达到86%左右,对单个用电设备运行状态辨识准确率达到96%左右,且耗时较短,显著提高了对负荷特性信息的挖掘能力和分解辨识能力。     

基于多注意力机制集成的非侵入式负荷分解算法

针对输入负荷特征对分解结果的重要程度不同,以及长短时记忆网络（LSTM）在捕捉长时间用电信息的时间依赖性方面受限导致分解误差高等问题,提出一种基于多注意力机制集成的非侵入式负荷分解算法.首先,利用概率自注意力机制对一维空洞卷积提取到的负荷特征进行优化处理,实现重要负荷特征的遴选;其次,采用时间模式注意力机制对LSTM的隐状态赋予权重,从而增强网络对长时间用电信息之间的时间依赖性的学习能力;最后,利用公开数据集UKDALE和REDD对所提分解模型的有效性和创新性进行验证.实验结果表明,与其他多种现有分解算法相比,基于多注意力机制集成的分解算法不仅具备更好的负荷特征遴选能力,而且能更加精确地建立特征之间的时间依赖关系,有效降低了分解误差.     

基于CFSFDP图拉普拉斯算法的非侵入式负荷监测方法

非侵入式负荷监测(NILM)是我国未来电网建设的重要发展方向之一。为克服传统非侵入式负荷监测方法的计算数据量大、辨识准确率较低等问题,提出了一种基于CFSFDP(快速密度峰值搜索算法)图拉普拉斯算法的非侵入式负荷监测方法。首先,该方法利用输入的设备有功功率数据采取快速密度峰值搜索聚类算法构建家用电器的功率阈值向量和先验图结构;然后结合图信号的平滑度特征和总功率信号构建图拉普拉斯二次型最优函数,利用Tikhonov正则化方法以迭代的方式求得最优解,从而实现用电负荷图信号的重构;最后根据功率阈值向量将图信号转换为功率信号,即可实现用户的非侵入式负荷监测。对某一家庭两天的实测用电数据进行仿真分析,得到如下结果：1)该方法对第一天的负荷辨识精度达到了100%,各用电设备消耗用电量比例与实际耗电量比例误差均低于3%。2) 该方法对第二天的负荷识别准确率达到了90.1%,相比于对比算法至少高了0.8%。对单个用电设备分解精度达到91%以上,设备的用电量误差不超过5%且低于对比算法。3) 当数据采样间隔增大为2min,所提算法的准确率、辨识精度和单设备分解精度都有所降低,但数值上优于对比算法,并且有更优的时间复杂度。研究结果验证了所提非侵入式负荷监测方法的有效性及其优越性,对于解决实际低频NILM问题有很大的优势。     

基于聚类特征及优化网络的非侵入式负荷分解

非侵入式负荷分解可以通过总表负荷数据,识别不同电器的运行情况,对需求侧用电实现有效管理.针对多电器同时运行时负荷数据相似导致的识别正确率低的问题,提出基于特征聚类及优化时序卷积网络的非侵入式负荷分解模型.首先对用电器的负荷数据进行非负矩阵分解提取特征数据,之后使用高斯混合模型识别用电器的运行状态并进行编码,最后将多个用...     

基于并行架构和时空注意力机制的心电分类方法

为了有效提取心电信号 (ECG) 的时空特征和提高分类准确性,提出基于深度学习的并行架构心电分类模型. 该模型采用基于GCA Block和GTSA Block模块实现多路特征融合的时空注意力机制. 使用双向长短时记忆网络和卷积神经网络作为基特征提取器,分别捕捉心电信号序列数据的前后依赖关系和不同尺度上的局部相关特征,实现对5种不同类型的心电信号的自动分类. 在MIT-BIH数据集上验证的结果表明,该方法对5种不同心电信号的总体分类准确率、特异性、敏感度、精确度和Macro-F1分别为99.50%、99.61%、96.20%、98.02%和97.08%. 相较于其他心电分类模型,该模型不仅能够有效地缩短网络模型深度,防止模型过拟合,而且能够更准确地提取心电信号的时空特征,获得更好的分类性能.     

基于Fisher-SVM特征选择的负荷辨识研究

针对当前非侵入式负荷辨识中不同设备特征选择上主观性、盲目性的问题,提出基于Fisher-SVM特征选择的非侵入式负荷辨识算法。首先,基于高频采样终端提取入户侧电流、电压原始数据,使用傅里叶变换对原始信号分解得有功、无功及谐波时间序列;其次,将负荷波形分为4个阶段并计算得到负荷波形暂稳态特征;然后,通过Fisher-SVM算法在不同分类器中对特征进行选择,得到最优分类特征子集,并利用Sigmoid函数对结果进行概率校准;最后,根据贝叶斯理论对各分类器进行融合从而实现对不同负荷的辨识。以3类台区831户实际用户进行算法测试。结果表明,该算法能够有效利用不同电器负荷印记的独特性,克服特征选择上的盲目性,提高负荷辨识能力。     

基于MMoE-BiLSTM的非侵入式用电设备检测方法研究

非侵入式用电设备检测能够以低成本的方式获取详细的用户用电数据,有助于提高居民用户用电意识,减少居民用电浪费现象,以达到节能减排的目的。针对现有的基于低频数据的单任务非侵入式用电设备检测方法存在的精度低和特征淹没等问题,提出了一种基于多门控混合专家网络（multi-gate mixture-of-experts network,MMoE）和双向长短期记忆网络（bidirectional long short-term memory network,BiLSTM）相结合的多任务非侵入式用电设备检测模型。首先,利用MMoE实现底层参数的软共享,学习不同电器之间的耦合特征,充分挖掘用电设备负荷特征;然后,利用BiLSTM网络作为子任务层,在一个模型中同时输出各电器的功率序列。在UK-DALE(UK recording domestic appliance-level electricity)公开数据集上的实验结果表明,该方法在各电器的检测指标上均优于现有的几种单任务方法,验证了该方法具有良好的用电设备检测性能。     

用于目标情感分类的多跳注意力深度模型

文本情感分类是近年来自然语言处理领域的研究热点,旨在对文本蕴含的主观倾向进行分析,其中,基于特定目标的细粒度情感分类问题正受到越来越多的关注。在传统的深度模型中加入注意力机制,可以使分类性能显著提升。针对中文的语言特点,提出一种结合多跳注意力机制和卷积神经网络的深度模型（MHA-CNN）。该模型利用多维组合特征弥补一维特征注意力机制的不足,可以在没有任何先验知识的情况下,获取更深层次的目标情感特征信息。相对基于注意力机制的LSTM网络,该模型训练时间开销更小,并能保留特征的局部词序信息。最后在一个网络公开中文数据集（包含6类领域数据）上进行实验,取得了比普通深度网络模型、基于注意力机制的LSTM模型以及基于注意力机制的深度记忆网络模型更好的分类效果。     

基于多头注意力卷积网络的电力负荷预测

预测居民用电相当于预测一个多元时间序列.针对多个传感器信号的特定窗口能够利用预测模型提取不同的特征来预测用电量.然而,由于时间序列内部特征存在着不规则的模式,包括电力属性之间隐藏的相关性,使得负荷预测准确率不高.为了提取复杂的不规则电力模式,选择性地学习时空特征以减少电力属性间的平移方差,本文提出了一种基于多头注意力的卷积循环神经网络深度学习模型.相较于单纯的时间序列模型,该模型利用卷积和加权机制对电力属性和有功功率间的局部相关性进行建模.它利用softmax函数和点积运算的注意力分数来模拟电力需求的瞬态和脉冲特性,有效地对瞬时脉冲功耗进行预测.在美国加州大学欧文分校(University of California, Irvine, UCI)家庭用电数据集共2 075 259个时间序列上的实验表明,所提出的模型与现有方法相比,准确率得到了较大提升.     

一种基于改进深度残差收缩网络的恶意应用检测方法

恶意应用的快速增长给移动智能终端带来了巨大的安全威胁,实现恶意应用高精度检测对移动网络信息安全具有重要意义.本文提出一种基于改进深度残差收缩网络的恶意应用检测方法.首先将流量特征预处理成卷积神经网络输入,接着引入通道注意力机制和空间注意力机制,从通道和空间两个维度对样本特征进行加权.然后再引入深度残差收缩网络,自适应滤除样本冗余特征并通过恒等连接优化参数反向传播,减小模型训练和分类的难度,最终实现安卓恶意应用高精度识别.所提方法可避免手工提取特征,能实现高精度分类并且具有一定泛化能力.实验结果表明,所提方法在恶意应用的2分类、4分类和42分类中准确率分别为99.40%、99.95%和97.33%,与现有方法相比,具有较高的分类性能与泛化能力.     

MA Hongfei;ZHAO Yuejiao;LIU Ke;LIU Hao

In order to improve the accuracy of the voiced/unvoiced/silence classification, a new method based on the Stack Autoencoder (SAE) is proposed. This method is implemented with a deep neural network composed of SAE and Softmax. First, the SAE is trained with the unsupervised method using a speech parameter training sequence which includes the residual signal peak, gains, pitch periods, and line spectrum frequency (LSF), while the Softmax is trained with supervision by the use of the output of the SAE with the speech parameters training sequence as its training input. Then a supervised fine-turning method to the deep neural network is conducted to obtain the final parameters of the networks. Test results have shown that the accuracy of the speech classification of the presented method is better than the traditional methods in different background noise conditions with different signal-to-noise ratios (SNR), especially in the low SNR condition.     

基于空间注意力和卷积神经网络的视觉情感分析

为了解决现有基于深度学习方法的视觉情感分析忽略了图像各局部区域情感呈现的强度差异问题,提出一种结合空间注意力的卷积神经网络spatial attention with CNN, SA-CNN用于提升视觉情感分析效果。设计一个情感区域探测神经网络用于发现图像中诱发情感的局部区域;通过空间注意力机制对情感映射中各个位置赋予注意力权重,恰当抽取各区域的情感特征表示,从而有助于利用局部区域情感信息进行分类;整合局部区域特征和整体图像特征形成情感判别性视觉特征,并用于训练视觉情感的神经网络分类器。该方法在3个真实数据集TwitterⅠ、TwitterⅡ和Flickr上的情感分类准确率分别达到82.56%、80.23%、79.17%,证明利用好图像局部区域情感表达的差异性,能提升视觉情感分类效果。     

基于改进遗传算法的非侵入式电器负荷识别

针对传统非侵入式负荷识别算法在电器负荷接近或较小时并不能得到较理想识别效果的问题,提出了一种基于谐波特征和遗传算法的非侵入式电器负荷识别算法.通过提取电流数据的非活性电流及其谐波特征,来增大不同用电器间的差异性,从而提高识别精度;并使用遗传算法优化的神经网络的权重、阈值和隐含层神经元个数来提高分类识别精度,达到细粒度用电分析的目的;使用包含5种家用电器的用电场景测试所提出算法的识别精度,并将其与反向传播神经网络算法相比较.仿真测试结果表明,提出的特征和算法具有更高的负荷识别准确率及更快的识别速度.     

基于深度卷积神经网络的车型识别方法

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足,将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习,在特征图上进行逻辑回归,从道路复杂背景中提取出感兴趣区域;利用softmax分类器训练特征实现车型识别;为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题,引入中心损失函数对softmax损失函数进行优化,提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示,提出方法的平均精度为89.67%,检测和识别时间为159 ms;与传统的分类方法相比,识别精度提高约20%,效率提高10倍以上,检测鲁棒性有明显提升;与未改进前的深度卷积神经网络相比,检测精度提高0.6%,速度提高0.29倍.     

基于梅尔频谱分离和LSCNet的声学场景分类方法

针对现有频谱分离方法进行声学场景分类研究时其分类准确率不高的问题,提出了一种基于梅尔频谱分离和长距离自校正卷积神经网络(long-distance self-calibration convolutional neural network, LSCNet)的声学场景分类方法。首先,介绍了频谱的谐波打击源分离原理,提出了一种梅尔频谱分离算法,将梅尔频谱分离出谐波分量、打击源分量和残差分量;然后,结合自校正神经网络和残差增强机制,提出了一种长距离自校正卷积神经网络;该模型采用频域自校正算法以及长距离增强机制来保留特征图原始信息,通过残差增强机制和通道注意力增强机制加强了深层特征与浅层特征间的关联度,且结合多尺度特征融合模块,以进一步提取模型训练中输出层的有效信息,从而提高模型的分类准确率;最后,基于Urbansound8K和ESC-50数据集开展了声学场景分类实验。实验结果表明:梅尔频谱的残差分量能够针对性地减少背景噪音的影响,从而具有更好的分类性能,且LSCNet实现了对特征图中频域信息的关注,其最佳分类准确率分别达到90.1%和88%,验证了该方法的有效性。     

基于层次化类别嵌入的电力ICT系统故障分类

为解决电力信息通信客服系统在故障研判时存在故障分类准确率低甚至误分的问题,提出基于层次化类别嵌入的文本分类方法,进行电力信息通信系统故障识别.首先,基于电力信息通信系统故障的用户保修工单文本数据构建电力信息通信系统层次化电力故障标签;其次,提出了基于层次化深层金字塔卷积神经网络和基于层次化中断循环神经网络2种层次化文本分类方法,采用层次化类别嵌入方法逐层进行故障类型分类.实验结果表明,基于层次化深层金字塔卷积神经网络的方法效果最优,可以提供高效、准确的故障识别服务.