以非侵入式负荷分解为基础,对用户异常用电行为进行研究。采用Kmeans聚类算法提取负荷状态特征;采用深度学习算法中的序列到序列翻译(sequence to sequence, seq2seq)模型,将电力用户用电总数据分解成单个电器的功耗数据;结合SVM算法对...以非侵入式负荷分解为基础,对用户异常用电行为进行研究。采用Kmeans聚类算法提取负荷状态特征;采用深度学习算法中的序列到序列翻译(sequence to sequence, seq2seq)模型,将电力用户用电总数据分解成单个电器的功耗数据;结合SVM算法对分解后多种家用电器用电数据进行异常检测。在UKDALE数据集实验结果表明,该模型不仅能提高分解准确度、降低分解误差,而且多个电器数据结合分析实现了用户异常行为检测。展开更多
目前PM_(2.5)浓度预测研究主要是对未来1 h的污染物浓度进行预测,不能满足污染物浓度较长时间细粒度预测的应用需求。构建了基于注意力机制的序列到序列(sequence to sequence,seq2seq)模型。模型主要由编码器、解码器和注意力模块3部...目前PM_(2.5)浓度预测研究主要是对未来1 h的污染物浓度进行预测,不能满足污染物浓度较长时间细粒度预测的应用需求。构建了基于注意力机制的序列到序列(sequence to sequence,seq2seq)模型。模型主要由编码器、解码器和注意力模块3部分构成,其中,编码器用于提取时间特征,解码器使用注意力模块动态计算每个时刻的背景变量,从而预测未来时刻的PM_(2.5)浓度。使用2015—2018年北京市12个空气监测站点的小时级别的PM_(2.5)观测数据进行实验,并将结果与基准模型进行比较。结果表明,该模型预测结果较好。展开更多
长短期记忆神经网络(long short term memory,LSTM)在文本情感分类的准确率方面拥有优秀的表现,能够解决基于长文本序列的模型训练过程中的梯度消失和梯度爆炸等问题。针对传统的LSTM分类模型不能突出体现输出的某个词语对分类类别的贡...长短期记忆神经网络(long short term memory,LSTM)在文本情感分类的准确率方面拥有优秀的表现,能够解决基于长文本序列的模型训练过程中的梯度消失和梯度爆炸等问题。针对传统的LSTM分类模型不能突出体现输出的某个词语对分类类别的贡献程度和重要性的现象,在循环神经网络(RNN)变体长短期记忆人工神经网络(LSTM)隐藏层和输出层之间引入注意力机制,其主要目的是在模型做最后的极性分类预测时,在重要的句子成分加上权重,加大了对最后分类的预测概率的影响因素。实验证明LSTM与注意力机制的融合可突出模型产生动态变化的背景向量以表现出不同输入词语对于输出词语分类的重要性,从而有效提高了分类速率和准确率。展开更多
文摘以非侵入式负荷分解为基础,对用户异常用电行为进行研究。采用Kmeans聚类算法提取负荷状态特征;采用深度学习算法中的序列到序列翻译(sequence to sequence, seq2seq)模型,将电力用户用电总数据分解成单个电器的功耗数据;结合SVM算法对分解后多种家用电器用电数据进行异常检测。在UKDALE数据集实验结果表明,该模型不仅能提高分解准确度、降低分解误差,而且多个电器数据结合分析实现了用户异常行为检测。
文摘目前PM_(2.5)浓度预测研究主要是对未来1 h的污染物浓度进行预测,不能满足污染物浓度较长时间细粒度预测的应用需求。构建了基于注意力机制的序列到序列(sequence to sequence,seq2seq)模型。模型主要由编码器、解码器和注意力模块3部分构成,其中,编码器用于提取时间特征,解码器使用注意力模块动态计算每个时刻的背景变量,从而预测未来时刻的PM_(2.5)浓度。使用2015—2018年北京市12个空气监测站点的小时级别的PM_(2.5)观测数据进行实验,并将结果与基准模型进行比较。结果表明,该模型预测结果较好。
文摘长短期记忆神经网络(long short term memory,LSTM)在文本情感分类的准确率方面拥有优秀的表现,能够解决基于长文本序列的模型训练过程中的梯度消失和梯度爆炸等问题。针对传统的LSTM分类模型不能突出体现输出的某个词语对分类类别的贡献程度和重要性的现象,在循环神经网络(RNN)变体长短期记忆人工神经网络(LSTM)隐藏层和输出层之间引入注意力机制,其主要目的是在模型做最后的极性分类预测时,在重要的句子成分加上权重,加大了对最后分类的预测概率的影响因素。实验证明LSTM与注意力机制的融合可突出模型产生动态变化的背景向量以表现出不同输入词语对于输出词语分类的重要性,从而有效提高了分类速率和准确率。
