期刊导航
期刊开放获取
vip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
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
任意字段
题名或关键词
题名
关键词
文摘
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
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
结合Transformer与TimeGAN的智慧电厂电力负荷预测方法
被引量:
1
1
作者
李柏杰
朱贤伟
+1 位作者
王伟
王崇如
《国外电子测量技术》
2025年第4期211-216,共6页
在实际应用过程中,电力负荷预测技术的准确性会受到天气变化、人口迁移、行业用电模式等多种因素影响。提出一种结合Transformer与时间序列生成对抗网络(TimeGAN)的智慧电厂电力负荷预测方法。由均方误差可知,随着轮次的增加,预测时长...
在实际应用过程中,电力负荷预测技术的准确性会受到天气变化、人口迁移、行业用电模式等多种因素影响。提出一种结合Transformer与时间序列生成对抗网络(TimeGAN)的智慧电厂电力负荷预测方法。由均方误差可知,随着轮次的增加,预测时长为24、48、168、512 h的电力负荷预测精度误差分别在0.12~0.125、0.13~0.14、0.14~0.15、0.15~0.19区间,预测精度较好;由平均绝对误差可知,在轮次为10时,预测时长24 h的预测精度误差较小(0.24)且更加稳定,而预测时长为512 h的预测误差较大(0.28~0.30)且不稳定。该预测方法实现了智慧电厂电力负荷的高效、准确预测。
展开更多
关键词
电力负荷预测
Transformer模型
timegan
智慧电厂
原文传递
基于TimeGAN-CNN-LSTM模型的河流水质预测研究
被引量:
9
2
作者
张丽娜
陈会娟
余昭旭
《自动化仪表》
CAS
2022年第8期11-15,共5页
为精确预测河流水质中的铵离子(NH_(4)^(+))浓度,针对某公开水质数据进行了研究,提出了一种基于时间序列对抗生成网络(TimeGAN)、卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型。使用TimeGAN对河流水质历史数据进行数据增强,生成...
为精确预测河流水质中的铵离子(NH_(4)^(+))浓度,针对某公开水质数据进行了研究,提出了一种基于时间序列对抗生成网络(TimeGAN)、卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型。使用TimeGAN对河流水质历史数据进行数据增强,生成合成时间序列数据;采用CNN对输入的数据进行特征提取,并通过全连接层将数据输入到LSTM中得到预测值,从而建立TimeGANCNN-LSTM河流水质预测模型。试验结果表明,模型预测效果良好,其平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R^(2))分别为0.07、0.08和0.97,比CNN-LSTM模型分别提高了45.45%、47.06%和19.75%,比LSTM模型分别提高了50%、50%和21.25%。TimeGAN-CNN-LSTM既解决了训练模型时数据不充分的问题,又能够充分提取水质数据在时间和空间上的特征,具有较高的应用价值。
展开更多
关键词
水质预测
混合模型
时间序列对抗生成网络
卷积神经网络
长短期记忆网络
时间序列数据
在线阅读
下载PDF
职称材料
基于改进TimeGAN数据增强的用户窃电识别研究
3
作者
吴佐平
王宏岩
+1 位作者
张千福
谢青
《电气传动》
2026年第1期75-81,共7页
用户窃电是电网电能非技术损失的主要原因,对电力系统造成了巨大的经济损失和资源浪费。相较于大量用户正常用电样本,窃电用户属于少数类样本,而传统窃电分类方法在样本稀疏或失衡情况下表现不佳。由此,提出一种基于改进时间序列生成对...
用户窃电是电网电能非技术损失的主要原因,对电力系统造成了巨大的经济损失和资源浪费。相较于大量用户正常用电样本,窃电用户属于少数类样本,而传统窃电分类方法在样本稀疏或失衡情况下表现不佳。由此,提出一种基于改进时间序列生成对抗网络(TimeGAN)数据增强的用户窃电分类方法,使用TimeGAN对原始小样本窃电数据进行增强,生成与原始数据分布相似的增广样本,考虑到增广样本存在噪声或不可信等问题,利用马氏距离评估增广样本的质量,完成不可信样本剔除。通过卷积神经网络(CNN)对数据增强后的用电负荷数据进行特征提取,采用长短时记忆网络(LSTM)提取特征量的时序相关性并完成特征分类,进一步,利用麻雀搜索算法(SSA)对CNN-LSTM网络进行参数优化,提高模型检测精度。实验结果表明,所提方法可有效解决用户窃电行为识别中样本不平衡的二分类问题。
展开更多
关键词
timegan
模型
马氏距离
麻雀搜索算法(SSA)
窃电识别
在线阅读
下载PDF
职称材料
题名
结合Transformer与TimeGAN的智慧电厂电力负荷预测方法
被引量:
1
1
作者
李柏杰
朱贤伟
王伟
王崇如
机构
国能浙江北仑第一发电有限公司
出处
《国外电子测量技术》
2025年第4期211-216,共6页
文摘
在实际应用过程中,电力负荷预测技术的准确性会受到天气变化、人口迁移、行业用电模式等多种因素影响。提出一种结合Transformer与时间序列生成对抗网络(TimeGAN)的智慧电厂电力负荷预测方法。由均方误差可知,随着轮次的增加,预测时长为24、48、168、512 h的电力负荷预测精度误差分别在0.12~0.125、0.13~0.14、0.14~0.15、0.15~0.19区间,预测精度较好;由平均绝对误差可知,在轮次为10时,预测时长24 h的预测精度误差较小(0.24)且更加稳定,而预测时长为512 h的预测误差较大(0.28~0.30)且不稳定。该预测方法实现了智慧电厂电力负荷的高效、准确预测。
关键词
电力负荷预测
Transformer模型
timegan
智慧电厂
Keywords
power load forecasting
Transformer
model
timegan
smart power plant
分类号
TM715 [电气工程—电力系统及自动化]
TP391 [自动化与计算机技术—计算机应用技术]
原文传递
题名
基于TimeGAN-CNN-LSTM模型的河流水质预测研究
被引量:
9
2
作者
张丽娜
陈会娟
余昭旭
机构
华东理工大学能源化工过程智能制造教育部重点实验室
上海西派埃智能化系统有限公司
出处
《自动化仪表》
CAS
2022年第8期11-15,共5页
文摘
为精确预测河流水质中的铵离子(NH_(4)^(+))浓度,针对某公开水质数据进行了研究,提出了一种基于时间序列对抗生成网络(TimeGAN)、卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型。使用TimeGAN对河流水质历史数据进行数据增强,生成合成时间序列数据;采用CNN对输入的数据进行特征提取,并通过全连接层将数据输入到LSTM中得到预测值,从而建立TimeGANCNN-LSTM河流水质预测模型。试验结果表明,模型预测效果良好,其平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R^(2))分别为0.07、0.08和0.97,比CNN-LSTM模型分别提高了45.45%、47.06%和19.75%,比LSTM模型分别提高了50%、50%和21.25%。TimeGAN-CNN-LSTM既解决了训练模型时数据不充分的问题,又能够充分提取水质数据在时间和空间上的特征,具有较高的应用价值。
关键词
水质预测
混合模型
时间序列对抗生成网络
卷积神经网络
长短期记忆网络
时间序列数据
Keywords
Water quality prediction
Hybrid
model
Time series adversarial generative network(
timegan
)
Convolutional neural network(CNN)
Long short-term memory(LSTM)network
Time series data
分类号
TH-3 [机械工程]
在线阅读
下载PDF
职称材料
题名
基于改进TimeGAN数据增强的用户窃电识别研究
3
作者
吴佐平
王宏岩
张千福
谢青
机构
北京中电普华信息技术有限公司
出处
《电气传动》
2026年第1期75-81,共7页
基金
国网信息通信产业集团基金(SGITPH00YXJS2310260)。
文摘
用户窃电是电网电能非技术损失的主要原因,对电力系统造成了巨大的经济损失和资源浪费。相较于大量用户正常用电样本,窃电用户属于少数类样本,而传统窃电分类方法在样本稀疏或失衡情况下表现不佳。由此,提出一种基于改进时间序列生成对抗网络(TimeGAN)数据增强的用户窃电分类方法,使用TimeGAN对原始小样本窃电数据进行增强,生成与原始数据分布相似的增广样本,考虑到增广样本存在噪声或不可信等问题,利用马氏距离评估增广样本的质量,完成不可信样本剔除。通过卷积神经网络(CNN)对数据增强后的用电负荷数据进行特征提取,采用长短时记忆网络(LSTM)提取特征量的时序相关性并完成特征分类,进一步,利用麻雀搜索算法(SSA)对CNN-LSTM网络进行参数优化,提高模型检测精度。实验结果表明,所提方法可有效解决用户窃电行为识别中样本不平衡的二分类问题。
关键词
timegan
模型
马氏距离
麻雀搜索算法(SSA)
窃电识别
Keywords
timegan model
Marginal distance
sparrow search algorithm(SSA)
electricity theft identification
分类号
TP39 [自动化与计算机技术]
F426.61 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
结合Transformer与TimeGAN的智慧电厂电力负荷预测方法
李柏杰
朱贤伟
王伟
王崇如
《国外电子测量技术》
2025
1
原文传递
2
基于TimeGAN-CNN-LSTM模型的河流水质预测研究
张丽娜
陈会娟
余昭旭
《自动化仪表》
CAS
2022
9
在线阅读
下载PDF
职称材料
3
基于改进TimeGAN数据增强的用户窃电识别研究
吴佐平
王宏岩
张千福
谢青
《电气传动》
2026
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部