基于殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)和Stacking集成學(xué)習(xí)的局部放電故障診斷
所屬分類：技術(shù)論文
上傳者：wwei
文檔大?。?span>5350 K
標(biāo)簽： 氣體絕緣開關(guān)柜 局部放電 Stacking集成學(xué)習(xí)
所需積分：0分積分不夠怎么辦？
文檔介紹：針對(duì)傳統(tǒng)局部放電（Partial Discharge， PD）故障診斷方法在處理復(fù)雜含噪PD信號(hào)存在局限性并依賴于人工去噪和專家經(jīng)驗(yàn)，難以學(xué)習(xí)到PD特征多樣化表達(dá)等問題，分別提出殘差注意力自適應(yīng)去噪網(wǎng)絡(luò)（Residual Attention Adaptive Denoising Network， RAADNet）和基于Stacking集成學(xué)習(xí)的PD故障診斷模型。RAADNet基于殘差網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，通過集成CAM注意力機(jī)制和軟閾值函數(shù)實(shí)現(xiàn)自適應(yīng)去噪；Stacking集成模型的基學(xué)習(xí)器分別由基于卷積神經(jīng)網(wǎng)絡(luò)的RAADNet、基于多頭自注意力機(jī)制的Transformer以及基于Boosting集成策略的XGBoost多個(gè)差異化模型共同構(gòu)建構(gòu)成。實(shí)驗(yàn)結(jié)果表明，提出的RAADNet優(yōu)于其他先進(jìn)方法，識(shí)別準(zhǔn)確率達(dá)到93.99%，Stacking集成模型則通過學(xué)習(xí)多樣化特征表達(dá)，進(jìn)一步提高模型性能，達(dá)到96.79%識(shí)別準(zhǔn)確率。
現(xiàn)在下載
VIP會(huì)員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。