HAN Yuhuan,QIN Zhiqin,ZHANG Yi,et al.Evaluation model of electric energy measuring device operating status based on deep learning[J].Journal of Taiyuan University of Technology,2024,55(1):111-119.
作为智能电网的重要组成部分,智能电表的性能和计量精度对电网安全和能源贸易结算有着重要的意义。不同于只有电能计量功能的传统电表,智能电表还具有双向通信和多个计量模块,是目前智能电网[1]发展方向的代表。因此,确定智能电表的运行状态就显得尤为重要。
智能电表的广泛普及,使得对大量的电能数据如能耗、电压、电流等数据的采集成为可能。随着其部署数量的不断增加,电表的检测成为能源公司的一项重要任务。目前,电力公司主要通过现场检查和实验室检查两种方式来验证仪表精度。如需检测仪表,电工应将仪表从现场拆下,将拆下的仪表送到专业机构检测其计量特性。然而,对数以百万计的智能电表进行检测是一项既费时又昂贵的工作。中国智能电网为了降低测试成本,在电表安装后的第八年进行拆检。此外,一些能源供应商对电表进行随机抽样,或者让工作人员携带仪器到仪表安装现场进行测试,通过测试结果可以推断出各仪表的状态。然而,随机抽样的方法无法验证所有仪表的误差情况。
智能电表数据分析已经成为一个热门的研究课题,高级量测体系(AMI)能够在电网中进行大规模的测量数据收集和传输。随着AMI技术的飞速发展,智能电表的数据采集量越来越大。为了发现数据的内部信息,已经开发了一些方法和算法来分析仪表数据。能源数据分析包括消费者剖析、负荷预测、电价、违规识别、计量和实时操作。通过挖掘能源使用数据之间的内在关系,可以实现检测异常数据,进而提出在线校准新思路,解决仪表检测效率低下的问题,可以对数据进行分析和误差估计。通过对能耗数据的分析,可以同时计算出低压系统中所有仪表的误差,误差超过阈值的仪表可被归类为异常仪表。但目前关于智能电表在线校准的研究还很少。
文献[2]中研究来自高级量测体系的智能电表数据和其本身的数据,提取了反映智能电表状态的6个子评价指标,并采用熵权法对4个指标进行融合,在融合的基础上建立状态评价模型。文献[3]中研究不同地区的数据分布不一致问题,引入联合分布适配(JDA)算法对电表运行状态进行评价,扩大了模型的适用面。文献[4]中利用一种排序的Top-N异常检测机制生成可疑的智能电表列表,解决状态估计及异常检测中的不适定问题。文献[5]中提出基于随机矩阵理论分析计量时序数据特征,利用聚类算法对计量聚类分级,对电能表的实时运行状态进行评估,此方法的实时性和鲁棒性较好,提出了一种电力电网检测技术应用研究的新思路。文献[6]中提出一种加权融合贝叶斯方法融合多个极端环境应力和失效率,实现小样本条件下较好的异常检测功能。文献[7]对多源大数据进行融合,并基于生存分析理论和深度神经网络构成电能表的可靠性评估模型。文献[8]在分层评价指标体系的基础上,改进了熵权法,采用组合加权法将主客观权重整合,建立了指数云物元模型对智能电表健康状态进行评估。本文进行如下假设来解决状态评估问题:智能电表的历史运行状态是正常的(即历史功耗为正常数据),并且用户用电行为的自发变化是有界的。
电能表的电能数据是时间序列数据,每个瞬时电量点都是在特定的时间间隔内测量得到的。通过有效分析,能够提取隐藏在时间序列中有价值的信息。在许多行业中,时间序列异常检测是一项重要的任务。异常可能是由多个原因引起的,比如来自不同类的数据、自然变化、数据测量或收集错误等。近年来,基于机器学习的方法在许多应用领域被广泛用于检测异常模式,如网络安全系统中的恶意软件和入侵检测[9]、制造业中的故障检测[10]、金融中的欺诈检测[11]、医疗诊断中的疾病检测[12]等。一种流行的解决异常检测问题的方法是分类技术,但是它有一个难以实现的前提,即需要数据集中包含符合以下条件的异常:足够多且有多样化的标记。
本文基于循环神经网络对时间序列特征敏感的特点,使用大量的历史数据训练神经网络,对电表未来读数预测期望值。当电表运行状态发生变化时会对电量的时序特征产生影响,当期望值与测量值的偏差超过设定阈值时则判定电表发生异常。电能表运行状态评估模型是针对单个电能表建立特有的模型,对于大型台区建立模型将是一项巨大工程。本文提出将基于聚类的链迁移学习方法融合到评估模型训练中,在提高模型训练效率的同时减少了模型的训练过程。为了防止人为或者自然因素导致的电表数据异常的假阳性,根据每个电表的运行状态对阈值设定进行调整,并提出异常累加器机制。利用实验室数据,并结合山西电网实际低压台区数据,对文中所提模型进行了效果验证,证明本文所提方法在提高智能电表计量误差的精度方面效果显著。
在计量数据中可能包含有不完整、不一致等脏数据[13]。脏数据会影响到电量曲线聚类水平和模型对时间序列特征的感知与预测水平。对脏数据的处理要求是:在不影响时间序列的前提下,使用插值法、替代法等对不完整的数据进行补充、对噪声进行清除。
对于电量等时间序列进行聚类处理时,归一化能更好地根据其内部特征进行最优分类。本文选择Min-Max归一化方法,如下式所示:
(1)
式中:xi表示读数值;min(x)是x序列中的最小值;max(x)是x序列中的最大值。
对电能表电量数据进行初步分析。图1为1个月中(2019年8月)某客户正常使用电量的示例。用电量数据每天都有波动,很难从此一维数据中捕获电能表测量异常和普通客户的关键特征。但是,如果按周以二维的方式排列用户电量数据,可以观察到该客户的用电量存在周期性,每周耗电量在第7天达到峰值,而在第6天达到最低值。实际上,对于整个数据集(即某台区40用户400 d的用电量数据),都会有一定的周期性。
图1 运行状态正常电表电量曲线分析
Fig.1 Electricity curve of electricity meter in normal operation state
图2为一个月中电能表运行状态异常的电量读数的示例。与图1相似,将用户电量以天为单位和以周为单位进行绘制。可以观察到前两周(即第一周和第二周)的用电量存在周期性波动。例如,每周的第2天和第6天用电量达到峰值。但是,电表出现问题后,它就偏离了原有的时间特征。第三周的第6天,用户用电量相较于前两周变小,整个第四周,用户用电量相较于前几周变小。对于这种情况,可以判断为用户用电习惯发生改变或者电能表运行状态出现问题。
图2 运行状态异常电表电量曲线分析
Fig.2 Electricity curve of electricity meter in abnormal operation state
但是在用户的大量历史用电量数据的支撑下,用户习惯的偶然改变不会影响整体趋势。那么在用户数据充足的条件下,就可以对每一个用户的未来电量作出预测,而且在电能表运行状态正常的情况下,预测的误差会在一定范围以内。相反,如果电能表的运行状态发生改变,隐藏在电量中的时序特征随之发生改变,那么对于电能表电量的预测误差将会不可控,这样就可以判断电能表的运行状态。
迁移学习(TL)是机器学习的一种方法,目的是从一个领域中执行任务时获得的知识用于改善不同领域中的学习效率或应用于不同任务[14]。电量预测模型的构建是针对单个电表的,模型的训练时间等于电表数量与单个电表模型的训练时间的乘积。若在构建模型过程中借鉴迁移学习的思想,利用已建立模型作为未建立模型训练的起点,将大大减少模型整体的训练时间,从而提高框架的运行效率。
基于聚类的链式迁移学习(CBCTL)方法为在短时间内为大量智能电表构建基于神经网络的预测模型提供可能。CBCTL将聚类和链式迁移学习相结合,通过限制模型参数在同一聚类内迁移,提高了链式迁移学习的性能。首先根据电量曲线的相似性,使用K-means聚类对智能电表历史电量曲线进行分簇。在每个聚类中,选取聚类中心用户的电量历史数据,建立基于深度学习的电量预测模型。接下来,为该簇其余电表构建模型,选取用电量模式与第一个电表的模式最相似的电量数据,模型训练以源电表的预测模型为基础,训练时间大大减少。迁移学习的链迁移方向由簇内各用电数据间的相似度确定。
在用户数量较多的情况下,依次建立电能表运行评估模型工作量很大。利用迁移学习将模型参数在簇内进行传递,当知识从源领域转移到目标领域时,如果两个领域更相似,则预期成功率更高。因此,如果在更多相似的仪表之间发生迁移,模型预测的准确率更高。除了准确性,在更高的相似度间进行模型迁移,会进一步减少训练时间。本文选取K-means算法[15]作为聚类算法。该算法使用的k个聚类中心是随机选取的,根据n个用电用户的日用电量序列与k个聚类中心的欧氏距离将其划分为k个簇,使得簇内用户日用电量与每一簇中心的日用电量曲线相似度较高。
K-means聚类应用欧氏距离作为距离度量。样本x和样本y之间的欧式距离计算如下:
(2)
利用肘部法则选择最优簇类数,经过电量曲线聚类后,将用电量曲线分为k簇。簇内的用电特征相似性高,迁移学习的效率也会提高。
模型参数迁移方向的确定从相似度计算开始,计算出簇内每对电量曲线间的相似度。聚类的重点是用电模式的相似度,而不是电量消耗的实际值。所以,将用电量数据集中的所有值都进行归一化,使它们达到相同的范围。对所有用户的日用电量数据进行Min-Max归一化,并使用该数据继续进行相似度计算,对于簇内的k个电能表,相似性计算的结果是一个k×k上斜矩阵;这个相似矩阵记为Sk×k.两电能表之间的相对距离值越低,表示电表相似度越高。相似度计算考虑了三种不同的指标,包括欧氏距离、余弦距离和曼哈顿距离。样本x和样本y之间的相似度指标计算分别如下:
(3)
在每个聚类簇中,为了最优化迁移学习路线,选择本簇中心用户p的历史数据建立初始模型。初始模型p被用作迁移学习的起点。假设这些电量曲线有一些相似之处,那么它们训练过的模型也有相似之处。如果使用初始预测模型作为起点为最相似的电表建立模型,会大大减少相似电表电量数据的训练时间。迁移学习的过程如下:
1) 对所有的计量值曲线进行K-means聚类,构成k个集群。保证每个集群之间的用电模式和用电行为特征具有较大差异性。
2) 利用数据集D内的电量数据计算所有电表之间的相似度。计算得出与电表p相似度最高的电表q.
3) 使用聚类中心p的电量数据训练现有模型mp,作为构建仪表mq模型的起点。现在初始模型mq由目标模型数据集dq训练,建立下一个模型ma.在迁移过程中,源模型的结构和参数保持不变。各个门结构权重仅在迁移目标的数据集训练下发生改变。
4) 对于mp、mq以及稍后过程中已建立好模型的mk(k=1,2,…,n),将其电量历史数据归于数据集合T,对于过程中没有模型的用户电量数据归于数据集M.
5) 在每个簇内,分为已有模型集合T与未有模型集合M.接下来,链迁移方向通过计算T与M中的用户电量曲线的相似度来确定。链迁移过程以M为空集时为结束节点,所有计量值曲线都有一个训练完毕的预测模型。链迁移学习方向如图3所示。
图3 链迁移学习方向
Fig.3 Chain transfer learning direction
循环神经网络(RNN)是一种具有按时间序列构成有向图的人工神经网络[16]。RNN单元包含可以按顺序的时间步长存储信息的内部状态,这使其非常适合于时间序列预测任务。最近引入了门控循环单元(GRU)模型[17]来简化长短期记忆网络(LSTM)模型,同时保持与LSTM模型相似的功能,并具有长期记忆功能,解决了梯度消失的问题。如图4所示即为GRU单元架构。GRU中引入的复位门r,可以缓和以前的隐藏状态对新的隐藏状态的影响,如式(4)中的更新步骤所示。单个GRU单元中的计算公式为:
图4 GRU结构图
Fig.4 GRU structure diagram
r[t]=σ(Wxrx[t]+bxr+Whrh[t-1]+bhr) ,z[t]=σ(Wxzx[t]+bxz+Whzh[t-1]+bhz) ,k[t]=tanh(Wxkx[t]+bxk+r[t]⊙(Whkh[t-1]+bhk) ,h[t]=(1-z[t])⊙k[t]+z[t]⊙h[t-1].
(4)
式中:h[t-1]为前一时刻的隐藏层状态,h[t]为当前时刻的隐藏层信息。根据输出值与实际值的差值,使用误差反向传播算法更新所有权重矩阵W*,b*表示偏差向量。⊙表示两个向量之间的逐元素乘法,σ表示门的激活函数。
在模型训练过程中,对于训练集序列x[t]采用滑动窗口向前滚动的方式。取一段数据作为输入,然后尝试在窗口前方预测1个或多个值,每一次预测值与实际电量测量值作差得出训练损失。一个完整的训练集选择完毕后,回馈损失再利用优化器进行参数调整。在模型达到固定迭代次数或者均方误差(MSE)达到规定时,模型建立完毕。
评估模型采用网格搜索法处理超参数优化过程:设置超参数隐含层数和神经元个数的范围,通过遍历不同的超参数组合训练模型计算预测误差。通过比较不同超参数组合下的误差,选择预测效果最好的超参数。
在每个簇内首先选择聚类中心电量曲线,建立第一个预测模型。设定T、M集合,分别存放已有模型的电量曲线和未有模型的电量曲线。该模型作为该簇迁移学习起点。每一个聚类簇内的训练流程图如图5所示。
图5 评估模型框架
Fig.5 Evaluation model framework
对于一个台区经过人为检测电表状态后采集数据的情况,默认采集的样本数据集中没有误差数据,提出两种设定阈值的方法。将数据分为训练集和测试集,设定其中80%为训练集,20%为测试集。经过训练集数据建立模型后,对测试集部分作出电量预测,默认在模型建立过程中电能表运行状态良好,那么对应测试集部分的残差属于正常范围。根据测试集的残差确定模型阈值。预测残差的计算公式如下:
E=Wpredict-Wrom.
(5)
式中:E表示每日残差;Wpredict表示每日电量预测;Wrom表示电表每日读数。
3.2.1K-Sigma阈值设定
通过K-Sigma确定预测误差的上限和下限,其中需要通过测试集确定K值。确定规则是计算能够满足测试集预测残差的最小K值。阈值设置的初衷是比较前后的时间序列特征的变化。
TU=Tmean+(K×Irange) ,TL=Tmean-(K×Irange) .
(6)
式中:Tmean是数据的切尾均值;Irange是数据的四分位距。
3.2.2置信区间
设定预测误差的置信区间,通过测试集中的残差比较,得出置信水平。因为已知测试集的数据都是电能表在正常状态下收集的数据,所以默认为正常数据。
(7)
在电量预测模型训练完成后,通过测试集部分的预测残差设置阈值,确定K值或c值。根据判断监测数据是否越过阈值来确定智能电表的运行状态。
异常判断是异常检测的重要环节,异常判断的要求如下:
1) 异常捕捉需要有可靠性,当电气设备运行状态发生改变时,能够有效地识别。
2) 异常捕捉需要有鲁棒性,电力系统运行过程中的短暂电量突变或者非人为原因造成的电量异常不能判断为异常。
由于电力系统运行的波动性,根据单个异常点进行判断容易产生误报,因此本文提出累加器的方法提高决策性能。累加器规则的要求是:当目标持续地在一定时间内发出异常信号则判断为异常。模型将异常点定义为:超过设定的上下阈值的预测残差值。上述规则包含一个在监测到预测残差异常时增大、在监测到正常时减少的累加器。其目的是通过在短时间内出现多个异常点使其达到计数阈值,从而防止点异常产生的噪声。当预测残差超出阈值范围时,累加器进行加1操作;当预测残差位于阈值范围内时,累加器进行减1操作。当累加器达到报警数值时,判断电能表处于运行状态异常。在统计局部异常以外,对于整个待评估数据设定监测规则:当相对误差异常点超过总体数据量的20%时,判断电表处于异常状态。
本文采用的电力数据来自山西某台区收集的用户在2019-2020年的瞬时电量数据,该数据间隔15 min采集一次,一天24 h共采集96个点,通过电能示值作差得到用户日用电量,选取40个用户连续400 d的用电量数据作为实验样本数据,并且这些数据是经过人工彻底检查的。所有的电能表处于正常运行状态。为了模拟真实使用不准确电表的居民区,人工注入故障(即在随机数量的子表读数中嵌入了一定的偏移量)。根据智能电表的技术规范,不准确电能表的偏移量是指读数(与实际值相比)的偏移量,电能表相对误差超过2%即判断为异常。在构建评估模型后,注入人为修改的故障。故障注入前后,选取用户数据建立电能表运行状态评价模型,模型的预测残差分别如图6、图7所示。
图6 正常电能表状态监测图
Fig.6 State monitoring diagram of normal electric energy meter
图7 加入故障后电能表状态监测图
Fig.7 State monitoring diagram of electric energy meter after adding fault
在RNN中GRU和LSTM有着非常重要的地位。其中LSTM的出现时间是要早于GRU的。GRU是对LSTM的简化,同样拥有对时间序列的敏感性。经实验证明,不同的时间窗口对时间序列的特征抓取与预测有重要影响。分别测试GRU与LSTM在时间窗口为3、7、14、20 d的情况下对电量消耗的预测准确度,基于均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、对称平均绝对百分比误差(SMAPE)等指标评价预测准确度。结果分别如表1、表2所示,结论如下:
表1 GRU单元在不同时间窗口下的预测精度
Table 1 Prediction accuracy of GRU units under different windows
Time/dMSEMAEMAPE/%SMAPE/%30.540.415.085.1270.340.435.875.74140.230.344.574.71201.310.647.677.66
表2 LSTM单元在不同时间窗口下的预测精度
Table 2 Prediction accuracy of LSTM units under different windows
Time/dMSEMAEMAPE/%SMAPE/%30.720.686.626.8270.610.565.775.67140.450.384.965.43200.530.465.745.90
1) GRU单元的预测准确度较LSTM单元高,且GRU的模型训练时间更短。
2) 通过MSE、MAE等指标的对比,在对用户的电量预测过程中,模型采用GRU单元与14 d滑动窗口搭配的效果最优,预测效果最好,如图8所示。
图8 GRU+14 d滑动窗口预测效果
Fig.8 GRU+14-day sliding window prediction effect
3) 滑动窗口的大小影响模型的训练时间,模型训练时间随着窗口的扩大递增。
进一步测试迁移学习对模型训练效率提升的效果,模型设定3组对照组。第1组依次建立各个模型,总用时为每次训练时间的叠加;第2组实验使用迁移学习,但是迁移方向不予限制,将每个模型的参数依次传递;第3组实验使用本文所提出的链式迁移学习方法。结果对比如表3所示。
表3 不同预测模型建立方法的指标对比
Table 3 Index comparison of different prediction model establishment methods
方法时间/sMSERMSE传统方法7 7400.002 00.048迁移方法4 8200.003 10.069链式迁移方法4 1970.001 90.045
由表3可知,在训练时间、模型精确度上,链式迁移学习优于传统方法及迁移方法。
评估模型的异常判断是根据预测残差来判断的。残差阈值设定使用两种方法,K-Sigma与置信区间中K值与c值都需要通过测试集的残差来设定。对于不同用户构建的模型,其阈值设定不同,这样可以提高模型的泛化能力。人为对用户电量数据作故障注入,故障误差设定如表4所示。模型在两种阈值设定情况下进行实验。
表4 不同阈值设定方式模型结果对比
Table 4 Comparison of model results with different threshold setting methods
故障注入K值置信区间3%异常正常5%异常异常7%异常异常10%异常异常
通过上述检测结果可以得出通过K-Sigma设定阈值检测异常的精确度更高。
数据集收集在低压台区中,在此台区中部署了40块电表,数据量约为400 d.实验挑选其中4块电表的电量数据,对后40 d数据人为注入故障偏移。数据偏移如表5所示。
表5 故障注入情况
Table 5 Fault injection situation
电能表编号故障偏移率/%931352273710
将电能视为一种广义流量,且其满足守恒定律。在流量守恒定律下,在同一时间周期内总表产生的实际流量增量可以用每个分表产生的实际流量增量之和来表达,由此构成式(8):
eyY(i)(1-ez)+e0.
(8)
式中:Y(i)为台区总表第i个周期的计量电量;Qj(i)为第j块分表第i个周期的计量电量;ez为台区总表的运行误差,通过现场或者实验室测得;第j块分表的运行误差用ej表示;台区线损率和台区固定损耗则分别以ey和e0进行表示。
矩阵计算结果见图9,第22表误差为3.19%,第37表误差为-4.9%,其他两块偏差电表未能被找出。而本文提出的基于深度学习的电能表运行状态评估模型,将以上4个注入误差的电能表全部检测出,结果见表6.对于电能表9,模型残差在注入误差前后的输出结果如图10、图11所示。通过对比两种方法的结果,有以下结论:
表6 深度学习模型监测结果
Table 6 Deep learning model monitoring results
电能表编号检测结果9异常13异常22异常37异常
图9 基于聚类的电能表运行误差方法结果
Fig.9 Results of cluster-based operation error method of electric energy meters
图10 电能表9在无误差注入模型时残差输出结果
Fig.10 Residual output results of the energy meter 9 in the error-free injection model
图11 电能表9在3%误差注入模型时残差输出结果
Fig.11 Output result of the residual error of the energy meter 9 in the 3% error injection model
1) 构成基于聚类的电能表误差估计矩阵时,计量结果是整个计量周期的平均运行误差,历史数据会对电能表近期状态造成影响,即电能表误差估计没有时效性。
2) 基于深度学习的电能表评估模型对每个电能表进行实时评估。电量数据特征发生改变结合异常判断能够快速、灵敏、可靠地识别电能表的异常状态。
本文对电能表状态评价的关键技术进行研究,提出了一种电能表运行状态在线评估方法。基于台区用户历史用电数据、台区用户关联性,建立基于深度学习的电能表状态评估模型。通过神经网络对每个用户进行电量时序特征的抓取,对用户电量情况进行精准预测。当电能表运行状态发生改变时,模型能精准发现其运行状态的异常。结合迁移学习方法大大减少了整个模型建立的时间,提高了模型训练效率;并利用阈值设定的灵活性,使其更适应电能表的状态监测。通过山西某台区实际数据,建立对整个台区电能表的评估模型,对每个电能表进行实时精准的运行状态评估。电能表状态评价工作和对应的精准更换策略对于提高电力运行管理水平和工作策略具有积极的作用,相关技术支持可大幅提升电力系统的运行效率。
[1] 张建亮,巫健,薛泓林,等.5G高能效LoRa融合架构的智能电网覆盖增强策略[J].太原理工大学学报,2022,53(1):162-168.
ZHANG J L,WU J,XUE H L,et al.Blind-area coverage enabled for smart grids:integrating energy-efficient LoRa technologies in 5G network[J].Journal of Taiyuan University of Technology,2022,53(1):162-168.
[2] CAI H,CHEN H,YE X,et al.An on-line state evaluation method of smart meters based on information fusion[J].IEEE Access,2019,7:163665-163676.
[3] 许丹,李游,李贺龙.基于联合分布适配的智能电表运行状态评价[J].北京航空航天大学学报,2022,48(4):674-681.
XU D,LI Y,LI H L.Operation state evaluation of smart meters based on joint distribution adaptation[J].Journal of Beijing University of Aeronautics and Astronautics,2022,48(4):674-681.
[4] CHEN L,LAO K W,MA Y,et al.Error modeling and anomaly detection of smart electricity meter using TSVD+L method[J].IEEE Transactions on Instrumentation and Measurement,2022,71:1-14.
[5] 程瑛颖,杜杰,周全,等.基于随机矩阵理论和聚类算法的电能表运行状态评估方法[J].中国电力,2020,53(11):116-125.
CHENG Y Y,DU J,ZHOU Q,et al.Evaluation method for running state of electricity meters based on random matrix theory and clustering algorithm[J].Electric Power,2020,53(11):116-125.
[6] QIU W,TANG Q,YAO W,et al.Probability analysis for failure assessment of electric energy metering equipment under multiple extreme stresses[J].IEEE Transactions on Industrial Informatics,2020,17(6):3762-3771.
[7] 张家琦,郭帅,李国昌,等.基于多元大数据融合的智能电能表可靠性评估模型[J].电测与仪表,2023,60(1):167-173.
ZHANG J Q,GUO S,LI G C,et al.Reliability estimation model for smart meters based on multi-source big data fusion[J].Electrical Measurement &Instrumentation,2023,60(1):167-173.
[8] XING X,TAN J,LI Y,et al.Health status assessment of smart meters based on variable weight and index cloud matter-element model[J].Cognitive Computation and Systems,2022,4(3):229-241.
[9] KAMALAKKANNAN D,MENAGA D,SHOBANA S,et al.A detection of intrusions based on deep learning[J/OL].Cybernetics and Systems,2023:1-15.DOI:10.1080/01969722.2023.2175134.
[10] RAY S,CHATTERJEE S,DEY D.Cross empirical wavelet transform aided feature learning network for detection of localized faults in deep groove bearings[J].Electric Power Components and Systems,2022,50(4/5):269-281.
[11] WU X G,DU S Y.An analysis on financial statement fraud detection for Chinese listed companies using deep learning[J].IEEE Access,2022,10:22516-22532.
[12] ELIAS P,POTERUCHA T J,RAJARAM V,et al.Deep learning electrocardiographic analysis for detection of left-sided valvular heart disease[J].Journal of the American College of Cardiology,2022,80(6):613-626.
[13] 高正男,杨帆,胡姝博,等.面向新能源电力系统状态估计的伪波动数据清洗[J].高电压技术,2022,48(6):2366-2377.
GAO Z N,YANG F,HU S B,et al.Pseudo-fluctuation data cleaning for state estimation of new energy power system[J].High Voltage Engineering,2022,48(6):2366-2377.
[14] 石静雯,侯立群.基于一维卷积注意力门控循环网络和迁移学习的轴承故障诊断[J].振动与冲击,2023,42(3):159-164.
SHI J W,HOU L Q.Bearing fault diagnosis based on 1D CNN attention gated recurrent network and transfer learning[J].Journal of Vibration and Shock,2023,42(3):159-164.
[15] 岳恒,赵菊敏,李灯熬.基于聚类分析的多天线标签环境反向散射系统[J].太原理工大学学报,2021,52(6):913-919.
YUE H,ZHAO J M,LI D A.Multi-antenna tag ambient backscatter system based on clustering analysis[J].Journal of Taiyuan University of Technology,2021,52(6):913-919.
[16] 刘建伟,宋志妍.循环神经网络研究综述[J].控制与决策,2022,37(11):2753-2768.
LIU J W,SONG Z Y.Overview of recurrent neural networks[J].Control and Decision,2022,37(11):2753-2768.
[17] LU W J,LI J Z,WANG J Y,et al.A novel model for stock closing price prediction using cnn-attention-gru-attention[J].Economic Computation &Economic Cybernetics Studies &Research,2022,56(3):251-264.