基于殘差注意力自適應去噪網絡和Stacking集成學習的局部放電故障診斷
所屬分類：技術論文
上傳者：wwei
文檔大?。?span>5350 K
標簽： 氣體絕緣開關柜 局部放電 Stacking集成學習
所需積分：0分積分不夠怎么辦,？
文檔介紹：針對傳統(tǒng)局部放電（Partial Discharge， PD）故障診斷方法在處理復雜含噪PD信號存在局限性并依賴于人工去噪和專家經驗，難以學習到PD特征多樣化表達等問題,，分別提出殘差注意力自適應去噪網絡（Residual Attention Adaptive Denoising Network,， RAADNet）和基于Stacking集成學習的PD故障診斷模型,。RAADNet基于殘差網絡結構設計，通過集成CAM注意力機制和軟閾值函數實現自適應去噪,；Stacking集成模型的基學習器分別由基于卷積神經網絡的RAADNet、基于多頭自注意力機制的Transformer以及基于Boosting集成策略的XGBoost多個差異化模型共同構建構成,。實驗結果表明,，提出的RAADNet優(yōu)于其他先進方法，識別準確率達到93.99%,，Stacking集成模型則通過學習多樣化特征表達,，進一步提高模型性能，達到96.79%識別準確率,。
現在下載
VIP會員,，AET專家下載不扣分；重復下載不扣分,，本人上傳資源不扣分,。