深度学习与电力智能化的思考

被引：8

作者：

黄旭超

机构：

[1] 国网福建省电力有限公司检修分公司

来源：

电气技术 | 2018年 / 19卷 / 11期

关键词：

人工智能; 深度学习; 电力智能化;

D O I：

暂无

中图分类号：

TM76 [电力系统的自动化]; TP18 [人工智能理论];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

本文回顾了深度学习的发展历程,详细介绍了深度学习的主流基础网络——深度神经网络结构和特点,在此基础上对其产生的衍生和变体进行了分析。并总结了深度学习发展过程中的主要因素。与电网智能化的情况相结合,本文还阐述了深度学习与电网智能化相结合的可行性和必要性,并简单介绍了当前深度学习在电力系统中的应用。毫无疑问,深度学习将在助力电力智能化的进程中扮演重要角色。

引用

收藏

页码：1 / 4

页数：4

相关论文

共 10 条

[1]

基于MapReduce和深度学习的负荷分析与预测 [D].

杨佳驹 .

东南大学,

2016

[2]

基于深度学习的图像分类方法研究 [D].

孟丹 .

华东师范大学,

2017

[3]

An Artificial Neural Network Approach for Early Fault Detection of Gearbox Bearings [J].

Bangalore, Pramod ;

Tjernberg, Lina Bertling .

IEEE TRANSACTIONS ON SMART GRID, 2015, 6 (02) :980-987

[4]

A fast learning algorithm for deep belief nets [J].

Hinton, Geoffrey E. ;

Osindero, Simon ;

Teh, Yee-Whye .

NEURAL COMPUTATION, 2006, 18 (07) :1527-1554

[5]

LEARNING REPRESENTATIONS BY BACK-PROPAGATING ERRORS [J].

RUMELHART, DE ;

HINTON, GE ;

WILLIAMS, RJ .

NATURE, 1986, 323 (6088) :533-536

[6]

基于深度自编码网络模型的风电机组齿轮箱故障检测 [J].

刘辉海 ;

赵星宇 ;

赵洪山 ;

宋鹏 ;

邓春 .

电工技术学报, 2017, 32 (17) :156-163

[7]

基于深度学习的电容器介损角在线辨识 [J].

王晓辉 ;

朱永利 ;

王艳 ;

郭丰娟 .

电工技术学报, 2017, 32 (15) :145-152

[8]

基于RCNN的无人机巡检图像电力小部件识别研究 [J].

王万国 ;

田兵 ;

刘越 ;

刘俍 ;

李建祥 .

地球信息科学学报, 2017, 19 (02) :256-263

[9]

DBN层次趋势研究及其在航拍图像故障识别中的应用 [J].

高强 ;

阳武 ;

李倩 .

仪器仪表学报, 2015, 36 (06) :1267-1274

[10]

深度学习的昨天、今天和明天 [J].

余凯 ;

贾磊 ;

陈雨强 ;

徐伟 .

计算机研究与发展, 2013, 50 (09) :1799-1804