深度学习在电力领域的研究现状与展望

被引：10

作者：

曹渝昆 ^{[1
]}

何健伟 ^{[1
]}

鲍自安 ^{[2
]}

机构：

[1] 上海电力学院计算机科学与技术学院

[2] 华能湖南清洁能源分公司苏宝顶风电场

来源：

上海电力学院学报 | 2017年 / 33卷 / 04期

关键词：

深度学习; 人工智能; 电力;

D O I：

暂无

中图分类号：

TM507 [维护、检修]; TM614 [风能发电]; TP18 [人工智能理论];

学科分类号：

0807 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

深度学习技术,近年来已经广受学术界和工业界的关注,已在图像处理及分类,自然语言处理和生物医疗领域中取得卓越成果.对于存在大量高维度数据的电力领域,引入深度学习的理论具有一定的意义.介绍了深度学习的几个经典模型结构、工作原理,以及相关领域的部分研究成果,并围绕深度学习在电力领域中的研究现状展开了论述,指出了存在的不足和未来研究的方向.

引用

页码：341 / 345+361 +361

页数：6

共 8 条

[1] 基于深度学习的电线杆检测方法
刘志浩
冯柳平
曹晓鹤
[J]. 北京印刷学院学报, 2016, 24 (06) : 44 - 47+52
[2] 基于深度自编码网络的电力变压器故障诊断
石鑫
朱永利
宁晓光
王刘旺
孙岗
陈国强
[J]. 电力自动化设备, 2016, 36 (05) : 122 - 126
[3] 基于深度信念网络的电力变压器故障分类建模
石鑫
朱永利
萨初日拉
王刘旺
孙岗
[J]. 电力系统保护与控制, 2016, 44 (01) : 71 - 76
[4] 基于深度学习的太阳能电池片表面缺陷检测方法
王宪保
李洁
姚明海
何文秀
钱沄涛
[J]. 模式识别与人工智能, 2014, 27 (06) : 517 - 523
[5] A Hybrid Deep Learning Forecasting Model Using GPU Disaggregated Function Evaluations Applied for Household Electricity Demand Forecasting.[J].Vitor N. Coelho;Igor M. Coelho;Eyder Rios;Alexandre S.T. Filho;Agnaldo J.R. Reis;Bruno N. Coelho;Alysson Alves;Guilherme G. Netto;Marcone J.F. Souza;Frederico G. Guimarães.Energy Procedia.2016,
[6] Failure diagnosis using deep belief learning based health state classification.[J].Prasanna Tamilselvan;Pingfeng Wang.Reliability Engineering and System Safety.2013,
[7] 基于深度学习网络的风电场功率预测研究及应用.[D].潘志刚.上海电机学院.2016, 10
[8] 聚类融合与深度学习在用电负荷模式识别的应用研究.[D].林锦波.华南理工大学.2014, 01

← 1 →