.png){kind=icon}
返回
Incremental Spatio-Temporal Augmented Sampling for Power Grid Operation Behavior Recognition
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14183579.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确识别电网运行行为对于确保智能电网系统中的安全性和运行效率至关重要。然而，由于动态环境变化、有限的有标签训练数据可用性以及持续模型适应的必要性，这项任务带来了显著挑战。为克服这些限制，我们提出了增量时空增强采样（ISAS）方法用于电网运行行为识别。具体而言，我们设计了一个时空特征增强融合模块（FEFM），该模块采用多尺度时空增强融合并结合跨尺度聚合机制，实现能够抵抗环境干扰的鲁棒特征学习。此外，我们引入了一个选择性回放机制（SRM），该机制基于误差变化性和特征空间发散性指标实施双标准样本选择策略，确保最优的记忆库更新，同时最大化信息增益并最小化特征冗余。在电网行为数据集上的实验结果表明，与其它方法相比，所提出的方法在识别鲁棒性和知识保持方面具有显著优势。例如，其在晴天的准确率达到89.80%，并在三种气象场景下以仅2.74%的遗忘率保持了出色的持续学习稳定性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容