Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Modelado de interacción de borde-fin de energía eléctrica con aprendizaje de ruido de etiqueta de series temporales
En el contexto de los sistemas de energía eléctrica, modelar la interacción extremo-extremo implica comprender la relación dinámica entre diferentes componentes y extremos del sistema. Sin embargo, las series temporales de energía eléctrica obtenidas por terminales de usuario a menudo sufren de problemas de baja calidad como valores faltantes, anomalías numéricas y etiquetas ruidosas. Estos problemas pueden reducir fácilmente la robustez de los resultados de minería de datos para modelos de interacción extremo-extremo. Por lo tanto, este artículo propone un modelo de clasificación de etiquetas ruidosas de tiempo-frecuencia (TF-NLC), que mejora la robustez de los modelos de interacción extremo-extremo al tratar problemas de baja calidad. Específicamente, empleamos dos redes neuronales profundas que se entrenan simultáneamente, utilizando tanto los dominios de tiempo como de frecuencia. Las dos redes se guían mutuamente en el entrenamiento de clasificación seleccionando etiquetas limpias de lotes dentro de datos de pérdida pequeña. Para mejorar aún más la robustez de la clasificación de representaciones de características de dominio de tiempo y frecuencia, introducimos un módulo de aprendizaje contrastivo de consistencia de dominio de tiempo-frecuencia. Al clasificar la selección de etiquetas limpias basadas en representaciones de tiempo-frecuencia para un entrenamiento mutuamente guiado, TF-NLC puede mitigar efectivamente el impacto negativo de las etiquetas ruidosas en el entrenamiento del modelo. Experimentos extensos en ocho conjuntos de datos de series temporales de energía eléctrica y diez escenarios realistas diferentes muestran que nuestro TF-NLC propuesto logra un rendimiento de clasificación avanzado bajo diferentes escenarios de etiquetas ruidosas. Además, los experimentos de abstracción y visualización demuestran aún más la robustez de nuestro método propuesto.
Autores: Wang, Zhenshang; Zhou, Mi; Zhao, Yuming; Zhang, Fan; Wang, Jing; Qian, Bin; Liu, Zhen; Ma, Peitian; Ma, Qianli
Idioma: Inglés
Editor: MDPI
Año: 2023
Disponible con Suscripción Virtualpro
Artículo científico
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Este documento es un artículo elaborado por Zhenshang Wang, Mi Zhou, Yuming Zhao, Fan Zhang, Jing Wang, Bin Qian, Zhen Liu, Peitian Ma y Qianli Ma para la revista Electronics, Vol. 12, Núm. 18. Publicación de MDPI. Contacto: electronics@mdpi.com
En el contexto de los sistemas de energía eléctrica, modelar la interacción extremo-extremo implica comprender la relación dinámica entre diferentes componentes y extremos del sistema. Sin embargo, las series temporales de energía eléctrica obtenidas por terminales de usuario a menudo sufren de problemas de baja calidad como valores faltantes, anomalías numéricas y etiquetas ruidosas. Estos problemas pueden reducir fácilmente la robustez de los resultados de minería de datos para modelos de interacción extremo-extremo. Por lo tanto, este artículo propone un modelo de clasificación de etiquetas ruidosas de tiempo-frecuencia (TF-NLC), que mejora la robustez de los modelos de interacción extremo-extremo al tratar problemas de baja calidad. Específicamente, empleamos dos redes neuronales profundas que se entrenan simultáneamente, utilizando tanto los dominios de tiempo como de frecuencia. Las dos redes se guían mutuamente en el entrenamiento de clasificación seleccionando etiquetas limpias de lotes dentro de datos de pérdida pequeña. Para mejorar aún más la robustez de la clasificación de representaciones de características de dominio de tiempo y frecuencia, introducimos un módulo de aprendizaje contrastivo de consistencia de dominio de tiempo-frecuencia. Al clasificar la selección de etiquetas limpias basadas en representaciones de tiempo-frecuencia para un entrenamiento mutuamente guiado, TF-NLC puede mitigar efectivamente el impacto negativo de las etiquetas ruidosas en el entrenamiento del modelo. Experimentos extensos en ocho conjuntos de datos de series temporales de energía eléctrica y diez escenarios realistas diferentes muestran que nuestro TF-NLC propuesto logra un rendimiento de clasificación avanzado bajo diferentes escenarios de etiquetas ruidosas. Además, los experimentos de abstracción y visualización demuestran aún más la robustez de nuestro método propuesto.
Descripción
En el contexto de los sistemas de energía eléctrica, modelar la interacción extremo-extremo implica comprender la relación dinámica entre diferentes componentes y extremos del sistema. Sin embargo, las series temporales de energía eléctrica obtenidas por terminales de usuario a menudo sufren de problemas de baja calidad como valores faltantes, anomalías numéricas y etiquetas ruidosas. Estos problemas pueden reducir fácilmente la robustez de los resultados de minería de datos para modelos de interacción extremo-extremo. Por lo tanto, este artículo propone un modelo de clasificación de etiquetas ruidosas de tiempo-frecuencia (TF-NLC), que mejora la robustez de los modelos de interacción extremo-extremo al tratar problemas de baja calidad. Específicamente, empleamos dos redes neuronales profundas que se entrenan simultáneamente, utilizando tanto los dominios de tiempo como de frecuencia. Las dos redes se guían mutuamente en el entrenamiento de clasificación seleccionando etiquetas limpias de lotes dentro de datos de pérdida pequeña. Para mejorar aún más la robustez de la clasificación de representaciones de características de dominio de tiempo y frecuencia, introducimos un módulo de aprendizaje contrastivo de consistencia de dominio de tiempo-frecuencia. Al clasificar la selección de etiquetas limpias basadas en representaciones de tiempo-frecuencia para un entrenamiento mutuamente guiado, TF-NLC puede mitigar efectivamente el impacto negativo de las etiquetas ruidosas en el entrenamiento del modelo. Experimentos extensos en ocho conjuntos de datos de series temporales de energía eléctrica y diez escenarios realistas diferentes muestran que nuestro TF-NLC propuesto logra un rendimiento de clasificación avanzado bajo diferentes escenarios de etiquetas ruidosas. Además, los experimentos de abstracción y visualización demuestran aún más la robustez de nuestro método propuesto.