|
||
|
基于门控循环注意力网络的配电网故障识别方法
上海交通大学学报
2024, 58 (3):
295-303.
DOI: 10.16183/j.cnki.jsjtu.2022.091
为了提高小样本条件下配电网故障辨识准确率,提出一种门控循环注意力网络模型.首先,通过注意力机制赋予故障相中关键周期较高权重,通过加权运算使得模型更加关注上述关键信息.其次,利用门控循环网络处理波形序列,该网络利用门控信号控制记忆传递过程,并借由记忆传递建立序列中不同阶段输入波形和故障类别概率间的关系,从而提升识别准确率.基于仿真数据和实际数据的实验均表明:所提方法在小样本条件下的可靠性和准确率远优于同等条件下支持向量机、梯度提升决策树、卷积神经网络等常用分类模型,为配电网故障辨识技术提供了一种新思路.  View image in article
图2
GRAN框架
正文中引用本图/表的段落
由于单一波形中包含多个周期,所以需要综合考虑各周期对应的预测概率.在1.2节中提取了波形关键区域,获得了各周期对应的权重向量,因此将两者结合,如图2所示,获得最终的预测概率:
本文的其它图/表
|
