|
||
|
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5
GBDT模型结构
正文中引用本图/表的段落
对比3种常用的分类模型:SVM、GBDT[24]和CNN[25].SVM模型的本质是通过核函数将样本映射至线性可分特征空间,并寻找可以最大化类间间隔的分类超平面.GBDT的核心思想是利用模型叠加不断减小预测误差来最终达到最佳效果.CNN模型是一种深层前馈神经网络,在通过线性加权和激活函数拟合非线性映射的同时,利用卷积操作减少参数量,达到增加网络深度、提升模型性能的目的.由于SVM和CNN使用的是标准结构,所以只给出GBDT的模型结构,如图5所示.由图可见,该模型本质为简单决策树的集成学习.
本文的其它图/表
|
