|
||
|
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6
不同模型平均F1分数分布
正文中引用本图/表的段落
其次,对比不同模型的平均F1分数分布情况(见图6),这一结果体现了模型的性能稳定性,即事件类型分布对模型性能的影响程度.可以看到,所提方法最适合在配网故障辨识这一场景中使用.这是因为GRAN的分类准确率在平均值附近波动,较为稳定.相比之下,SVM和GBDT的准确率整体水平较低,无法应用于实际场景中,CNN参数量高、数据需求大,其准确率受数据类型分布影响大.
本文的其它图/表
|
