基于随机失活LSTM网络的避雷器阻性电流预测方法

发布时间：2024-04-07 02:27

　　金属氧化物避雷器(MOA)老化后,会丧失对过电压的抑制力,从而使电气设备暴露在过电压的危险下,因此及时了解MOA老化情况,对于电力系统设备的安全、可靠运行十分重要。在此背景下,提出了引入随机失活技术的长短期记忆网络(LSTM)避雷器阻性电流预测方法,来判断MOA的老化趋势,该方法能有效避免深度学习的过拟合问题并改善网络性能。采用某变电站避雷器数据对所提方法进行训练,结果表明所提出的深度LSTM算法与BP神经网络、循环神经网络相比精度显著提升,预测结果的均方误差在4.3%左右。

【文章页数】：5 页

【部分图文】：

图1LSTM的四层交互神经网络示意图

LSTM是一种特殊的RNN网络，一般采用“门结构”来实现增减信息到细胞状态的功能[8]。门是一种让信息选择式通过的方法，LSTM拥有3个门来保护和控制细胞状态，分别是输入门、输出门和遗忘门，它们的功能与读、写、重置相似，见图1。图1中，Ct-1、Ct分别为前一时刻和当前的细胞状态....

图2随机失活神经网络模型

虽然LSTM是目前实际应用中最高效的序列模型，但与其他深度神经网络相同，由于隐含层层数较深，网络训练十分耗时，并且易出现过拟合问题。因此，在LSTM网络中加入随机失活技术，在网络的输入位置，即对式（1）中的ht-1进行置0操作。随机失活技术是对具有深度结构的人工神经网络进行优化的....

图3随机失活的应用

让其中一个神经元以概率p停止运作，即将其激活函数值置为0。如某一层网络的神经元个数为1000，它的激活函数值为h1、h2、…、h1000，若随机失活比率p选择0.4，则这一层神经元经过随机失活，大约有400个神经元停止工作。图3为神经网络训练过程中的标准网络和经过随机概率失活....

图4未使用、使用dropout后的训练结果

为了验证随机失活技术在处理神经网络中过拟合的优异性能，使用TensorFlow中numpy函数的随机数生成器随机生成一组[-1,1]的数据点，并分别用加入和未加入随机失活技术的神经网络对数据进行训练，结果见图4。由图4(a）可看出，该网络对于训练集有较好的拟合效果，但对测试集效果....

本文编号：3947535