金屬氧化物避雷器(MOA)老化后,會喪失對過電壓的抑制力,從而使電氣設(shè)備暴露在過電壓的危險下,因此及時了解MOA老化情況,對于電力系統(tǒng)設(shè)備的安全、可靠運行十分重要。在此背景下,提出了引入隨機失活技術(shù)的長短期記憶網(wǎng)絡(luò)(LSTM)避雷器阻性電流預測方法,來判斷MOA的老化趨勢,該方法能有效避免深度學習的過擬合問題并改善網(wǎng)絡(luò)性能。采用某變電站避雷器數(shù)據(jù)對所提方法進行訓練,結(jié)果表明所提出的深度LSTM算法與BP神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)相比精度顯著提升,預測結(jié)果的均方誤差在4.3%左右。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1LSTM的四層交互神經(jīng)網(wǎng)絡(luò)示意圖

LSTM是一種特殊的RNN網(wǎng)絡(luò)，一般采用“門結(jié)構(gòu)”來實現(xiàn)增減信息到細胞狀態(tài)的功能[8]。門是一種讓信息選擇式通過的方法，LSTM擁有3個門來保護和控制細胞狀態(tài)，分別是輸入門、輸出門和遺忘門，它們的功能與讀、寫、重置相似，見圖1。圖1中，Ct-1、Ct分別為前一時刻和當前的細胞狀態(tài)....

圖2隨機失活神經(jīng)網(wǎng)絡(luò)模型

雖然LSTM是目前實際應(yīng)用中最高效的序列模型，但與其他深度神經(jīng)網(wǎng)絡(luò)相同，由于隱含層層數(shù)較深，網(wǎng)絡(luò)訓練十分耗時，并且易出現(xiàn)過擬合問題。因此，在LSTM網(wǎng)絡(luò)中加入隨機失活技術(shù)，在網(wǎng)絡(luò)的輸入位置，即對式（1）中的ht-1進行置0操作。隨機失活技術(shù)是對具有深度結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的....

圖3隨機失活的應(yīng)用

讓其中一個神經(jīng)元以概率p停止運作，即將其激活函數(shù)值置為0。如某一層網(wǎng)絡(luò)的神經(jīng)元個數(shù)為1000，它的激活函數(shù)值為h1、h2、…、h1000，若隨機失活比率p選擇0.4，則這一層神經(jīng)元經(jīng)過隨機失活，大約有400個神經(jīng)元停止工作。圖3為神經(jīng)網(wǎng)絡(luò)訓練過程中的標準網(wǎng)絡(luò)和經(jīng)過隨機概率失活....

圖4未使用、使用dropout后的訓練結(jié)果

為了驗證隨機失活技術(shù)在處理神經(jīng)網(wǎng)絡(luò)中過擬合的優(yōu)異性能，使用TensorFlow中numpy函數(shù)的隨機數(shù)生成器隨機生成一組[-1,1]的數(shù)據(jù)點，并分別用加入和未加入隨機失活技術(shù)的神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行訓練，結(jié)果見圖4。由圖4(a）可看出，該網(wǎng)絡(luò)對于訓練集有較好的擬合效果，但對測試集效果....

本文編號：3947535