随着电网规模扩大和电力元件不断增加,电力系统检修方式变得日趋复杂,仅依靠传统方法难以对海量检修方式下电网的低频振荡风险进行评估。针对此问题,提出了一种基于长短期记忆(long short term memory,LSTM)神经网络的检修态电网低频振...随着电网规模扩大和电力元件不断增加,电力系统检修方式变得日趋复杂,仅依靠传统方法难以对海量检修方式下电网的低频振荡风险进行评估。针对此问题,提出了一种基于长短期记忆(long short term memory,LSTM)神经网络的检修态电网低频振荡风险预测方法。首先,提出了电力系统检修方式的统一编码方法,使计算机能够快速、准确识别电网在各种检修方式下的运行状态;然后,基于同步相量测量单元(phasor measurement unit,PMU)实时测量的电网历史运行数据,利用LSTM神经网络对不同检修方式下电网的低频振荡次数进行预测,从而评估检修态电网发生低频振荡的风险;最后,以华中地区某省级电网为算例,验证了所提方法的准确性和快速性。展开更多
为实现英文文本标题的自动化生成,研究一套基于长短期记忆网络的句子级LSTM编码策略,并在标题生成模型中引入注意力机制来获取英文文本的上下文向量,保留文本中的重要信息。在此基础上,通过负对数似然函数来对模型加以训练。最后通过Byt...为实现英文文本标题的自动化生成,研究一套基于长短期记忆网络的句子级LSTM编码策略,并在标题生成模型中引入注意力机制来获取英文文本的上下文向量,保留文本中的重要信息。在此基础上,通过负对数似然函数来对模型加以训练。最后通过Byte Cup 2018数据集对本文提出的英语标题自动生成算法进行实验,并通过过ROUGE-N指标对标题生成质量加以评价。实验研究发现,所提出的句子级LSTM编码方案在英文文本标题生成准确性方面相比于其他常规摘要生成模型来说具有显著优势。展开更多
文摘随着电网规模扩大和电力元件不断增加,电力系统检修方式变得日趋复杂,仅依靠传统方法难以对海量检修方式下电网的低频振荡风险进行评估。针对此问题,提出了一种基于长短期记忆(long short term memory,LSTM)神经网络的检修态电网低频振荡风险预测方法。首先,提出了电力系统检修方式的统一编码方法,使计算机能够快速、准确识别电网在各种检修方式下的运行状态;然后,基于同步相量测量单元(phasor measurement unit,PMU)实时测量的电网历史运行数据,利用LSTM神经网络对不同检修方式下电网的低频振荡次数进行预测,从而评估检修态电网发生低频振荡的风险;最后,以华中地区某省级电网为算例,验证了所提方法的准确性和快速性。
文摘为实现英文文本标题的自动化生成,研究一套基于长短期记忆网络的句子级LSTM编码策略,并在标题生成模型中引入注意力机制来获取英文文本的上下文向量,保留文本中的重要信息。在此基础上,通过负对数似然函数来对模型加以训练。最后通过Byte Cup 2018数据集对本文提出的英语标题自动生成算法进行实验,并通过过ROUGE-N指标对标题生成质量加以评价。实验研究发现,所提出的句子级LSTM编码方案在英文文本标题生成准确性方面相比于其他常规摘要生成模型来说具有显著优势。