期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于LSTM-CNN-Attention模型的电力设施非周期巡视决策方法
1
作者
陈艳霞
李鑫明
+3 位作者
王志勇
于希娟
闻宇
夏时洪
《计算机应用》
CSCD
北大核心
2023年第S02期291-297,共7页
随着电力系统规模的日益增大,电网面临不确定性故障的危险,会影响人们的日常生活,甚至可导致重大安全事故。因此,提前预测电力设施的运行状态并作出巡视修检决策非常重要。但常用的决策方法(如支持向量机(SVM)模型等)在这些实际应用场...
随着电力系统规模的日益增大,电网面临不确定性故障的危险,会影响人们的日常生活,甚至可导致重大安全事故。因此,提前预测电力设施的运行状态并作出巡视修检决策非常重要。但常用的决策方法(如支持向量机(SVM)模型等)在这些实际应用场景中存在准确度不高、召回率低的问题。针对这一问题,提出一种结合长短期记忆(LSTM)、卷积神经网络(CNN)和注意力(Attention)机制的电力设施非周期巡视决策方法LSTM-CNN-Attention,将数据经过极限梯度提升(XGBoost)特征选择和归一化处理后输入该决策模型,利用注意力机制对经过LSTM和CNN层提取的包含时间和空间的信息作加权处理,区分信息的重要程度,以在输出预测结果时能够更关注那些对结果影响最大的信息,确保在预测过程中更重要的信息能够得到更大的关注和贡献,以提高预测结果的准确性和可靠性。通过在电力设施运行数据集上进行对比实验,验证了LSTM-CNN-Attention的准确率、精确率、召回率和F1-score性能评估指标优于CNN-LSTM、XGBoost、CNN、随机森林、SVM和逻辑回归模型的学习算法。
展开更多
关键词
极限梯度提升
长短期记忆
卷积神经网络
注意力机制
非
周期
巡视
电力系统
下载PDF
职称材料
输电施工外破点管理策略及外破防治
被引量:
2
2
作者
黄勇刚
罗化东
+4 位作者
周明勇
彭祥敏
陈建华
滕登虎
陈卫华
《电力设备管理》
2020年第1期92-95,共4页
通过分析线路跳闸外破规律和施工外破自有规律,得出施工外破共有源头点,以此提出输电施工外破发现的方法,它是按规律行事,且没有传统的人机巡视这个成本环节。
关键词
源头发现
共有源头点
源头点
非巡视
点管理
下载PDF
职称材料
题名
基于LSTM-CNN-Attention模型的电力设施非周期巡视决策方法
1
作者
陈艳霞
李鑫明
王志勇
于希娟
闻宇
夏时洪
机构
国网北京市电力公司电力科学研究院
国网北京市电力公司
中国科学院计算技术研究所
出处
《计算机应用》
CSCD
北大核心
2023年第S02期291-297,共7页
基金
国家电网有限公司科技项目资助(5400-202111148A-0-0-00)。
文摘
随着电力系统规模的日益增大,电网面临不确定性故障的危险,会影响人们的日常生活,甚至可导致重大安全事故。因此,提前预测电力设施的运行状态并作出巡视修检决策非常重要。但常用的决策方法(如支持向量机(SVM)模型等)在这些实际应用场景中存在准确度不高、召回率低的问题。针对这一问题,提出一种结合长短期记忆(LSTM)、卷积神经网络(CNN)和注意力(Attention)机制的电力设施非周期巡视决策方法LSTM-CNN-Attention,将数据经过极限梯度提升(XGBoost)特征选择和归一化处理后输入该决策模型,利用注意力机制对经过LSTM和CNN层提取的包含时间和空间的信息作加权处理,区分信息的重要程度,以在输出预测结果时能够更关注那些对结果影响最大的信息,确保在预测过程中更重要的信息能够得到更大的关注和贡献,以提高预测结果的准确性和可靠性。通过在电力设施运行数据集上进行对比实验,验证了LSTM-CNN-Attention的准确率、精确率、召回率和F1-score性能评估指标优于CNN-LSTM、XGBoost、CNN、随机森林、SVM和逻辑回归模型的学习算法。
关键词
极限梯度提升
长短期记忆
卷积神经网络
注意力机制
非
周期
巡视
电力系统
Keywords
eXtreme Gradient Boosting(XGBoost)
Long Short-Term Memory(LSTM)
Convolutional Neural Network(CNN)
attention mechanism
non-periodic inspection
power system
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
输电施工外破点管理策略及外破防治
被引量:
2
2
作者
黄勇刚
罗化东
周明勇
彭祥敏
陈建华
滕登虎
陈卫华
机构
国网宜昌市夷陵区供电公司
国网十堰供电公司
国网宜昌供电公司
国网湖北省检修公司输电检修中心
国网湖北省枝江市供电公司
国网湖北省远安县供电公司
出处
《电力设备管理》
2020年第1期92-95,共4页
文摘
通过分析线路跳闸外破规律和施工外破自有规律,得出施工外破共有源头点,以此提出输电施工外破发现的方法,它是按规律行事,且没有传统的人机巡视这个成本环节。
关键词
源头发现
共有源头点
源头点
非巡视
点管理
分类号
TM7 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于LSTM-CNN-Attention模型的电力设施非周期巡视决策方法
陈艳霞
李鑫明
王志勇
于希娟
闻宇
夏时洪
《计算机应用》
CSCD
北大核心
2023
0
下载PDF
职称材料
2
输电施工外破点管理策略及外破防治
黄勇刚
罗化东
周明勇
彭祥敏
陈建华
滕登虎
陈卫华
《电力设备管理》
2020
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部