典型文献
基于粗糙集和Bi-LSTM-Attention网络的电力系统暂态评估
文献摘要：
为了降低不稳定因素对现代复杂的电力系统暂态评估的影响,在基于模糊领域单参数粗糙集和注意力机制的双向长短期记忆(Rs-Bi-LSTM-Attention)网络下,提出了一种电力系统暂态稳定评估模型.该模型首先用模糊领域单参数粗糙集对电力系统潮流数据进行属性约简,该方法既保证了准确率又提高了核心因素的权重;然后,通过Bi-LSTM-Attention网络对约简后的数据与电力系统暂态稳定状态之间建立映射关系,其中引入了Layer-Normalization对高层神经网络的输入数据进行处理,使得高层神经网络不仅能适应低层参数更新,而且可以加快网络的收敛速率.最后,用评估准确率和F1-measure两种评价指标对该模型的性能进行评估.IEEE39算例分析表明,Rs-Bi-LSTM-Attention模型比机器学习模型和部分深度学习模型具有更高的优越性.
文献关键词：
模糊邻域单参数粗糙集;电力系统暂态评估;Layer-Normalization;双向长短期记忆神经网络;注意力机制
中图分类号：
作者姓名：
王晨宇;王锡淮;肖健梅
作者机构：
上海海事大学物流工程学院,上海201306
文献出处：
引用格式：
[1]王晨宇;王锡淮;肖健梅-.基于粗糙集和Bi-LSTM-Attention网络的电力系统暂态评估)[J].控制工程,2022(02):330-338
A类：
电力系统暂态评估,模糊邻域单参数粗糙集
B类：
Bi,Attention,不稳定因素,注意力机制,Rs,电力系统暂态稳定评估,先用,流数据,属性约简,既保证,稳定状态,映射关系,Layer,Normalization,输入数据,低层,参数更新,收敛速率,measure,IEEE39,算例分析,机器学习模型,深度学习模型,双向长短期记忆神经网络
AB值：
0.229008
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
