基于粗糙集和Bi-LSTM-Attention网络的电力系统暂态评估

• 作者: 王晨宇 王锡淮 肖健梅
• 来源期刊: 控制工程
• 学科: 工学
• 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
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 基于大数据的故障诊断与预测理论及技术(专题)
• 页码范围: 330-338
• 页数: 9页
• 分类号: TM712
• 语种: 中文
• DOI: 10.14107/j.cnki.kzgc.20210672

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.