采用长短期记忆网络与压缩感知实现电物理量轻型化方法

论文摘要

为进一步提升信息化电网性能,提出一种基于长短期记忆网络（LSTM）与压缩感知（CS）实现电物理量轻型化方法。将时间序列变化的电物理量采样数据作为LSTM模型的输入量,稳定结果作为输出量,通过时间反向传播（BPTT）算法训练LSTM模型参数,训练后的模型能充分利用循环架构的特征进行模式识别,并根据LSTM模式识别结果,将信号选择原子库进行CS,来确定测量采样频率。实例结果表明,LSTM+CS方法比常用传统方法采样频率低,传输参数少,可大幅节省存储容量和减轻网络流量。

论文目录

• 0 引言
• 1 LSTM网络
•   1.1 LSTM网络训练
•   1.2 LSTM网络模式识别
• 2 CS理论
•   2.1 原子库
•     2.1.1 典型电物理量原子库
•     2.1.2 系统信号原子库
•   2.2 测量矩阵优化
• 3 电物理量轻型化
• 4 实例仿真
•   4.1 数据样本集构造
•   4.2 LSTM网络对样本全标注训练
•   4.3 样本全标注时评估性能
•   4.4 实例信号轻型化
• 5 结语

文章来源

类型: 期刊论文

作者: 周学斌,李晓明,李雷,甘凌霞

关键词: 电力系统,轻型化,深度学习,长短期记忆网络,压缩感知

来源: 电力系统自动化 2019年01期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业

单位: 武汉大学电气工程学院,江西省电力有限公司九江供电分公司

基金: 国家自然科学基金资助项目(51277134)~~

分类号: TM71

页码: 102-109+241

总页数: 9

文件大小: 1064K

下载量: 218