《表3 不同评估模型测试结果》
![《表3 不同评估模型测试结果》](http://bookimg.mtoou.info/tubiao/gif/DLXT201901013_14600.gif)
本系列图表出处文件名:随高清版一同展现
《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》
比较LSTM,DBN和BP神经网络对三相短路B相电流样本评估性能。文献[11]DBN由一层BP神经网络和若干层受限玻尔兹曼机(restricted Boltzmann machine,RBM)栈式叠加而成,拥有强大的特征提取能力,隐藏层的层数和每层的单元数需要根据经验设置,节点服从伯努利分布。用Prony算法提取短路电流中各典型分量的特征参数作为DBN和BP的输入,即DBN和BP输入神经单元个数为20,期望输出为[0,0,1,1],输出神经单元个数为4,而Prony算法数据记录长度应至少包括已知最低频率模式的两个周期[26],导致计算量大、耗时长、误差大。BP神经网络层数为3层,每层的神经单元数依次为20-17-4,误差αgoal=0.001;DBN的层数设定为4层,每层的神经单元数依次为20-8-5-4,无监督学习的动量为0.5,学习率为0.001,迭代次数为400,损失函数L≤0.001时模式识别成功。考虑到评估性能的随机性,各类ib(t)信号抽样10次分别测试,结果见表3,表中的评估准确率为各次测试的平均值。
图表编号 | XD0030117700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.10 |
作者 | 周学斌、李晓明、李雷、甘凌霞 |
绘制单位 | 武汉大学电气工程学院、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、江西省电力有限公司九江供电分公司 |
更多格式 | 高清、无水印(增值服务) |