《表3 查准率与查全率的对比》
/%
将前述网络与反向传播神经网络(back propagation neural network,BPNN)及文献[6]所述支持向量机的对比.为保证与前述GRU网络构架参数相同,BPNN也采用3层隐藏层和1层Softmax全连接输出层,隐藏层的激活函数采用tanh,units值分别为64、32和16,dropout为0.4,Softmax输出层units为3,learning rate为0.005,同样训练1 000轮,GRU网络与BPNN的查准率与查全率对比如表3,精确度如图6.从表3可以看出,GRU网络在3个故障数量级的评价指标上均优于BPNN,说明GRU网络对不同类别的样本均有较好的适应性.由图6可以看出在相同数据集的情况下,BPNN的预测精确度停留在较低的水平.这是由于BPNN是将动态的时间序列转换至静态空间建模,与RNN及GRU有本质区别,难以充分挖掘时间序列内部历史关系.也从侧面印证了前述对于配电网故障数量等级历史相关性分析的正确性.
图表编号 | XD00110881200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.10 |
作者 | 高金峰、庞昊、杜耀恒 |
绘制单位 | 郑州大学产业技术研究院、郑州大学产业技术研究院、国家电网烟台供电公司 |
更多格式 | 高清、无水印(增值服务) |