《表3 查准率与查全率的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于GRU网络的配电网故障数量等级预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

/%

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.