混合神经网络

电网在运行过程中会产生大量的设备缺陷文本记录,针对变电设备缺陷文本的特点,文章提出了基于注意力机制的混合神经网络(hybrid neural network based on attention mechanism,HNNA)电力设备缺陷文本挖掘方法。首先在总结电力设备缺陷文本特点的基础上,参考中文文本分类的一般流程,结合自主编写的词典和停用词表对缺陷文本进行预处理;利用Word2vec模型将词语映射到高维空间;使用卷积神经网络(convolution neural network,CNN)和双向长短期记忆网络(bidirectional long short term memory,BiLSTM)提取文本局部特征和上下文特征;将提取的特征进行融合,最后采用Attention实现特征权重的分配,增强关键特征对分类效果的影响,并从多个评价维度与传统机器学习模型、深度学习模型对比。算例结果表明,提出的模型具有更好的分类效果,可以实现电力设备缺陷等级的高效准确划分。

脉冲噪声广泛存在于电力线通信(power line communication，PLC)系统中，会严重影响系统的通信性能。电力线脉冲噪声的建模通常使用α稳定分布模型，为达到最佳的脉冲噪声抑制效果，需要知道脉冲噪声的类型和相关参数。为此，文章提出一种基于混合神经网络的符合α稳定分布的脉冲噪声参数估计方法。不同于传统的方法，本方法可以分别独立地估计α稳定分布的重要参数α(即特征指数)和γ(即尺度参数)。仿真结果表明，与传统方法相比，提出的方法具有更准确的参数估计性能，归一化均方误差值仅为10–4左右。