基于LSTM-CNN-Attention模型的电力设施非周期巡视决策方法

作者：陈艳霞; 李鑫明^*; 王志勇; 于希娟; 闻宇; 夏时洪

来源：计算机应用, 2023, 43(S2): 291-297.

• 极限梯度提升
• 长短期记忆
• 卷积神经网络
• 注意力机制
• 非周期巡视
• 电力系统

随着电力系统规模的日益增大，电网面临不确定性故障的危险，会影响人们的日常生活，甚至可导致重大安全事故。因此，提前预测电力设施的运行状态并作出巡视修检决策非常重要。但常用的决策方法（如支持向量机（SVM）模型等）在这些实际应用场景中存在准确度不高、召回率低的问题。针对这一问题，提出一种结合长短期记忆（LSTM）、卷积神经网络（CNN）和注意力（Attention）机制的电力设施非周期巡视决策方法 LSTM-CNN-Attention，将数据经过极限梯度提升（XGBoost）特征选择和归一化处理后输入该决策模型，利用注意力机制对经过LSTM和CNN层提取的包含时间和空间的信息作加权处理，区分信息的重要程度，以在输出预测结果时能够更关注那些对结果影响最大的信息，确保在预测过程中更重要的信息能够得到更大的关注和贡献，以提高预测结果的准确性和可靠性。通过在电力设施运行数据集上进行对比实验，验证了LSTM-CNN-Attention的准确率、精确率、召回率和F1-score性能评估指标优于CNN-LSTM、XGBoost、CNN、随机森林、SVM和逻辑回归模型的学习算法。

• 单位
  国网北京市电力公司; 中国科学院计算技术研究所