【技术实现步骤摘要】
本专利技术涉及故障电流预测，尤其涉及一种基于雪消融优化循环神经网络的故障电流预测方法和介质。
技术介绍
1、目前，故障电流常用的预测方法主要有基于统计理论的方法和基于人工智能技术的机器学习方法两类，前者在早期的电力行业发展阶段常用此类方法进行预测，此类方法中较有代表性的方法主要有最小二乘法、扩展卡尔曼滤波法、模型参考自适应法等。统计理论的预测方法本质为通过对历史数据的统计分析，建立数学模型来揭示数据的规律，并利用该模型对未来数据进行预测。这种方法的有效性取决于模型的选择、参数的准确性以及对历史数据的充分理解。使用不同方法的目的均是为了更好的归纳历史时间序列的波动规律，建立符合数据特征的数学模型。因此，此类方法对历史数据量具有较高的要求，需要提供的历史数据具有尽可能多的关联数据，以此考虑到更多的影响因素，从而确保数学模型的精确性，进而提高最终预测结果的可信度。对于周期性较强的数据类型，此类方法的表现较为理想，然而随着电网结构的不断调整优化以及新能源占比的增加，潮流特性随之复杂化，这也导致故障电流的复杂化，基于统计理论的预测方法逐渐不能满足
【技术保护点】
1.一种基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，包括：
2.如权利要求1所述的基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，所述步骤S1中，对所述故障电流离线数据集进行归一化处理包括：
3.如权利要求1所述的基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，所述步骤S2中，建立LSTM神经网络模型包括：
4.如权利要求3所述的基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，分别按下式设置遗忘门结构、输入门结构和记忆细胞结构：
5.如权利要求1所述的基于雪消融优化循环神经网络...
【技术特征摘要】
1.一种基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，包括：
2.如权利要求1所述的基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，所述步骤s1中，对所述故障电流离线数据集进行归一化处理包括：
3.如权利要求1所述的基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，所述步骤s2中，建立lstm神经网络模型包括：
4.如权利要求3所述的基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，分别按下式设置遗忘门结构、输入门结构和记忆细胞结构：
5.如权利要求1所述的基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，所述步骤s2中，采用sao算法对所述lstm神经网络模型进行参数优化包括：
6.如权利要求5所述的基于雪消融优化循环神经网络的故障电流预测方法，其特征在于，所述通过对lstm神经网络模...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。