摘要
针对当前电力工程中负荷数据与设备运行参数存在高维、强时序性特征,传统时序模型(如循环神经网络Recurrent Neural Network, RNN、长短期记忆网络Long Short-Term Memory, LSTM)难以有效建模其全局依赖关系,导致在复杂工况下的识别精度与泛化能力受限。本文提出一种基于Transformer模型的电力数据识别方法,并构建了云计算支撑的分布式识别平台。该方法利用Transformer模型核心的自注意力机制,高效捕获电力时序数据中的长距离依赖关系,结合Spark集群实现大规模电力数据的并行训练与实时推理。在某省220kV及以上变电站实际运行数据集上的实验表明,所提方法在准确率(94.6%)、F1分数(93.5%)及模型收敛速度等方面均显著优于LSTM、双向长短期记忆网络(Bidirectional Long Short-Term Memory, BiLSTM)和门控循环单元网络(Gated Recurrent Unit, GRU)等基准模型,验证了其在电力大数据智能识别中的有效性与工程适用性。
出处
《电脑知识与技术》
2025年第21期78-81,共4页
Computer Knowledge and Technology
