基于深度學(xué)習(xí)的配電網(wǎng)故障智能辨識(shí)模型研究

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）13-0024-05

Abstract：With theadvancementof powersystem technologyandequipmentupgrades，theacumulationof poweroperation datahasbecomemoreandmoreregular.Duetothelimitationsoftradionalneuralnetworks，faultsamplescannotbeidetified well.Tothisnd，anintellgentidentificationmodelfordistrbutionnetworkfultsbasedoneeplaingisproposdistthe neuralnetworkarchitectureisdetermined;thenthemodelistrainedbycombiningthecorrspondingparameteroptimization algorithm;finally，thedeeplearningmodelfordistributionnetworkfaultidenificationcanbeobtained.Throughsimulation verification， the verification results prove the effectiveness of the proposed method.

Keyword：neuralnetwork；distributionnetwork；deeplearningmodel;parameteroptimizationalgorithm；inteligentfault identification

在配電網(wǎng)故障研究領(lǐng)域，研究?jī)?nèi)容通常包括故障預(yù)測(cè)、故障檢測(cè)以及系統(tǒng)恢復(fù)與重構(gòu)等方面。在配電網(wǎng)的故障診斷過程中，關(guān)鍵是搜集檢測(cè)設(shè)備所提供的運(yùn)行數(shù)據(jù)，以便對(duì)線路及其組件的故障情況進(jìn)行監(jiān)控。此過程包括故障的定位與性質(zhì)判定-3]。故障檢測(cè)作為系統(tǒng)恢復(fù)與重構(gòu)的基礎(chǔ)，對(duì)于保障配電網(wǎng)的穩(wěn)定與安全運(yùn)行起到了決定性的作用。運(yùn)用精確且高效的故障檢測(cè)技術(shù)，可以大幅提高故障處理的效率，快速恢復(fù)用戶的正常用電，從而減少故障給社會(huì)帶來的不良影響4。鑒于此，研究快速且準(zhǔn)確的配電網(wǎng)故障檢測(cè)技術(shù)就顯得極為重要。

在智能電網(wǎng)概念興起之前，配電網(wǎng)的故障診斷主要依靠人工進(jìn)行現(xiàn)場(chǎng)檢查，尤其是在變電站區(qū)域。但是，這種檢測(cè)方式不僅效率不高，而且人力資源成本極高。隨著我國智能電網(wǎng)建設(shè)的推進(jìn)，配電系統(tǒng)的自動(dòng)化程度得到了顯著提升，實(shí)現(xiàn)了對(duì)配電網(wǎng)狀態(tài)的實(shí)時(shí)監(jiān)測(cè)，從而能夠迅速了解系統(tǒng)的運(yùn)行狀況8-。然而，隨著配電網(wǎng)規(guī)模的不斷擴(kuò)展，傳統(tǒng)的故障檢測(cè)技術(shù)已無法高效應(yīng)對(duì)監(jiān)控系統(tǒng)中積累的大規(guī)模數(shù)據(jù)，導(dǎo)致了定位精度不足和診斷速度遲緩等問題

基于以上研究，本文采用GRU神經(jīng)網(wǎng)絡(luò)，構(gòu)建神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型，運(yùn)用海量歷史樣本數(shù)據(jù)對(duì)基于GRU神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，并借助所累積的歷史數(shù)據(jù)，持續(xù)地對(duì)模型進(jìn)行調(diào)整和優(yōu)化，得到需要的配電網(wǎng)故障辨識(shí)深度學(xué)習(xí)模型。

1配電網(wǎng)故障智能辨識(shí)深度學(xué)習(xí)模型整體架構(gòu)

電力系統(tǒng)領(lǐng)域的持續(xù)發(fā)展與設(shè)備的更新?lián)Q代，使得電力運(yùn)行數(shù)據(jù)呈現(xiàn)出更加規(guī)律性的積累。同時(shí)，監(jiān)測(cè)設(shè)備，如PMU的成本持續(xù)下降，使其在配電網(wǎng)中得到廣泛部署，預(yù)示著配電網(wǎng)可獲取的數(shù)據(jù)量將日益增多，數(shù)據(jù)的有效性也會(huì)穩(wěn)步提升。

深度學(xué)習(xí)技術(shù)的關(guān)鍵在于自動(dòng)特征提取與學(xué)習(xí)過程，它通過分層的網(wǎng)絡(luò)結(jié)構(gòu)來捕捉層次化的特征信息，有效克服了傳統(tǒng)方法中人工選取特征的需求[13]。

深度學(xué)習(xí)通過構(gòu)建深層神經(jīng)網(wǎng)絡(luò)來模擬大腦的運(yùn)作。深層神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層、多個(gè)隱層和一個(gè)輸出層組成，每層包含多個(gè)神經(jīng)元，這些神經(jīng)元的連接有權(quán)重區(qū)分4。神經(jīng)元仿照人類的神經(jīng)細(xì)胞，而結(jié)點(diǎn)間的連接則模擬了神經(jīng)細(xì)胞間的連接。深度學(xué)習(xí)模型的基本結(jié)構(gòu)如圖1所示。

本文中深度學(xué)習(xí)模型的構(gòu)建主要分為3部分，首先確定神經(jīng)網(wǎng)絡(luò)架構(gòu)，然后再結(jié)合參數(shù)優(yōu)化算法來進(jìn)行訓(xùn)練，最后得到配電網(wǎng)故障辨識(shí)深度學(xué)習(xí)模型。

深度學(xué)習(xí)模型的具體思路如圖2所示：該模型分為離線訓(xùn)練和在線決策2部分。在數(shù)據(jù)處理的初始階段，針對(duì)不同的類別進(jìn)行聚類預(yù)處理。緊接著，針對(duì)每批歷史數(shù)據(jù)，設(shè)計(jì)并訓(xùn)練獨(dú)立的深度學(xué)習(xí)模型。在進(jìn)行決策時(shí)，首先確定輸人數(shù)據(jù)的類別，接著選擇與之匹配的模型進(jìn)行計(jì)算分析。

離線訓(xùn)練，也稱為批量學(xué)習(xí)，即在一個(gè)封閉的數(shù)據(jù)集上對(duì)模型進(jìn)行迭代優(yōu)化。該過程包括對(duì)整個(gè)數(shù)據(jù)集的多次遍歷，直至模型性能達(dá)到預(yù)定的閾值，如較低的誤差率或較高的準(zhǔn)確度。此方法能夠充分利用現(xiàn)有數(shù)據(jù)集的全部信息，以訓(xùn)練出泛化能力較強(qiáng)的模型。然而，其核心缺陷在于無法實(shí)時(shí)響應(yīng)數(shù)據(jù)分布的變化，因此，當(dāng)遭遇數(shù)據(jù)漂移時(shí)，必須定期對(duì)模型進(jìn)行重新訓(xùn)練以維持其性能。

在線決策，也稱為在線學(xué)習(xí)，允許模型在數(shù)據(jù)流持續(xù)到達(dá)時(shí)進(jìn)行連續(xù)的學(xué)習(xí)和更新。此方法的特點(diǎn)是模型根據(jù)新數(shù)據(jù)的即時(shí)反饋調(diào)整其參數(shù)和權(quán)重，從而實(shí)現(xiàn)快速適應(yīng)數(shù)據(jù)環(huán)境的變化。盡管在線決策具備高度的實(shí)時(shí)性和靈活性，但其對(duì)數(shù)據(jù)點(diǎn)的敏感性可能導(dǎo)致模型對(duì)噪聲或異常值過度反應(yīng)，進(jìn)而引發(fā)偏差累積問題。

在深度學(xué)習(xí)實(shí)踐中，離線訓(xùn)練與在線決策的策略常常被聯(lián)合采用。具體而言，離線訓(xùn)練為模型提供了一個(gè)穩(wěn)固的知識(shí)基礎(chǔ)，而在線決策則確保了模型能夠與動(dòng)態(tài)變化的數(shù)據(jù)環(huán)境保持同步。這種混合方法既發(fā)揮了離線訓(xùn)練在模型泛化方面的優(yōu)勢(shì)，又利用了在線決策在實(shí)時(shí)適應(yīng)性上的長(zhǎng)處，為深度學(xué)習(xí)模型在復(fù)雜多變的應(yīng)用場(chǎng)景中提供了強(qiáng)大的支撐。

2配電網(wǎng)故障診斷模型

2.1循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）作為一種深度學(xué)習(xí)模型，因其短期記憶功能而在眾多領(lǐng)域中得到了廣泛應(yīng)用。這種網(wǎng)絡(luò)架構(gòu)的獨(dú)特之處在于，其神經(jīng)元具備雙重接收能力：一方面，它可以接收來自其他神經(jīng)元的輸入信號(hào)；另一方面，它也能夠獲取并整合前一時(shí)刻自身的輸出信息。網(wǎng)絡(luò)中的信息流動(dòng)呈現(xiàn)一種獨(dú)特的循環(huán)模式，這種模式構(gòu)建了網(wǎng)絡(luò)獨(dú)有的循環(huán)性結(jié)構(gòu)[，如圖3所示。

圖3中， δ （ ? ） 為激活函數(shù)，通常激活函數(shù)采用tanh函數(shù)，RNN神經(jīng)元不僅能從外部接收信號(hào)，還能從前一時(shí)刻的自身輸出中獲取信息，構(gòu)建了一個(gè)帶有循環(huán)連接的結(jié)構(gòu)。由圖3可知，RNN的設(shè)計(jì)允許它存儲(chǔ)并利用歷史信息。在RNN中，每個(gè)神經(jīng)元的當(dāng)前輸出是依賴于之前所有時(shí)刻的輸出的，即神經(jīng)元輸出 的計(jì)算 是基于歷史輸入的綜合考量，具體公式如下所示

式中： 和 分別代表2個(gè)輸入的權(quán)重參數(shù)， b 代表偏置項(xiàng)，隱藏狀態(tài) 由 和 與上一時(shí)刻的隱藏狀態(tài) 共同決定， 為神經(jīng)元的輸出。

盡管循環(huán)神經(jīng)網(wǎng)絡(luò)在處理時(shí)間序列數(shù)據(jù)方面具有顯著優(yōu)勢(shì)，然而其固有的梯度消失問題嚴(yán)重制約了模型在長(zhǎng)序列學(xué)習(xí)任務(wù)中的性能。針對(duì)這一問題，研究者們提出了一種引入門控機(jī)制的改進(jìn)型循環(huán)神經(jīng)網(wǎng)絡(luò)，稱之為門控循環(huán)單元（GRU）。

2.2 GRU神經(jīng)網(wǎng)絡(luò)

GRU神經(jīng)網(wǎng)絡(luò)通過引入門控機(jī)制，有效地解決了RNN在處理長(zhǎng)時(shí)間序列時(shí)遇到的梯度消失問題，從而顯著增強(qiáng)了其預(yù)測(cè)長(zhǎng)期序列數(shù)據(jù)的能力。通過引入門控機(jī)制，GRU的循環(huán)單元可以選擇性地保留或遺忘信息，這樣在現(xiàn)有信息的基礎(chǔ)上進(jìn)行更新，能夠更有效地處理長(zhǎng)序列的數(shù)據(jù)。

與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)不同，GRU采用了門控循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來取代簡(jiǎn)單的tanh等激活函數(shù)，用于構(gòu)建鏈?zhǔn)侥Ｐ汀RU網(wǎng)絡(luò)通過整合輸入門與遺忘門為單一的更新門，并將遺忘門重組為更新門和重置門，同時(shí)簡(jiǎn)化了記憶單元的設(shè)計(jì)，使其能夠直接進(jìn)行計(jì)算并輸出結(jié)果。其結(jié)構(gòu)如圖4所示，GRU在結(jié)構(gòu)上進(jìn)行了簡(jiǎn)化，在保證預(yù)測(cè)效果的基礎(chǔ)上，訓(xùn)練參數(shù)更少，并且在降低模型復(fù)雜程度的同時(shí)還具有較高的預(yù)測(cè)精度。

在圖4中， 和 分別象征著重置門和更新門。重置門用于確定前一時(shí)刻的狀態(tài)信息在當(dāng)前候選狀態(tài)中的權(quán)重，重置門的值越小，表示前一時(shí)刻的信息在當(dāng)前候選狀態(tài)中的寫入比例越低。另一方面，更新門用于決定前一時(shí)刻的狀態(tài)信息在當(dāng)前狀態(tài)中保留的比例，更新門的值越大，前一時(shí)刻的狀態(tài)信息在當(dāng)前狀態(tài)中保留得就越多。

依據(jù)所提供的GRU模型圖，網(wǎng)絡(luò)的前向傳播過程可以用以下公式來描述

式中： [ a ， b 符號(hào)用于表示向量的連接，而 則表示矩陣的乘積。

從前向傳播公式可以看出，需要學(xué)習(xí)的參數(shù)包括

其中，前面3個(gè)參數(shù)是通過拼接得到的（輸入向量也由拼接得到），因此在訓(xùn)練過程中需要將它們分開進(jìn)行處理

輸出層的輸入

輸出層的輸出

在計(jì)算出輸出層的輸出后，便能夠確定網(wǎng)絡(luò)中的傳播損失。具體而言，某一時(shí)刻單個(gè)樣本的損失可計(jì)算如下

則單個(gè)樣本在所有時(shí)刻的損失之和為

采用后向誤差傳播算法來學(xué)習(xí)網(wǎng)絡(luò)，首先需計(jì)算損失函數(shù)對(duì)各參數(shù)的偏導(dǎo)7

式中：各中間參數(shù)為

在求得所有參數(shù)的偏導(dǎo)數(shù)之后，便可以對(duì)它們進(jìn)行更新。通過連續(xù)迭代此過程，直至損失值達(dá)到收斂狀態(tài)。

總體而言，GRU通過不同的門函數(shù)來保留重要特征，從而確保在傳播過程中不會(huì)丟失關(guān)鍵信息。

3配電網(wǎng)故障智能辨識(shí)深度學(xué)習(xí)模型的訓(xùn)練策略

在電網(wǎng)故障預(yù)測(cè)模型中，所使用的輸入數(shù)據(jù)集包括在多個(gè)時(shí)間點(diǎn)記錄的電氣量以及系統(tǒng)運(yùn)行狀態(tài)的相關(guān)數(shù)據(jù)，這些輸入數(shù)據(jù)構(gòu)成了一個(gè)序列，可以用公式（27）來描述

該模型中， ，輸人變量考慮了電壓、電流、有功功率等電氣量數(shù)據(jù)，以及雷雨天氣的指示因素，其中雷雨天氣狀況則是通過獨(dú)熱編碼（One-HotEncod-ing）進(jìn)行表征。

該模型的輸出結(jié)果為電網(wǎng)出現(xiàn)故障的概率預(yù)測(cè)，而其輸入序列數(shù)據(jù)由式（28）所描述

圖5展示了GRU網(wǎng)絡(luò)的訓(xùn)練流程。依據(jù)既有的故障數(shù)據(jù)，比較模型預(yù)測(cè)值與實(shí)際故障結(jié)果之間的偏差，并通過本文應(yīng)用的隨機(jī)梯度下降算法1對(duì)GRU網(wǎng)絡(luò)的權(quán)重進(jìn)行迭代更新。

本文的故障智能識(shí)別深度學(xué)習(xí)模型訓(xùn)練過程包括將故障數(shù)據(jù)和類型樣本輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督學(xué)習(xí)。使用反向傳播算法作為權(quán)重更新策略，從輸出權(quán)重開始，反向更新網(wǎng)絡(luò)的所有權(quán)重，以擬合故障數(shù)據(jù)和故障類型輸入輸出之間的映射關(guān)系，減小預(yù)測(cè)輸出與實(shí)際輸出之間的差異，直到達(dá)到精度要求。

均方誤差（MSE）可以用來評(píng)價(jià)數(shù)據(jù)的變化程度，MSE值越小，表明預(yù)測(cè)模型對(duì)實(shí)驗(yàn)數(shù)據(jù)的描述更精確19

研究表明，均方誤差作為訓(xùn)練目標(biāo)函數(shù)能夠有效提高深度學(xué)習(xí)模型的收斂性。

本文將均方誤差作為深度學(xué)習(xí)模型的目標(biāo)函數(shù)，旨在訓(xùn)練模型，即

式中 ∴ X 表示真實(shí)值； 表示模型決策值； R 表示樣本總個(gè)

數(shù)： ?r 表示第 r 個(gè)樣本。

平均絕對(duì)誤差（MAE）衡量的是預(yù)測(cè)值與實(shí)際值之間絕對(duì)誤差的平均水平，它提供了預(yù)測(cè)精度的一個(gè)更直接、更精確的指標(biāo)。使用MAE作為深度學(xué)習(xí)模型的評(píng)估指標(biāo)，可以有效評(píng)估模型的決策精度，即

4系統(tǒng)仿真設(shè)計(jì)

4.1 仿真實(shí)驗(yàn)設(shè)計(jì)

為評(píng)估所設(shè)計(jì)的故障智能識(shí)別深度學(xué)習(xí)模型的性能，本文采用了隨州電網(wǎng)公司的故障分析報(bào)告。實(shí)驗(yàn)數(shù)據(jù)包括電壓、電流及有功功率等多種電氣參數(shù)，有較強(qiáng)的代表性。在參數(shù)更新過程中，采用Adam算法，使參數(shù)更新更穩(wěn)定，使GRU模型的收斂速度和預(yù)測(cè)精度方面有了顯著提升。同時(shí)，為了降低過擬合風(fēng)險(xiǎn)，將500維電力時(shí)序數(shù)據(jù)以合適的步長(zhǎng)與步數(shù)進(jìn)行分割，并將時(shí)序步數(shù)范圍[10，20，30，40，50，60，70，80，90]與時(shí)間步長(zhǎng)范圍[5，10，15，20，25，30，45，50]進(jìn)行配對(duì)，并對(duì)每組超參數(shù)訓(xùn)練的模型進(jìn)行性能評(píng)估并得到最優(yōu)解。

經(jīng)測(cè)試所得的組合最優(yōu)解網(wǎng)絡(luò)參數(shù)見表1。

圖6展示了GRU模型在訓(xùn)練過程中的損失變化曲線。當(dāng)訓(xùn)練迭代次數(shù)超過10次后，訓(xùn)練集與驗(yàn)證集的誤差趨于一致，這表明模型未出現(xiàn)過度擬合，并且訓(xùn)練已達(dá)到最優(yōu)狀態(tài)。

后將文中結(jié)果與其他主流電力數(shù)據(jù)診斷模型進(jìn)行比較，如：支持向量機(jī)分類模型（SVM）反向傳播網(wǎng)絡(luò)（BPNN）、深度信念網(wǎng)絡(luò)（DBN）循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），與GRU采用相同訓(xùn)練集與同樣的K-Fold驗(yàn)證方法，通過檢測(cè)準(zhǔn)確率來驗(yàn)證了模型的優(yōu)越性與實(shí)用性。

4.2 實(shí)驗(yàn)結(jié)果與討論

實(shí)驗(yàn)結(jié)果表明，GRU模型的故障檢測(cè)性能與傳統(tǒng)方法進(jìn)行對(duì)比，由圖7與表2可以看出，GRU模型的預(yù)測(cè)準(zhǔn)確率明顯優(yōu)于其他方法，達(dá)到了 9 1 . 9 % ，大大提高了模型的準(zhǔn)確性。

明顯可以看出，SVM、DBN與BPNN在預(yù)測(cè)準(zhǔn)確率方面有明顯不足。為提高預(yù)測(cè)準(zhǔn)確率，捕捉電氣數(shù)據(jù)的時(shí)序特性至關(guān)重要。相比之下，GRU模型建立了當(dāng)前時(shí)刻與前一時(shí)刻狀態(tài)間的線性依賴關(guān)系，有效緩解了梯度消失對(duì)預(yù)測(cè)精度的影響，與其他模型相比，準(zhǔn)確性有了顯著提高。此外，基于門控循環(huán)單元網(wǎng)絡(luò)的電網(wǎng)故障診斷模型在訓(xùn)練過程中需承擔(dān)顯著的計(jì)算負(fù)擔(dān)。因此，在將模型應(yīng)用于新電網(wǎng)區(qū)域時(shí)，建議考慮遷移學(xué)習(xí)策略。可以利用在其他電網(wǎng)區(qū)域預(yù)先訓(xùn)練好的網(wǎng)絡(luò)權(quán)重作為新模型初始化的參數(shù)，這樣做有助于加速訓(xùn)練過程并提升數(shù)據(jù)利用的效率。這樣可以有效減少訓(xùn)練時(shí)間，并提升模型在新環(huán)境下的適應(yīng)能力。

5結(jié)論

本文提出了一種基于深度學(xué)習(xí)的配電網(wǎng)故障智能辨識(shí)模型。仿真結(jié)果表明，使用方法可以顯著提高故障的檢測(cè)率，有效降低配電網(wǎng)故障發(fā)生頻率，為配電網(wǎng)的安全運(yùn)行提供了可靠的技術(shù)支撐。

參考文獻(xiàn)：

[1]陽浩，趙歡，薛榮，等.基于邊緣計(jì)算的配電網(wǎng)故障檢測(cè)方法[J].電測(cè)與儀表，2022（60）：1-9.

[2]吳璐子，繆希仁，莊勝斌，等.含分布式電源配電網(wǎng)故障檢測(cè)與定位研究綜述[J].福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，50（6）：751-759.

[3]洪翠，連淑婷，黃晟，等.基于改進(jìn)經(jīng)驗(yàn)小波變換和改進(jìn)多視角深度矩陣分解的直流配電網(wǎng)故障檢測(cè)方案[J].電力自動(dòng)化設(shè)備，2022，42（6）：8-15，29.

[4] 曾宇，劉友波，高紅均，等.基于模型預(yù)測(cè)控制的高壓配電網(wǎng)負(fù)荷轉(zhuǎn)供與儲(chǔ)能電站協(xié)同運(yùn)行[J].電網(wǎng)技術(shù)，2021，45（5）：1902-1911.

[5] JAMALI S，BAHMANYARA，RANJBAR S.Hybrid classifierforfaultlocationin activedis-tribution networks[J].Protectionand Control of Modern Power Systems，2020（5）：1-9.

[6]詹惠瑜，劉科研，盛萬興，等.有源配電網(wǎng)故障診斷與定位方法綜述及展望[J].高電壓技術(shù)，2022，49（2）：660-671.

[7]李永彪，羅清，李春明.配電網(wǎng)線路故障實(shí)時(shí)監(jiān)測(cè)技術(shù)研究[J].電子世界，2020（20）：170-171.

[8]馬藝瑋，嚴(yán)冬，鄒密，等.新工科背景下電氣類專業(yè)的智能電網(wǎng)課程群建設(shè)改革[J].科技與創(chuàng)新，2022（2）：7-10.

[9]LIU X，CAI Z，F(xiàn)AN H，et al. Experimental studies onthe rtEthernet-based centralized fault management systemfor smart grids[J].Electric Power Systems Research，2020（181）：106163.

[10]吳建輝，劉偉，楊素梅，等.基于大數(shù)據(jù)的智能電網(wǎng)狀態(tài)遠(yuǎn)程監(jiān)測(cè)方法[J].自動(dòng)化與儀器儀表，2020（3）：209-211.

[11]陳林凱.基于改進(jìn)圖卷積網(wǎng)絡(luò)的配電網(wǎng)故障檢測(cè)研究[D].福州：福建工程學(xué)院，2023.

[12]葉迪.基于深度學(xué)習(xí)的 SCUC 決策方法研究[D].宜昌：三峽大學(xué)，2019.

[13]程梓.基于心電信號(hào)CNN及雙向GRU深度特征的集成學(xué)習(xí)情緒識(shí)別框架研究[D].廣州：華南理工大學(xué)，2019.

[14]李建偉，魏偉，陳沛然，等.農(nóng)田有效灌溉面積的預(yù)測(cè)方法及應(yīng)用[J].湖北農(nóng)業(yè)科學(xué)，2013，52（9）：2157-2160.

[15] DE B T，VERBERT K，BABUSKA R.Railway Track CircuitFault Diagnosis Using Recurrent Neural Net -works [J].IEEETransactionsonNeuralNetworksamp;LearningSystems，2016，28（3）：523-533.

[16]楊熙，趙婧，朱峰.GRU神經(jīng)網(wǎng)絡(luò)下電力輔助決策模型疑點(diǎn)數(shù)據(jù)檢測(cè)[J].電子設(shè)計(jì)工程，2024，32（19）：164-168.

[17]宋厚巖，王漢軍.基于GRU和 PCNN的電力知識(shí)抽取[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2021，30（9）：200-205.

[18]鄭鵬程.基于GRU網(wǎng)絡(luò)的電網(wǎng)故障診斷方法研究[J].自動(dòng)化技術(shù)與應(yīng)用，2021，40（2）：11-15.

[19]周俊，馬建林，胡中波.杭長(zhǎng)客專浙江段沉降預(yù)測(cè)精確度評(píng)價(jià)建議模式[J].安全與環(huán)境學(xué)報(bào)，2016.169（4）：38-42.