Key points are not available for this paper at this time.
पारंपरिक BiLSTM (Bidirectional Long Short-Term Memory) के पास लंबे समय के समय श्रृंखलाओं के लिए सीमित प्रसंस्करण क्षमताएँ हैं, शक्ति इंजीनियरिंग डेटा के लक्षणों के प्रति अपर्याप्त अनुकूलता और विशिष्ट अनुप्रयोग परिदृश्यों में समस्याओं की भविष्यवाणी में अपर्याप्त सटीकता है। इस पेपर में ध्यान तंत्र को पेश किया गया है ताकि BiLSTM की लंबी समय श्रृंखलाओं को पकड़ने की क्षमता में सुधार किया जा सके, शक्ति इंजीनियरिंग डेटा की समय श्रृंखला को एकीकृत किया जा सके और एक बुद्धिमान विश्लेषण एल्गोरिदम डिज़ाइन किया जा सके जो मल्टी-डाइमेंशनल लक्षणों के प्रति अनुकूल हो। प्रयोगात्मक परिणाम बताते हैं कि लोड पूर्वानुमान में, सुधारित BiLSTM की क्यूबिक त्रुटियां ग्रीष्मकाल और शीतकाल में क्रमशः 0.02 और 0.025 हैं, और R2 क्रमशः 0.985 और 0.982 हैं। उपकरणFault diagnosis में, सुधारित BiLSTM की सटीकता वर्तमान, वोल्टेज, तापमान और दबाव के तहत GRU (Gated Recurrent Unit) जैसे मॉडलों की तुलना में काफी अधिक है। यह शोध BiLSTM में सुधार करता है, मल्टी-डायमेंशनल फीचर फ्यूजन और मल्टी-हेड सेल्फ-अटेंशन मैकेनिज्म को जोड़ता है, और इसे शक्ति इंजीनियरिंग डेटा के लक्षणों के अनुसार ऑप्टिमाइज़ करता है, शोर की Robustness बढ़ाता है, और शोर के प्रभाव को 8% तक कम करता है। हालांकि प्रशिक्षण समय और मेमोरी थोड़ा बढ़ा है, संकुचन की गति तेज है। सुधारित BiLSTM शक्ति इंजीनियरिंग डेटा विश्लेषण एल्गोरिदम उन कार्यों की सटीकता और Robustness को काफी हद तक सुधारता है जैसे कि शक्ति लोड पूर्वानुमान और उपकरण Fault diagnosis द्वारा सेल्फ-अटेंशन मैकेनिज्म और मल्टी-डायमेंशनल फीचर फ्यूजन को पेश करके। यह जटिल समय पैटर्नों और बहु-स्रोत डेटा मॉडलिंग में अधिक अनुकूल है।
Xu et al. (Fri,) ने इस प्रश्न का अध्ययन किया।