犹豫型模糊LSTM-Transformer模型及其在智能电网电力与能量平衡中的应用

《IEEE Transactions on Fuzzy Systems》：The Hesitant Fuzzy LSTM-Transformer Model and Its Application in Power and Energy Balance of Smart Grids

智能电网中基于LSTM-Transformer与犹豫模糊集的功率平衡决策模型研究。通过融合LSTM时序建模能力与Transformer并行计算优势，结合犹豫模糊集处理主观判断不确定性，提出HF-LSTM-Transformer模型。采用改进的传播与参数更新机制，显著提升复杂场景下的分类精度，并以实际电网案例验证模型在动态负荷、可再生能源整合等场景的有效性。

　　

摘要：

电力和能源平衡技术是智能电网的核心。专家的主观判断在平衡控制过程中起着关键作用。然而，由于评估数据的主观性、模糊性和大规模特性，传统模型难以有效建模和分析此类信息。为了解决数据的大规模问题，我们引入了长短期记忆（LSTM）来开发LSTM-Transformer模型。考虑到数据的不确定性和模糊性，我们进一步构建了基于犹豫模糊集的LSTM-Transformer（HF-LSTM-Transformer）模型。这是一种新颖的深度学习方法，能够处理电力平衡控制决策中的复杂主观和模糊信息。通过结合犹豫模糊集，HF-LSTM-Transformer增强了LSTM-Transformer处理不确定性的能力。此外，我们设计了前向和反向传播过程、参数更新程序以及优化算法，以提高新模型的分类预测准确性。最后，我们提供了两个智能电网示例，从比较和应用的角度全面展示了所提出方法获得的分类结果的稳健性和准确性。

引言

随着能源需求的持续增长，传统电网已无法容纳分布式能源、可再生能源和新类型负载的整合。此外，突然的负载波动和网络安全威胁进一步暴露了传统电网的瓶颈和局限性。为应对这些挑战，智能电网应运而生。这种新的电力系统能够实时监控和优化发电、传输、分配和消费过程，提高了灵活性、可靠性和应对复杂环境的能力。因此，它为现代社会提供了更高效和智能的电力服务。在智能电网研究领域，电网稳定性评估、电网安全和故障检测是三个关键的研究方向。首先，在电网稳定性评估方面，主要内容包括频率稳定性评估[1]、暂态稳定性评估[2]和小信号稳定性评估[3]。其次，随着智能电网的快速发展，网络安全问题变得越来越突出，特别是在应对网络攻击方面。在这一领域，研究重点在于攻击检测[4]、入侵检测[5]和电力盗窃检测[6]。最后，故障检测是维护电力系统高效和安全运行的核心技术之一。该领域的研究主要集中在电力分配系统[7]、电力分配线路[8]和输电线路[9]的故障检测上。作为智能电网的核心技术，电力平衡技术是学者们广泛探索的热门研究方向。它通过精确的实时监控[10]、灵活的负载管理[11]、供需协调控制[12]和多层次资源协调[13]，确保在复杂运行环境中的电力供需平衡。这反过来提高了电网的整体运行效率和安全性能。这些研究共同推动了智能电网的智能化发展，显著提升了电力系统的运行效率和安全性。与传统电网相比，智能电网在稳定性、可靠性和能源利用效率方面具有显著优势。深度学习模型在各种智能电网应用中表现出色，例如人工神经网络[14]、卷积神经网络[15]和生成对抗网络[16]。其中，长短期记忆（LSTM）网络因其能够通过门控机制有效捕捉序列数据中的长期依赖性，在负载预测[17]和能源调度[18]等任务中得到了广泛应用。然而，LSTM模型存在一些局限性，包括计算复杂性高、并行处理能力弱以及难以捕捉长距离依赖性。相比之下，变压器具有强大的表示能力和出色的并行计算能力。为了解决使用单一模型的局限性，特别是在智能电网安全和网络攻击检测等复杂应用中，结合LSTM和变压器架构的混合模型可以提供更强的泛化能力、稳健性和优化的训练效率。然而，大多数这些方法侧重于分析定量序列数据或图像数据，在有效处理智能电网运行中普遍存在的模糊性、不确定性和主观性方面存在不足。例如，在需求响应策略中，用户的参与意愿往往受到价格预期、个人舒适偏好和家庭设备运行状态等多种主观和动态因素的影响。因此，行为属性表现出显著的模糊性和不确定性，使得模型难以应对这种复杂的不确定情景。为了提高模型处理不确定和模糊信息的能力，本研究引入了犹豫模糊集（HFSs）[19]，以表征在模糊和不确定条件下的多种可能属性状态。这种机制不仅提高了模型表示模糊特征的能力，还增强了其在复杂智能电网环境中的稳健性和泛化性能。基于此，本研究从三个角度扩展了LSTM：主观评估信息、选择偏好以及泛化和并行化能力。