CN110232203B - 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 - Google Patents
知识蒸馏优化rnn短期停电预测方法、存储介质及设备 Download PDFInfo
- Publication number
- CN110232203B CN110232203B CN201910323040.2A CN201910323040A CN110232203B CN 110232203 B CN110232203 B CN 110232203B CN 201910323040 A CN201910323040 A CN 201910323040A CN 110232203 B CN110232203 B CN 110232203B
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- power failure
- prediction
- rnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种知识蒸馏优化RNN短期停电预测方法、存储介质及设备,获取与停电故障高关联度特征,作为初始故障特征,将故障数据分为线性主体部分和非线性主体部分,以ARIMA算法实现对线性主体部分的短期数据预测,以RNN实现对非线性主体部分的预测,二者均作为softmax的输入,最终给出区域短期停电预测值,从而在保证预测精度的前提下,实现对RNN模型的精简和压缩,进而提高模型的运行速度和调参性能。
Description
技术领域
本公开涉及知识蒸馏优化RNN短期停电预测方法、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着经济现代化进程的快速发展,对电能的稳定性要求越来越高,停电事件严重影响着人们正常的生产生活,甚至危及人类生命安全。停电判别工作经过多年的发展,由最初的人为经验判定到智能化判别,当前电力系统以15分钟一次的频率采集用户用电信息,海量采集数据为停电判别提供了数据支撑,但由于电网终端、线路故障、网络稳定性、天气等因素影响,导致停电判别涉及采集特征因素复杂且数据量大,而当前的停电事件判别方法对采集数据利用率低,易造成误判、错判停电事件,且近些年的智能化判别过程大都通过线路故障判别停电事件,涉及停电事件通常为大面积停电,对于台区小范围停电的研究相对较少,受台区内电网设备、雷电天气等影响,使得台区停电难以监测,并且由于电网的终端轮换,即定期更换电网终端设备,使得之前终端表现的特点在更换的终端中不可使用,进而台区停电预测规则也就发生了“漂移”,故需结合新的终端对台区停电规则进行调整,此外在以往的停电判别过程中,对于影响停电发生的因素选取上多为人为经验选择,这种方法主观性比较强,缺乏科学性,容易导致判别结果出现比较大的误差。
据发明人了解,当前智能电网倾向于采用神经网络来实现对人工判别的模拟,然而由于电力用户多且涉及特征因素繁多,初始即采用循环神经网络(RecurrentNeuralNetwork,RNN)实现停电预测,会导致模型规模庞大、学习速度缓慢且训练时间长,尤其在终端批量轮换导致预测漂移的情况下,需对模型参数进行调整,由此将造成服务器开销负担过重。
发明内容
本公开为了解决上述问题,提出了一种知识蒸馏优化RNN短期停电预测方法、存储介质及设备,本公开能够解决海量采集数据导致停电预测低效且终端批量轮换导致预测偏移的问题。
根据一些实施例,本公开采用如下技术方案:
一种知识蒸馏优化RNN短期停电预测方法,包括以下步骤:
获取与停电故障高关联度特征,作为初始故障特征,基于停电故障样本,获取输电线故障、雷电故障及负荷不均衡故障特征数据,针对不同的故障建立ARIMA模型,得到相应的故障因子值;
基于初始故障特征,采用RNN构建停电故障预测深层模型,输入得到的故障因子值以softmax输出对短期区域停电故障预测值,采用反向传播算法完成模型参数的调节,模型构建完成后提取全连接层的神经元输出数据作为非线性主体的预测值学习目标;
将与输电线故障、雷电故障和负荷不均衡故障相关的线性停电特征数据剔除,简化模型的输入数据,并以简化后的特征数据为输入,构建浅层RNN非线性主体预测子模型,最终输出非线性主体预测值;
以所有故障因子值和非线性主体预测值为softmax的输入,得到所属区域内停电故障的预测值。
可以根据该停电故障预测值对停电事件进行判别,进而进行针对性的预防/解决措施。
上述方案中将故障数据分为线性主体部分和非线性主体部分,以ARIMA算法实现对线性主体部分的短期数据预测,以RNN实现对非线性主体部分的预测,二者均作为softmax的输入,最终给出区域短期停电预测值,从而在保证预测精度的前提下,实现对RNN模型的精简和压缩,进而提高模型的运行速度和调参性能。
作为一种或多种实施例,基于用电信息采集系统、营销业务应用系统进行用户用电数据的抽取历史停电样本数据,并以网络数据爬取获得天气信息,抽取数据包含用户用电数据、区域停电数据、区域输电线路数据、终端设备数据和历史气象数据,对采集数据进行数据预处理,实现数据补全、异常值剔除、统一规格和归一化处理,并以灰色关联度分析获取与停电故障高关联度特征,作为初始故障特征。
作为一种或多种实施例,基于停电故障样本,获取输电线故障、雷电故障及负荷不均衡故障特征数据,实现对停电故障线性主体部分的预测,即针对输电线故障、雷电故障及负荷不均衡故障分别建立ARIMA模型,输出输电线故障因子值、雷电故障因子值及负荷不均衡故障因子值。
作为一种或多种实施例,基于非线性主体的学习目标,同样采用灰色关联度分析算法实现特征数据的筛选,从而将与输电线故障、雷电故障和负荷不均衡故障相关的线性停电特征数据剔除,简化模型的输入数据,并以简化后的特征数据为输入,构建浅层RNN非线性主体预测子模型,最终输出非线性主体预测值。
作为一种或多种实施例,以输电线故障因子值、雷电故障因子值、负荷不均衡故障因子值、非线性主体预测值为输入,以softmax实现短期区域停电故障预测,并将结果反馈,不断优化浅层RNN非线性主体预测子模型的参数。
作为一种或多种实施例,针对不同的故障建立ARIMA模型,得到相应的故障因子值的具体过程包括:对输电线故障、雷电故障及负荷不均衡故障因子进行平稳性的检验;
进行模型识别,通过自相关系数和偏自相关系数的拖尾和截尾性选择模型,根据模型识别确定的输电线故障、雷电故障和负荷不均衡故障分别选择的ARIMA模型类型,进而确定各模型的自回归过程阶数和移动平均过程阶数;
根据确定的模型和阶数,为输电线故障、雷电故障和负荷不均衡故障分别建立ARIMA模型求解模型中各参数值,利用Q统计量方法,对建立的ARIMA模型计算得到的残差序列进行残差检验,对得到的残差序列进行波动检验;
为雷电故障和负荷不均衡故障分别在各自的ARIMA模型基础上建立广义自回归条件异方差模型。
作为一种或多种实施例,考虑到气象数据对台区影响具有不确定性,引入了一个随机变量R,对雷电故障预测模型进行改进,根据R方、平稳R方、绝对平方误差和绝对平均百分比误差进行模型评估。
以简化后的特征数据为输入,构建浅层RNN非线性主体预测子模型,最终输出非线性主体预测值,具体步骤如下:
对非线性故障因素进行知识蒸馏:
步骤1:基于RNN构建的停电故障预测深层模型,以深层模型的全连接层的神经元输出数据作为非线性主体的预测值学习目标,基于非线性主体预测值,采用灰色关联分析算法进行二次特征筛选;
步骤2:压缩网络,采用tucker分解来压缩深度模型的网络层,提取中间层作为浅层模型的学习过程中间层对象;;
步骤3:基于二次筛选的特征数据为输入,以深层模型的非线性主体的预测值为输出,结合网络压缩获取的中间层数据为训练过程辅助数据,构建浅层RNN非线性主体预测子模型;
步骤4:以深层模型引导,基于损失函数对浅层模型加以训练,保证浅层RNN子模型有效完成对深层模型非线性主体的预测。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种知识蒸馏优化RNN短期停电预测方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种知识蒸馏优化RNN短期停电预测方法。
与现有技术相比,本公开的有益效果为:
(1)由于电力用户多且涉及停电故障特征繁多,初始采用循环神经网络(RecurrentNeuralNetwork,RNN)实现停电预测,导致模型规模庞大、学习速度缓慢且训练时间长,尤其在终端批量轮换导致预测漂移的情况下,对RNN模型参数进行调整,由此将造成服务器开销负担过重,故本公开采用知识蒸馏的理念,采用RNN构建的停电故障预测深层模型为预训练网络,指导浅层RNN非线性主体预测子模型进行训练,进一步筛选特征,并将知识从深度复杂模型迁移至轻量级浅层神经网络模型,从而在满足预测准确度的前提下,简化了模型的调参复杂度,提高了数据处理的运行效率;
(2)由于人工标签设定的最终预测结果,往往难以提供深层模型的隐藏信息,故传统的知识蒸馏将深层模型的前一层神经元的输出作为学习对象,然而此方法亦导致预测模型的精度下降,故本公开首先结合差分自回归移动平均算法(AutoregressiveIntegratedMovingAverageModel,ARIMA)改进知识蒸馏过程,一方面实现对初始构建的停电故障预测深层模型的简化,一方面将线性主体预测数据作为深层模型softmax层的输入数据,从而保证线性主体预测数据的有效性,避免由于深层网络提炼抽象数据导致的线性数据预测损失,随后,将知识蒸馏压缩分为线性主体部分和非线性主体部分,以ARIMA算法实现对线性主体部分的短期数据预测,以RNN实现对非线性主体部分的预测,二者均作为softmax的输入,最终给出区域短期停电预测值,从而在保证预测精度的前提下,实现对RNN模型的精简和压缩,进而提高模型的运行速度和调参性能;
(3)本公开采用RNN构建的停电故障预测深层模型,在深层模型指导浅层模型训练阶段的过程中,对神经元输出的非线性主体部分进行二次特征筛选,从而剔除线性主体部分特征,并在筛选后采用二次特征数据构建浅层RNN预测模型,不断循环迭代该过程,直至在满足准确度要求的前提下,构建出最简浅层RNN非线性主体预测子模型;
(4)本公开提供的一种知识蒸馏优化RNN短期停电预测模型的方法借助知识蒸馏理念,对各故障因素进行提炼和凝结,有效解决海量采集数据导致停电预测低效且终端批量轮换预测偏移的调参困难问题,提高了预测模型的准确性,并且避免了人为经验判定停电及人为录入停电信息的主观干扰性,节约了电力企业人力资源成本,提高了电力服务质量。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是整体流程图;
图2为基于ARIMA模型的线性主体预测建模流程图;
图3浅层RNN非线性主体预测子模型建模流程图;
图4循环神经网络建立区域短期停电判别模型流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所述的,据发明人了解,采用循环神经网络进行停电预测,会导致模型规模庞大、学习速度缓慢且训练时间长,尤其在终端批量轮换导致预测漂移的情况下,需对模型参数进行调整,由此将造成服务器开销负担过重,采用知识蒸馏的理念,对基于RNN停电故障预测模型进行压缩,能够有效的减少模型复杂程度,增强调参性能。
一种知识蒸馏优化RNN短期停电预测模型的方法,将知识蒸馏压缩分为线性主体部分和非线性主体部分,以ARIMA算法实现对线性主体部分的短期数据预测,以RNN实现对非线性主体部分的预测,二者均作为softmax的输入,最终给出区域短期停电预测值,从而在保证预测精度的前提下,实现对RNN模型的精简和压缩,进而提高模型的运行速度和调参性能。
首先针对线性故障因素,由于ARIMA算法对时序性的短期预测效果较好,故采用ARIMA算法实现对线性故障因素进行预测,此时可实现输电线故障因子、雷电故障因子和负荷不均衡故障因子的预测,随后采用循环神经网络进行停电故障预测建模,并在循环神经网络最后一层的softmax层,将输电线故障因子、雷电故障因子和负荷不均衡故障因子的预测数据输入,实现短期区域停电故障预测,并以反向迭代传播调整模型参数,此时输入特征数据仍然较多,神经网络仍然复杂,故在模型构建完成后,以全连接层的神经元作为非线性主体进行知识蒸馏,并基于非线性主体的神经元输出进行特征筛选,从而二次精简输入特征,并以二次精简特征为输入构建浅层循环神经网络实现对深层模型非线性主体部分的学习,最终非线性主体部分、输电线故障因子、雷电故障因子和负荷不均衡故障因子的预测数据作为softmax层的输入,实现对短期区域停电故障的预测。
一种知识蒸馏优化RNN短期停电预测模型的方法,该方法的实现步骤如下:
步骤A:基于用电信息采集系统、营销业务应用系统进行用户用电数据的抽取历史停电样本数据,并以网络数据爬取活得天气信息,抽取数据包含用户用电数据、区域停电数据、区域输电线路数据、终端设备数据和历史气象数据,对采集数据进行数据预处理,实现数据补全、异常值剔除、统一规格和归一化处理,并以灰色关联度分析获取与停电故障高关联度特征,作为初始故障特征;
步骤B:基于停电故障样本,获取输电线故障、雷电故障及负荷不均衡故障特征数据,实现对停电故障线性主体部分的预测,即针对输电线故障、雷电故障及负荷不均衡故障分别建立ARIMA模型,输出输电线故障因子值、雷电故障因子值及负荷不均衡故障因子值;
步骤C:基于初始故障特征,采用RNN构建停电故障预测深层模型,并在全连接层输入输电线故障因子值、雷电故障因子值及负荷不均衡故障因子值,以softmax输出对短期区域停电故障预测值,采用反向传播算法完成模型参数的调节,模型构建完成后提取全连接层的神经元输出数据作为非线性主体的预测值学习目标;
步骤D:基于非线性主体的学习目标,同样采用灰色关联度分析算法实现特征数据的筛选,从而将与输电线故障、雷电故障和负荷不均衡故障相关的线性停电特征数据剔除,简化模型的输入数据,并以简化后的特征数据为输入,构建浅层RNN非线性主体预测子模型,最终输出非线性主体预测值;
步骤E:以输电线故障因子值、雷电故障因子值、负荷不均衡故障因子值、非线性主体预测值为输入,以softmax实现短期区域停电故障预测,并将结果反馈至步骤D,不断优化浅层RNN非线性主体预测子模型的参数。
所述步骤B,针对输电线故障、雷电故障及负荷不均衡故障分别建立ARIMA模型,步骤如下:
对于线性故障因素,ARIMA算法对短期时序数据具有较好的预测性能,故可将历史数据存在的线性故障规律进行时间上的延续,因此结合停电历史数据,为输电线故障、雷电故障及负荷不均衡故障构建ARIMA模型。
步骤B1:预测值数据处理
1)输电线故障因子
输电线路由于使用时间过长、天气影响、使用负荷等因素使其出现老化磨损等情况,从而造成停电事件的发生,故本公开通过划分时间段,计算每个时间段内的输电线故障,以各时间段输电线故障造成的停电次数与全年总的输电线故障造成停电次数的比值作为输电线故障因子值。
2)雷电故障因子
由于恶劣天气对电力系统输电线路和各设备损害较大,从而导致部分终端上报的停电信息无法到达台区,对停电判别造成影响,其中雷电天气对电力系统损伤最大,雷电活动在夏秋季节最为频繁,停电概率较大,而冬春季节雷电天气减弱,进而由于雷电造成的停电事件相对变小。故雷电故障因子的预测值数据处理为,统计各个时间段,雷电天气发生的次数:
其中Sum(thunder failure)表示该时间段内停电原因为雷电天气的次数,Sum(season failure)为一年内停电原因为雷电天气的次数,Pi为雷电故障因子值。
3)负荷不均衡故障因子
负荷的增加会给电力系统输电线路和各设备增加负担,同时可能会因负荷的增加造成跳闸断电等情况,从而导致停电事件,利用以往负荷数据,对各时间段负荷变化为对象,统计每个时间段的最高负荷为该时间段的负荷值,利用本年该时间段负荷与上一年该时间段负荷差值,作为本年该时间段的负荷变化:
Lyear,i=MaxLyear,i-MaxLyear-1,i (2)
其中Lyear.i为year年i时间段的负荷变化值,即负荷不均衡故障因子,MaxLyear.i为year年i时间段的负荷最大值,MaxLyear-1.i为year-1年i时间段的负荷最大值。
步骤B2:平稳性检验。对输电线故障、雷电故障和负荷不均衡故障进行分析发现数据分布具有明显的时间季节性特点,进而选取时间序列算法中短期预测准确率高的的ARIMA算法,本公开中输电线故障、雷电故障和负荷不均衡故障因子值均具有明显的季节性分布,为消除季节性因素实现数据的平稳性,进行一次差分后实现了数据平稳;
步骤B3:模型识别。模型识别是为了确定平稳序列所适合的模型,输电线故障、雷电故障和负荷不均衡故障因子值通过自相关系数和偏自相关系数的拖尾和截尾性选择模型;
步骤B4:模型定阶。根据模型识别确定的输电线故障、雷电故障和负荷不均衡故障分别选择的ARIMA模型类型,进而确定各模型的自回归过程阶数p和移动平均过程阶数q;
步骤B5:参数估计,建立ARIMA模型。通过确定的模型和阶数,为输电线故障、雷电故障和负荷不均衡故障分别建立ARIMA模型求解模型中各参数值;
步骤B6:残差检验。利用Q统计量方法,对建立的ARIMA模型计算得到的残差序列进行残差检验,检验模型的合理性;
步骤B7:残差波动检验。在构建各ARIMA模型的过程中假设方差是不变的,为提高模型的准确性,引入残差波动检验数据是否方差不变,即利用Q统计量方法,对各ARIMA模型计算得到的残差序列进行残差检验,并对残差平方序列进行检验,检验数据方差是否发生;
步骤B8:为雷电故障和负荷不均衡故障分别在各自的ARIMA模型基础上建立广义自回归条件异方差(GARCH)模型。通过对建立ARIMA模型进行的残差波动检验,发现雷电故障和负荷不均衡故障的残差具有波动性,故分别在雷电故障和负荷不均衡故障的ARIMA模型基础上建立广义自回归条件异方差模型(GARCH);
步骤B9:改进雷电故障预测。考虑到气象数据对台区影响具有不确定性,因此引入了一个随机变量R,对ARIMA-GARCH雷电故障预测模型进行改进;
步骤B10:预测数据评估。根据R方、平稳R方、绝对平方误差和绝对平均百分比误差进行模型评估。
所述步骤D,以简化后的特征数据为输入,构建浅层RNN非线性主体预测子模型,最终输出非线性主体预测值,具体步骤如下:
结合输电线故障、雷电故障、负荷不均衡故障预测值,采用循环神经网络进行短期区域停电故障预测,此时输入特征数据仍然较多,神经网络仍然复杂且调参困难,故对非线性故障因素进行知识蒸馏。
步骤D1:基于RNN构建的停电故障预测深层模型,以深层模型的全连接层的神经元输出数据作为非线性主体的预测值学习目标,基于非线性主体预测值,采用灰色关联分析算法进行二次特征筛选;
步骤D2:压缩网络,采用tucker分解来压缩深度模型的网络层,提取中间层作为浅层模型的学习过程中间层对象;
步骤D3:基于二次筛选的特征数据为输入,以深层模型的非线性主体的预测值为输出,结合网络压缩获取的中间层数据为训练过程辅助数据,构建浅层RNN非线性主体预测子模型;
步骤D4:以深层模型引导,基于损失函数对浅层模型加以训练,从而保证浅层RNN子模型可有效完成对深层模型非线性主体的预测。
作为一种典型实施例,基于知识蒸馏改进RNN预测模型的短期停电预测方法整体流程图描述了本发明的全过程,如步骤101所述,基于用电信息采集系统、营销业务应用系统进行用户用电数据的抽取历史停电样本数据,并以网络数据爬取活得天气信息,抽取数据包含用户用电数据、区域停电数据、区域输电线路数据、终端设备数据和历史气象数据,对采集数据进行数据预处理,实现数据补全、异常值剔除、统一规格和归一化处理,并以灰色关联度分析获取与停电故障高关联度特征,作为初始特征。
如附图1发明整体流程图所示,步骤101为利用灰色关联度分析筛选影响停电特征,首先确定参考数列和比较数列,参考数列为各个台区的停电终端占比,比较数列包含台区容量、台区安装时间、终端使用时间、线路使用时间、城农类别、负荷变化、气象数据、终端厂商、终端生产批号,表示为X={x0,x1,…,xm},其中x0为参考数列,xi为比较序列;
计算参考数列与比较数列的关联系数,首先计算参考数列与比较数列各点的绝对差,
Δi(j)=|x′0(j)-x′i(j)| (3)
其中,x′0(j)为参考数列第j行的取值,x′i(j)为第i比较数列第j行的取值;
根据各点的绝对差,可计算参考数列与比较数列在j点的关联系数:
其中,miniminjΔi(j)表示参考数列与比较数列的最小差值,maximaxjΔi(j)则表示参考数列与比较数列最大的差值,ρ为分辨系数,ρ∈(0,1],这里取的是0.5;
关联系数表示参考数列与比较数列各个时刻的关联程度,为了方便整体比较,将各个时刻的关联系数总结为一个,来表示比较数列和参考数列的关联程度:
随后,根据关联度进行排序。根据计算得到的参考数列与各比较数列的关联度,从大到小进行排序,选取关联度>0.43的因素,筛选的因素有台区容量、用户欠费数据、气象数据、台区设备部署时间、季节因素、用户运行容量、城乡类别(特殊边远地区)、终端使用时间、台区变更时间、线路使用时间。由于为短期停电故障预测,故特征输入数据为预测时刻t前一周,以天为时间段;
如附图1发明整体流程图所示,步骤102针对线性故障因素,结合停电历史数据,为输电线故障、雷电故障及负荷不均衡故障分别建立ARIMA预测模型,具体流程图如附图2线性因素建模流程图所示,步骤201是输电线故障、雷电故障、负荷不均衡故障的预测值数据处理。在本实施例中具体的过程为:
对于输电线故障的预测值数据处理操作为:首先以台区为单位,分别统计各台区2014年12月—2017年11月的历史停电样本数据,求得各停电事件中停电原因为输电线故障的停电事件,然后根据当地的气候特点,以12-2月,3-5月、6-8月和9-11月,将时间段划分,某时间段输电线故障数据为该时间段输电线故障导致停电次数与全年停电原因为输电线故障的总次数。
对于雷电故障的预测值数据处理操作为:统计每个时间段,雷电天气发生的次数:
其中Sum(thunder failure)表示该时间段内停电原因为雷电天气的次数,Sum(season failure)为一年内停电原因为雷电天气的次数,Pi为雷电故障因子值;
对于负荷不均衡故障的预测值数据处理操作为:基于采集的历史负荷数据,对各时间段负荷变化为对象,统计每个时间段的最高负荷为该时间段的负荷值,利用本年该时间段负荷与上一年该时间段负荷差值,作为本年该时间段的负荷变化:
Lyear,i=MaxLyear,i-MaxLyear-1,i (7)
其中Lyear.i为year年i时间段的负荷变化值,即负荷不均衡故障因子,MaxLyear.i为year年i时间段的负荷最大值,MaxLyear-1.i为year-1年i时间段的负荷最大值;
如附图2线性因素建模流程图所示,步骤202是平稳性检验,分别对输电线故障、雷电故障和负荷不均衡故障的预测值数据进行分析发现数据分布具有明显的时间季节性特点,进而选取时间序列算法ARIMA对线性因素进行建模预测,本公开具体实施采用的平稳性检验方法为单位根检验方法中的ADF检验,由于输电线故障、雷电故障和负荷不均衡故障的预测值数据具有明显的季节性分布,故数据序列是非平稳的,进行差分得到新的时间序列,差分公式为:
y′t=yt+1-yt (8)
其中,y′t为差分后的第t个时间段数据,yt+1、yt分别为原序列中的第t+1项和第t项时间段数据,经过一次差分计算得到各线性因子的平稳序列数据;
如附图2线性因素建模流程图所示,步骤203是模型识别。模型识别是为了确定平稳序列所适合的模型,输电线故障、雷电故障和负荷不均衡故障因子值通过自相关系数和偏自相关系数的拖尾和截尾性选择模型。
具体实施中输电线故障、雷电故障和负荷不均衡故障因子的时间序列的自相关系数和偏自相关系数都表现了拖尾和截尾性,所以选择ARMA(p,q)模型。
如附图2线性因素建模流程图所示,步骤204是模型定阶。对确定各模型的自回归过程阶数p和移动平均过程阶数q进行定阶,本公开采用的定阶的方法为AIC准则,AIC准则为最小信息准则,其函数表达式为:
其中k=p+q+1,σk为残差,N为序列数据个数,用AIC准则定阶的方法是:
AIC(k0)=min1≤k≤NAIC(k) (10)
首先选择不同的p和q计算各模型的AIC值,最后选择最小的AIC值对应的p,q值,作为各自ARMA模型的阶数,通过计算得到输电线故障的ARMA模型阶数为p=3,q=1,雷电故障的ARMA模型阶数为p=2,q=1,负荷不均衡故障的ARMA模型阶数为p=2,q=2;
如附图2线性因素建模流程图所示,步骤205是参数估计。根据确定的模型和阶数,本公开采用的是最小二乘法,对模型参数进行计算,进而确定的输电线故障、雷电故障和负荷不均衡故障的ARIMA模型,其表达式分别为:
Propt=1.006yt-1+0.973yt-2+0.631yt-2+0.032∈t (11)
Thundert=0.923yt-1-0.316yt-2+0.014∈t (12)
Loadt=0.582yt-1+0.391yt-2+0.108∈t+0.042∈t-1 (13)
其中,yt-1为第t-1时间段的取值,∈t=yt-yt-1表示第t时间段的误差,∈t-1=yt-1-yt-2为第t-1时间段的误差;
如附图2线性因素建模流程图所示,步骤206是残差检验。利用Q统计量方法,对建立的ARIMA模型计算得到的残差序列进行残差检验,检验模型的合理性,在95%的置信水平上,表示残差为随机白噪声序列,序列之间不存在自相关性,本具体实施输电线故障、雷电故障和负荷不均衡故障的ARIMA模型的置信水平均在95%以上,说明ARIMA模型建立合理;
如附图2线性因素建模流程图所示,步骤207分别对雷电故障因子ARIMA模型和负荷不均衡故障因子ARIMA模型的残差平方序列进行残差波动检验。在建立各ARIMA模型时是假设方差是不变的,为提高模型预测的准确性,在模型构建完成后引入残差波动检验Q统计量方法,对ARIMA模型计算得到的残差序列进行残差检验,并对残差平方序列进行检验,检验数据方差是否发生变化。具体实施过程发现雷电故障因子ARIMA模型和负荷不均衡故障因子ARIMA模型的残差平方序列,在95%置信水平上存在显著自相关性,故雷电故障和负荷不均衡故障的方差具有明显的波动性,进而引入广义自回归条件异方差(GARCH)模型,利用ARIMA-GARCH算法,分别优化雷电故障因子和负荷不均衡故障因子的ARIMA模型。
如附图2线性因素建模流程图所示,步骤208是改进雷电故障和负荷不均衡故障的ARIMA模型,分别建立ARIMA-GARCH(1,1)模型,则雷电故障和负荷不均衡故障的均值方程和方差方程其表达式分别为:
其中,Thunderyt是t时刻雷电故障因子的均值,Thunderht是t时刻雷电故障因子的条件方差,Thunderht-1是t-1时刻雷电故障因子的条件方差,zt是t时刻Z统计量,Loadyt是t时刻负荷不均衡故障因子的均值,Loadht是t时刻负荷不均衡故障因子的条件方差,Loadht-1是t-1时刻负荷不均衡故障因子的条件方差;
如附图2线性因素建模流程图所示,步骤209对雷电故障因子预测模型的改进。由于雷电天气对于区域的影响具有不确定性,即可能对该区域造成影响也可能不会造成影响,因此引入了一个随机变量R,R满足泊松分布。
其中year0是历史停电数据开始年份,yeari是历史停电数据中的第i年,sumi(thumder)是从历史停电数据开始年份到第i年为止历史停电事件原因为雷电故障因子的总次数;
如附图1发明整体流程图所示,步骤103是利用循环神经网络算法构建停电故障预测深层模型,采用输入层、隐含层以及输出层共计5层神经网络结构,初始化网络结构,将权重参数赋值为一个随机值,将初始筛选特征按照时序进行输入,输入层神经元为64个,采集时间段为96,故为64×96矩阵,隐含层为3层,每层含有8个神经元,输出层为一个神经元,隐含层与输出层的公式如下:
st=fa(Uxt+Wst-1) (18)
yt=Vst (19)
其中,st为在t时刻隐含层的值;xt是t时刻的输入值,本公开为(xt,1、xt,2、xt,3、xt,4);fa是激活函数;U、W、V分别是输入层、隐含层和输出层的权值向量;
根据输出层得到的结果与实际输出值进行比较,计算损失函数,并根据梯度下降算法调整各个权重值,最终输出停电故障预测深层模型;
如附图1发明整体流程图所示,步骤104是基于知识蒸馏对非线性主体故障因子进行建模,进而实现对样本特征数据的提炼和知识凝聚,其中具体流程图如附图3浅层RNN非线性主体预测子模型建模流程图所示,步骤301是根据停电故障预测深层模型全连接层神经元输出的非线性故障因子,进行二次特征筛选,同样,采用灰色关联度分析获取与非线性故障因子高关联度特征,作为二次筛选故障特征;
步骤302压缩深度模型的网络层,由于RNNs的关键之处在于其隐藏层可捕捉时序数据的信息,故提取中间层作为浅层模型的学习过程中间层对象,由于预训练获取深度模型的全连接层神经元输出为6×6矩阵,但深度模型的隐藏层为3层,每层包含8个节点,本公开抽取其中间隐藏层(简称中间层)为过程目标学习对象,其中间层每个节点的输出数据为12×32矩阵,可将其表示为三维矩阵κ8,12,32,采用tucker分解为3个小张量矩阵为
步骤303,基于二次筛选的特征数据为输入,以深层模型的非线性主体的预测值6×6矩阵输出为指导,结合网络压缩获取的中间层数据为训练过程辅助数据,以最小化损失函数L为目标,依次调整浅层RNN非线性主体预测子模型输出特征维度为6×2、2×3和3×6矩阵,产生3个浅层RNN网络结构,构建浅层RNN非线性主体预测子模型,将深度模型输出值与线性主体部分输出预测值一起输入softmax,输出停电故障分类预测概率Pt i
其中zi为每个类的logit值,T为温度,当T=1时就是常用的softmax输出层,T值越高,得到的概率向量越平均;
步骤304,以深层模型引导,基于最小化损失函数对浅层模型加以训练,从而保证浅层RNN子模型可有效完成对深层模型非线性主体的预测,分类训练损失函数为:
Lcls=μLhard(Ps,y)+(1-μ)Lsoft(Ps,Pt) (25)
其中,Lhard为基于人工标签学习的损失值,y为样本的实际故障,取值为0和1,Lsoft为基于深度模型输出学习的损失值,采用相似交叉熵,并以权重调整类别不平衡问题,分类训练损失为Lcls,μ为权重调节参数;
回归训练损失函数为:
Lreg=LsL1(Rs,yreg)+νLb(Rs,Rt,yreg) (27)
其中,回归训练损失为Lreg,表示在子模型对中间层输出的学习过程中生成的损失函数,Rs表示停电故障的召回率,Lb(Rs,Rt,yreg)表示以深度模型的召回率为下限,在子模型的预测召回率高于深度模型时,采用子模型的中间层调节参数,m为设定的下限冗余阈值,计算方法同公式(23);
目标损失函数为:
L=λLcls+(1-λ)Lreg+γLHint (28)
其中,LHint为学习过程损失自适应函数,λ和γ分别为调节比例;
基于目标损失函数L,采用时间反向传播(Back-ProbagationThrough Time,BPTT),通过对损失函数的参数求偏导,并以链式法则将当前时刻的损失与以往每个时刻的损失加起来,以参数共享机制获取权重参数。
如附图1发明整体流程图所示,步骤105为基于上述输电线故障因子、雷电故障因子、负荷不均衡故障因子和非线性主体预测值为输入,以softmax实现短期区域停电故障预测,将结果反馈至步骤D,不断优化浅层RNN非线性主体预测子模型的参数,针对2412例样本的测试集数据,停电故障预测深层模型和基于知识蒸馏优化RNN短期停电预测模型输出对比结果如表1所示:
表1测试集数据对比输出值
基于预测结果可知,基于知识蒸馏优化RNN短期停电预测模型有效的缩短了模型的训练时间,满足后期参数调整的需求,并且预测精度不低于停电故障预测深层模型预测结果。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种知识蒸馏优化RNN短期停电预测方法,其特征是:包括以下步骤:
获取与停电故障高关联度特征,作为初始故障特征,基于停电故障样本,获取输电线故障、雷电故障及负荷不均衡故障特征数据,针对不同的故障建立ARIMA模型,得到相应的故障因子值;
基于初始故障特征,采用RNN构建停电故障预测深层模型,输入得到的故障因子值以softmax输出对短期区域停电故障预测值,采用反向传播算法完成模型参数的调节,模型构建完成后提取全连接层的神经元输出数据作为非线性主体的预测值学习目标;
将与输电线故障、雷电故障和负荷不均衡故障相关的线性停电特征数据剔除,简化模型的输入数据,并以简化后的特征数据为输入,构建浅层RNN非线性主体预测子模型,最终输出非线性主体预测值;
以所有故障因子值和非线性主体预测值为softmax的输入,得到所属区域内停电故障的预测值。
2.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法,其特征是:基于用电信息采集系统、营销业务应用系统进行用户用电数据的抽取历史停电样本数据,并以网络数据爬取活得天气信息,抽取数据包含用户用电数据、区域停电数据、区域输电线路数据、终端设备数据和历史气象数据,对采集数据进行数据预处理,实现数据补全、异常值剔除、统一规格和归一化处理,并以灰色关联度分析获取与停电故障高关联度特征,作为初始故障特征。
3.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法,其特征是:基于停电故障样本,获取输电线故障、雷电故障及负荷不均衡故障特征数据,实现对停电故障线性主体部分的预测,即针对输电线故障、雷电故障及负荷不均衡故障分别建立ARIMA模型,输出输电线故障因子值、雷电故障因子值及负荷不均衡故障因子值。
4.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法,其特征是:基于非线性主体的学习目标,同样采用灰色关联度分析算法实现特征数据的筛选,从而将与输电线故障、雷电故障和负荷不均衡故障相关的线性停电特征数据剔除,简化模型的输入数据,并以简化后的特征数据为输入,构建浅层RNN非线性主体预测子模型,最终输出非线性主体预测值。
5.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法,其特征是:以输电线故障因子值、雷电故障因子值、负荷不均衡故障因子值、非线性主体预测值为输入,以softmax实现短期区域停电故障预测,并将结果反馈,不断优化浅层RNN非线性主体预测子模型的参数。
6.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法,其特征是:针对不同的故障建立ARIMA模型,得到相应的故障因子值的具体过程包括:对输电线故障、雷电故障及负荷不均衡故障因子进行平稳性的检验;
进行模式识别,通过自相关系数和偏自相关系数的拖尾和截尾性选择模型,根据模式识别确定的输电线故障、雷电故障和负荷不均衡故障分别选择的ARIMA模型类型,进而确定各模型的自回归过程阶数和移动平均过程阶数;
根据确定的模型和阶数,为输电线故障、雷电故障和负荷不均衡故障分别建立ARIMA模型求解模型中各参数值,利用Q统计量方法,对建立的ARIMA模型计算得到的残差序列进行残差检验,对得到的残差序列进行波动检验;
为雷电故障和负荷不均衡故障分别在各自的ARIMA模型基础上建立广义自回归条件异方差模型。
7.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法,其特征是:考虑到气象数据对台区影响具有不确定性,引入了一个随机变量R,对雷电故障预测模型进行改进,根据R方、平稳R方、绝对平方误差和绝对平均百分比误差进行模型评估。
8.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法,其特征是:以简化后的特征数据为输入,构建浅层RNN非线性主体预测子模型,最终输出非线性主体预测值,具体步骤如下:
步骤1:基于RNN构建的停电故障预测深层模型,以深层模型的全连接层的神经元输出数据作为非线性主体的预测值学习目标,基于非线性主体预测值,采用灰色关联分析算法进行二次特征筛选;
步骤2:压缩网络,采用tucker分解来压缩深度模型的网络层,提取中间层作为浅层模型的学习过程中间层对象;
步骤3:基于二次筛选的特征数据为输入,以深层模型的非线性主体的预测值为输出,结合网络压缩获取的中间层数据为训练过程辅助数据,构建浅层RNN非线性主体预测子模型;
步骤4:以深层模型引导,基于损失函数对浅层模型加以训练,保证浅层RNN子模型有效完成对深层模型非线性主体的预测。
9.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-8中任一项所述的一种知识蒸馏优化RNN短期停电预测方法。
10.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-8中任一项所述的一种知识蒸馏优化RNN短期停电预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323040.2A CN110232203B (zh) | 2019-04-22 | 2019-04-22 | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323040.2A CN110232203B (zh) | 2019-04-22 | 2019-04-22 | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232203A CN110232203A (zh) | 2019-09-13 |
CN110232203B true CN110232203B (zh) | 2020-03-03 |
Family
ID=67860185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910323040.2A Active CN110232203B (zh) | 2019-04-22 | 2019-04-22 | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232203B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941902B (zh) * | 2019-11-26 | 2023-09-12 | 云南电网有限责任公司 | 一种输电线路雷击故障预警方法和系统 |
CN110991613B (zh) * | 2019-11-29 | 2022-08-02 | 支付宝(杭州)信息技术有限公司 | 一种训练神经网络的方法及系统 |
CN111767711B (zh) * | 2020-09-02 | 2020-12-08 | 之江实验室 | 基于知识蒸馏的预训练语言模型的压缩方法及平台 |
CN112862095B (zh) * | 2021-02-02 | 2023-09-29 | 浙江大华技术股份有限公司 | 基于特征分析的自蒸馏学习方法、设备以及可读存储介质 |
CN113434108B (zh) * | 2021-05-28 | 2022-10-25 | 南方科技大学 | 语音控制指令的生成方法、装置、计算机设备及存储介质 |
CN113470099B (zh) * | 2021-07-09 | 2022-03-25 | 北京的卢深视科技有限公司 | 深度成像的方法、电子设备及存储介质 |
CN113657590A (zh) * | 2021-07-26 | 2021-11-16 | 浙江大华技术股份有限公司 | 模型压缩方法、人脸识别方法、电子设备和存储介质 |
CN113657682B (zh) * | 2021-08-24 | 2023-12-29 | 国网安徽省电力有限公司 | 一种停电数据分类预测方法、系统、存储介质及计算设备 |
CN114048904A (zh) * | 2021-11-11 | 2022-02-15 | 国网江苏省电力有限公司营销服务中心 | 一种依据数据治理的停电预警方法 |
CN115685045B (zh) * | 2022-12-08 | 2023-04-07 | 华中科技大学 | 一种电压互感器在线评估方法 |
CN117172553B (zh) * | 2023-10-30 | 2024-02-06 | 泸州聚购科技发展有限公司 | 基于arima模型的重晶石粉生产中控系统 |
CN117236409B (zh) * | 2023-11-16 | 2024-02-27 | 中电科大数据研究院有限公司 | 基于大模型的小模型训练方法、装置、系统和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509175B (zh) * | 2011-11-07 | 2016-05-18 | 上海电力学院 | 分布式供电系统可靠性优化方法 |
CN105069535B (zh) * | 2015-08-19 | 2020-07-24 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN105653764B (zh) * | 2015-12-22 | 2018-11-30 | 中国南方电网有限责任公司 | 电网安全事故风险等级在线评估与预警方法 |
CN107481048A (zh) * | 2017-08-08 | 2017-12-15 | 哈尔滨工业大学深圳研究生院 | 一种基于混合模型的金融品种价格预测方法及系统 |
-
2019
- 2019-04-22 CN CN201910323040.2A patent/CN110232203B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110232203A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN106909933A (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN112990500A (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
CN111784061A (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN114897248A (zh) | 一种基于人工智能的电网负荷预测方法 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN112950048A (zh) | 基于模糊综合评价的国家高等教育体系健康评价 | |
CN112101673A (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN115860263A (zh) | 电网基建规划项目工期预测方法及预测系统 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN113393102A (zh) | 一种基于数据驱动的配电变压器运行状态趋势预测方法 | |
Zheng et al. | Research on Predicting Remaining Useful Life of Equipment Based on Health Index | |
CN110648248A (zh) | 一种发电站的控制方法、装置及设备 | |
Peng et al. | A novel smart grid fault diagnosis algorithm based on optimized BP neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |