CN111489027A - 一种水电机组波形数据趋势预测方法及其系统 - Google Patents
一种水电机组波形数据趋势预测方法及其系统 Download PDFInfo
- Publication number
- CN111489027A CN111489027A CN202010270742.1A CN202010270742A CN111489027A CN 111489027 A CN111489027 A CN 111489027A CN 202010270742 A CN202010270742 A CN 202010270742A CN 111489027 A CN111489027 A CN 111489027A
- Authority
- CN
- China
- Prior art keywords
- model
- arma
- generating set
- waveform data
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 241001123248 Arma Species 0.000 claims abstract 18
- 238000012549 training Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种水电机组波形数据趋势预测方法,利用大数据技术结合LSTM模型和ARMA模型,在已知机组历史波形数据情况下,计算得到未来机组运行波形数据。通过计算得到的未来的波形数据可以预测未来的机组工作状况,以便进行提前应对。本发明还提供了一种水电机组波形数据趋势预测系统,通过数据读存模块、数据预处理模块、LSTM训练单元、LSTM模型预测单元、ARMA拟合单元、ARMA预测单元、模型筛选模块、预测数据融合模块八部分自动化的输出未来的波形数据,从而实现未来的机组工作状况的预测。
Description
技术领域
本发明属于大数据预测领域,具体是涉及到一种水电机组波形数据趋势预测方法及其系统。
背景技术
在中大型水电站中,机组一旦出现问题,必定会影响随着水电站运行,而且大规模的检修需要耗费大量的人力物力。所以急需一种技术能够在机组出现问题之前就能够预测到将要出现的问题,随即针对问题采取对应策略进行检修。
现有的预测方法一般依靠经验进行判断或者是待出现问题时再根据问题进行响应。依靠经验判断常常出现判断失准的现象,导致人力和物力资源的浪费;出现问题再进行响应会出现响应速度慢从而导致设备寿命缩短甚至直接损毁。
发明内容
本发明的目的在于提供一种水电机组波形数据趋势预测方法及其系统,以解决水电机组缺乏运行状态预测的现有技术问题。
为解决上述问题,本发明首先提供了一种水电机组波形数据趋势预测方法,包括以下步骤:
建立水电机组波形数据趋势预测模型;
获取水电机组波形数据,通过水电机组波形数据趋势预测模型输出预测波形数据;
根据预测波形数据输出水电机组应采取的检修策略。
优选地,水电机组波形数据预测模型包括LSTM模型和ARMA模型,LSTM模型包括LSTM训练模型和LSTM预测模型,ARMA模型包括ARMA拟合模型和ARMA预测模型。
优选地,建立水电机组波形数据趋势预测模型包括以下步骤:
获取水电机组波形历史数据;
将n%的水电机组波形历史数据分别放入LSTM训练模型和ARMA拟合模型拟合出多个LSTM模型和ARMA模型;
从筛选出最优的ARMA模型作为ARMA预测模型并使用(100-n)%的水电波形历史数据筛选出最优的LSTM模型作为LSTM预测模型。
优选地,水电机组波形数据在输入模型前需要经过预处理,预测波形数据通过LSTM预测模型和ARMA预测模型之后需要经过数据融合,融合方式如下式,其中Φlstm和Φarma分别表示LSTM模型和ARMA模型预测结果的融合系数,范围在0-1之间且满足Φlstm+Φarma=1:
Mergedvalue=ΦlstmLSTM_value+ΦarmaARMA_value。
优选地,n=70。
依托于上述方法,本发明还提供了一种水电机组波形数据趋势预测系统,包括以下模块:
模型构建模块:用于建立水电机组波形数据趋势预测模型;
数据读取模块:用于读取水电机组波形数据;
数据处理模块:用于通过水电机组波形数据趋势预测模型输出预测波形数据;
策略模型:用于根据预测波形数据输出水电机组应采取的检修策略。
优选地,模型构建模块包括LSTM训练单元和ARMA拟合单元以及包括LSTM预测单元和ARMA单元。
优选地,水电机组波形数据趋势预测系统还包括模型筛选模块:用于从多个ARMA模型中筛选出最优的ARMA模型作为ARMA预测模型以及使用(100-n)%的水电波形历史数据筛选出最优的LSTM模型作为LSTM预测模型。
优选地,水电机组波形数据趋势预测系统还包括数据预处理模块和预测数据融合模块,数据预处理模块用于水电机组波形数据在输入模型前的预处理;预测数据融合模块用于预测波形数据通过LSTM预测模型和ARMA预测模型之后的数据融合,融合方式如下式,其中Φlstm和Φarma分别表示LSTM模型和ARMA模型预测结果的融合系数,范围在0-1之间且满足Φlstm+Φarma=1:
Mergedvalue=ΦlstmLSTM_value+ΦarmaARMA_value。
优选地,模型筛选模块中的n=70。
本发明的有益效果是包括:
1、本发明提供的一种水电机组波形数据趋势预测方法,利用大数据技术结合LSTM模型和ARMA模型,在已知机组历史波形数据情况下,计算得到未来机组运行波形数据。通过计算得到的未来的波形数据可以预测未来的机组工作状况,以便进行提前应对。
2、本发明采用的LSTM模型和ARMA模型计算量小,计算效率高,能够快速、准确的对未来的机组工作状况进行预测,节省了大量人力和物力资源。
附图说明
图1是本发明所述的水电站机组波形数据趋势预测系统的模块连接图;
图2是本发明优选实施例提供的预测模型LSTM结构;
图3是本发明优选实施例提供的隐藏网络层训练流程;
图4是本发明优选实施例提供的网络整体训练流程;
图5是本发明优选实例提供的一部分原始数据;
图6是本发明优选实例提供的原始数据经动态平均预处理得到的数据;
图7是本发明优选实例提供的LSTM模型得到的预测结果;
图8是本发明优选实例提供的ARMA模型得到的预测结果;
图9是本发明优选实例提供的融合LSTM模型预测结果和ARMA模型预测结果得到的最终预测结果。
具体实施方式
本实施例提供的一种水电机组波形数据趋势预测方法,利用大数据技术结合LSTM(Long Short-Term Memory,长短期记忆神经网络)和ARMA(Autoregressive movingaverage model,自回归滑动平均模型)模型,在已知机组历史波形数据情况下,计算得到未来一个小时、一天、一个月的机组运行波形数据。通过计算得到的未来的波形数据去预测未来的机组工作状况,以便提前应对。具体包括以下步骤:
S1:建立水电机组波形数据趋势预测模型。
水电机组波形数据预测模型包括LSTM模型和ARMA模型,LSTM模型包括LSTM训练模型和LSTM预测模型,ARMA模型包括ARMA拟合模型和ARMA预测模型。
针对水电机组数据预测所具有的时间跨度大、具有一定相关性、周期性等特点,采用LSTM来构建预测模型的一部分。LSTM是对普通的RNN(Recurrent Neural Network,递归循环)神经网络进行延伸,与浅层神经网络或其它机器学习算法相比,RNN是一种功能强大的神经网络,特别适合处理时间序列方面的问题,但该网路在训练过程中会出现梯度爆炸或梯度消失,而且不具备长期记忆功能。LSTM神经网络与标准的RNN神经网络相比,在隐藏层各神经单元中增加记忆单元,从而使时间序列上的记忆信息可控,每次在隐藏层各单元间传递时通过几个可控门(遗忘门、输入门、候选门、输出门),可以控制之前信息和当前信息的记忆和遗忘程度,从而使RNN网络具备了长期记忆功能。目前,LSTM神经网络已在大量时间序列学习任务中得到广泛应用。LSTM擅长学习长期依赖,它能够通过门来控制传输状态,记住需要长时间记忆的,忘记不重要的信息,其结构如图2所示。
LSTM设计两个门控制记忆单元状态c的信息量:一个是遗忘门(forget gate),它决定了上一时刻的单元状态有多少“记忆”可以保留到当前时刻;另一个是输入门(inputgate),它决定了当前时刻的输入有多少保存到单元状态。LSTM还设计了一个输出门(output gate),来来控制单元状态有多少信息输出。LSTM关键在于神经单元的状态,以及所传递的信息,决定了上一层的单元信息有多少需要遗忘,以及新增加的信息需要保留多少,这两部分信息同时输入下一层单元,开始下一轮的训练和传递,最终网络可以学习到时间序列的分布。
与前馈神经网络类似,LSTM网络的训练同样采用的是误差的BP(BackPropagation,反向传播算法),不过因为LSTM处理的是序列数据,所以在使用BP的时候需要将整个时间序列上的误差传播回来,逐次进行训练。模型训练的思想是:给定神经网络,确定网络层数、输入输出维度、遗忘门偏置量,确定训练次数,将预测结果与数据集比对,调整网络参数,确定隐层权重偏置量,从而得到网络模型。
本实施例的数据项为水电机组的各种波形数据,其历史数据来自某水电公司大数据平台。对于某一段水电机组波形数据,其经过一个隐藏层网络的训练过程如图3所示:在当前t时刻,LSTM的输入量有三个:当前时刻网络的输入值xt、上一时刻LSTM的输出值ht-1以及上一时刻的单元状态Ct-1;输出量有两个:当前时刻LSTM输出值ht和当前时刻的单元状态Ct。使用三个控制开关来控制,即遗忘门(forget gate):它决定了上一时刻的单元状态Ct-1有多少保留到当前时刻Ct,输入门(input gate):它决定了当前时刻网络的输入xt有多少保存到单元状态Ct,输出门(output gate):控制单元状态Ct有多少输出到LSTM的当前输出值ht。
趋势预测模型深层网络训练过程如图4所示。
趋势预测模型深层网络训练算法的基本原理和BP算法是一样的,也包含同样的三个步骤:
(1)确定参数的初始化值,然后前向计算每个神经元的输出值;
(2)反向计算每个神经元的误差项值,它是误差函数E对神经元j的加权输入的偏导数;与传统RNN类似,LSTM误差项的反向传播包括两个层面:一个是空间上层面的,将误差项向网络的上一层传播。另一个是时间层面上的,沿时间反向传播,即从当前t时刻开始,计算每个时刻的误差。
(3)计算每个权重(即参数)的梯度,最后再用随机梯度下降算法更新权重。
训练的核心是找寻最佳的权重矩阵和偏置项,算法使用代价函数来衡量神经网络在已有数据上误差大小,然后通过调整每一个权值来使得损失达到最小。
LSTM的损失函数:
根据全概率公式,一个序列自然化的概率为:
P(w1,w2,w3…wT)=p(w1)×p(w2|w1)×…×p(wT|w1,w2,…wT-1)
序列预测模型的目标就是最大化P(w1,w2,w3…wT),而损失函数通常转化为最小化问题,公式1可定义为:
Loss(w1,w2,w3…wT|θ)=-logP(w1,w2,w3…wT|θ),公式最终可展开为:Loss(w1,w2,w3…wT|θ)=-(logp(w1)+logp(w2|w1)+...+logp(wT|w1,w2,...,wT-1))。
在LSTM中,为了减少反向传播误差,通过隐藏状态ht的梯度Ct逐步向前传播,得到权重W_f梯度推导公式:
ARMA模型拟合模块具体技术细节如下:
ARMA模型是是一种研究时间序列的重要方法,由AR模型(Autoregressive model,自回归模型)与MA模型(moving average model,滑动平均模型)为基础“混合”构成。其结构如下:
对于某一段水电机组波形数据,要通过ARMA模型预测需要先确定判断当前序列是否为平稳序列,如为不平稳序列需要将其处理成平稳序列,然后再通过输入训练数据拟合得到模型参数,不同的阶数q和p会得到不同的模型。
建立水电机组波形数据趋势预测模型包括以下步骤:
S101:获取水电机组波形历史数据。
水电机组波形历史数据可以从波形数据库中获取。主要包括水电机组的X向振动、Y向振动、X向摆渡、Y向摆渡等波形数据。
由于水电机组波形数据存在周期间的数据差异,因此在使用水电机组波形历史数据前,需要依据周期间数据差异性按周期进行周期动态平均处理以减少数据量以保证模型训练的效率。
S102:将n%的水电机组波形历史数据分别放入LSTM训练模型和ARMA拟合模型拟合出多个LSTM模型和ARMA模型。
将处理过后数据中的70%分别输入LSTM训练模型和ARMA拟合模型中训练拟合出过个LSTM模型和ARMA模型。其中,LSTM模型通过反向传播算法计算模型参数,ARMA模型通过极大似然估计算法计算模型参数。
S103:从筛选出最优的ARMA模型作为ARMA预测模型并使用(100-n)%的水电波形历史数据筛选出最优的LSTM模型作为LSTM预测模型。
使用处理过后数据中的30%筛选出最优的LSTM模型作为LSTM预测模型。与此同时筛选出从筛选出最优的ARMA模型作为ARMA预测模型。
筛选的依据为各个模型计算得到的预测数据和真实数据之间的L2距离大小作为筛选依据,距离最小的模型作为最优模型。
S2:获取水电机组波形数据,通过水电机组波形数据趋势预测模型输出预测波形数据。
水电机组波形数据可以为根据需求选择,包括但不限于波形数据库中的数据和/或实时获取的水电机组波形数据。
S3:根据预测波形数据输出水电机组应采取的检修策略。
得到预测到的水电机组未来运行的波形数据可以判断水电机组的未来运行状态从而为采取对应的检修策略提供依据。具体操作为根据预测波形数据结合“水轮机状态评价标准”,评价机组未来会处于什么工作状态,工作状态包含“完好、关注、劣化、严重”四个状态,并输出水电机组对应状态应采取的检修策略,检修策略包含A、B、C、D四个级别。
依托于上述方法,本发明还提供了一种水电机组波形数据趋势预测系统,包括以下模块:
模型构建模块:用于建立水电机组波形数据趋势预测模型;
数据读取模块:用于读取水电机组波形数据;
数据处理模块:用于通过水电机组波形数据趋势预测模型输出预测波形数据;
策略模型:用于根据预测波形数据输出水电机组应采取的检修策略。
优选地,模型构建模块包括LSTM训练单元和ARMA拟合单元以及包括LSTM预测单元和ARMA单元。
优选地,水电机组波形数据趋势预测系统还包括模型筛选模块:用于从多个ARMA模型中筛选出最优的ARMA模型作为ARMA预测模型以及使用(100-n)%的水电波形历史数据筛选出最优的LSTM模型作为LSTM预测模型。
优选地,水电机组波形数据趋势预测系统还包括数据预处理模块和预测数据融合模块,数据预处理模块用于水电机组波形数据在输入模型前的预处理;预测数据融合模块用于预测波形数据通过LSTM预测模型和ARMA预测模型之后的数据融合。
优选地,模型筛选模块中的n=70。
测试集占比30%,训练集占比70%是依据传统经验进行的选择。
参见图1,水电站机组波形数据趋势预测系统的运行主要分为两个阶段:训练阶段、预测阶段。训练阶段具体运行步骤如下:
1)数据读取阶段,数据读存模块从波形数据数据库将历史波形数据读入系统中;
2)数据预处理阶段,数据预处理模块将读入系统的波形数据依据周期间数据差异性按周期进行周期动态平均处理以减少数据量,准备训练;
3)数据训练拟合阶段,LSTM训练单元和ARMA拟合单元训练拟合出多个预测模型;
4)模型筛选阶段,模型筛选模块从多个预测模型中挑选出一个预测效果最好的LSTM模型和一个预测效果最好的ARMA模型。
预测部分具体运行步骤如下:
1)数据读取阶段,数据预处理模块通过数据读存模块从波形数据库将需要预测的对应波形数据读入系统中;
2)数据预处理阶段,数据预处理模块将读入系统的波形数据依据周期间的数据差异性按周期进行周期动态平均处理以减少数据量,准备预测;
3)数据预测阶段,LSTM预测单元和ARMA预测单元分别读取对应模型数据和数据预处理模块传入的预处理过后的波形数据,之后进行预测,预测完成后,存入波形数据库中。
本实施例数据预处理模块具体处理流程如下:
1)通过数据读存模块从波形数据数据库读取近期历史波形数据;
2)考虑时间序列数据的时间自相关,根据周期间的差值,将相邻周期差值小的数据按照周期平均处理成一个周期,减少预测模型输入数据量;
3)将数据传入模型训练模块进行训练。
综上所述,本实施例针对水电站数据预测所具有的时间跨度大、具有一定相关性、周期性等特点,结合LSTM模型和ARMA模型对水电机组波形数据进行预测。趋势预测系统包含数据读存模块、数据预处理模块、LSTM训练单元、LSTM模型预测单元、ARMA拟合单元、ARMA预测单元、模型筛选模块、预测数据融合模块八部分,数据读存模块负责完成数据库中波形数据的读取和存储,数据预处理模块根据水电机组波形数据特殊性对数据进行预处理,将处理过后的70%的数据放入LSTM训练单元和ARMA拟合单元训练拟合出多个LSTM模型和ARMA模型,训练拟合完成后模型筛选模块筛选出一个最好的ARMA模型作为ARMA预测单元和使用30%的数据筛选出最好的一个LSTM模型作为LSTM预测单元,模型筛选完成后将LSTM预测单元和ARMA预测单元存储入数据库,然后LSTM预测单元和ARMA预测单元读取历史数据和模型数据进行趋势预测,最后预测数据融合模块将LSTM预测单元和ARMA预测单元的趋势预测结果进行融合之后存入波形数据库中。
参见图5-图9,图5是水电机组的原始波形数据;图6是原始波形经过预处理后得到的波形数据;图7和图8分别是LSTM和ARMA预测得到的一个周期的波形数据;图9是LSTM和ARMA预测得到的一个周期的波形数据经过融合得到的最终预测波形数据。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水电机组波形数据趋势预测方法,其特征在于,包括以下步骤:
建立水电机组波形数据趋势预测模型;
获取水电机组波形数据,通过所述水电机组波形数据趋势预测模型输出预测波形数据;
根据所述预测波形数据输出水电机组应采取的检修策略。
2.根据权利要求1所述的一种水电机组波形数据趋势预测方法,其特征在于,所述水电机组波形数据预测模型包括LSTM模型和ARMA模型,所述LSTM模型包括LSTM训练模型和LSTM预测模型,所述ARMA模型包括ARMA拟合模型和ARMA预测模型。
3.根据权利要求2所述的一种水电机组波形数据趋势预测方法,其特征在于,建立所述水电机组波形数据趋势预测模型包括以下步骤:
获取水电机组波形历史数据;
将n%的所述水电机组波形历史数据分别放入LSTM训练模型和ARMA拟合模型拟合出多个LSTM模型和ARMA模型;
从筛选出最优的ARMA模型作为所述ARMA预测模型并使用(100-n)%的所述水电波形历史数据筛选出最优的LSTM模型作为所述LSTM预测模型。
4.根据权利要求3所述的一种水电机组波形数据趋势预测方法,其特征在于,所述水电机组波形数据在输入模型前需要经过预处理,所述预测波形数据通过所述LSTM预测模型和所述ARMA预测模型之后需要经过数据融合,融合方式如下式,其中Φlstm和Φarma分别表示LSTM模型和ARMA模型预测结果的融合系数,范围在0-1之间且满足Φlstm+Φarma=1:
Mergedvalue=ΦlstmLSTM_value+ΦarmaARMA_value。
5.根据权利要求3所述的一种水电机组波形数据趋势预测方法,其特征在于,n=70。
6.一种水电机组波形数据趋势预测系统,其特征在于,包括以下模块:
模型构建模块:用于建立水电机组波形数据趋势预测模型;
数据读取模块:用于读取水电机组波形数据;
数据处理模块:用于通过所述水电机组波形数据趋势预测模型输出预测波形数据;
策略模型:用于根据所述预测波形数据输出水电机组应采取的检修策略。
7.根据权利要求6所述的一种水电机组波形数据趋势预测系统,其特征在于,所述模型构建模块包括LSTM训练单元和ARMA拟合单元以及包括LSTM预测单元和ARMA单元。
8.根据权利要求7所述的一种水电机组波形数据趋势预测系统,其特征在于,所述水电机组波形数据趋势预测系统还包括模型筛选模块:用于从多个ARMA模型中筛选出最优的ARMA模型作为所述ARMA预测模型以及使用(100-n)%的所述水电波形历史数据筛选出最优的LSTM模型作为所述LSTM预测模型。
9.根据权利要求7所述的一种水电机组波形数据趋势预测系统,其特征在于,所述水电机组波形数据趋势预测系统还包括数据预处理模块和预测数据融合模块,所述数据预处理模块用于所述水电机组波形数据在输入模型前的预处理;所述预测数据融合模块用于预测波形数据通过所述LSTM预测模型和所述ARMA预测模型之后的数据融合,融合方式如下式,其中Φlstm和Φarma分别表示LSTM模型和ARMA模型预测结果的融合系数,范围在0-1之间且满足Φlstm+Φarma=1:
Mergedvalue=ΦlatmLSTM_value+ΦarmaARMA_value。
10.根据权利要求7所述的一种水电机组波形数据趋势预测系统,其特征在于,所述模型筛选模块中的n=70。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010270742.1A CN111489027A (zh) | 2020-04-08 | 2020-04-08 | 一种水电机组波形数据趋势预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010270742.1A CN111489027A (zh) | 2020-04-08 | 2020-04-08 | 一种水电机组波形数据趋势预测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111489027A true CN111489027A (zh) | 2020-08-04 |
Family
ID=71810863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010270742.1A Pending CN111489027A (zh) | 2020-04-08 | 2020-04-08 | 一种水电机组波形数据趋势预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489027A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931849A (zh) * | 2020-08-11 | 2020-11-13 | 北京中水科水电科技开发有限公司 | 一种水电机组运行数据趋势预警方法 |
CN112733455A (zh) * | 2021-01-15 | 2021-04-30 | 五凌电力有限公司株溪口水电厂 | 水轮机建模数据的修正方法、系统、装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN108875841A (zh) * | 2018-06-29 | 2018-11-23 | 国家电网有限公司 | 一种抽蓄机组振动趋势预测方法 |
CN109948833A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
CN109992895A (zh) * | 2019-04-03 | 2019-07-09 | 中国水利水电科学研究院 | 一种设备性能退化趋势提取及预测方法 |
CN110381515A (zh) * | 2019-08-12 | 2019-10-25 | 北京互联无界科技有限公司 | 基于合分模式实现小区网络流量资源指标预测的方法 |
-
2020
- 2020-04-08 CN CN202010270742.1A patent/CN111489027A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107102969A (zh) * | 2017-04-28 | 2017-08-29 | 湘潭大学 | 一种时间序列数据的预测方法和系统 |
CN108875841A (zh) * | 2018-06-29 | 2018-11-23 | 国家电网有限公司 | 一种抽蓄机组振动趋势预测方法 |
CN109948833A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
CN109992895A (zh) * | 2019-04-03 | 2019-07-09 | 中国水利水电科学研究院 | 一种设备性能退化趋势提取及预测方法 |
CN110381515A (zh) * | 2019-08-12 | 2019-10-25 | 北京互联无界科技有限公司 | 基于合分模式实现小区网络流量资源指标预测的方法 |
Non-Patent Citations (2)
Title |
---|
付文龙等: "基于OVMD与SVR的水电机组振动趋势预测", 《振动与冲击》 * |
孙慧芳 等: "基于AR模型的水电机组振动信号趋势预测", 《湖南农机》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931849A (zh) * | 2020-08-11 | 2020-11-13 | 北京中水科水电科技开发有限公司 | 一种水电机组运行数据趋势预警方法 |
CN111931849B (zh) * | 2020-08-11 | 2023-11-17 | 北京中水科水电科技开发有限公司 | 一种水电机组运行数据趋势预警方法 |
CN112733455A (zh) * | 2021-01-15 | 2021-04-30 | 五凌电力有限公司株溪口水电厂 | 水轮机建模数据的修正方法、系统、装置和存储介质 |
CN112733455B (zh) * | 2021-01-15 | 2022-02-08 | 五凌电力有限公司株溪口水电厂 | 水轮机建模数据的修正方法、系统、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
JP7079662B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
Huang et al. | A control strategy based on deep reinforcement learning under the combined wind-solar storage system | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN111489027A (zh) | 一种水电机组波形数据趋势预测方法及其系统 | |
CN113962446B (zh) | 一种微电网群协同调度方法、装置、电子设备和存储介质 | |
CN117565727B (zh) | 基于人工智能的无线充电自动控制方法及系统 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 | |
CN117578409A (zh) | 一种电力市场环境下的多能互补优化调度方法及系统 | |
CN113988481A (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN115730744A (zh) | 基于用户模式与深度学习联合模型的用水量预测方法及系统 | |
CN118134288A (zh) | 一种基于高斯模型的群集电动车灵活性刻画方法及系统 | |
CN112952831B (zh) | 一种负荷侧储能提供堆叠服务的日内优化运行策略 | |
CN108108837B (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
CN116960983A (zh) | 光伏电站日前功率预测方法 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
CN113935600A (zh) | 一种基于深度学习的自适应经济调度系统及方法 | |
CN113344071A (zh) | 一种基于深度策略梯度的入侵检测算法 | |
CN113255994A (zh) | 电网cps的优化配置方法、装置、设备和介质 | |
CN111210361A (zh) | 基于可靠性预测和粒子群优化的电力通信网路由规划方法 | |
CN115222024B (zh) | 基于深度特征选择网络的短期光伏发电预测方法和系统 | |
CN112507603B (zh) | 基于dnn算法的电力系统鲁棒优化极端场景的识别方法 | |
CN117333587B (zh) | 基于视频水位计的城市淹没图像数据的生成方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |