CN112132310A - 基于改进lstm的电力设备状态预估方法及装置 - Google Patents

基于改进lstm的电力设备状态预估方法及装置 Download PDF

Info

Publication number
CN112132310A
CN112132310A CN202010798788.0A CN202010798788A CN112132310A CN 112132310 A CN112132310 A CN 112132310A CN 202010798788 A CN202010798788 A CN 202010798788A CN 112132310 A CN112132310 A CN 112132310A
Authority
CN
China
Prior art keywords
data
power equipment
lstm
data sequence
equipment state
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
Application number
CN202010798788.0A
Other languages
English (en)
Inventor
夏家峰
秦立明
张明达
孙益辉
王思谨
崔昊杨
夏晟
邹轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Chenshi Technology Development Co ltd
Shanghai University of Electric Power
Shanghai Electric Power University
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
University of Shanghai for Science and Technology
Original Assignee
Shanghai Chenshi Technology Development Co ltd
Shanghai Electric Power University
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Chenshi Technology Development Co ltd, Shanghai Electric Power University, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Shanghai Chenshi Technology Development Co ltd
Priority to CN202010798788.0A priority Critical patent/CN112132310A/zh
Publication of CN112132310A publication Critical patent/CN112132310A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及基于改进LSTM的电力设备状态预估方法及装置，包括数据质量提升、改进长短期记忆网络(Long Short‑Term Memory，LSTM)模型，其中所述数据质量提升包括利用梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)对数据真实趋势分布进行拟合，所述改进LSTM模型则对传统LSTM模型的遗忘门进行改进。与现有技术相比，本发明具有提高数据价值和较高预测准确性等优点。

Description

基于改进LSTM的电力设备状态预估方法及装置
技术领域
本发明涉及电力设备可靠性预估技术领域，尤其是涉及基于改进LSTM的电力设备状态预估方法及装置。
背景技术
目前，从数据内在规律分析的角度发掘出对电力设备状态评估、诊断和预测有价值的知识，建立多源数据驱动的电力设备状态评估模型，实现电力设备个性化的状态评价、异常状态的快速检测、状态变化的准确预测以及故障的智能诊断，全面、及时、准确地掌握电力设备健康状态，为设备智能运检和电网优化运行提供辅助决策依据。然而，现有的电力设备状态检测数据存在数据价值密度低、数据质量差等问题，这些问题导致了电力设备状态趋势难以准确预测，降低了设备预警的准确率和及时性。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提出了基于改进LSTM的电力设备状态预估方法及装置，能够克服电力设备状态数据价值密度低、数值质量差等问题，造成备状态趋势难以准确预测的缺陷。
具体的，本申请式双离合基于改进LSTM的电力设备状态预估方法，包括：
将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；
计算电力设备检测数据与高质量数据序列的相对误差；
利用得到的相对误差对LSTM的遗忘门进行改进；
将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。
可选的，所述将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列，包括：
在接收到电力设备状态检测数据后的GBDT中进行训练；
GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CART TREE进行选择，直到得出高质量数据序列。
可选的，所述在接收到电力设备状态检测数据后的GBDT中进行训练，包括：
在接收到电力设备状态检测数据后的GBDT中进行多轮迭代；
每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。
可选的，所述计算电力设备检测数据与高质量数据序列的相对误差，包括：
计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：
Figure BDA0002626570380000021
公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。
可选的，所述利用得到的相对误差对LSTM的遗忘门进行改进，包括：
结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，
f'(t)＝f(t)×s(t)％ 公式二，
式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。
可选的，所述将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测，包括：
将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；
利用遗忘门进行选择性遗忘的方法对记忆状态进行更新；
在改进遗忘门重要信息需要被保留重要信息后，输出门在更新状态后得到下一时刻的数据；
重复前述步骤，直至遍历数据序列后得到预测数据。
另一方面，本申请实施例提出基于改进LSTM的电力设备状态预估装置，包括：
数据处理单元，用于将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；
误差计算单元，用于计算电力设备检测数据与高质量数据序列的相对误差；
遗忘门改进单元，用于利用得到的相对误差对LSTM的遗忘门进行改进；
趋势预测单元，用于将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。
可选的，所述数据处理单元，包括：
迭代子单元，用于在接收到电力设备状态检测数据后的GBDT中进行多轮迭代；
训练子单元，用于每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练；
数据选择子单元，用于GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CART TREE进行选择，直到得出高质量数据序列。
可选的，所述误差计算单元，用于：
计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：
Figure BDA0002626570380000041
公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。
可选的，所述遗忘门改进单元，用于：
结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，
f'(t)＝f(t)×s(t)％ 公式二，
式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。
可选的，所述趋势预测单元，包括：
数据保存子单元，用于将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；
状态更新子单元，用于利用遗忘门进行选择性遗忘的方法对记忆状态进行更新；
数据获取子单元，用于在改进遗忘门重要信息需要被保留重要信息后，输出门在更新状态后得到下一时刻的数据；
数据遍历子单元，用于重复前述步骤，直至遍历数据序列后得到预测数据。
本发明提供的技术方案带来的有益效果是：
通过GBDT对原始数据进行训练、数据特征构建、数据分类，达到提高数据真实性、数据精确性、数据关联性等的目的。同时对LSTM遗忘门进行改进，在保持数据整体趋势的前提下达到了对误差数据选择性遗忘的目的，设备状态趋势预测准确率得到了提升。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提出的基于改进LSTM的电力设备状态预估方法的流程示意图；
图2为本申请实施例提出的利用得到的相对误差对LSTM的遗忘门进行改进的具体过程示意图；
图3为本申请实施例提出的基于改进LSTM的电力设备状态预估装置的结构示意图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
具体的，本申请实施例提出了基于改进LSTM的电力设备状态预估方法，如图1所示，包括：
11、将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；
12、计算电力设备检测数据与高质量数据序列的相对误差；
13、利用得到的相对误差对LSTM的遗忘门进行改进；
14、将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。
在实施中，本申请实施例提出的技术方案包含两个关键点，数据质量提升以及LSTM模型改进。数据质量提升包括利用GBDT对数据真实趋势分布进行拟合；LSTM模型改进则对传统LSTM模型的遗忘门进行改进。
基于上述理论，步骤11提出的GBDT中进行数据处理，得到高质量数据序列，包括：
111、在接收到电力设备状态检测数据后的GBDT中进行训练；
112、GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CARTTREE进行选择，直到得出高质量数据序列。
在实施中，在接收到检测数据d(t)后的GBDT进行多轮迭代，每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练；GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CART TREE(数据特征)进行选择，直到得出质量提升后的d'(t)。
步骤12得到相对误差的步骤包括：
计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：
Figure BDA0002626570380000061
公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。
步骤13提出的对LSTM的遗忘门进行改进，包括：
131、结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，
f'(t)＝f(t)×s(t)％ 公式二，
式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。
步骤14提出的进行趋势预测，包括：
141、将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；
142、利用遗忘门进行选择性遗忘的方法对记忆状态进行更新；
143、在改进遗忘门重要信息需要被保留重要信息后，输出门在更新状态后得到下一时刻的数据；
144、重复前述步骤，直至遍历数据序列后得到预测数据。
在实施中，即LSTM输入门(input gate)将梯度下降树GBDT处理后的数据序列及其趋势保存到单元状态，从而产生新的记忆状态；与此同时，为了降低的数据序列数据失真对预测的影响，利用遗忘门(forget gate)进行选择性遗忘的方法对记忆状态进行更新；最后，在改进遗忘门确定哪些重要信息需要被保留后，输出门(output gate)在更新单元状态得到了下一时刻的数据。以此类推，直至遍历数据序列后得到预测数据。
梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)是Boosting算法的一种，与AdaBoost算法不同，AdaBoost算法是利用前一轮的弱学习器的误差来更新样本权重值，然后一轮一轮的迭代；GBDT在模型训练的时候要求模型预测的样本损失尽可能的小。通过GBDT对原始数据进行训练、数据特征构建、数据分类，达到提高数据真实性、数据精确性、数据关联性等的目的。同时对LSTM遗忘门进行改进，在保持数据整体趋势的前提下达到了对误差数据选择性遗忘的目的，设备状态趋势预测准确率得到了提升。
示例性的，本申请提出的基于改进LSTM的电力设备状态预估方法，简要方案包括：
1)将电力设备状态检测数据d输入到数据库中，并将上述数据映射至时间轴上，以形成电力设备状态检测数据d(t)；
2)将电力设备状态检测数据d(t)输入到GBDT中进行训练、数据特征构建、数据分类，进而得到高质量数据序列d'(t)；
3)计算同一时刻下d(t)和d'(t)的相对误差时间序列s(t)％，
Figure BDA0002626570380000081
4)根据原数据d(t)和质量提升后d'(t)的相对误差对LSTM的遗忘门进行改进，达到对不同时间数据进行选择性遗忘，
f'(t)＝f(t)×s(t)％
5)将d'(t)输入到改进遗忘门后的LSTM中进行电力设备状态趋势预测。
可选的，所述利用得到的相对误差对LSTM的遗忘门进行改进的具体过程如图2所示，图2中的ht、、Ct、xt、
Figure BDA0002626570380000082
分别为t时刻输出值、记忆状态、输入值、候选值，ht-1、、Ct-1分别为t-1时刻的输出值、记忆状态，it为输入门，tanh和σ分别为上去函数和sigmoid激活函数。
LSTM输入门(input gate)将梯度下降树GBDT处理后的数据序列xt及其趋势保存到单元状态，从而产生新的记忆状态Ct-1；与此同时，为了降低的数据序列数据失真对预测的影响，利用遗忘门(forget gate)进行选择性遗忘的方法对记忆状态进行更新Ct；最后，Ct确定哪些重要信息需要被保留后，输出门(output gate)在上一个输出ht-1的基础上更新单元状态从而得到了下一时刻的数据ht，包括：
f'(t)＝f(t)×s(t)％
式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。
本申请实施例涉及一种基于改进LSTM的电力设备状态预估方法，所述方法包括数据质量提升、改进长短期记忆网络(Long Short-Term Memory，LSTM)模型，其中所述数据质量提升包括利用梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)对数据真实趋势分布进行拟合，所述改进LSTM模型则对传统LSTM模型的遗忘门进行改进。与现有技术相比，本发明具有提高数据价值和较高预测准确性等优点。
实施例二
另一方面，本申请实施例提出基于改进LSTM的电力设备状态预估装置3，如图3所示，包括：
数据处理单元31，用于将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；
误差计算单元32，用于计算电力设备检测数据与高质量数据序列的相对误差；
遗忘门改进单元33，用于利用得到的相对误差对LSTM的遗忘门进行改进；
趋势预测单元34，用于将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。
在实施中，本申请实施例提出的技术方案包含两个关键点，数据质量提升以及LSTM模型改进。数据质量提升包括利用GBDT对数据真实趋势分布进行拟合；LSTM模型改进则对传统LSTM模型的遗忘门进行改进。
可选的，所述数据处理单元31，包括：
迭代子单元311，用于在接收到电力设备状态检测数据后的GBDT中进行多轮迭代；
训练子单元312，用于每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练；
数据选择子单元313，用于GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CART TREE进行选择，直到得出高质量数据序列。
在实施中，在接收到检测数据d(t)后的GBDT进行多轮迭代，每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练；GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CART TREE(数据特征)进行选择，直到得出质量提升后的d'(t)。
可选的，所述误差计算单元32，用于：
计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：
Figure BDA0002626570380000101
公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。
可选的，所述遗忘门改进单元，用于：
结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，
f'(t)＝f(t)×s(t)％ 公式二，
式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。
可选的，所述趋势预测单元33，包括：
数据保存子单元331，用于将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；
状态更新子单元332，用于利用遗忘门进行选择性遗忘的方法对记忆状态进行更新；
数据获取子单元333，用于在改进遗忘门重要信息需要被保留重要信息后，输出门在更新状态后得到下一时刻的数据；
数据遍历子单元334，用于重复前述步骤，直至遍历数据序列后得到预测数据。
在实施中，即LSTM输入门(input gate)将梯度下降树GBDT处理后的数据序列及其趋势保存到单元状态，从而产生新的记忆状态；与此同时，为了降低的数据序列数据失真对预测的影响，利用遗忘门(forget gate)进行选择性遗忘的方法对记忆状态进行更新；最后，在改进遗忘门确定哪些重要信息需要被保留后，输出门(output gate)在更新单元状态得到了下一时刻的数据。以此类推，直至遍历数据序列后得到预测数据。
梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)是Boosting算法的一种，与AdaBoost算法不同，AdaBoost算法是利用前一轮的弱学习器的误差来更新样本权重值，然后一轮一轮的迭代；GBDT在模型训练的时候要求模型预测的样本损失尽可能的小。通过GBDT对原始数据进行训练、数据特征构建、数据分类，达到提高数据真实性、数据精确性、数据关联性等的目的。同时对LSTM遗忘门进行改进，在保持数据整体趋势的前提下达到了对误差数据选择性遗忘的目的，设备状态趋势预测准确率得到了提升。
示例性的，本申请提出的基于改进LSTM的电力设备状态预估装置，简要方案包括：
1)将电力设备状态检测数据d输入到数据库中，并将上述数据映射至时间轴上，以形成电力设备状态检测数据d(t)；
2)将电力设备状态检测数据d(t)输入到GBDT中进行训练、数据特征构建、数据分类，进而得到高质量数据序列d'(t)；
3)计算同一时刻下d(t)和d'(t)的相对误差时间序列s(t)％，
Figure BDA0002626570380000121
4)根据原数据d(t)和质量提升后d'(t)的相对误差对LSTM的遗忘门进行改进，达到对不同时间数据进行选择性遗忘，
f'(t)＝f(t)×s(t)％
5)将d'(t)输入到改进遗忘门后的LSTM中进行电力设备状态趋势预测。
可选的，所述利用得到的相对误差对LSTM的遗忘门进行改进的具体过程如图2所示，图2中的ht、、Ct、xt、
Figure BDA0002626570380000122
分别为t时刻输出值、记忆状态、输入值、候选值，ht-1、、Ct-1分别为t-1时刻的输出值、记忆状态，it为输入门，tanh和σ分别为上去函数和sigmoid激活函数。
LSTM输入门(input gate)将梯度下降树GBDT处理后的数据序列xt及其趋势保存到单元状态，从而产生新的记忆状态Ct-1；与此同时，为了降低的数据序列数据失真对预测的影响，利用遗忘门(forget gate)进行选择性遗忘的方法对记忆状态进行更新Ct；最后，Ct确定哪些重要信息需要被保留后，输出门(output gate)在上一个输出ht-1的基础上更新单元状态从而得到了下一时刻的数据ht，包括：
f'(t)＝f(t)×s(t)％
式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。
本申请实施例涉及一种基于改进LSTM的电力设备状态预估装置，所述方法包括数据质量提升、改进长短期记忆网络(Long Short-Term Memory，LSTM)模型，其中所述数据质量提升包括利用梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)对数据真实趋势分布进行拟合，所述改进LSTM模型则对传统LSTM模型的遗忘门进行改进。与现有技术相比，本发明具有提高数据价值和较高预测准确性等优点。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例，并不用以限制本发明，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.基于改进LSTM的电力设备状态预估方法，其特征在于，所述电力设备状态预估方法，包括：
将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；
计算电力设备检测数据与高质量数据序列的相对误差；
利用得到的相对误差对LSTM的遗忘门进行改进；
将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。
2.根据权利要求1所述的基于改进LSTM的电力设备状态预估方法，其特征在于，所述将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列，包括：
在接收到电力设备状态检测数据后的GBDT中进行多轮迭代；
每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练；
GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CART TREE进行选择，直到得出高质量数据序列。
3.根据权利要求1所述的基于改进LSTM的电力设备状态预估方法，其特征在于，所述计算电力设备检测数据与高质量数据序列的相对误差，包括：
计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：
Figure FDA0002626570370000011
公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。
4.根据权利要求1所述的基于改进LSTM的电力设备状态预估方法，其特征在于，所述利用得到的相对误差对LSTM的遗忘门进行改进，包括：
结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，
f'(t)＝f(t)×s(t)％ 公式二，
式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。
5.根据权利要求1所述的基于改进LSTM的电力设备状态预估方法，其特征在于，所述将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测，包括：
将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；
利用遗忘门进行选择性遗忘的方法对记忆状态进行更新；
在改进遗忘门重要信息需要被保留重要信息后，输出门在更新状态后得到下一时刻的数据；
重复前述步骤，直至遍历数据序列后得到预测数据。
6.基于改进LSTM的电力设备状态预估装置，其特征在于，所述电力设备状态预估装置，包括：
数据处理单元，用于将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；
误差计算单元，用于计算电力设备检测数据与高质量数据序列的相对误差；
遗忘门改进单元，用于利用得到的相对误差对LSTM的遗忘门进行改进；
趋势预测单元，用于将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。
7.根据权利要求6所述的基于改进LSTM的电力设备状态预估装置，其特征在于，所述数据处理单元，包括：
迭代子单元，用于在接收到电力设备状态检测数据后的GBDT中进行多轮迭代；
训练子单元，用于每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练；
数据选择子单元，用于GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CART TREE进行选择，直到得出高质量数据序列。
8.根据权利要求6所述的基于改进LSTM的电力设备状态预估装置，其特征在于，所述误差计算单元，用于：
计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：
Figure FDA0002626570370000031
公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。
9.根据权利要求6所述的基于改进LSTM的电力设备状态预估装置，其特征在于，所述遗忘门改进单元，用于：
结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，
f'(t)＝f(t)×s(t)％ 公式二，
式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。
10.根据权利要求6所述的基于改进LSTM的电力设备状态预估装置，其特征在于，所述趋势预测单元，包括：
数据保存子单元，用于将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；
状态更新子单元，用于利用遗忘门进行选择性遗忘的方法对记忆状态进行更新；
数据获取子单元，用于在改进遗忘门重要信息需要被保留重要信息后，输出门在更新状态后得到下一时刻的数据；
数据遍历子单元，用于重复前述步骤，直至遍历数据序列后得到预测数据。
CN202010798788.0A 2020-08-11 2020-08-11 基于改进lstm的电力设备状态预估方法及装置 Pending CN112132310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010798788.0A CN112132310A (zh) 2020-08-11 2020-08-11 基于改进lstm的电力设备状态预估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010798788.0A CN112132310A (zh) 2020-08-11 2020-08-11 基于改进lstm的电力设备状态预估方法及装置

Publications (1)

Publication Number Publication Date
CN112132310A true CN112132310A (zh) 2020-12-25

Family

ID=73851123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010798788.0A Pending CN112132310A (zh) 2020-08-11 2020-08-11 基于改进lstm的电力设备状态预估方法及装置

Country Status (1)

Country Link
CN (1) CN112132310A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836876A (zh) * 2021-02-03 2021-05-25 国网福建省电力有限公司宁德供电公司 一种基于深度学习的配电网线路负荷预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109131452A (zh) * 2018-08-14 2019-01-04 西安理工大学 一种基于长短时记忆网络的列车状态在线预测方法
CN110766236A (zh) * 2019-10-31 2020-02-07 云南电网有限责任公司昆明供电局 基于统计分析和深度学习的电力设备状态趋势预测方法
CN111222674A (zh) * 2019-10-08 2020-06-02 南昌大学 基于长短期记忆神经网络的短期光伏发电量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109131452A (zh) * 2018-08-14 2019-01-04 西安理工大学 一种基于长短时记忆网络的列车状态在线预测方法
CN111222674A (zh) * 2019-10-08 2020-06-02 南昌大学 基于长短期记忆神经网络的短期光伏发电量预测方法
CN110766236A (zh) * 2019-10-31 2020-02-07 云南电网有限责任公司昆明供电局 基于统计分析和深度学习的电力设备状态趋势预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔昊杨 等: "基于改进LSTM的电力设备状态融合预测模型", 电测与仪表, pages 1 - 8 *
苏兴华 等: "基于GBDT算法的钻井机械钻速预测方法研究", 计算机应用与软件, pages 87 - 92 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836876A (zh) * 2021-02-03 2021-05-25 国网福建省电力有限公司宁德供电公司 一种基于深度学习的配电网线路负荷预测方法
CN112836876B (zh) * 2021-02-03 2023-12-08 国网福建省电力有限公司宁德供电公司 一种基于深度学习的配电网线路负荷预测方法

Similar Documents

Publication Publication Date Title
CN106203534A (zh) 一种基于Boosting的代价敏感软件缺陷预测方法
CN113887643B (zh) 一种基于伪标签自训练和源域再训练的新对话意图识别方法
CN111368920A (zh) 基于量子孪生神经网络的二分类方法及其人脸识别方法
CN110727593A (zh) 基于历史需求数据挖掘的测试用例智能生成方法及介质
CN106528417A (zh) 软件缺陷智能检测方法和系统
CN112001422B (zh) 一种基于深度贝叶斯学习的图像标记估计方法
CN111030889B (zh) 一种基于gru模型的网络流量预测方法
CN113128671B (zh) 一种基于多模态机器学习的服务需求动态预测方法及系统
CN113673242A (zh) 一种基于k邻近结点算法和对比学习的文本分类方法
JP6962123B2 (ja) ラベル推定装置及びラベル推定プログラム
CN112215412A (zh) 溶解氧预测方法及装置
CN112132310A (zh) 基于改进lstm的电力设备状态预估方法及装置
CN113326689B (zh) 一种基于深度强化学习模型的数据清洗方法及装置
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN117669656A (zh) 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置
CN115794805B (zh) 一种中低压配网量测数据补齐方法
CN117058394A (zh) 一种零样本语义分割方法
CN115510964B (zh) 一种针对液相色谱仪类科学仪器的机时计算方法
CN116380438A (zh) 一种故障诊断方法、装置、电子设备及存储介质
KR20240034804A (ko) 자동 회귀 언어 모델 신경망을 사용하여 출력 시퀀스 평가
CN114972963A (zh) 基于关系独立和特征适应器的关系增量场景图生成方法
CN110689158B (zh) 一种对目的地进行预测的方法、装置及存储介质
CN111160715A (zh) 基于bp神经网络新旧动能转换绩效评价方法和装置
CN115460097B (zh) 一种基于融合模型的移动应用可持续信任评估方法及装置
CN114626247B (zh) 一种可验证的基于极大似然法的旅游交通od预测方法

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