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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006872 improvement Effects 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 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
- 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
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:
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:
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:
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)%,
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、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:
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)%,
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、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。
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。
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。
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)
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)
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 |
-
2020
- 2020-08-11 CN CN202010798788.0A patent/CN112132310A/zh active Pending
Patent Citations (3)
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)
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)
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 |