CN113468764A - 基于时间序列的海缆状态预测方法 - Google Patents

基于时间序列的海缆状态预测方法 Download PDF

Info

Publication number
CN113468764A
CN113468764A CN202110831882.6A CN202110831882A CN113468764A CN 113468764 A CN113468764 A CN 113468764A CN 202110831882 A CN202110831882 A CN 202110831882A CN 113468764 A CN113468764 A CN 113468764A
Authority
CN
China
Prior art keywords
submarine cable
state
variable
prediction
time
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
CN202110831882.6A
Other languages
English (en)
Inventor
汪敏
冯婷婷
刘宏伟
林钰
袁海云
宾帆
曾山
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.)
Sichuan Mingxue Intelligent Technology Co ltd
Southwest Petroleum University
Original Assignee
Sichuan Mingxue Intelligent Technology Co ltd
Southwest Petroleum University
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 Sichuan Mingxue Intelligent Technology Co ltd, Southwest Petroleum University filed Critical Sichuan Mingxue Intelligent Technology Co ltd
Priority to CN202110831882.6A priority Critical patent/CN113468764A/zh
Publication of CN113468764A publication Critical patent/CN113468764A/zh
Pending legal-status Critical Current

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

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于基于时间序列的海缆状态预测方法，属于人工智能领域，包含以下步骤：步骤1：建立海缆状态变量预测模型；步骤2：实现海缆状态单变量和多变量综合预测。本发明根据海缆工作理论分析和相关实验结果，利用海缆状态变量预测模型充分挖掘海缆的历史状态信息，实现了对海缆未来状态的预测，说明了利用人工智能方法进行海缆状态预测的适用性和有效性。

Description

基于时间序列的海缆状态预测方法
技术领域
本发明涉及一种海上油田的海缆状态预测技术，特别涉及一种海缆状态时间序列预测方法，具体是指如何利用海缆的历史状态数据来预测海缆未来时间的状态参数的方法，属于海缆状态预测技术领域。
背景技术
我国海洋石油工业的高速发展离不开海上平台电力系统的支持。海底电缆作为海洋石油开发工程中不同设备间电力传输的关键媒介，在大型油气田群的开发中为整个油气田发挥了不可缺少的重要作用。因此，时刻监测海缆状态，对可能事故的发生做出预判，不仅关系到海上平台电力系统的稳定运行，更关系到整个油气田开发的有序运行。
一般情况下，应用海底电缆传输电能比同样长度的架空电缆要昂贵的多，但却比孤立的小型发电站要经济实惠的多。由于海缆铺设在海底，无法像陆地电缆进行常规的巡视检查，无法及时发现海缆出现的问题，作为海上电力平台能量传输的媒介，一旦出现事故，会影响整个海上油田的开发进程，更会造成巨大的损失。海缆运行和海底环境存在众多不确定性，岩石磨损导致绝缘层损坏、持续大电流以及短路故障等导致绝缘材料寿命缩短、潮汐波动和地壳变动等导致海缆移位、海洋微生物附着在海缆表面导致化学腐蚀、人为的锚害和捕鱼等造成海缆损害，这些故障发生的隐蔽性较强，难以及时发现加以维护，所以对海缆状态进行实时监测和预测，在故障发生前做出预判，可以提前采取措施进行维护，不仅可以有效的减少海上平台电力系统维护的成本，更可以保障海洋油田开采的安全生产和有序运行。但是由于人工预测成本高昂，而且对技术人员的技术要求很高，无法做到对海缆状态的准确预测。
从国内外发展现状来看，部分发达国家对水下电缆的研究已经成熟，针对海缆的研究多集中在海缆状态的监测，要实现海缆状态的实时监测，对硬件设备的要求较高，需要光纤应变主机、光纤测温主机、控制器、监控计算机等设备稳定的运行才能做到实时监测到海缆的状态。在大数据时代，针对海缆状态的监测可以融合机器学习，利用历史数据，充分挖掘其内部规律，对海缆未来状态进行预测，实现提前预警和维护。机器学习中关于预测算法的研究很多，比如回归算法（线性回归，逻辑回归，线性判别算法）、决策树、朴素贝叶斯、K最近邻算法、支持向量机、随机森林和Boosting等多个涉及预测的机器学习算法。但是针对海洋石油开采过程中的海底电缆状态预测的研究较少。[1]寇欣, 尹成群, 吕安强,等. 基于BOTDR监测数据的光纤复合海底电缆状态预测[J]. 电测与仪表, 2015, 52(003):48-53.使用基于加权最小二乘支持向量机的海缆BOTDR监测数据多步预测模型对海底电缆的状态进行预测。但是只能预测海缆未来6步的状态，由于涉及到多个模型，不可避免的引入了误差。LSTM神经网络是一种特殊的RNN（循环神经网络），可以很好地解决长时依赖问题。
发明内容
为了解决上述存在的问题，本发明提出一种基于时间序列的海缆状态预测方法。基于时间序列建立海缆状态变量预测模型，对海缆的历史状态数据进行处理，学习长的依赖关系，得到海缆状态变量的预测值。该方法将研究对象分为两个维度，首先针对海缆单个变量的状态趋势进行预测，然后针对海缆多变量状态实现海缆状态的综合预测。
本发明所提出的基于时间序列的海缆状态预测方法具体步骤如下：
1.基于时间序列的海缆状态预测方法，其特征在于，依次包括以下步骤：
（1）建立海缆状态变量预测模型；
（2）实现海缆状态预测。
2.如权利要求1所述基于时间序列的海缆状态预测方法，其特征在于，所述步骤（1）包含如下子步骤：
2.1定义海缆状态变量预测模型如下：
长短时记忆网络（LSTM）内部具有“门”机制，用来调节信息流，可用来实现时间序列下的海缆状态变量趋势预测。
定义1：
输入门：
Figure 96281DEST_PATH_IMAGE001
，
其中，
Figure 2795DEST_PATH_IMAGE002
表示输入门在
Figure 483586DEST_PATH_IMAGE003
时刻输入
Figure 275435DEST_PATH_IMAGE004
个变量的值；
Figure 409744DEST_PATH_IMAGE005
表示输入门在
Figure 6817DEST_PATH_IMAGE003
时刻输入
Figure 743829DEST_PATH_IMAGE004
个变量的权重系数；
Figure 644045DEST_PATH_IMAGE006
表示输入数据；
Figure 832144DEST_PATH_IMAGE007
表示输入门在
Figure 60388DEST_PATH_IMAGE003
时刻输入
Figure 240571DEST_PATH_IMAGE004
个变量的偏置系数；
Figure 24987DEST_PATH_IMAGE008
是激活函数，可以把值压缩到
Figure 736985DEST_PATH_IMAGE009
之间；
Figure 810114DEST_PATH_IMAGE010
时，表示单变量预测模型，
Figure 59568DEST_PATH_IMAGE011
时，表示多变量预测模型。
定义2：
输出门：
Figure 167332DEST_PATH_IMAGE012
，
其中，
Figure 784652DEST_PATH_IMAGE013
表示输出门在
Figure 610656DEST_PATH_IMAGE003
时刻输入
Figure 726118DEST_PATH_IMAGE004
个变量的值；
Figure 953968DEST_PATH_IMAGE014
表示输出门在
Figure 753907DEST_PATH_IMAGE003
时刻输入
Figure 801629DEST_PATH_IMAGE004
个变量的权重系数；
Figure 596147DEST_PATH_IMAGE015
表示输出门在
Figure 537558DEST_PATH_IMAGE003
时刻输入
Figure 260795DEST_PATH_IMAGE004
个变量的偏置系数。
定义3：
遗忘门：
Figure 562857DEST_PATH_IMAGE016
，
其中，
Figure 396952DEST_PATH_IMAGE017
表示遗忘门在
Figure 832350DEST_PATH_IMAGE003
时刻输入
Figure 257646DEST_PATH_IMAGE004
个变量的值；
Figure 515846DEST_PATH_IMAGE018
表示遗忘门在
Figure 419211DEST_PATH_IMAGE003
时刻输入
Figure 833749DEST_PATH_IMAGE004
个变量的权重系数；
Figure 164368DEST_PATH_IMAGE019
表示遗忘门在
Figure 175442DEST_PATH_IMAGE003
时刻输入
Figure 662924DEST_PATH_IMAGE004
个变量的偏置系数。
定义4：
隐藏层：
Figure 308800DEST_PATH_IMAGE020
，
其中，
Figure 300066DEST_PATH_IMAGE021
表示隐藏层在
Figure 733190DEST_PATH_IMAGE003
时刻输入
Figure 978358DEST_PATH_IMAGE004
个变量的值；
Figure 868954DEST_PATH_IMAGE022
表示遗忘门在
Figure 42839DEST_PATH_IMAGE003
时刻输入
Figure 527041DEST_PATH_IMAGE004
个变量的权重系数；
Figure 808856DEST_PATH_IMAGE019
表示遗忘门在
Figure 694904DEST_PATH_IMAGE003
时刻输入个变量的偏置系数；
Figure 383898DEST_PATH_IMAGE023
是激活函数，可以把值压缩在
Figure 119511DEST_PATH_IMAGE024
之间。
定义5：
记忆单元：
Figure 440902DEST_PATH_IMAGE025
，
其中，
Figure 682921DEST_PATH_IMAGE026
表示记忆单元在
Figure 697144DEST_PATH_IMAGE003
时刻输入
Figure 247949DEST_PATH_IMAGE004
个变量的值；
Figure 779556DEST_PATH_IMAGE027
表示隐藏层在
Figure 824934DEST_PATH_IMAGE028
时刻输入
Figure 10059DEST_PATH_IMAGE004
个变量的值。
定义6：
LSTM输出：
Figure 189105DEST_PATH_IMAGE029
其中，
Figure 852298DEST_PATH_IMAGE030
表示海缆状态变量预测模型在
Figure 803330DEST_PATH_IMAGE003
时刻输入
Figure 893777DEST_PATH_IMAGE004
个变量的值。
2.2设置海缆状态变量预测模型参数：
设置神经网络层数为1、隐藏层节点个数为64；设置训练输入步长为4、预测步长为1；采用滚动预测方式预测未来12步，所需预测变量数量为6。
海缆单变量状态预测模型的神经网络输入输出节点个数都为1；海缆多变量状态预测模型的神经网络输入输出节点个数分别为6和6。
2.3训练海缆状态变量预测模型：
2.3.1数据预处理：
根据海缆状态变量预测模型所需的参数要求，对获取的海缆数据进行数据预处理，根据海缆种类、变量种类对数据进行分类和排序；对数据进行去噪，填补缺失值，修改非法值，归一化等处理。
2.3.2训练模型：
将步骤（2.3.1）处理的数据输入到LSTM模型中，重复多轮进行训练，确定学习率，直到模型的损失率最小，然后保存模型。损失函数MSE如下：
Figure 91278DEST_PATH_IMAGE031
，
其中，
Figure 292583DEST_PATH_IMAGE032
表示真实值；
Figure 629280DEST_PATH_IMAGE033
表示海缆状态变量预测模型的预测值；
Figure 15262DEST_PATH_IMAGE034
表示数据总数。
3.如权利要求2所述基于时间序列的海缆状态预测方法，其特征在于，所述步骤（2）包含如下子步骤：
针对海缆状态的六个变量进行预测，包括电压、电流、功率、光纤温度、缆芯温度、扰动能量。
3.1海缆单变量状态趋势预测：
获取海缆状态变量的4个最新的海缆单变量监测值，输入到海缆单变量状态预测模型，利用滚动预测的方式分别获得6个单变量后面12步的预测值并存入数据库。
3.2海缆多变量状态趋势综合预测：
获取4个最新的海缆6个状态变量的监测值，输入到多变量状态预测模型，利用滚动预测的方式得到海缆6个状态变量后面12步的预测值并存入数据库。设置海缆多变量状态预测函数，利用多变量预测值，获取海缆后面12步的状态预测分数并存入数据库。
与现有技术相比，本发明的有益效果
（1）本发明能够有效预测海底电缆的未来状态，并且不受硬件设备条件的限制；
（2）本发明通过建立海缆状态变量预测模型，可以有效利用海缆状态的历史数据，对海缆未来的状态变量进行预测，利用机器学习实现数据处理和状态预测大大降低了海缆维护的成本；
（3）本发明在具体实施过程中对海缆状态变量预测模型作出了相关的设置，为后续具有高精度的未来状态变量预测奠定了基础；
（4）本发明不需要大量的实验，就可以得到海底电缆状态变量预测模型，非常简单方便。
附图说明
图1为本发明流程图
图2为海底电缆单变量预测效果图
图3为海底电缆多变量综合预测效果图
具体实施方式
下面结合附图及实施案例，对本发明进行进一步详细说明，以使本发明的目的、技术方案及优点更加清楚明白。应当理解，此处所描述的具体实施案列仅用以解释本发明，不能理解为对本发明包括范围的限制，该领域的技术熟练人员可以依据上述本发明的内容做出一些非本质的改进和调整。
结合实例，本发明具体步骤如下：
1.基于时间序列的海缆状态预测方法，其特征在于，依次包括以下步骤：
（1）建立海缆状态变量预测模型；
（2）实现海缆状态预测。
2.如权利要求1所述基于时间序列的海缆状态预测方法，其特征在于，所述步骤（1）包含如下子步骤：
2.1定义海缆状态变量预测模型如下：
长短时记忆网络（LSTM）内部具有“门”机制，用来调节信息流，可用来实现时间序列下的海缆状态变量趋势预测。
定义1：
输入门：
Figure 670366DEST_PATH_IMAGE001
，
其中，
Figure 439476DEST_PATH_IMAGE002
表示输入门在
Figure 863635DEST_PATH_IMAGE003
时刻输入
Figure 797350DEST_PATH_IMAGE004
个变量的值；
Figure 674170DEST_PATH_IMAGE005
表示输入门在时刻输入
Figure 246972DEST_PATH_IMAGE004
个变量的权重系数；
Figure 650271DEST_PATH_IMAGE006
表示输入数据；
Figure 743168DEST_PATH_IMAGE007
表示输入门在
Figure 372864DEST_PATH_IMAGE003
时刻输入
Figure 483777DEST_PATH_IMAGE004
个变量的偏置系数；
Figure 882528DEST_PATH_IMAGE008
是激活函数，可以把值压缩到
Figure 158045DEST_PATH_IMAGE009
之间；
Figure 275037DEST_PATH_IMAGE010
时，表示单变量预测模型，
Figure 550160DEST_PATH_IMAGE011
时，表示多变量预测模型。
定义2：
输出门：
Figure 301953DEST_PATH_IMAGE012
，
其中，
Figure 512486DEST_PATH_IMAGE013
表示输出门在
Figure 618239DEST_PATH_IMAGE003
时刻输入
Figure 572419DEST_PATH_IMAGE004
个变量的值；
Figure 178719DEST_PATH_IMAGE014
表示输出门在
Figure 560153DEST_PATH_IMAGE003
时刻输入
Figure 622043DEST_PATH_IMAGE004
个变量的权重系数；
Figure 379915DEST_PATH_IMAGE015
表示输出门在
Figure 106300DEST_PATH_IMAGE003
时刻输入
Figure 375081DEST_PATH_IMAGE004
个变量的偏置系数。
定义3：
遗忘门：
Figure 891644DEST_PATH_IMAGE016
，
其中，
Figure 686163DEST_PATH_IMAGE017
表示遗忘门在
Figure 768519DEST_PATH_IMAGE003
时刻输入
Figure 258800DEST_PATH_IMAGE004
个变量的值；
Figure 59397DEST_PATH_IMAGE018
表示遗忘门在
Figure 516661DEST_PATH_IMAGE003
时刻输入
Figure 719103DEST_PATH_IMAGE004
个变量的权重系数；
Figure 114706DEST_PATH_IMAGE019
表示遗忘门在
Figure 137019DEST_PATH_IMAGE003
时刻输入
Figure 883127DEST_PATH_IMAGE004
个变量的偏置系数。
定义4：
隐藏层：
Figure 799131DEST_PATH_IMAGE020
，
其中，
Figure 631214DEST_PATH_IMAGE021
表示隐藏层在
Figure 140824DEST_PATH_IMAGE003
时刻输入
Figure 815257DEST_PATH_IMAGE004
个变量的值；
Figure 992291DEST_PATH_IMAGE022
表示遗忘门在
Figure 983557DEST_PATH_IMAGE003
时刻输入
Figure 714884DEST_PATH_IMAGE004
个变量的权重系数；
Figure 193007DEST_PATH_IMAGE019
表示遗忘门在
Figure 490128DEST_PATH_IMAGE003
时刻输入
Figure 664013DEST_PATH_IMAGE004
个变量的偏置系数；
Figure 741691DEST_PATH_IMAGE023
是激活函数，可以把值压缩在
Figure 367713DEST_PATH_IMAGE024
之间。
定义5：
记忆单元：
Figure 755225DEST_PATH_IMAGE025
，
其中，
Figure 332968DEST_PATH_IMAGE026
表示记忆单元在
Figure 163521DEST_PATH_IMAGE003
时刻输入
Figure 983447DEST_PATH_IMAGE004
个变量的值；
Figure 458422DEST_PATH_IMAGE027
表示隐藏层在
Figure 708531DEST_PATH_IMAGE028
时刻输入
Figure 26380DEST_PATH_IMAGE004
个变量的值。
定义6：
LSTM输出：
Figure 649997DEST_PATH_IMAGE029
其中，
Figure 979479DEST_PATH_IMAGE030
表示海缆状态变量预测模型在
Figure 412208DEST_PATH_IMAGE003
时刻输入
Figure 217353DEST_PATH_IMAGE004
个变量的值。
2.2设置海缆状态变量预测模型参数：
设置神经网络层数为1、隐藏层节点个数为64；设置训练输入步长为4、预测步长为1；采用滚动预测方式预测未来12步，所需预测变量数量为6。
海缆单变量状态预测模型的神经网络输入输出节点个数都为1；海缆多变量状态预测模型的神经网络输入输出节点个数分别为6和6。
2.3训练海缆状态变量预测模型：
2.3.1数据预处理：
根据海缆状态变量预测模型所需的参数要求，对获取的海缆数据进行数据预处理，根据海缆种类、变量种类对数据进行分类和排序；对数据进行去噪，填补缺失值，修改非法值，归一化等处理。
2.3.2训练模型：
将步骤（2.3.1）处理的数据输入到LSTM模型中，重复多轮进行训练，确定学习率，直到模型的损失率最小，然后保存模型。损失函数MSE如下：
Figure 880546DEST_PATH_IMAGE031
，
其中，
Figure 828649DEST_PATH_IMAGE032
表示真实值；
Figure 919095DEST_PATH_IMAGE033
表示海缆状态变量预测模型的预测值；
Figure 713001DEST_PATH_IMAGE034
表示数据总数。
3.如权利要求2所述基于时间序列的海缆状态预测方法，其特征在于，所述步骤（2）包含如下子步骤：
针对海缆状态的六个变量进行预测，包括电压、电流、功率、光纤温度、缆芯温度、扰动能量。
3.1海缆单变量状态趋势预测：
（a）从数据库读取海缆最新4个时间点的6个变量的监测值，分别为电压、电流、功率、扰动等，得到形状为4*6的数据矩阵;
（b）对步骤（a）数据按变量类别进行分类处理并按时间排序，得到形状为6*4的数据;
（c）将步骤（b）获得的数据放入单变量预测模型进行滚动预测，得到6个变量的未来12步的预测值，形状为6*12；
（d）将步骤（c）得到的值按时间进行合并得到形状为12*6的数据，然后插入数据库的单变量预测表；
（e）从步骤（d）的单变量预测表中读取某个变量的12步预测值，进行绘图，如图2。
3.2海缆多变量状态趋势综合预测：
（a）利用步骤（3.1）获得形状为4*6的监测数据；
（b）将步骤（a）获得的数据放入多变量预测模型进行滚动预测，得到6个变量的未来12步的预测值，形状为12*6；
（c）将步骤（b）得到的预测数据代入到状态预测函数，得到未来12步的状态分数；
（d）将步骤（b）和（c）得到的数据插入数据库多变量预测表；
（e）从步骤（c）的多变量预测表中读取某个变量的12步预测值，进行绘图，如图3。
以上所述仅为本发明的状态预测实例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.基于时间序列的海缆状态预测方法，其特征在于，依次包括以下步骤：
（1）建立海缆状态变量预测模型；
（2）实现海缆状态预测。
2.如权利要求1所述基于时间序列的海缆状态预测方法，其特征在于，所述步骤（1）包含如下子步骤：
2.1定义海缆状态变量预测模型如下：
长短时记忆网络（LSTM）内部具有“门”机制，用来调节信息流，可用来实现时间序列下的海缆状态变量趋势预测;
定义1：
输入门：
Figure 169678DEST_PATH_IMAGE001
，
其中，
Figure 237866DEST_PATH_IMAGE002
表示输入门在
Figure 764793DEST_PATH_IMAGE003
时刻输入
Figure 921361DEST_PATH_IMAGE004
个变量的值；
Figure 300259DEST_PATH_IMAGE005
表示输入门在
Figure 989997DEST_PATH_IMAGE003
时刻输入
Figure 281301DEST_PATH_IMAGE004
个变量的权重系数；
Figure 647868DEST_PATH_IMAGE006
表示输入数据；
Figure 456555DEST_PATH_IMAGE007
表示输入门在
Figure 499335DEST_PATH_IMAGE003
时刻输入
Figure 899223DEST_PATH_IMAGE004
个变量的偏置系数；
Figure 764805DEST_PATH_IMAGE008
是激活函数，可以把值压缩到
Figure 111603DEST_PATH_IMAGE009
之间；
Figure 8890DEST_PATH_IMAGE010
时，表示单变量预测模型，
Figure 173155DEST_PATH_IMAGE011
时，表示多变量预测模型;
定义2：
输出门：
Figure 260453DEST_PATH_IMAGE012
，
其中，
Figure 145364DEST_PATH_IMAGE013
表示输出门在
Figure 523256DEST_PATH_IMAGE003
时刻输入
Figure 966744DEST_PATH_IMAGE004
个变量的值；
Figure 305453DEST_PATH_IMAGE014
表示输出门在
Figure 495519DEST_PATH_IMAGE003
时刻输入
Figure 727917DEST_PATH_IMAGE004
个变量的权重系数；
Figure 607886DEST_PATH_IMAGE015
表示输出门在
Figure 168312DEST_PATH_IMAGE003
时刻输入
Figure 173788DEST_PATH_IMAGE004
个变量的偏置系数;
定义3：
遗忘门：
Figure 995113DEST_PATH_IMAGE016
，
其中，
Figure 547448DEST_PATH_IMAGE017
表示遗忘门在
Figure 93705DEST_PATH_IMAGE003
时刻输入
Figure 983164DEST_PATH_IMAGE004
个变量的值；
Figure 566985DEST_PATH_IMAGE018
表示遗忘门在
Figure 290222DEST_PATH_IMAGE003
时刻输入
Figure 949873DEST_PATH_IMAGE004
个变量的权重系数；
Figure 16924DEST_PATH_IMAGE019
表示遗忘门在
Figure 688208DEST_PATH_IMAGE003
时刻输入
Figure 208444DEST_PATH_IMAGE004
个变量的偏置系数;
定义4：
隐藏层：
Figure 965179DEST_PATH_IMAGE020
，
其中，
Figure 101500DEST_PATH_IMAGE021
表示隐藏层在
Figure 17503DEST_PATH_IMAGE003
时刻输入
Figure 551384DEST_PATH_IMAGE004
个变量的值；
Figure 562459DEST_PATH_IMAGE022
表示遗忘门在
Figure 597411DEST_PATH_IMAGE003
时刻输入
Figure 7401DEST_PATH_IMAGE004
个变量的权重系数；
Figure 977762DEST_PATH_IMAGE019
表示遗忘门在
Figure 833723DEST_PATH_IMAGE003
时刻输入
Figure 303057DEST_PATH_IMAGE004
个变量的偏置系数；
Figure 803440DEST_PATH_IMAGE023
是激活函数，可以把值压缩在
Figure 567871DEST_PATH_IMAGE024
之间;
定义5：
记忆单元：
Figure 786494DEST_PATH_IMAGE025
，
其中，
Figure 428828DEST_PATH_IMAGE026
表示记忆单元在
Figure 550761DEST_PATH_IMAGE003
时刻输入
Figure 128504DEST_PATH_IMAGE004
个变量的值；
Figure 192013DEST_PATH_IMAGE027
表示隐藏层在
Figure 513404DEST_PATH_IMAGE028
时刻输入
Figure 489844DEST_PATH_IMAGE004
个变量的值;
定义6：
LSTM输出：
Figure 97543DEST_PATH_IMAGE029
其中，
Figure 290758DEST_PATH_IMAGE030
表示海缆状态变量预测模型在
Figure 383216DEST_PATH_IMAGE003
时刻输入
Figure 102911DEST_PATH_IMAGE004
个变量的值;
2.2设置海缆状态变量预测模型参数：
设置神经网络层数为1、隐藏层节点个数为64；设置训练输入步长为4、预测步长为1；采用滚动预测方式预测未来12步，所需预测变量数量为6;
海缆单变量状态预测模型的神经网络输入输出节点个数都为1；海缆多变量状态预测模型的神经网络输入输出节点个数分别为6和6;
2.3训练海缆状态变量预测模型：
2.3.1数据预处理：
根据海缆状态变量预测模型所需的参数要求，对获取的海缆数据进行数据预处理，根据海缆种类、变量种类对数据进行分类和排序；对数据进行去噪，填补缺失值，修改非法值，归一化等处理;
2.3.2训练模型：
将步骤（2.3.1）处理的数据输入到LSTM模型中，重复多轮进行训练，确定学习率，直到模型的损失率最小，然后保存模型;
损失函数MSE如下：
Figure 523921DEST_PATH_IMAGE031
，
其中，
Figure 938853DEST_PATH_IMAGE032
表示真实值；
Figure 726681DEST_PATH_IMAGE033
表示海缆状态变量预测模型的预测值；
Figure 409203DEST_PATH_IMAGE034
表示数据总数。
3.如权利要求2所述基于时间序列的海缆状态预测方法，其特征在于，所述步骤（2）包含如下子步骤：
针对海缆状态的六个变量进行预测，包括电压、电流、功率、光纤温度、缆芯温度、扰动能量;
3.1海缆单变量状态趋势预测：
获取海缆状态变量的4个最新的海缆单变量监测值，输入到海缆单变量状态预测模型，利用滚动预测的方式分别获得6个单变量后面12步的预测值并存入数据库;
3.2海缆多变量状态趋势综合预测：
获取4个最新的海缆6个状态变量的监测值，输入到多变量状态预测模型，利用滚动预测的方式得到海缆6个状态变量后面12步的预测值并存入数据库；设置海缆多变量状态预测函数，利用多变量预测值，获取海缆后面12步的状态预测分数并存入数据库。
CN202110831882.6A 2021-07-22 2021-07-22 基于时间序列的海缆状态预测方法 Pending CN113468764A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110831882.6A CN113468764A (zh) 2021-07-22 2021-07-22 基于时间序列的海缆状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110831882.6A CN113468764A (zh) 2021-07-22 2021-07-22 基于时间序列的海缆状态预测方法

Publications (1)

Publication Number Publication Date
CN113468764A true CN113468764A (zh) 2021-10-01

Family

ID=77881928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110831882.6A Pending CN113468764A (zh) 2021-07-22 2021-07-22 基于时间序列的海缆状态预测方法

Country Status (1)

Country Link
CN (1) CN113468764A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976530A (zh) * 2023-09-25 2023-10-31 国网上海市电力公司 一种电缆设备状态预测方法、装置及存储介质
CN117011690A (zh) * 2023-10-07 2023-11-07 广东电网有限责任公司阳江供电局 一种海缆隐患识别方法、装置、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729652A (zh) * 2017-10-17 2018-02-23 沈阳凯鹏电线电缆制造有限公司 高压电缆发热均匀度预测方法
CN112257967A (zh) * 2020-12-21 2021-01-22 中国电力科学研究院有限公司 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置
CN112989681A (zh) * 2021-05-19 2021-06-18 广东电网有限责任公司湛江供电局 一种用于海底电缆路由区的海床冲淤预测分析系统和方法
CN113032939A (zh) * 2021-04-15 2021-06-25 西南石油大学 一种基于热路模型分析的海底电缆埋深预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729652A (zh) * 2017-10-17 2018-02-23 沈阳凯鹏电线电缆制造有限公司 高压电缆发热均匀度预测方法
CN112257967A (zh) * 2020-12-21 2021-01-22 中国电力科学研究院有限公司 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置
CN113032939A (zh) * 2021-04-15 2021-06-25 西南石油大学 一种基于热路模型分析的海底电缆埋深预测方法
CN112989681A (zh) * 2021-05-19 2021-06-18 广东电网有限责任公司湛江供电局 一种用于海底电缆路由区的海床冲淤预测分析系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张亚宁;: "基于LSTM模型的短期负荷预测", 科技与创新, no. 12, 25 June 2018 (2018-06-25) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976530A (zh) * 2023-09-25 2023-10-31 国网上海市电力公司 一种电缆设备状态预测方法、装置及存储介质
CN116976530B (zh) * 2023-09-25 2023-12-08 国网上海市电力公司 一种电缆设备状态预测方法、装置及存储介质
CN117011690A (zh) * 2023-10-07 2023-11-07 广东电网有限责任公司阳江供电局 一种海缆隐患识别方法、装置、设备和介质
CN117011690B (zh) * 2023-10-07 2024-02-09 广东电网有限责任公司阳江供电局 一种海缆隐患识别方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN111596604B (zh) 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN113468764A (zh) 基于时间序列的海缆状态预测方法
CN112834211A (zh) 一种风电机组传动系统故障预警方法
CN102693450A (zh) 一种基于遗传神经网络的曲轴疲劳寿命预测方法
CN111720296B (zh) 一种基于自编码器的汽动给水泵设备异常状态预警方法
CN116629126A (zh) 一种基于动态多头注意力机制的软测量建模方法
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
CN112327701A (zh) 面向非线性动态工业过程的慢特征网络监测方法
CN112016835A (zh) 配电网电缆线路监测方法、计算机设备和存储介质
CN111832703A (zh) 一种基于采样间隔感知长短期记忆网络的流程制造工业不规则采样动态序列建模方法
Huang et al. Prediction of solar photovoltaic power generation based on MLP and LSTM neural networks
Yang et al. Condition prediction of submarine cable based on CNN-BiGRU integrating attention mechanism
Lu et al. Industrial process data visualization based on a deep enhanced t-distributed stochastic neighbor embedding neural network
CN117313522A (zh) 基于数模交互和联邦学习的油浸式变压器寿命预测方法
CN117077052A (zh) 一种基于工况识别的干式变压器异常检测方法
Sarwar et al. Time series method for machine performance prediction using condition monitoring data
CN114297795B (zh) 一种基于PR-Trans的机械设备剩余寿命预测方法
Vogt et al. Multi-task distribution learning approach to anomaly detection of operational states of wind turbines
CN110826290B (zh) 一种海上浮式系统安全预警方法
Deng et al. Grey relational analysis and fuzzy neural network method for predicting corrosion rate of marine pipeline
Li et al. Prediction Model of Submarine Cable Burial Depth Trend Based on CNN-LSTM
Suo et al. Corrosion prediction model of circulating water in refinery unit based on PCA-PSO-BP
Triviño et al. Damage detection and localization at the jacket support of an offshore wind turbine using transformer models
Miao et al. Corroded submarine pipeline degradation prediction based on theory-guided IMOSOA-EL model
CN114326395B (zh) 一种基于工况判别的智能发电机组控制模型在线更新方法

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