CN114492974A - 一种gis气体状态预测方法及系统 - Google Patents

一种gis气体状态预测方法及系统 Download PDF

Info

Publication number
CN114492974A
CN114492974A CN202210055049.1A CN202210055049A CN114492974A CN 114492974 A CN114492974 A CN 114492974A CN 202210055049 A CN202210055049 A CN 202210055049A CN 114492974 A CN114492974 A CN 114492974A
Authority
CN
China
Prior art keywords
time sequence
data
seq2seq
prediction model
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.)
Granted
Application number
CN202210055049.1A
Other languages
English (en)
Other versions
CN114492974B (zh
Inventor
王劭鹤
陈孝信
王绍安
李晨
胡俊华
钱平
徐华
金涌涛
侯慧娟
宋辉
盛戈暤
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 Jiaotong University
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Shanghai Jiaotong University
Electric Power Research Institute 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 Jiaotong University, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN202210055049.1A priority Critical patent/CN114492974B/zh
Publication of CN114492974A publication Critical patent/CN114492974A/zh
Application granted granted Critical
Publication of CN114492974B publication Critical patent/CN114492974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)

Abstract

本发明公开了一种GIS气体状态预测方法及系统。本发明的预测方法包括：数据预处理；建立以GRU为基本单元的Seq2Seq时序预测模型；Seq2Seq时序预测模型采用注意力机制自动提取输入时间序列关键时间点并分配相应权重，并计算当前时刻对应编码器输出的特征向量；在训练阶段采用线性衰减Scheduled Sampling算法；在测试阶段则采用Teacher Forcing算法；训练过程中损失函数取L1 Loss，经过1000次迭代后所得Seq2Seq时序预测模型对未来一段时间内GIS气体状态进行预测。本发明使Seq2Seq时序预测模型在实际测试时具有较高的容错性能，提升了Seq2Seq时序预测模型的预测精度。

Description

一种GIS气体状态预测方法及系统
技术领域
本发明属于GIS气体状态预测领域，涉及一种GIS气体状态预测方法及系统。
背景技术
气体绝缘组合开关(GIS)对保护电力设备和调控设备入网运行有重要作用，GIS常见故障中，气体绝缘故障占比38.1％，气体泄漏故障占比9.5％，因此对GIS中SF6气体状态未来的变化趋势进行预测可以有效评估GIS健康状态，提前发现故障隐患，对保证GIS设备的安全可靠工作具有重要现实意义。
现有的GIS气体状态(主要包括气体密度、压力及温度等参数)预测方法中，统计预测方法主要包括时间序列模型和灰色模型，但该方法拟合函数单一，精度受时间序列本身的分布规律影响较大。组合预测方法则受各种预测方法权值选择影响较大，且无法挖掘时序信息间的依赖关系。
人工智能方法典型代表有支持向量机回归模型SVR和多层感知机模型MLP。然而上述方法割裂了输入时序信息间依赖关系，因此被具有更好适应性能和稳定性能的循环神经网络RNN模型取代。以LSTM和GRU为代表的RNN预测模型由于门控单元的引入，可以更有效处理时间序列中的长期依赖问题，但对于长时间预测精度仍有较大提升空间。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种GIS气体状态预测方法及系统，以进行任意输入输出长度的时序预测，并深入挖掘时序数据间联系，提取关键时间点进行较长时间的预测；使预测模型在实际测试时具有较高的容错性能，以提升预测模型的预测精度。
为此，本发明采用的一种技术方案为：一种GIS气体状态预测方法，其包括：
步骤1，数据预处理，所述的数据为GIS气体密度、压力及温度数据；
步骤2，建立以GRU为基本单元的Seq2Seq时序预测模型；
步骤3，Seq2Seq时序预测模型采用注意力机制按公式(3)自动提取输入时间序列关键时间点并分配相应权重{eij}，按公式(4)和(5)计算当前时刻对应编码器输出的特征向量ci；
eij＝Va Ttanh(Wasi-1+Uahj) (3)
Figure BDA0003476132400000021
Figure BDA0003476132400000022
式中，hj为编码器第j时刻的输出状态；Va T、Wa与Ua分别为计算注意力权重时全连接层对应权重，将在BP(Back Propagation，反向传播)反传过程中更新数值；Tx为时间序列长度；si-1为上一时刻的最顶层隐层状态输出；
步骤4，在训练阶段采用线性衰减Scheduled Sampling算法，即在训练早期主要使用真实标签作为编码器输入，以引导Seq2Seq时序预测模型快速过渡到合理状态；在训练后期，则更多地使用前一步编码器输出作为下一步的输入，以解决数据分布不一致的问题，对Seq2Seq时序预测模型进行微调直至收敛；在测试阶段则采用Teacher Forcing算法，即完全使用前一步编码器输出作为下一步输入；
步骤5，训练过程中损失函数取L1 Loss，经过1000次迭代后所得Seq2Seq时序预测模型对未来一段时间内GIS气体状态进行预测。
进一步地，步骤1中，数据预处理的具体内容如下：
将GIS气体密度、压力及温度的特征参量数据按公式(1)进行归一化处理，
Figure BDA0003476132400000031
式中，
Figure BDA0003476132400000032
表示第j个数据样本，
Figure BDA0003476132400000033
表示第j个数据样本的最小值，
Figure BDA0003476132400000034
表示第j个数据样本的最大值；
将数据映射到[0,1]之间，再以滑动窗口的形式构建数据集样本。
更进一步地，步骤1中，以滑动窗口的形式构建数据集样本的具体过程如下：
在长度为Tx的时间序列上，以L作为窗口宽度，1为滑动步长，共可构建Tx-L+1组数据样本，设Lx为编码器时间步长，Ly为解码器时间步长，则取L＝Lx+Ly；
由此，时间序列X＝(x1,x2,...xTx)转为如式(2)所示的行数为Tx-L+1、列数为L的矩阵，
Figure BDA0003476132400000035
其中，前Lx列作为Seq2Seq时序预测模型输入数据，后Ly列中预测特征参量序号所对应的矩阵则为输入数据对应的真实标签，矩阵的维度为[Tx-L+1,L]。
进一步地，所述的Seq2Seq时序预测模型中，编码器采用双层BI-GRU单元对原始输入时序数据进行编码；由于预测结果具有顺次生成的性质，解码器采用单向单层GRU单元输出GIS气体状态的预测结果。
进一步地，步骤4中，线性衰减Scheduled Sampling算法公式如下：
εi＝max(ε0,k1-ci) (6)
其中，ε0取0.1，k1和c分别取1和0.0015。
进一步地，上述GIS气体状态预测方法，还包括：
步骤6，以公式(7)的平均相对误差计算公式和公式(8)的最大相对误差计算公式作为评判指标，用于评估Seq2Seq时序预测模型性能；平均相对误差反映预测结果偏离真实值的整体情况，最大相对误差则反映预测结果的稳定性能；
Figure BDA0003476132400000041
Figure BDA0003476132400000042
式中，yi为样本实测值、
Figure BDA0003476132400000043
为预测值、Ty为编码器序列长度；δmean和δmax越小，说明预测结果越接近真实值，Seq2Seq时序预测模型预测性能越精确和稳定。
本发明采用的另一种技术方案为：一种GIS气体状态预测系统，其包括：
数据预处理单元，对数据进行预处理，所述的数据为GIS气体密度、压力及温度数据；
预测模型建立单元，建立以GRU为基本单元的Seq2Seq时序预测模型；
特征向量计算单元，Seq2Seq时序预测模型采用注意力机制按公式(3)自动提取输入时间序列关键时间点并分配相应权重{eij}，按公式(4)和(5)计算当前时刻对应编码器输出的特征向量ci；
eij＝Va Ttanh(Wasi-1+Uahj) (3)
Figure BDA0003476132400000044
Figure BDA0003476132400000045
式中，hj为编码器第j时刻的输出状态；Va T、Wa与Ua分别为计算注意力权重时全连接层对应权重，将在BP反传过程中更新数值；Tx为时间序列长度；si-1为上一时刻的最顶层隐层状态输出；
训练和测试单元，在训练阶段采用线性衰减Scheduled Sampling算法，即在训练早期主要使用真实标签作为编码器输入，以引导Seq2Seq时序预测模型快速过渡到合理状态；在训练后期，则更多地使用前一步编码器输出作为下一步的输入，以解决数据分布不一致的问题，对Seq2Seq时序预测模型进行微调直至收敛；在测试阶段则采用TeacherForcing算法，即完全使用前一步编码器输出作为下一步输入；
GIS气体状态预测单元，训练过程中损失函数取L1 Loss，经过1000次迭代后所得Seq2Seq时序预测模型对未来一段时间内GIS气体状态进行预测。
本发明提出的基于BI-GRU单元的Seq2Seq时序预测模型用于GIS气体多参数状态的预测，其有益效果主要体现在以下两个方面。
(1)由于Seq2Seq时序预测模型和注意力机制的引入，本文方法能够进行任意输入输出长度的时序预测，并深入挖掘时序数据间联系，提取关键时间点进行较长时间的预测。
(2)BI-GRU单元的引入可以提升网络挖掘时序信息依赖关系的能力，ScheduledSampling方法使模型在实际测试时具有较高的容错性能，提升模型预测精度。
附图说明
图1为本发明GIS气体状态预测方法的流程图；
图2本发明Seq2Seq时序预测模型的示意图；
图3为本发明GIS气体状态预测系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
本实施例提供一种GIS气体状态预测方法，如图1所示，其步骤如下：
步骤1，数据预处理。将GIS气体密度、压力及温度等3种特征参量数据按公式(1)进行归一化处理，将监测数据映射到[0,1]之间。
Figure BDA0003476132400000061
再以滑动窗口的形式构建数据集样本。在长度为Tx的时间序列上，以L(设Lx为编码器时间步长，Ly为解码器时间步长，则取L＝Lx+Ly)作为窗口宽度，1为滑动步长，共可构建(Tx-L+1)组数据样本。由此，时间序列X＝(x1,x2,...xTx)可转为如式(2)所示的行数为(Tx-L+1)、列数为L的矩阵(事实上由于每个xi都是3维向量，因此式(2)是一个大小为[Tx-L+1,L,3]的三维张量)。其中前Lx列作为模型输入数据，后Ly列中预测特征参量序号所对应的矩阵(维度为[Tx-L+1,L])则为输入数据对应的真实标签。
Figure BDA0003476132400000062
步骤2，建立以GRU为基本单元的Seq2Seq时序预测模型，如图2所示。其中编码器采用双层BI-GRU单元对原始输入时序数据进行编码；由于预测结果具有顺次生成的性质，因此解码器采用单向单层GRU单元输出预测GIS气体状态。
步骤3，Seq2Seq时序预测模型采用注意力机制按公式(3)自动提取输入时间序列关键时间点并分配相应权重{eij}，按公式(4)、(5)计算当前时刻对应编码器输出的特征向量ci。
eij＝Va Ttanh(Wasi-1+Uahj) (3)
Figure BDA0003476132400000063
Figure BDA0003476132400000071
式中，hj为编码器第j时刻的输出状态；Va T、Wa与Ua分别为计算注意力权重时全连接层对应权重，将在BP反传过程中更新数值。
步骤4，在训练阶段采用线性衰减Scheduled Sampling算法(公式(6)中ε0取0.1，k1和c分别取1和0.0015)，即在训练早期主要使用真实标签作为编码器输入，以引导Seq2Seq时序预测模型快速过渡到合理状态；在训练后期，则更多地使用前一步编码器输出作为下一步的输入，以解决数据分布不一致的问题，对Seq2Seq时序预测模型进行微调直至收敛。在测试阶段则采用Teacher Forcing算法，即完全使用前一步编码器输出作为下一步输入。
εi＝max(ε0,k1-ci) (6)
步骤5，训练过程中损失函数取L1 Loss。经过1000次迭代后所得Seq2Seq时序预测模型可用于对未来一段时间内GIS气体状态进行预测。
步骤6，以平均相对误差(公式(7))和最大相对误差(公式(8))作为评判指标，用于评估模型性能。平均相对误差反映预测结果偏离真实值的整体情况，最大相对误差则反映预测结果的稳定性能。δmean和δmax越小，说明预测结果越接近真实值，模型预测性能越精确和稳定。
Figure BDA0003476132400000072
Figure BDA0003476132400000073
本实施例引入了编解码器结构搭建Seq2Seq时序预测模型提取时序深度联系，通过优化神经元结构(BI-GRU)和相关理论(注意力机制、Scheduled Sampling算法)的应用，提升对未来一段时间GIS气体状态的预测精度。
本实施例的优点在于：
1)Seq2Seq时序预测模型中特殊的编码器-解码器结构实现了对时序信息的深入挖掘。
2)依托编解码器结构引入时序注意力机制，使每一时刻特征向量既包含编码器全部状态信息又蕴含当前解码器时刻特征时序信息。
3)训练阶段的Scheduled Sampling算法解决了模型在训练和测试阶段解码器输入数据的概率分布并不一致的问题。
4)BI-GRU的神经元结构从前向后向同时处理序列信息，加强了时序信息的表达效果。
实施例2
本实施例为一种GIS气体状态预测系统，如图3所示，其包括：
数据预处理单元，对数据进行预处理，所述的数据为GIS气体密度、压力及温度数据；
预测模型建立单元，建立以GRU为基本单元的Seq2Seq时序预测模型，如图2所示；
特征向量计算单元，Seq2Seq时序预测模型采用注意力机制按公式(3)自动提取输入时间序列关键时间点并分配相应权重{eij}，按公式(4)和(5)计算当前时刻对应编码器输出的特征向量ci；
eij＝Va Ttanh(Wasi-1+Uahj) (3)
Figure BDA0003476132400000081
Figure BDA0003476132400000082
式中，hj为编码器第j时刻的输出状态；Va T、Wa与Ua分别为计算注意力权重时全连接层对应权重，将在BP反传过程中更新数值；Tx为时间序列长度；si-1为上一时刻的最顶层隐层状态输出。
训练和测试单元，在训练阶段采用线性衰减Scheduled Sampling算法，
εi＝max(ε0,k1-ci) (6)
其中，ε0取0.1，k1和c分别取1和0.0015。
即在训练早期主要使用真实标签作为编码器输入，以引导Seq2Seq时序预测模型快速过渡到合理状态；在训练后期，则更多地使用前一步编码器输出作为下一步的输入，以解决数据分布不一致的问题，对Seq2Seq时序预测模型进行微调直至收敛；在测试阶段则采用Teacher Forcing算法，即完全使用前一步编码器输出作为下一步输入；
GIS气体状态预测单元，训练过程中损失函数取L1 Loss，经过1000次迭代后所得Seq2Seq时序预测模型对未来一段时间内GIS气体状态进行预测；
模型性能评估单元，以公式(7)的平均相对误差计算公式和公式(8)的最大相对误差计算公式作为评判指标，用于评估Seq2Seq时序预测模型性能；平均相对误差反映预测结果偏离真实值的整体情况，最大相对误差则反映预测结果的稳定性能；
Figure BDA0003476132400000091
Figure BDA0003476132400000092
式中，yi为样本实测值、
Figure BDA0003476132400000093
为预测值、Ty为编码器序列长度；δmean和δmax越小，说明预测结果越接近真实值，Seq2Seq时序预测模型预测性能越精确和稳定。
具体地，所述的数据预处理单元，数据预处理的具体内容如下：
将GIS气体密度、压力及温度的3种特征参量数据按公式(1)进行归一化处理，
Figure BDA0003476132400000094
式中，
Figure BDA0003476132400000101
表示第j个数据样本，
Figure BDA0003476132400000102
表示第j个数据样本的最小值，
Figure BDA0003476132400000103
表示第j个数据样本的最大值。
将数据映射到[0,1]之间，再以滑动窗口的形式构建数据集样本，具体过程如下：
在长度为Tx的时间序列上，以L作为窗口宽度，1为滑动步长，共可构建Tx-L+1组数据样本，设Lx为编码器时间步长，Ly为解码器时间步长，则取L＝Lx+Ly；
由此，时间序列X＝(x1,x2,...xTx)转为如式(2)所示的行数为Tx-L+1、列数为L的矩阵，
Figure BDA0003476132400000104
其中，前Lx列作为Seq2Seq时序预测模型输入数据，后Ly列中预测特征参量序号所对应的矩阵则为输入数据对应的真实标签，矩阵的维度为[Tx-L+1,L]。
具体地，所述的Seq2Seq时序预测模型中，编码器采用双层BI-GRU单元对原始输入时序数据进行编码；由于预测结果具有顺次生成的性质，解码器采用单向单层GRU单元输出GIS气体状态的预测结果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种GIS气体状态预测方法，其特征在于，包括：
步骤1，数据预处理，所述的数据为GIS气体密度、压力及温度数据；
步骤2，建立以GRU为基本单元的Seq2Seq时序预测模型；
步骤3，Seq2Seq时序预测模型采用注意力机制按公式(3)自动提取输入时间序列关键时间点并分配相应权重{eij}，按公式(4)和(5)计算当前时刻对应编码器输出的特征向量ci；
eij＝Va Ttanh(Wasi-1+Uahj) (3)
Figure FDA0003476132390000011
Figure FDA0003476132390000012
式中，hj为编码器第j时刻的输出状态；Va T、Wa与Ua分别为计算注意力权重时全连接层对应权重，将在BP反传过程中更新数值；Tx为时间序列长度；si-1为上一时刻的最顶层隐层状态输出；
步骤4，在训练阶段采用线性衰减Scheduled Sampling算法，即在训练早期主要使用真实标签作为编码器输入，以引导Seq2Seq时序预测模型快速过渡到合理状态；在训练后期，则更多地使用前一步编码器输出作为下一步的输入，以解决数据分布不一致的问题，对Seq2Seq时序预测模型进行微调直至收敛；在测试阶段则采用Teacher Forcing算法，即完全使用前一步编码器输出作为下一步输入；
步骤5，训练过程中损失函数取L1 Loss，经过1000次迭代后所得Seq2Seq时序预测模型对未来一段时间内GIS气体状态进行预测。
2.根据权利要求1所述的一种GIS气体状态预测方法，其特征在于，步骤1中，数据预处理的具体内容如下：
将GIS气体密度、压力及温度的特征参量数据按公式(1)进行归一化处理，
Figure FDA0003476132390000021
式中，
Figure FDA0003476132390000022
表示第j个数据样本，
Figure FDA0003476132390000023
表示第j个数据样本的最小值，
Figure FDA0003476132390000024
表示第j个数据样本的最大值；
将数据映射到[0,1]之间，再以滑动窗口的形式构建数据集样本。
3.根据权利要求2所述的一种GIS气体状态预测方法，其特征在于，步骤1中，以滑动窗口的形式构建数据集样本的具体过程如下：
在长度为Tx的时间序列上，以L作为窗口宽度，1为滑动步长，共可构建Tx-L+1组数据样本，设Lx为编码器时间步长，Ly为解码器时间步长，则取L＝Lx+Ly；
由此，时间序列
Figure FDA0003476132390000025
转为如式(2)所示的行数为Tx-L+1、列数为L的矩阵，
Figure FDA0003476132390000026
其中，前Lx列作为Seq2Seq时序预测模型输入数据，后Ly列中预测特征参量序号所对应的矩阵则为输入数据对应的真实标签，矩阵的维度为[Tx-L+1,L]。
4.根据权利要求1所述的一种GIS气体状态预测方法，其特征在于，所述的Seq2Seq时序预测模型中，编码器采用双层BI-GRU单元对原始输入时序数据进行编码；由于预测结果具有顺次生成的性质，解码器采用单向单层GRU单元输出GIS气体状态的预测结果。
5.根据权利要求1所述的一种GIS气体状态预测方法，其特征在于，步骤4中，线性衰减Scheduled Sampling算法公式如下：
εi＝max(ε0,k1-ci) (6)
其中，ε0取0.1，k1和c分别取1和0.0015。
6.根据权利要求1所述的一种GIS气体状态预测方法，其特征在于，还包括：
步骤6，以公式(7)的平均相对误差计算公式和公式(8)的最大相对误差计算公式作为评判指标，用于评估Seq2Seq时序预测模型性能；平均相对误差反映预测结果偏离真实值的整体情况，最大相对误差则反映预测结果的稳定性能；
Figure FDA0003476132390000031
Figure FDA0003476132390000032
式中，yi为样本实测值、
Figure FDA0003476132390000033
为预测值、Ty为编码器序列长度；δmean和δmax越小，说明预测结果越接近真实值，Seq2Seq时序预测模型预测性能越精确和稳定。
7.一种GIS气体状态预测系统，其特征在于，包括：
数据预处理单元，对数据进行预处理，所述的数据为GIS气体密度、压力及温度数据；
预测模型建立单元，建立以GRU为基本单元的Seq2Seq时序预测模型；
特征向量计算单元，Seq2Seq时序预测模型采用注意力机制按公式(3)自动提取输入时间序列关键时间点并分配相应权重{eij}，按公式(4)和(5)计算当前时刻对应编码器输出的特征向量ci；
Figure FDA0003476132390000034
Figure FDA0003476132390000035
Figure FDA0003476132390000041
式中，hj为编码器第j时刻的输出状态；Va T、Wa与Ua分别为计算注意力权重时全连接层对应权重，将在BP反传过程中更新数值；Tx为时间序列长度；si-1为上一时刻的最顶层隐层状态输出；
训练和测试单元，在训练阶段采用线性衰减Scheduled Sampling算法，即在训练早期主要使用真实标签作为编码器输入，以引导Seq2Seq时序预测模型快速过渡到合理状态；在训练后期，则更多地使用前一步编码器输出作为下一步的输入，以解决数据分布不一致的问题，对Seq2Seq时序预测模型进行微调直至收敛；在测试阶段则采用Teacher Forcing算法，即完全使用前一步编码器输出作为下一步输入；
GIS气体状态预测单元，训练过程中损失函数取L1 Loss，经过1000次迭代后所得Seq2Seq时序预测模型对未来一段时间内GIS气体状态进行预测。
8.根据权利要求7所述的一种GIS气体状态预测系统，其特征在于，所述的数据预处理单元，数据预处理的具体内容如下：
将GIS气体密度、压力及温度的特征参量数据按公式(1)进行归一化处理，
Figure FDA0003476132390000042
式中，
Figure FDA0003476132390000043
表示第j个数据样本，
Figure FDA0003476132390000044
表示第j个数据样本的最小值，
Figure FDA0003476132390000045
表示第j个数据样本的最大值；
将数据映射到[0,1]之间，再以滑动窗口的形式构建数据集样本，具体过程如下：
在长度为Tx的时间序列上，以L作为窗口宽度，1为滑动步长，共可构建Tx-L+1组数据样本，设Lx为编码器时间步长，Ly为解码器时间步长，则取L＝Lx+Ly；
由此，时间序列
Figure FDA0003476132390000046
转为如式(2)所示的行数为Tx-L+1、列数为L的矩阵，
Figure FDA0003476132390000051
其中，前Lx列作为Seq2Seq时序预测模型输入数据，后Ly列中预测特征参量序号所对应的矩阵则为输入数据对应的真实标签，矩阵的维度为[Tx-L+1,L]。
9.根据权利要求7所述的一种GIS气体状态预测系统，其特征在于，所述的Seq2Seq时序预测模型中，编码器采用双层BI-GRU单元对原始输入时序数据进行编码；由于预测结果具有顺次生成的性质，解码器采用单向单层GRU单元输出GIS气体状态的预测结果；
训练和测试单元中，线性衰减Scheduled Sampling算法公式如下：
εi＝max(ε0,k1-ci) (6)
其中，ε0取0.1，k1和c分别取1和0.0015。
10.根据权利要求7所述的一种GIS气体状态预测系统，其特征在于，还包括：
模型性能评估单元，以公式(7)的平均相对误差计算公式和公式(8)的最大相对误差计算公式作为评判指标，用于评估Seq2Seq时序预测模型性能；平均相对误差反映预测结果偏离真实值的整体情况，最大相对误差则反映预测结果的稳定性能；
Figure FDA0003476132390000052
Figure FDA0003476132390000053
式中，yi为样本实测值、
Figure FDA0003476132390000054
为预测值、Ty为编码器序列长度；；δmean和δmax越小，说明预测结果越接近真实值，Seq2Seq时序预测模型预测性能越精确和稳定。
CN202210055049.1A 2022-01-18 2022-01-18 一种gis气体状态预测方法及系统 Active CN114492974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210055049.1A CN114492974B (zh) 2022-01-18 2022-01-18 一种gis气体状态预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210055049.1A CN114492974B (zh) 2022-01-18 2022-01-18 一种gis气体状态预测方法及系统

Publications (2)

Publication Number Publication Date
CN114492974A true CN114492974A (zh) 2022-05-13
CN114492974B CN114492974B (zh) 2024-08-06

Family

ID=81511550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210055049.1A Active CN114492974B (zh) 2022-01-18 2022-01-18 一种gis气体状态预测方法及系统

Country Status (1)

Country Link
CN (1) CN114492974B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116011633A (zh) * 2022-12-23 2023-04-25 浙江苍南仪表集团股份有限公司 区域燃气用量预测方法、系统、设备及物联网云平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858576A (zh) * 2019-03-22 2019-06-07 盾钰（上海）互联网科技有限公司 气体渐进式自反馈浓度熵变预测方法、系统及存储介质
CN113095550A (zh) * 2021-03-26 2021-07-09 北京工业大学 基于变分递归网络和自注意力机制的空气质量预测方法
CN113654945A (zh) * 2021-10-20 2021-11-16 中国矿业大学(北京) 一种基于真实气体状态的煤粒瓦斯放散量预测系统及方法
CN113850319A (zh) * 2021-09-23 2021-12-28 山东电工电气集团有限公司 一种gil用sf6状态在线监测方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858576A (zh) * 2019-03-22 2019-06-07 盾钰（上海）互联网科技有限公司 气体渐进式自反馈浓度熵变预测方法、系统及存储介质
CN113095550A (zh) * 2021-03-26 2021-07-09 北京工业大学 基于变分递归网络和自注意力机制的空气质量预测方法
CN113850319A (zh) * 2021-09-23 2021-12-28 山东电工电气集团有限公司 一种gil用sf6状态在线监测方法和系统
CN113654945A (zh) * 2021-10-20 2021-11-16 中国矿业大学(北京) 一种基于真实气体状态的煤粒瓦斯放散量预测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
傅雪海, 秦勇, 王万贵, 张万红, 范炳恒, 周荣福: "煤储层水溶气研究及褐煤含气量预测", 天然气地球科学, no. 02, 28 April 2005 (2005-04-28), pages 31 - 34 *
秦文瑾;卢登标;刘浩;: "气体状态方程对正十二烷射流燃烧的影响", 航空动力学报, no. 01, 15 January 2020 (2020-01-15), pages 74 - 82 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116011633A (zh) * 2022-12-23 2023-04-25 浙江苍南仪表集团股份有限公司 区域燃气用量预测方法、系统、设备及物联网云平台
CN116011633B (zh) * 2022-12-23 2023-08-18 浙江苍南仪表集团股份有限公司 区域燃气用量预测方法、系统、设备及物联网云平台

Also Published As

Publication number Publication date
CN114492974B (zh) 2024-08-06

Similar Documents

Publication Publication Date Title
CN112364975A (zh) 基于图神经网络的终端运行状态预测方法及系统
CN111680786B (zh) 一种基于改进权重门控单元的时序预测方法
CN111832825B (zh) 融合长短期记忆网络和极限学习机的风电预测方法及系统
CN115017826B (zh) 一种装备剩余使用寿命预测方法
CN114239718B (zh) 基于多元时序数据分析的高精度长期时间序列预测方法
CN112070322B (zh) 基于长短期记忆网络的高压电缆线路运行状态预测方法
CN111784061B (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN115034129B (zh) 一种面向火电厂脱硝装置的NOx排放浓度软测量方法
Cao et al. UTrans-Net: A model for short-term precipitation prediction
CN116579505B (zh) 一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及系统
CN114492974A (zh) 一种gis气体状态预测方法及系统
CN115409258A (zh) 一种混合深度学习短期辐照度预测方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN116502123A (zh) 一种航空发动机剩余使用寿命无监督跨域预测方法
CN109523082A (zh) 一种基于cnn-lstm航班正常放行率预测的方法
CN114897277A (zh) 一种基于lstm的突发型滑坡位移预测方法
CN115204362A (zh) 一种机械设备剩余寿命区间预测方法
CN115099464A (zh) 一种基于油嘴模型流量系数预测的油井产量预测方法
CN114266201A (zh) 一种基于深度学习的自注意力电梯困人预测方法
CN112685900B (zh) 一种表征冲击负荷功率特性的电力负荷模拟方法
Wen et al. An unsupervised subdomain adversarial network for remaining useful life estimation under various conditions
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
Zhang et al. Research on combination forecast of port container throughput based on Elman neural network
CN112329335B (zh) 一种变压器油中溶解气体含量的长期预测方法
Carpenter Transformer-Based Models Aid Prediction of Transient Production of Oil Wells

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