CN115062533A - 多元回归预测模型的构建、预测方法及介质 - Google Patents

多元回归预测模型的构建、预测方法及介质 Download PDF

Info

Publication number
CN115062533A
CN115062533A CN202210527512.8A CN202210527512A CN115062533A CN 115062533 A CN115062533 A CN 115062533A CN 202210527512 A CN202210527512 A CN 202210527512A CN 115062533 A CN115062533 A CN 115062533A
Authority
CN
China
Prior art keywords
mode data
univariate
term mode
matrix
prediction model
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
CN202210527512.8A
Other languages
English (en)
Inventor
李琪林
程志炯
彭德中
史强
蔡君懿
王睿晗
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.)
Marketing Service Center Of State Grid Sichuan Electric Power Co
Original Assignee
Marketing Service Center Of State Grid Sichuan Electric Power Co
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 Marketing Service Center Of State Grid Sichuan Electric Power Co filed Critical Marketing Service Center Of State Grid Sichuan Electric Power Co
Priority to CN202210527512.8A priority Critical patent/CN115062533A/zh
Publication of CN115062533A publication Critical patent/CN115062533A/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明公开了多元回归预测模型的构建、预测方法及介质，涉及电压互感器的电气测量技术领域，上述构建方法包括以下步骤：(1)获取单变量时间序列，多个上述单变量时间序列构成多变量时间序列矩阵，将上述多变量时间序列矩阵进行编码，得到多通道单变量时间序列矩阵；(2)从上述多通道单变量时间序列矩阵输入卷积层和循环层，分别提取短期模式数据和长期模式数据，结合上述短期模式数据和长期模式数据；(3)对结合后的上述短期模式数据和长期模式数据进行自回归处理，得到多元回归预测模型；解决了不能有效通过电压互感器性能变化的时间序列和非线性特征实现高精度的趋势预测的问题。

Description

多元回归预测模型的构建、预测方法及介质
技术领域
本发明涉及电压互感器的电气测量技术领域，具体涉及多元回归预测模型的构建、预测方法及介质。
背景技术
电压互感器用于将高电压转换成低电压，以供计量仪表和保护设备使用；电力公司主要通过停电周期检定的方式来判断电压互感器的运行状态，在执行上述规定时必须要停电，且该方法需要工作人员携带设备奔赴现场并拆装被测电压互感器一次引线，存在工作量大、效率低下、故障缺陷发现不及时等弊端，影响电力系统的安全运行和电能计量的公平公正。
当前，电网系统正逐步建立针对电容式电压互感器的在线监测系统及方法，以获取设备实时绝缘和计量参数，从而可靠稳定地监测设备的性能，但现有的在线监测机器学习方法仅限于简单的回归模型，难以有效地通过捕获电压互感器性能变化的时间序列信息和非线性特征实现高精度的电压互感器性能趋势预测，存在电压互感器性能趋势预测精度较低的情况，无法有效地应用于实际的工程应用当中。
发明内容
本发明所要解决的技术问题是提高电压互感器性能的趋势预测精度，目的在于提供多元回归预测模型的构建、预测方法及介质，解决了不能有效地通过电压互感器性能变化的时间序列和非线性特征实现高精度的电压互感器性能趋势预测的问题。
本发明通过下述技术方案实现：
第一方面提供多元回归预测模型的构建方法，构建的上述多元回归预测模型用于预测电压互感器所处区域内的性能参数，上述构建方法包括以下步骤：
S1、获取电压互感器性能参数的单变量时间序列，多个上述单变量时间序列构成多变量时间序列矩阵，将上述多变量时间序列矩阵进行编码，得到多通道单变量时间序列矩阵；
S2、从上述多通道单变量时间序列矩阵输入卷积层和循环层，分别提取短期模式数据和长期模式数据，结合上述短期模式数据和长期模式数据；
S3、对结合后的上述短期模式数据和长期模式数据进行自回归处理，得到多元回归预测模型。
在上述多元回归预测模型的短时序数据输入和长时序数据输入中使用卷积网络和循环网络，用于训练上述多元回归预测模型，学习多通道单变量时间序列矩阵之间的复杂度和非线性关系；上述卷积层主要用于提取多通道单变量时间序列矩阵中的短期模式数据，上述循环层主要用于提取多通道单变量时间序列矩阵中的长期模式数据；在上述多元回归预测模型中加入了自回归网络，用于解决神经网络的输出值对输入值的变化不敏感的问题，从编码后的多通道单变量时间序列矩阵中准确预测电压互感器所处区域内的未来值。
进一步的，上述编码得到的上述多通道单变量时间序列矩阵作为样本集，上述样本集划分为训练集和验证集；
得到上述多元回归预测模型后，
使用上述训练集从S2开始执行，对上述多元回归模型进行训练，得到训练后的多元回归预测模型；
使用上述验证集判断多元回归预测模型的训练次数是否达到预设迭代次数，若不是，则返回S2执行；若是，则停止训练；
或者，使用上述验证集判断多元回归预测模型的输出结果是否达到预设值，若不是，则返回S2执行；若是，则停止训练。
上述预设迭代次数和预设值为自定义设置值。
进一步的，上述多变量时间序列矩阵进行编码，包括以下步骤：
计算上述多变量时间序列矩阵中第i个单变量时间序列
Figure RE-GDA0003771985830000021
的相似距离度量，上述第i 个单变量时间序列的相似距离度量作为上述多通道单变量时间序列矩阵中第i个子序列。
上述多变量时间序列矩阵中每个时间点均包含多个变量，上述每个变量值不仅取决于先前该变量的值，还取决于其他变量的值,在多变量时间序列矩阵中，不同类型的电压互感器具有不同的特征；我们首先将来自同一电压互感器的数据组合到同一矩阵中，形成多变量时间序列矩阵，根据上述相似距离度量，将上述多变量时间序列矩阵转换为多通道单变量时间序列矩阵，上述多通道单变量时间序列矩阵中各元素之间具有密切的数据关系。
进一步的，上述多变量时间序列矩阵中第i个单变量时间序列
Figure RE-GDA0003771985830000022
的相似距离度量的计算公式如下：
Figure RE-GDA0003771985830000023
其中，
Figure RE-GDA0003771985830000024
为多变量时间序列矩阵中从第m个时间点到第m+l个时间点的第i个单变量时间序列；
Figure RE-GDA0003771985830000025
为多变量时间序列矩阵中第i个单变量时间序列的相似距离度量或多通道单变量时间序列矩阵中第i个子序列；
Figure RE-GDA0003771985830000026
为多变量时间序列矩阵中第i个单变量时间序列
Figure RE-GDA0003771985830000031
的最小值；
Figure RE-GDA0003771985830000032
为多变量时间序列矩阵中第i个单变量时间序列
Figure RE-GDA0003771985830000033
的最大值。
进一步的，同时利用绝对偏离均值距离和加权差分距离度量上述多通道单变量时间序列矩阵中子序列
Figure RE-GDA0003771985830000034
和
Figure RE-GDA0003771985830000035
的距离。
进一步的，度量上述多通道单变量时间序列矩阵中子序列
Figure RE-GDA0003771985830000036
和
Figure RE-GDA0003771985830000037
的距离，包括以下步骤：
计算子序列
Figure RE-GDA0003771985830000038
分别与其对应样本均值的绝对偏差的差值的L2范数，得到绝对偏离均值距离；不仅较少地集中异常值或噪声样本，减小了异常值或噪声样本对预测值的影响程度，还在各元素间建立了相关性，上述绝对偏离均值距离反映了预测点的负相关，在比较负相关的单变量时间序列时提高了预测值的精度。
计算子序列
Figure RE-GDA0003771985830000039
和
Figure RE-GDA00037719858300000310
在相同时间点的绝对偏差，计算相邻时间点绝对偏差的绝对偏差，利用线性权重向量，得到加权差分距离；上述加权差分距离反映了时间与预测点的距离，利用数据差异来比较相似性，时间序列越接近预测点，则预测上述预测值时的重要性就越大。
根据绝对偏离均值距离和加权差分距离，计算绝对偏离均值距离和加权差分距离值的线性加权和，得到上述多通道单变量时间序列矩阵中子序列
Figure RE-GDA00037719858300000311
和
Figure RE-GDA00037719858300000312
的距离，通过考虑时间序列与预测点的距离和时间序列与预测点之间的负相关两个因素，提高多元回归预测模型的预测性能。
进一步的，上述多通道单变量时间序列矩阵输入卷积层，输出短期模式数据；上述短期模式数据作为循环层的输入数据，上述循环层输出长期模式数据；上述长期模式数据和短期模式数据作为全连层的输入数据，上述全连层输出神经网络的输出值；上述神经网络的输出值作为自回归处理的输入数据，得到预测值。
由于神经网络的输出值对输入值的变化不敏感，上述自回归处理增强了包括卷积网络和循环网络在内的非线性部分的预测精度。
第二方面提供电压互感器性能变化趋势预测方法，采用上述的多元回归预测模型的构建方法所构建的多元回归预测模型，对电压互感器性能变化趋势进行预测，上述电压互感器性能变化趋势预测方法包括以下步骤：
F1、获取当前电压互感器性能参数的单变量时间序列，多个上述单变量时间序列构成多变量时间序列矩阵，将上述多变量时间序列矩阵进行编码，得到多通道单变量时间序列矩阵；
F2、从上述多通道单变量时间序列矩阵提取短期模式数据和长期模式数据，结合上述短期模式数据和长期模式数据；
F3、对结合后的上述短期模式数据和长期模式数据进行自回归处理，得到预测值，上述预测值为电压互感器性能参数的未来值。
第三方面提供一种计算机存储介质，上述计算机存储介质存储计算机程序，上述计算机程序使计算机执行上述多元回归预测模型的构建方法。
第四方面提供一种计算机存储介质，上述计算机存储介质存储计算机程序，上述计算机程序使计算机执行上述电压互感器性能变化趋势预测方法。
本发明与现有技术相比，具有如下的优点和有益效果：
上述多变量时间序列矩阵中每个时间点均包含多个变量，上述每个变量值不仅取决于先前该变量的值，还取决于其他变量的值,将来自同一电压互感器的数据组合到同一矩阵中，形成多变量时间序列矩阵，根据上述相似距离度量，将上述多变量时间序列矩阵转换为多通道单变量时间序列矩阵，上述多通道单变量时间序列矩阵中各元素之间具有密切的数据关系。
在上述多元回归预测模型的短时序数据输入和长时序数据输入中使用卷积网络和循环网络，将上述多通道单变量时间序列矩阵输入卷积网络和循环网络中，用于训练上述多元回归预测模型，学习多通道单变量时间序列矩阵之间的复杂度和非线性关系；上述卷积层主要用于提取多通道单变量时间序列矩阵中的短期模式数据，上述循环层主要用于提取多通道单变量时间序列矩阵中的长期模式数据；在上述多元回归预测模型中加入了自回归网络，用于解决神经网络的输出值对输入值的变化不敏感的问题，提高了电压互感器性能变化的趋势预测精度。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为实施例1提供的流程框图；
图2为实施例3提供的流程框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作具体的实施例详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例1提供多元回归预测模型的构建方法，如图1所示，构建的上述多元回归预测模型用于预测电压互感器所处区域内的性能参数，上述性能参数包括环境参数，上述构建方法包括以下步骤：
S1、获取电压互感器的历史数据，上述历史数据为性能参数的单变量时间序列，多个上述单变量时间序列构成多变量时间序列矩阵，将上述多变量时间序列矩阵进行编码，得到多通道单变量时间序列矩阵，上述多通道单变量时间序列矩阵作为样本集，上述样本集划分为训练集和验证集；
S2、从上述多通道单变量时间序列矩阵输入卷积层和循环层，分别提取短期模式数据和长期模式数据，结合上述短期模式数据和长期模式数据；
S3、对结合后的上述短期模式数据和长期模式数据进行自回归处理，得到多元回归预测模型；
S4、得到上述多元回归预测模型后，使用上述训练集从S2开始执行，对上述多元回归模型进行训练，得到训练后的多元回归预测模型；
S5、使用上述验证集判断多元回归预测模型的训练次数是否达到预设迭代次数，若不是，则返回S2执行；若是，则停止训练；
或者，使用上述验证集判断多元回归预测模型的输出结果是否达到预设值，若不是，则返回S2执行；若是，则停止训练。
在上述多元回归预测模型的短时序数据输入和长时序数据输入中使用卷积网络和循环网络，用于训练上述多元回归预测模型，学习多通道单变量时间序列矩阵之间的复杂度和非线性关系；上述卷积层主要用于提取多通道单变量时间序列矩阵中的短期模式数据，上述循环层主要用于提取多通道单变量时间序列矩阵中的长期模式数据；在上述多元回归预测模型中加入了自回归网络，用于解决神经网络的输出值对输入值的变化不敏感的问题，从编码后的多通道单变量时间序列矩阵中准确预测电压互感器所处区域内的未来值。
具体的实施例，上述多变量时间序列矩阵进行编码，包括以下步骤：
计算上述多变量时间序列矩阵中第i个单变量时间序列
Figure RE-GDA0003771985830000051
的相似距离度量，上述第i 个单变量时间序列的相似距离度量作为上述多通道单变量时间序列矩阵中第i个子序列。
规定所有多变量时间序列矩阵中子序列
Figure RE-GDA0003771985830000052
在[0,1]范围，上述多变量时间序列矩阵中第i个单变量时间序列
Figure RE-GDA0003771985830000053
的相似距离度量的计算公式如下：
Figure RE-GDA0003771985830000061
其中，
Figure RE-GDA0003771985830000062
为多变量时间序列矩阵中从第m个时间点到第m+l个时间点的第i个单变量时间序列；
Figure RE-GDA0003771985830000063
为多变量时间序列矩阵中第i个单变量时间序列的相似距离度量或多通道单变量时间序列矩阵中第i个子序列；
Figure RE-GDA0003771985830000064
为多变量时间序列矩阵中第i个单变量时间序列
Figure RE-GDA0003771985830000065
的最小值；
Figure RE-GDA0003771985830000066
为多变量时间序列矩阵中第i个单变量时间序列
Figure RE-GDA0003771985830000067
的最大值。
上述多变量时间序列矩阵中每个时间点均包含多个变量，上述每个变量值不仅取决于先前该变量的值，还取决于其他变量的值,在多变量时间序列矩阵中，不同类型的电压互感器具有不同的特征；我们首先将来自同一电压互感器的数据组合到同一矩阵中，形成多变量时间序列矩阵，根据上述相似距离度量，将上述多变量时间序列矩阵转换为多通道单变量时间序列矩阵，上述多通道单变量时间序列矩阵中各元素之间具有密切的数据关系。
具体的实施例，通过考虑时间序列与预测点的距离和时间序列与预测点之间的负相关两个因素，提高多元回归预测模型的预测性能；
上述时间序列与预测点的负相关利用绝对偏离均值距离得到，上述对偏离均值距离不仅较少地集中异常值或噪声样本，减小了异常值或噪声样本对预测值的影响程度，还在各元素间建立了相关性，相比于其他距离度量提供了更准确的结果，在比较负相关的单变量时间序列时提高了预测值的精度。
上述绝对偏离均值距离的计算公式如下：
Figure RE-GDA0003771985830000068
其中，
Figure RE-GDA0003771985830000069
为绝对偏离均值距离；
Figure RE-GDA00037719858300000610
为第i列单变量时间序列中数据点之间的相似距离度量；
Figure RE-GDA00037719858300000611
为
Figure RE-GDA00037719858300000612
的样本均值；
Figure RE-GDA00037719858300000613
第j列单变量时间序列中数据点之间的相似距离度量；
Figure RE-GDA00037719858300000614
为
Figure RE-GDA00037719858300000615
的样本均值。
由于电压互感器的性能参数的各参数通常不会同时改变，因此可以从差异聚合数据中有效地测量数据相似性，上述时间序列与预测点的距离利用加权差分距离得到，时间序列越接近预测点，则预测上述预测值时的重要性就越大。
上述加权差分距离的计算公式如下：
Figure RE-GDA0003771985830000071
其中，
Figure RE-GDA0003771985830000072
为加权差分距离，
Figure RE-GDA0003771985830000073
为单变量时间序列中数据点之间的相似距离度量
Figure RE-GDA0003771985830000074
与
Figure RE-GDA0003771985830000075
在相同时间点t之间的绝对偏差；wt为线性权重向量
Figure RE-GDA0003771985830000076
计算绝对偏离均值距离和加权差分距离值的线性加权和，得到上述多通道单变量时间序列矩阵中子序列
Figure RE-GDA0003771985830000077
和
Figure RE-GDA0003771985830000078
的距离，计算公式如下：
Figure RE-GDA0003771985830000079
其中，a是dADM和dWD之间的权重参数。一个ADMWD距离集是
Figure RE-GDA00037719858300000710
和
Figure RE-GDA00037719858300000711
之间的所有ADMWD距离的集合，j∈(k\{i})，DADMWD＝{d1,d2,…dK-1}，其中K是集合DADMWD的长度。
编码前的单变量时间序列为：xi＝xi(1),xi(2),xi(3).....xi(T)，其中，i为单变量时间序列的时间指数；T为单变量时间序列的长度。
编码前的多变量时间序列矩阵为：
Figure RE-GDA00037719858300000712
其中，1≤m≤T-l-1
编码后的多通道单变量时间序列矩阵为：
Figure RE-GDA00037719858300000713
实施例2
上述多通道单变量时间序列矩阵输入卷积层，输出短期模式数据，公式如下：
Si＝RELU(Wi*X′+bi)
其中，Si为第i个滤波器生成的输出向量，bi为偏置向量，Wi为权重矩阵，RELU为激活函数，表达式为RELU(x)＝max(0,x)。
具体的实施例，上述短期模式数据作为循环层的输入数据，上述循环层输出长期模式数据；上述长期模式数据的计算公式如下：
rt＝σ(SiR′+Lt-1R″)
ut＝σ(SiU′+Lt-1U″)
ct＝REUL(SiC′+rt⊙(Lt-1C″))
Lt＝(1-ut)⊙Lt-1+ut⊙ct
其中，σ为sigmod函数；rt为t时刻的重置门；Lt-1为上一时刻的长期模式；ut为更新门；ct为候选单元；Lt为当前时刻的长期模式输出；R′，R″，U′，U″，C′，C″都表示权重。
具体的实施例，上述长期模式数据和短期模式数据作为全连层的输入数据，上述全连层输出神经网络的输出值，公式如下：
yt＝W[Lt-1；St-1]
其中，yt表示神经网络的输出值，Lt-1和St-1分别表示长期模式数据和短期模式数据。
具体的实施例，上述神经网络的输出值作为自回归处理的输入数据，得到预测值。
上述自回归分量表示为：
Figure RE-GDA0003771985830000081
其中，μk和b为自回归模型的系数；p为输入窗口的大小；yt′为自回归模型的预测结果。
最终预测值表示为：
Figure RE-GDA0003771985830000082
根据
Figure RE-GDA0003771985830000083
计算平均绝对误差，其中，Yt是真实值，
Figure RE-GDA0003771985830000084
是预测值，N是训练集的容量。
由于神经网络的输出值对输入值的变化不敏感，上述自回归处理增强了包括卷积网络和循环网络在内的非线性部分的预测精度。
实施例3
本实施例3提供电压互感器性能变化趋势预测方法，采用上述的多元回归预测模型的构建方法所构建的多元回归预测模型，对电压互感器性能变化趋势进行预测，上述电压互感器性能变化趋势预测方法包括以下步骤，如图2所示：
F1、获取当前电压互感器性能参数的单变量时间序列，多个上述单变量时间序列构成多变量时间序列矩阵，将上述多变量时间序列矩阵进行编码，得到多通道单变量时间序列矩阵；
F2、从上述多通道单变量时间序列矩阵提取短期模式数据和长期模式数据，结合上述短期模式数据和长期模式数据；
F3、对结合后的上述短期模式数据和长期模式数据进行自回归处理，得到预测值。
具体的实施例，上述多变量时间序列矩阵为电压互感器的性能参数。
实施例4
一种计算机存储介质，上述计算机存储介质存储计算机程序，上述计算机程序使计算机执行上述多元回归预测模型的构建方法。
实施例5
一种计算机存储介质，上述计算机存储介质存储计算机程序，上述计算机程序使计算机执行上述电压互感器性能变化趋势预测方法。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、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.多元回归预测模型的构建方法，其特征在于，构建的所述多元回归预测模型用于预测电压互感器所处区域内的性能参数，所述构建方法包括以下步骤：
S1、获取电压互感器性能参数的单变量时间序列，多个所述单变量时间序列构成多变量时间序列矩阵，将所述多变量时间序列矩阵进行编码，得到多通道单变量时间序列矩阵；
S2、将所述多通道单变量时间序列矩阵输入卷积层和循环层，分别提取短期模式数据和长期模式数据，结合所述短期模式数据和长期模式数据；
S3、对结合后的所述短期模式数据和长期模式数据进行自回归处理，得到多元回归预测模型。
2.根据权利要求1所述的多元回归预测模型的构建方法，其特征在于，所述编码得到的所述多通道单变量时间序列矩阵作为样本集，所述样本集划分为训练集和验证集；
得到所述多元回归预测模型后，
使用所述训练集从S2开始执行，对所述多元回归模型进行训练，得到训练后的多元回归预测模型；
使用所述验证集判断多元回归预测模型的训练次数是否达到预设迭代次数，若不是，则返回S2执行；若是，则停止训练；
或者，使用所述验证集判断多元回归预测模型的输出结果是否达到预设值，若不是，则返回S2执行；若是，则停止训练。
3.根据权利要求1所述的多元回归预测模型的构建方法，其特征在于，所述多变量时间序列矩阵进行编码，包括以下步骤：
计算所述多变量时间序列矩阵中第i个单变量时间序列
Figure FDA0003645151130000011
的相似距离度量，所述第i个单变量时间序列的相似距离度量作为所述多通道单变量时间序列矩阵中第i个子序列。
4.根据权利要求3所述的多元回归预测模型的构建方法，其特征在于，所述多变量时间序列矩阵中第i个单变量时间序列
Figure FDA0003645151130000012
的相似距离度量的计算公式如下：
Figure FDA0003645151130000013
其中，
Figure FDA0003645151130000014
为多变量时间序列矩阵中从第m个时间点到第m+l个时间点的第i个单变量时间序列；
Figure FDA0003645151130000015
为多变量时间序列矩阵中第i个单变量时间序列的相似距离度量或多通道单变量时间序列矩阵中第i个子序列；
Figure FDA0003645151130000016
为多变量时间序列矩阵中第i个单变量时间序列
Figure FDA0003645151130000017
的最小值；
Figure FDA0003645151130000018
为多变量时间序列矩阵中第i个单变量时间序列
Figure FDA0003645151130000019
的最大值。
5.根据权利要求4所述的多元回归预测模型的构建方法，其特征在于，同时利用绝对偏离均值距离和加权差分距离度量所述多通道单变量时间序列矩阵中子序列
Figure FDA0003645151130000021
和
Figure FDA0003645151130000022
的距离。
6.根据权利要求5所述的多元回归预测模型的构建方法，其特征在于，度量所述多通道单变量时间序列矩阵中子序列
Figure FDA0003645151130000023
和
Figure FDA0003645151130000024
的距离，包括以下步骤：
计算子序列
Figure FDA0003645151130000025
分别与其对应样本均值的绝对偏差的差值的L2范数，得到绝对偏离均值距离；
计算子序列
Figure FDA0003645151130000026
和
Figure FDA0003645151130000027
在相同时间点的绝对偏差，计算相邻时间点绝对偏差的绝对偏差，利用线性权重向量，得到加权差分距离；
根据绝对偏离均值距离和加权差分距离，计算绝对偏离均值距离和加权差分距离值的线性加权和，得到所述多通道单变量时间序列矩阵中子序列
Figure FDA0003645151130000028
和
Figure FDA0003645151130000029
的距离。
7.根据权利要求2所述的多元回归预测模型的构建方法，其特征在于，所述多通道单变量时间序列矩阵输入卷积层，输出短期模式数据；所述短期模式数据作为循环层的输入数据，所述循环层输出长期模式数据；所述长期模式数据和短期模式数据作为全连层的输入数据，所述全连层输出神经网络的输出值；所述神经网络的输出值作为自回归处理的输入数据，得到预测值。
8.电压互感器性能变化趋势预测方法，其特征在于，采用如权利要求1～7任一项所述的多元回归预测模型的构建方法所构建的多元回归预测模型，对电压互感器性能变化趋势进行预测，所述电压互感器性能变化趋势预测方法包括以下步骤：
F1、获取当前电压互感器性能参数的单变量时间序列，多个所述单变量时间序列构成多变量时间序列矩阵，将所述多变量时间序列矩阵进行编码，得到多通道单变量时间序列矩阵；
F2、从所述多通道单变量时间序列矩阵提取短期模式数据和长期模式数据，结合所述短期模式数据和长期模式数据；
F3、对结合后的所述短期模式数据和长期模式数据进行自回归处理，得到预测值。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储计算机程序，所述计算机程序使计算机执行如权利要求1至7任一所述的构建方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储计算机程序，所述计算机程序使计算机执行如权利要求8所述的电压互感器性能变化趋势预测方法。
CN202210527512.8A 2022-05-16 2022-05-16 多元回归预测模型的构建、预测方法及介质 Pending CN115062533A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210527512.8A CN115062533A (zh) 2022-05-16 2022-05-16 多元回归预测模型的构建、预测方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210527512.8A CN115062533A (zh) 2022-05-16 2022-05-16 多元回归预测模型的构建、预测方法及介质

Publications (1)

Publication Number Publication Date
CN115062533A true CN115062533A (zh) 2022-09-16

Family

ID=83198702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210527512.8A Pending CN115062533A (zh) 2022-05-16 2022-05-16 多元回归预测模型的构建、预测方法及介质

Country Status (1)

Country Link
CN (1) CN115062533A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725843A (zh) * 2024-02-08 2024-03-19 天津大学 一种基于深度学习的房屋结构变形预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725843A (zh) * 2024-02-08 2024-03-19 天津大学 一种基于深度学习的房屋结构变形预测方法
CN117725843B (zh) * 2024-02-08 2024-04-30 天津大学 一种基于深度学习的房屋结构变形预测方法

Similar Documents

Publication Publication Date Title
CN109214708B (zh) 基于交叉熵理论优化支持向量机的电力系统风险评估方法
CN110632545B (zh) 基于回归神经网络电子式互感器误差风险评估方法和装置
CN111814390B (zh) 基于传递熵和小波神经网络的电压互感器误差预测方法
CN111340110B (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
Chang et al. Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM
Li et al. Residual useful life estimation by a data‐driven similarity‐based approach
Liu et al. Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance
CN111784061A (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN113987294A (zh) 一种基于遗传优化gru神经网络的cvt在线故障诊断方法
CN113743651A (zh) 基于机器学习和svm算法的电子式电压互感器误差状态预测方法
CN115408864A (zh) 电子式互感器误差状态自适应预测方法、系统及设备
CN115062533A (zh) 多元回归预测模型的构建、预测方法及介质
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
CN111680712A (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
CN116840765B (zh) 一种基于多元时序分析的电压互感器误差状态评估方法
CN117407675A (zh) 基于多变量重构联合动态权重的避雷器泄漏电流预测方法
Su et al. Prediction method for transformer state based on gru network
Lin An integrated procedure for bayesian reliability inference using MCMC
Zou et al. Reliability analysis of Digital Instrumentation and Control software system
CN115963420A (zh) 一种电池soh影响因素分析方法
CN115935814A (zh) 一种基于arima-svm模型的变压器故障预测方法
CN111654033B (zh) 基于线性推演的大电网静态电压稳定态势评估方法及系统
Najar et al. Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW
CN116452070B (zh) 多辨识框架下的大型设备健康评估方法和装置
CN112685933B (zh) 一种滚轮丝杠副剩余使用寿命预测方法

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