CN116432542A - 一种基于误差序列修正的开关柜母排温升预警方法及系统 - Google Patents

一种基于误差序列修正的开关柜母排温升预警方法及系统 Download PDF

Info

Publication number
CN116432542A
CN116432542A CN202310687197.XA CN202310687197A CN116432542A CN 116432542 A CN116432542 A CN 116432542A CN 202310687197 A CN202310687197 A CN 202310687197A CN 116432542 A CN116432542 A CN 116432542A
Authority
CN
China
Prior art keywords
temperature rise
value
prediction
error
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.)
Granted
Application number
CN202310687197.XA
Other languages
English (en)
Other versions
CN116432542B (zh
Inventor
龙国华
邹阳
李琼
晏年平
廖旭
周银彪
程梦盈
鄢文清
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Nanchang Hangkong University
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Nanchang Hangkong 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd, Nanchang Hangkong University filed Critical State Grid Corp of China SGCC
Priority to CN202310687197.XA priority Critical patent/CN116432542B/zh
Publication of CN116432542A publication Critical patent/CN116432542A/zh
Application granted granted Critical
Publication of CN116432542B publication Critical patent/CN116432542B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开一种基于误差序列修正的开关柜母排温升预警方法及系统，方法包括：将温升时序数据集输入至预设的LSTM温升预测模型中，并将输出的各预测时间步长的预值与实际观测值作差，得到温升预测误差值；将温升预测误差值以及与温升预测误差值对应的预测结果、实际结果作为预设的温升误差预测模型的输入序列，得到温升误差预测模型输出的误差修正值；将误差修正值与预测结果作为最终的温升目标预测值；寻找温升目标预测值与实际观测值之间误差平方和最小的目标参数组合；判断目标参数组合中的目标温升稳定速度是否大于预设阈值。引入预测误差来修正预测模型，通过充分挖掘预测误差中有效信息，来补偿模型误差，从而提高预测精度。

Description

一种基于误差序列修正的开关柜母排温升预警方法及系统
技术领域
本发明属于电力系统开关柜状态预测技术领域，尤其涉及一种基于误差序列修正的开关柜母排温升预警方法及系统。
背景技术
开关柜是电力系统中不可或缺的一部分，用于控制和分配电力。由于电力系统中的高电压、大电流等特点，开关柜在长期运行中易受到高温、电磁等因素的影响，从而发生过热现象。开关柜的温度过高会导致绝缘材料老化、热膨胀等问题，进而影响电力系统的安全和稳定运行。为了保证电力系统的安全运行，需要对开关柜的温升进行实时监测和预测，其中开关柜母排室是过热故障。因此，如何发展更加高效、准确且可靠的开关柜母排温升预测方法，成为当前电力系统领域的一个热门研究主题。
传统的预测方法通常采用基于统计学模型进行预测，这种方法通常只考虑历史时序数据的趋势性和规律性，而忽略了其他可能影响时序数据的因素作用，这种方法建立的模型往往对其他未被考虑到的参数敏感，当开关柜运行环境变化，模型的预测精度将变得不可靠，甚至出现模型完全不可用情况；其次，传统方法对于异常值敏感，如果历史数据中存在异常值，会对模型的预测结果产生较大的干扰。
发明内容
本发明提供一种基于误差序列修正的开关柜母排温升预警方法及系统，用于解决模型预测精度不高的技术问题。
第一方面，本发明提供一种基于误差序列修正的开关柜母排温升预警方法，包括：
获取开关柜母排处的历史温升数据，根据所述历史温升数据构建温升时序数据集；
将所述温升时序数据集输入至预设的LSTM温升预测模型中，并将所述LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值；
将所述温升预测误差值以及与所述温升预测误差值对应的预测结果、实际结果作为预设的温升误差预测模型的输入序列，得到所述温升误差预测模型输出的误差修正值；
将所述误差修正值以及与所述误差修正值对应的LSTM温升预测模型输出的各预测时间步长的预测结果作为最终的温升目标预测值；
基于最小二乘法寻找所述温升目标预测值与实际观测值之间误差平方和最小的目标参数组合，其中，所述目标参数组合中包含目标温升稳定速度，其中，计算所述实际观测值的表达式为：
Figure SMS_1
，
式中，
Figure SMS_3
为实际观测值，/>
Figure SMS_6
为触点接收电流产生的热量和与环境的热交换量之和，即所谓的热容量，/>
Figure SMS_7
为温升稳定速度，/>
Figure SMS_5
为触点的初始温度，/>
Figure SMS_10
为时间，/>
Figure SMS_14
为触点的初始温度，/>
Figure SMS_15
为环境温度，/>
Figure SMS_2
为经过导体的电流，/>
Figure SMS_9
为触点电阻，/>
Figure SMS_12
为平均换热系数，/>
Figure SMS_13
为表面积，/>
Figure SMS_4
为物体密度，/>
Figure SMS_8
为比热容，/>
Figure SMS_11
为体积；
判断所述目标参数组合中的目标温升稳定速度是否大于预设阈值；
若大于预设阈值，则发送预警信号。
第二方面，本发明提供一种基于误差序列修正的开关柜母排温升预警系统，包括：
获取模块，配置为获取开关柜母排处的历史温升数据，根据所述历史温升数据构建温升时序数据集；
计算模块，配置为将所述温升时序数据集输入至预设的LSTM温升预测模型中，并将所述LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值；
第一输出模块，配置为将所述温升预测误差值以及与所述温升预测误差值对应的预测结果、实际结果作为预设的温升误差预测模型的输入序列，得到所述温升误差预测模型输出的误差修正值；
第二输出模块，配置为将所述误差修正值以及与所述误差修正值对应的LSTM温升预测模型输出的各预测时间步长的预测结果作为最终的温升目标预测值；
寻找模块，配置为基于最小二乘法寻找所述温升目标预测值与实际观测值之间误差平方和最小的目标参数组合，其中，所述目标参数组合中包含目标温升稳定速度，其中，计算所述实际观测值的表达式为：
Figure SMS_16
，
式中，
Figure SMS_18
为实际观测值，/>
Figure SMS_22
为触点接收电流产生的热量和与环境的热交换量之和，即所谓的热容量，/>
Figure SMS_25
为温升稳定速度，/>
Figure SMS_19
为触点的初始温度，/>
Figure SMS_21
为时间，/>
Figure SMS_26
为触点的初始温度，/>
Figure SMS_28
为环境温度，/>
Figure SMS_17
为经过导体的电流，/>
Figure SMS_20
为触点电阻，/>
Figure SMS_24
为平均换热系数，/>
Figure SMS_27
为表面积，/>
Figure SMS_23
为物体密度，/>
Figure SMS_29
为比热容，/>
Figure SMS_30
为体积；
判断模块，配置为判断所述目标参数组合中的目标温升稳定速度是否大于预设阈值；
发送模块，配置为若大于预设阈值，则发送预警信号。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的基于误差序列修正的开关柜母排温升预警方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于误差序列修正的开关柜母排温升预警方法的步骤。
本申请的基于误差序列修正的开关柜母排温升预警方法及系统，引入预测误差来修正预测模型，通过充分挖掘预测误差中有效信息，来补偿模型误差，从而达到提高预测精度的目的，同时，为了实现温升预警，提出了基于温升理论与温升预测的温升发热特性参数辨识方法，通过参数提取预警温升故障的发生。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的一种基于误差序列修正的开关柜母排温升预警方法的流程图；
图2为本发明一实施例提供的一种基于误差序列修正的开关柜母排温升预警系统的结构框图；
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种基于误差序列修正的开关柜母排温升预警方法的流程图。
如图1所示，基于误差序列修正的开关柜母排温升预警方法具体包括以下步骤：
步骤S101，获取开关柜母排处的历史温升数据，根据所述历史温升数据构建温升时序数据集；
步骤S102，将所述温升时序数据集输入至预设的LSTM温升预测模型中，并将所述LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值。
在本步骤中，定义模型结构，其中，所述模型结构包括两个LSTM层和三个Dropout层以及两个全连接层；选取模型的最优超参数组合，并初始化最优超参数组合中的各个超参数，其中，批次大小超参数设置为64，时间步长超参数为5，神经元个数超参数的第一层LSTM设置为96，第二层LSTM设置为64；构建LSTM神经网络，根据所述温升时序数据训练子集训练所述LSTM神经网络，并不断调整网络参数，以使得所述LSTM神经网络的输出达到温升时序数据训练子集的期望输出，当网络达到预设的训练精度时，停止训练，根据所述温升时序数据测试子集对训练后的所述LSTM神经网络进行测试，最终得到LSTM温升预测模型。然后将温升时序数据集输入至预设的LSTM温升预测模型中，并将LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值。
步骤S103，将所述温升预测误差值以及与所述温升预测误差值对应的预测结果、实际结果作为预设的温升误差预测模型的输入序列，得到所述温升误差预测模型输出的误差修正值。
在本步骤中，将温升预测误差值以及与温升预测误差值对应的预测结果、实际结果组合作为预设的温升误差预测模型的输入序列，利用已训练好的温升误差预测模型来对输入序列进行处理，当模型接收到新的输入序列时，它能够根据已有的知识产生一个相应的输出。在这个预测模型中，模型被训练成为输入序列（温升预测误差值、预测结果、实际结果）与输出（误差修正值）之间的映射关系。因此，当输入序列被输入到模型中时，模型就会产生一个对应的输出，从而得到该序列对应的误差修正值，这个修正值被认为是能够对之后的模型预测进行校准的关键信息。
步骤S104，将所述误差修正值以及与所述误差修正值对应的LSTM温升预测模型输出的各预测时间步长的预测结果作为最终的温升目标预测值；
步骤S105，基于最小二乘法寻找所述温升目标预测值与实际观测值之间误差平方和最小的目标参数组合，其中，所述目标参数组合中包含目标温升稳定速度，其中，计算所述实际观测值的表达式为：
Figure SMS_31
，
式中，
Figure SMS_33
为实际观测值，/>
Figure SMS_36
为触点接收电流产生的热量和与环境的热交换量之和，即所谓的热容量，/>
Figure SMS_39
为温升稳定速度，/>
Figure SMS_35
为触点的初始温度，/>
Figure SMS_38
为时间，/>
Figure SMS_41
为触点的初始温度，/>
Figure SMS_43
为环境温度，/>
Figure SMS_34
为经过导体的电流，/>
Figure SMS_42
为触点电阻，/>
Figure SMS_44
为平均换热系数，/>
Figure SMS_45
为表面积，/>
Figure SMS_32
为物体密度，/>
Figure SMS_37
为比热容，/>
Figure SMS_40
为体积；
步骤S106，判断所述目标参数组合中的目标温升稳定速度是否大于预设阈值；
步骤S107，若大于预设阈值，则发送预警信号。
综上，在本实施例中，首先步骤S101，获取开关柜母排处的历史温升数据，根据所述历史温升数据构建温升时序数据集；之后步骤S102，将所述温升时序数据集输入至预设的LSTM温升预测模型中，并将所述LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值；接着步骤S103，将所述温升预测误差值以及与所述温升预测误差值对应的所述预测结果、所述实际结果作为预设的温升误差预测模型的输入序列，得到所述温升误差预测模型输出的误差修正值；再接着步骤S104，将所述误差修正值以及与所述误差修正值对应的LSTM温升预测模型输出的各预测时间步长的预测结果作为最终的温升目标预测值；然后步骤S105，基于最小二乘法寻找所述温升目标预测值与实际观测值之间误差平方和最小的目标参数组合，其中，所述目标参数组合中包含目标温升稳定速度；再然后步骤S106，判断所述目标参数组合中的目标温升稳定速度是否大于预设阈值；最后步骤S107，若大于预设阈值，则发送预警信号。该方法针对采用传统LSTM模型难以再提高温升预测精度问题（因为单一预测模型是基于某一类假设空间下的预测，不可避免的会存在预测误差），引入预测误差来修正预测模型，通过充分挖掘预测误差中有效信息，来补偿模型误差，从而达到提高预测精度的目的。同时，为了实现温升预警，提出了基于温升理论与温升预测的温升发热特性参数辨识方法，通过参数提取预警温升故障的发生。
在一个具体实施例中，一种基于误差序列修正的开关柜母排温升预警方法，过程包括以下5个步骤：
步骤一：收集开关柜母排处温升
Figure SMS_46
的历史数据，/>
Figure SMS_47
是一日内每隔三分钟采集的温升数据，构建温升时序数据集。过程如下：
数据预处理
（1）由于操作人员的误操作，采集设备的异常工作和发电设备的瞬时故障，通常会在时间序列中出现个别不符合实际规律的极大值或者值为0的漏采值，这时候需要对异常值进行插值补全。假设待插值点
Figure SMS_49
在/>
Figure SMS_52
之间，插值公式为：/>
Figure SMS_53
，其中，/>
Figure SMS_48
为待插值点的估计值，/>
Figure SMS_51
、/>
Figure SMS_54
均为自然数，
Figure SMS_55
为待插值点的横坐标，/>
Figure SMS_50
为已知的温升历史数据。
（2）为了消除不同特征之间的量纲和取值范围差异，需要对数据进行归一化处理，将数据映射到[0，1]区间，使不同量纲的数据转换为无量纲数据，转换公式为：
Figure SMS_56
，其中，/>
Figure SMS_57
为原始数据，/>
Figure SMS_58
、/>
Figure SMS_59
分别为样本中的最小值和最大值，/>
Figure SMS_60
为归一化后的数据。
划分数据集
设置可供时序预测的样本。温升时序数据集长度为L，每个时间步对应的数值为
Figure SMS_62
。使用滑动窗口方法将时间序列分割成若干个子序列，每个子序列包含s（5）个连续的时间步长,按照时间步长进行滑动窗口处理，则可以得到/>
Figure SMS_64
个子序列，第一个子序列表示为：
Figure SMS_67
，其中/>
Figure SMS_61
表示输入序列，/>
Figure SMS_66
表示输出序列。对数据进行滑动窗口处理，得到一系列的输入和输出对。则第i个输入表示为：/>
Figure SMS_68
，输出：/>
Figure SMS_69
。将所有输入和输出对的前70％组成训练集：
Figure SMS_63
，后30％组成测试集：/>
Figure SMS_65
。
步骤二：建立LSTM温升预测模型
定义模型结构
模型包括两层LSTM和三个Dropout层以及两个全连接层（Dense）。第一个LSTM层需要返回全部序列数据，第二个LSTM层仅返回最后一个时间步的输出向量。在每个LSTM层之后添加一个Dropout层，以避免过拟合。最后，在模型顶部添加两个Dense层，其中第一个具有32个节点，第二个则根据训练集的形状只有一个节点。
配置模型参数
构建LSTM预测模型。LSTM模型主要包括批次大小、时间步长和神经元个数三项重要超参数。根据经验选取最优超参数组合，初始化超参数批次大小设置为64，输入时间步长s为5，神经元个数第一层LSTM设置为96，第二层LSTM为64。
建LSTM神经网络
在LSTM中，将输入序列
Figure SMS_71
传入到模型，模型会生成每个时间步的隐藏状态/>
Figure SMS_74
：对于每个时间步t，隐藏状态/>
Figure SMS_77
，其中/>
Figure SMS_72
表示LSTM的计算过程；然后，通过一个全连接层将最后一个时间步的隐藏状态/>
Figure SMS_73
转换成输出预测序列/>
Figure SMS_76
：/>
Figure SMS_79
，其中/>
Figure SMS_70
表示全连接层操作。输入温升采样数据序列为/>
Figure SMS_75
，输出预测序列为/>
Figure SMS_78
，其中/>
Figure SMS_80
表示在第n时刻的温升，n表示时间序列的长度，pre表示需要预测的时间步长。
训练神经网络
将以上输入和输出部分组成LSTM神经网络的训练样本和测试样本。使用训练样本来训练网络，并不断调整网络参数，以使得网络的输出接近于样本的期望输出。当网络达到预设的训练精度时，停止训练，之后利用测试集对已经训练好的神经网络进行测试。
步骤三：建立温升误差预测模型
在基于步骤二：建立LSTM的温升预测模型中，对每个时间步的预测结果和实际结果进行比较，计算它们的误差，用于预测未来温升预测误差的趋势。由公式
Figure SMS_81
计算LSTM模型的预测误差值，其中/>
Figure SMS_82
为t时刻预测误差；/>
Figure SMS_83
为t时刻输入真实值；/>
Figure SMS_84
为t时刻预测值。采用输入LSTM训练一个温升误差预测模型，以真实值，预测值和对应的误差值作为温升误差预测模型的输入序列，得到模型输出--误差修正值。输入和输出两者之间的关系为：
Figure SMS_85
式中，
Figure SMS_97
为第1时刻的真实值，/>
Figure SMS_88
为第2时刻的真实值，/>
Figure SMS_92
为第/>
Figure SMS_99
时刻的真实值，
Figure SMS_102
为第/>
Figure SMS_100
时刻的预测值，/>
Figure SMS_104
为第/>
Figure SMS_96
时刻的预测值，/>
Figure SMS_103
为第/>
Figure SMS_86
时刻的预测值，/>
Figure SMS_93
为时间步长，/>
Figure SMS_89
为第1时刻的预测误差，/>
Figure SMS_90
为第2时刻的预测误差，/>
Figure SMS_94
为第/>
Figure SMS_98
时刻的预测误差，/>
Figure SMS_87
为第1时刻的误差修正值，/>
Figure SMS_91
为第2时刻的误差修正值，/>
Figure SMS_95
为第/>
Figure SMS_101
时刻的误差修正值。
步骤四：构建基于误差修正的温升预测模型
将以上两个模型结合起来，通过基于误差的修正来提高温升预测的准确性。在引入误差修正的温升预测模型中，输入为真实值，LSTM的预测值，预测的误差值和误差修正值，输出为组合模型的预测值
Figure SMS_106
，最终的温升预测结果为：/>
Figure SMS_108
，式中，/>
Figure SMS_110
为第
Figure SMS_107
时刻的温升目标预测值，/>
Figure SMS_109
为第/>
Figure SMS_111
时刻的预测值，/>
Figure SMS_112
为第/>
Figure SMS_105
时刻的误差修正值。输入和输出的关系为:
Figure SMS_113
,
式中，
Figure SMS_114
为第/>
Figure SMS_115
时刻的预测值，/>
Figure SMS_116
为第1时刻的预测值，/>
Figure SMS_117
为第2时刻的预测值。
步骤五：基于发热理论的母排发热模型参数辨识
基于发热理论的温升模型
基于发热理论的温升模型考虑了物质吸收能量后产生的内部热源，并对热传导、对流、辐射等传热方式进行综合分析，从而做到预测物体温度的变化过程。根据传热分析与建模，得到温升模型为：
Figure SMS_127
，其中/>
Figure SMS_118
；
Figure SMS_124
为实际观测值，/>
Figure SMS_120
为触点接收电流产生的热量和与环境的热交换量之和，即所谓的热容量，/>
Figure SMS_123
为温升稳定速度，/>
Figure SMS_122
为触点的初始温度，/>
Figure SMS_125
为时间，/>
Figure SMS_128
为触点的初始温度，/>
Figure SMS_131
为环境温度，/>
Figure SMS_121
为经过导体的电流，/>
Figure SMS_133
为触点电阻，/>
Figure SMS_126
为平均换热系数，/>
Figure SMS_129
为表面积，/>
Figure SMS_130
为物体密度，
Figure SMS_132
为比热容，/>
Figure SMS_119
为体积。
基于误差修正的温升预警
根据发热理论的温升模型，
Figure SMS_134
参数决定了温升稳定速度。选取温升采样数据（k-1） 个点和基于误差修正模型预测得到的第k个点作为温度集合
Figure SMS_135
代入温 升模型。通过最小二乘法寻找使预测值与实际观测值之间误差平方和最小的参数组合来拟 合数据，求出最优的参数
Figure SMS_136
，将其与设定的预警阈值比较则可判断是否出现异常，从而达到 预警策略。
综上，本实施例的方法能够实现以下技术效果：
1.引入误差修正模型可以更加灵活地描述噪声的来源和分布形式，并将其融合到LSTM模型中进行建模；
2.引入误差序列后，可以更好地考虑误差项之间的相关关系，更好地理解时间序列数据的特性，并提高模型的预测精度和鲁棒性；
3.将误差序列修正模型加入到开关柜母排温升预警策略中，通过不断修正模型参数，提高预测精度，实现温度变化的及时监测和预警。
请参阅图2，其示出了本申请的一种基于误差序列修正的开关柜母排温升预警系统的结构框图。
如图2所示，开关柜母排温升预警系统200，包括获取模块210、计算模块220、第一输出模块230、第二输出模块240、寻找模块250、判断模块260以及发送模块270。
其中，获取模块210，配置为获取开关柜母排处的历史温升数据，根据所述历史温升数据构建温升时序数据集；计算模块220，配置为将所述温升时序数据集输入至预设的LSTM温升预测模型中，并将所述LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值；第一输出模块230，配置为将所述温升预测误差值以及与所述温升预测误差值对应的预测结果、实际结果作为预设的温升误差预测模型的输入序列，得到所述温升误差预测模型输出的误差修正值；第二输出模块240，配置为将所述误差修正值以及与所述误差修正值对应的LSTM温升预测模型输出的各预测时间步长的预测结果作为最终的温升目标预测值；寻找模块250，配置为基于最小二乘法寻找所述温升目标预测值与实际观测值之间误差平方和最小的目标参数组合，其中，所述目标参数组合中包含目标温升稳定速度，其中，计算所述实际观测值的表达式为：
Figure SMS_139
，式中，/>
Figure SMS_143
为实际观测值，/>
Figure SMS_147
为触点接收电流产生的热量和与环境的热交换量之和，即所谓的热容量，/>
Figure SMS_138
为温升稳定速度，/>
Figure SMS_141
为触点的初始温度，/>
Figure SMS_146
为时间，/>
Figure SMS_149
为触点的初始温度，/>
Figure SMS_137
为环境温度，/>
Figure SMS_144
为经过导体的电流，/>
Figure SMS_150
为触点电阻，/>
Figure SMS_151
为平均换热系数，/>
Figure SMS_140
为表面积，/>
Figure SMS_142
为物体密度，/>
Figure SMS_145
为比热容，/>
Figure SMS_148
为体积；判断模块260，配置为判断所述目标参数组合中的目标温升稳定速度是否大于预设阈值；发送模块270，配置为若大于预设阈值，则发送预警信号。
应当理解，图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于误差序列修正的开关柜母排温升预警方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取开关柜母排处的历史温升数据，根据所述历史温升数据构建温升时序数据集；
将所述温升时序数据集输入至预设的LSTM温升预测模型中，并将所述LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值；
将所述温升预测误差值以及与所述温升预测误差值对应的预测结果、实际结果作为预设的温升误差预测模型的输入序列，得到所述温升误差预测模型输出的误差修正值；
将所述误差修正值以及与所述误差修正值对应的LSTM温升预测模型输出的各预测时间步长的预测结果作为最终的温升目标预测值；
基于最小二乘法寻找所述温升目标预测值与实际观测值之间误差平方和最小的目标参数组合，其中，所述目标参数组合中包含目标温升稳定速度；
判断所述目标参数组合中的目标温升稳定速度是否大于预设阈值；
若大于预设阈值，则发送预警信号。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于误差序列修正的开关柜母排温升预警系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于误差序列修正的开关柜母排温升预警系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图，如图3所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于误差序列修正的开关柜母排温升预警方法。输入装置330可接收输入的数字或字符信息，以及产生与基于误差序列修正的开关柜母排温升预警系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于误差序列修正的开关柜母排温升预警系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取开关柜母排处的历史温升数据，根据所述历史温升数据构建温升时序数据集；
将所述温升时序数据集输入至预设的LSTM温升预测模型中，并将所述LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值；
将所述温升预测误差值以及与所述温升预测误差值对应的预测结果、实际结果作为预设的温升误差预测模型的输入序列，得到所述温升误差预测模型输出的误差修正值；
将所述误差修正值以及与所述误差修正值对应的LSTM温升预测模型输出的各预测时间步长的预测结果作为最终的温升目标预测值；
基于最小二乘法寻找所述温升目标预测值与实际观测值之间误差平方和最小的目标参数组合，其中，所述目标参数组合中包含目标温升稳定速度；
判断所述目标参数组合中的目标温升稳定速度是否大于预设阈值；
若大于预设阈值，则发送预警信号。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于误差序列修正的开关柜母排温升预警方法，其特征在于，包括：
获取开关柜母排处的历史温升数据，根据所述历史温升数据构建温升时序数据集；
将所述温升时序数据集输入至预设的LSTM温升预测模型中，并将所述LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值；
将所述温升预测误差值以及与所述温升预测误差值对应的预测结果、实际结果作为预设的温升误差预测模型的输入序列，得到所述温升误差预测模型输出的误差修正值；
将所述误差修正值以及与所述误差修正值对应的LSTM温升预测模型输出的各预测时间步长的预测结果作为最终的温升目标预测值；
基于最小二乘法寻找所述温升目标预测值与实际观测值之间误差平方和最小的目标参数组合，其中，所述目标参数组合中包含目标温升稳定速度，其中，计算所述实际观测值的表达式为：
Figure QLYQS_1
，
式中，
Figure QLYQS_4
为实际观测值，/>
Figure QLYQS_9
为触点接收电流产生的热量和与环境的热交换量之和，即所谓的热容量，/>
Figure QLYQS_10
为温升稳定速度，/>
Figure QLYQS_5
为触点的初始温度，/>
Figure QLYQS_7
为时间，/>
Figure QLYQS_13
为触点的初始温度，/>
Figure QLYQS_15
为环境温度，/>
Figure QLYQS_2
为经过导体的电流，/>
Figure QLYQS_6
为触点电阻，/>
Figure QLYQS_11
为平均换热系数，/>
Figure QLYQS_14
为表面积，/>
Figure QLYQS_3
为物体密度，/>
Figure QLYQS_8
为比热容，/>
Figure QLYQS_12
为体积；
判断所述目标参数组合中的目标温升稳定速度是否大于预设阈值；
若大于预设阈值，则发送预警信号。
2.根据权利要求1所述的一种基于误差序列修正的开关柜母排温升预警方法，其特征在于，所述温升时序数据集包括温升时序数据训练子集和温升时序数据测试子集。
3.根据权利要求2所述的一种基于误差序列修正的开关柜母排温升预警方法，其特征在于，在将所述温升时序数据集输入至预设的LSTM温升预测模型中之前，所述方法还包括：
定义模型结构，其中，所述模型结构包括两个LSTM层和三个Dropout层以及两个全连接层；
选取模型的最优超参数组合，并初始化最优超参数组合中的各个超参数，其中，批次大小超参数设置为64，时间步长超参数为5，神经元个数超参数的第一层LSTM设置为96，第二层LSTM设置为64；
构建LSTM神经网络，根据所述温升时序数据训练子集训练所述LSTM神经网络，并不断调整网络参数，以使得所述LSTM神经网络的输出达到温升时序数据训练子集的期望输出，
当网络达到预设的训练精度时，停止训练，根据所述温升时序数据测试子集对训练后的所述LSTM神经网络进行测试，最终得到LSTM温升预测模型。
4.根据权利要求1所述的一种基于误差序列修正的开关柜母排温升预警方法，其特征在于，其中，所述LSTM温升预测模型的输入和输出的关系为：
Figure QLYQS_16
，
式中，
Figure QLYQS_30
为第1时刻的真实值，/>
Figure QLYQS_19
为第2时刻的真实值，/>
Figure QLYQS_23
为第/>
Figure QLYQS_20
时刻的真实值，/>
Figure QLYQS_29
为第/>
Figure QLYQS_32
时刻的预测值，/>
Figure QLYQS_34
为第/>
Figure QLYQS_24
时刻的预测值，/>
Figure QLYQS_26
为第/>
Figure QLYQS_17
时刻的预测值，
Figure QLYQS_22
为时间步长，/>
Figure QLYQS_28
为第1时刻的预测误差，/>
Figure QLYQS_31
为第2时刻的预测误差，/>
Figure QLYQS_33
为第/>
Figure QLYQS_35
时刻的预测误差，/>
Figure QLYQS_18
为第1时刻的误差修正值，/>
Figure QLYQS_21
为第2时刻的误差修正值，/>
Figure QLYQS_25
为第/>
Figure QLYQS_27
时刻的误差修正值。
5.根据权利要求1所述的一种基于误差序列修正的开关柜母排温升预警方法，其特征在于，其中，计算最终的温升目标预测值的表达式为：
Figure QLYQS_36
，
式中，
Figure QLYQS_37
为第/>
Figure QLYQS_38
时刻的温升目标预测值，/>
Figure QLYQS_39
为第/>时刻的预测值，/>
Figure QLYQS_41
为第/>
Figure QLYQS_42
时刻的误差修正值。
6.一种基于误差序列修正的开关柜母排温升预警系统，其特征在于，包括：
获取模块，配置为获取开关柜母排处的历史温升数据，根据所述历史温升数据构建温升时序数据集；
计算模块，配置为将所述温升时序数据集输入至预设的LSTM温升预测模型中，并将所述LSTM温升预测模型输出各预测时间步长的预值与实际观测值作差，得到温升预测误差值；
第一输出模块，配置为将所述温升预测误差值以及与所述温升预测误差值对应的预测结果、实际结果作为预设的温升误差预测模型的输入序列，得到所述温升误差预测模型输出的误差修正值；
第二输出模块，配置为将所述误差修正值以及与所述误差修正值对应的LSTM温升预测模型输出的各预测时间步长的预测结果作为最终的温升目标预测值；
寻找模块，配置为基于最小二乘法寻找所述温升目标预测值与实际观测值之间误差平方和最小的目标参数组合，其中，所述目标参数组合中包含目标温升稳定速度，其中，计算所述实际观测值的表达式为：
Figure QLYQS_43
，
式中，
Figure QLYQS_45
为实际观测值，/>
Figure QLYQS_48
为触点接收电流产生的热量和与环境的热交换量之和，即所谓的热容量，/>
Figure QLYQS_51
为温升稳定速度，/>
Figure QLYQS_46
为触点的初始温度，/>
Figure QLYQS_54
为时间，/>
Figure QLYQS_56
为触点的初始温度，
Figure QLYQS_57
为环境温度，/>
Figure QLYQS_44
为经过导体的电流，/>
Figure QLYQS_50
为触点电阻，/>
Figure QLYQS_53
为平均换热系数，/>
Figure QLYQS_55
为表面积，/>
Figure QLYQS_47
为物体密度，/>
Figure QLYQS_49
为比热容，/>
Figure QLYQS_52
为体积；
判断模块，配置为判断所述目标参数组合中的目标温升稳定速度是否大于预设阈值；
发送模块，配置为若大于预设阈值，则发送预警信号。
7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。
CN202310687197.XA 2023-06-12 2023-06-12 一种基于误差序列修正的开关柜母排温升预警方法及系统 Active CN116432542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310687197.XA CN116432542B (zh) 2023-06-12 2023-06-12 一种基于误差序列修正的开关柜母排温升预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310687197.XA CN116432542B (zh) 2023-06-12 2023-06-12 一种基于误差序列修正的开关柜母排温升预警方法及系统

Publications (2)

Publication Number Publication Date
CN116432542A true CN116432542A (zh) 2023-07-14
CN116432542B CN116432542B (zh) 2023-10-20

Family

ID=87081793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310687197.XA Active CN116432542B (zh) 2023-06-12 2023-06-12 一种基于误差序列修正的开关柜母排温升预警方法及系统

Country Status (1)

Country Link
CN (1) CN116432542B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07268433A (ja) * 1994-03-28 1995-10-17 Kawasaki Steel Corp 転炉製鋼の終点制御方法
WO2017212880A1 (ja) * 2016-06-09 2017-12-14 株式会社日立製作所 データ予測システムおよびデータ予測方法
CN110598923A (zh) * 2019-09-03 2019-12-20 深圳市得益节能科技股份有限公司 基于支持向量回归机优化与误差修正的空调负荷预测方法
JP2020020560A (ja) * 2018-08-03 2020-02-06 東芝三菱電機産業システム株式会社 焼結クーラ設備の出鉱温度予測装置
JP2020029596A (ja) * 2018-08-23 2020-02-27 Ｊｆｅスチール株式会社 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
CN112819136A (zh) * 2021-01-20 2021-05-18 南京邮电大学 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统
CN113591339A (zh) * 2021-06-23 2021-11-02 江苏师范大学 一种可预测滚珠丝杠温升及热误差的建模方法
CN113625144A (zh) * 2021-08-11 2021-11-09 北京信息科技大学 Igbt故障预测方法和系统
WO2022048168A1 (zh) * 2020-09-03 2022-03-10 上海上讯信息技术股份有限公司 一种用于故障预测神经网络模型的训练方法与设备
CN114861527A (zh) * 2022-04-15 2022-08-05 南京工业大学 一种基于时间序列特征的锂电池寿命预测方法
US20220300765A1 (en) * 2021-03-16 2022-09-22 Inventec (Pudong) Technology Corporation Hyper-parameter configuration method of time series forecasting model
CN115496278A (zh) * 2022-09-20 2022-12-20 华中科技大学 一种水电机组定子线圈温度预警方法及系统
CN115730506A (zh) * 2021-08-31 2023-03-03 国家电网有限公司 一种基于信息决策的变压器油温异常预警方法
CN115758290A (zh) * 2022-10-10 2023-03-07 重庆大唐国际彭水水电开发有限公司 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法
WO2023040165A1 (zh) * 2021-09-14 2023-03-23 苏州浪潮智能科技有限公司 一种服务器风扇转速控制方法、装置、设备及介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07268433A (ja) * 1994-03-28 1995-10-17 Kawasaki Steel Corp 転炉製鋼の終点制御方法
WO2017212880A1 (ja) * 2016-06-09 2017-12-14 株式会社日立製作所 データ予測システムおよびデータ予測方法
JP2020020560A (ja) * 2018-08-03 2020-02-06 東芝三菱電機産業システム株式会社 焼結クーラ設備の出鉱温度予測装置
JP2020029596A (ja) * 2018-08-23 2020-02-27 Ｊｆｅスチール株式会社 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
CN110598923A (zh) * 2019-09-03 2019-12-20 深圳市得益节能科技股份有限公司 基于支持向量回归机优化与误差修正的空调负荷预测方法
WO2022048168A1 (zh) * 2020-09-03 2022-03-10 上海上讯信息技术股份有限公司 一种用于故障预测神经网络模型的训练方法与设备
CN112819136A (zh) * 2021-01-20 2021-05-18 南京邮电大学 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统
US20220300765A1 (en) * 2021-03-16 2022-09-22 Inventec (Pudong) Technology Corporation Hyper-parameter configuration method of time series forecasting model
CN113591339A (zh) * 2021-06-23 2021-11-02 江苏师范大学 一种可预测滚珠丝杠温升及热误差的建模方法
CN113625144A (zh) * 2021-08-11 2021-11-09 北京信息科技大学 Igbt故障预测方法和系统
CN115730506A (zh) * 2021-08-31 2023-03-03 国家电网有限公司 一种基于信息决策的变压器油温异常预警方法
WO2023040165A1 (zh) * 2021-09-14 2023-03-23 苏州浪潮智能科技有限公司 一种服务器风扇转速控制方法、装置、设备及介质
CN114861527A (zh) * 2022-04-15 2022-08-05 南京工业大学 一种基于时间序列特征的锂电池寿命预测方法
CN115496278A (zh) * 2022-09-20 2022-12-20 华中科技大学 一种水电机组定子线圈温度预警方法及系统
CN115758290A (zh) * 2022-10-10 2023-03-07 重庆大唐国际彭水水电开发有限公司 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
宋维;高超;赵?;赵燕东;: "基于LSTM的活立木茎干水分缺失数据填补方法", 林业科学, no. 02 *
李田科;沙卫晓;李伟;于仕财;: "一种战车主减速器温度预测方法研究", 装备环境工程, no. 06 *
韩靖;杨泽青;杨伟东;盖立亚;陈蜀中;黄剑锋;: "高速数控车床主轴变工况温升特性研究", 组合机床与自动化加工技术, no. 02 *
高淑杰;田建艳;王芳;: "基于MC的风电场参数预测模型的误差修正", 电子技术应用, no. 07 *

Also Published As

Publication number Publication date
CN116432542B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Bhotto et al. Load disaggregation based on aided linear integer programming
Zhang et al. Short-term wind speed interval prediction based on artificial intelligence methods and error probability distribution
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
Illias et al. Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms
Wang et al. An accurate false data detection in smart grid based on residual recurrent neural network and adaptive threshold
Ma et al. A measurement error prediction framework for smart meters under extreme natural environment stresses
Tong et al. Online monitoring data processing method of transformer oil chromatogram based on association rules
CN116432542B (zh) 一种基于误差序列修正的开关柜母排温升预警方法及系统
Qu et al. Decentralized dynamic state estimation for multi-machine power systems with non-Gaussian noises: Outlier detection and localization
CN116070302A (zh) 一种电缆绝缘状态的预测方法及装置
Rizvi et al. Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data
Xie Fault monitoring based on locally weighted probabilistic kernel partial least square for nonlinear time‐varying processes
CN114757548A (zh) 一种采用场景构建的风电储能设备调节性能评估方法
CN110705066B (zh) 基于投影积分的气电耦合园区综合能源系统动态仿真方法
Xing et al. Single Bus Data-driven Power Estimation Based on Modified Linear Power Flow Model
CN117445735B (zh) 云边协同的充电预警方法、设备及介质
Jie et al. Non-Intrusive Load Decomposition Based on Graph Convolutional Network
Liang Predicting Temperature Rise in Medium Voltage Switchgear within the Smart Grid Environment and the Application of a Random Forest Model
Yang et al. A Review of The Research on Kalman Filtering in Power System Dynamic State Estimation
Hu et al. A fault prediction method based on IAALO-SVM and similarity measure
Ying et al. Anomaly detection of orbit satellite telemetry sequence based on two-window mode
Yang et al. Intelligent Substation Equipment Condition Detection Method Based on Infrared Thermal Imaging Technology and Temperature Probability Density
Zhu et al. Design and experiment of smart fire electric power monitoring system based on the cyber-physical model
CN116757083A (zh) 一种gis隔离开关内部过热缺陷预测方法及系统
Yang et al. Improved Prediction of Markov Chain Algorithm for Indoor Temperature

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