CN116628473A - 一种基于多因子神经网络算法的电力设备状态趋势预测方法 - Google Patents
一种基于多因子神经网络算法的电力设备状态趋势预测方法 Download PDFInfo
- Publication number
- CN116628473A CN116628473A CN202310556920.0A CN202310556920A CN116628473A CN 116628473 A CN116628473 A CN 116628473A CN 202310556920 A CN202310556920 A CN 202310556920A CN 116628473 A CN116628473 A CN 116628473A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- factor
- matrix
- time series
- 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 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000011782 vitamin Substances 0.000 claims description 6
- 238000012888 cubic function Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 229940088594 vitamin Drugs 0.000 claims description 3
- 229930003231 vitamin Natural products 0.000 claims description 3
- 235000013343 vitamin Nutrition 0.000 claims description 3
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000011161 development Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多因子神经网络算法的电力设备状态趋势预测方法，该方法引入多因子，避免单因子预测模型不能正确捕捉设备发展趋势；引入连续采样和间隔采样方法，对数据的短期、长期波动和趋势有更好的提取精度，提升预测效果；基于多层全联接神经网络模型(MLP)构造IEBlock模块进行特征提取，既可以避免过多的计算带来计算资源和时间浪费，又能够高效提取各因子本身的的隐含特征以及各因子之间的隐含关系，进而提高预测精度。
Description
技术领域
本发明涉及电力系统技术领域，具体涉及一种基于多因子神经网络算法的电力设备状态趋势预测方法。
背景技术
在电力设备状态趋势预测领域，趋势预测就是基于设备相关指标的历史数据，通过对数据进行分析，带入预测模型进行训练，预测未来一段时间内的设备状态的发展趋势，根据预测结果，辅助用户提前对设备运维检修做出相应的决策。主要提供如下价值：提前知晓设备状态变化趋势，提高运维的效率，减少人力成本的支出，实现最优的投资回报比；从以前的故障后运维到现在的主动预判和提前预警，减少故障发生率以及因设备故障导致的损失。
目前常用于设备状态发展趋势预测的时间序列预测方法有：(1)统计类方法，比如传统的AR、MA、ARMA、ARIMA方法，此类方法计算速度快，但对数据要求较为严格，适用性较弱；(2)利用加法模型、乘法模型等时序分解方法，将原始时间序列拆分为趋势、周期、残差项等组成部分，再利用机器学习、深度学习方法从特征工程入手进行预测，如LSTM，XGBoost、prophet等模型以及深度学习网络、CNN+RNN+Attention等，此类方法对时间序列适应性强，但普遍存在可解释性差、运算时间长等弊端。
上述预测方法的痛点在于：(1)对于电力设备状态趋势预测场景，由于设备运行环境及工况变化，不同时段的数据分布差异较大，且普遍存在周期等特性，从而导致AIRIMA等传统的统计学习类方法不能获得很好的预测效果；(2)由于系统对预测算法效率的要求，一些对数据特性适应性强的深度学习预测算法，在预测时间实时性等方面无法满足需求；(3)目前的方法均为基于设备单个测点的历史数据进行趋势预测，由于电力设备状态发展趋势由多个因素之间共同相互影响，因此单测点的趋势预测模型并不能有效捕捉真正的设备发展趋势。
发明内容
为了解决或部分解决相关技术中存在的问题，本发明提供了一种基于多因子神经网络算法的电力设备状态趋势预测方法，该方法引入多因子，避免单因子预测模型不能正确捕捉设备发展趋势；引入连续采样和间隔采样方法，对数据的短期、长期波动和趋势有更好的提取精度，提升预测效果；基于多层全联接神经网络模型(MLP)构造IEBlock模块进行特征提取，既可以避免过多的计算带来计算资源和时间浪费，又能够高效提取各因子本身的的隐含特征以及各因子之间的隐含关系，进而提高预测精度。
本发明提供了一种基于多因子神经网络算法的电力设备状态趋势预测方法，包括：
步骤1、获取目标设备目标测点在当前时刻t+L前的历史采集时间序列数据，以及与目标测点相关的其他影响因子测点的历史时间序列数据，并共同组成历史运行时间序列数据集，L为拟预测的时间段长度，截取t时刻前的历史时间序列数据X't作为训练数据集；
步骤2、对数据X't进行缺失值填补和Box-Cox变换，获得数据集Xt；
步骤3、对数据Xt进行连续采样和间隔采样，得到的矩阵/>和/>C为正整数，T为时间序列的长度；
步骤4、构建信息交换模块IEBlock，对每个因子序列经步骤3得到的矩阵和/>进行IEBlock操作,j表示第j个因子数据，分别得到/>的矩阵/>和/>N个相关因子均经上述变换处理后组合，最后得到的/>三维矩阵/>和/>F为大于0的超参数，N表示时间序列个数；
步骤5、分别对模块和/>的F维度构建一个由/>到1维的MLP网络，分别得到F×1×N的矩阵/>和/>并沿着F维度进行拼接，得到2F×1×N的矩阵/>
步骤6、对矩阵进行IEBlock操作，得到L×N维的数据矩阵/>其中，L表示需要预测的时间长度，N表示时间序列个数，/>的第N列为第N个因子在t+1时刻至t+L时刻的预测数据，并将/>与其同时间段的L×N维真实数据/>带入损失函数；
其中，||.||2表示二范数；
步骤7、对数据Xt照步骤3、步骤4、步骤5、步骤6反复进行模型训练，直至Loss小于给定阈值，得到训练好的深度学习模型，并将t+L-T+1时刻至t+L时刻的数据带入模型中，得到预测数据矩阵即为t+L+1时刻至t+2L时刻的预测数据。
可选地，所述构建信息交换模块IEBlock，包括：
对于形状为H×W的二维矩阵，其中，H为正整数，是时间维度，W为正整数，是通道维度；
用Z＝(zij)H×W表示一个H×W的二维矩阵，符号表示Z的第i列和zj.＝(zj1，zj2，...，zjW)表示Z的第j行；(.)T表示对(.)的转置；
对Z的每一列构建一个从H维到F′维的全连接层神经网络网络，记为MLP，F′＜＜F表示F′远远小于F，称为时间投影：
对Z的每一行构建一个W维到W维的MLP网络，称为通道投影：
每一列上应用另一个F′维到F维的MLP网络，将特征维度从F′映射到F，称为输出投影：
可选地，所述步骤1包括：
获取目标设备目标测点的历史采集时间序列数据，以及可能与目标测点相关的其他影响因子测点的历史时间序列数据，并共同组成历史运行时间序列数据集X′t+L＝{xt-T+1，...，xt-1，xt，xt+1，...，xt+L，|xi∈RN}，其中，L为拟预测的时间段长度，t+L表示当前时刻，截取作为训练数据集，T为t时刻前的历史时间序列数据长度，N为因子个数，X′t+L中的每个元素xi属于N维的实数域，即xi＝{xi1，xi2，...，xiN}，其中，xiN为第i个时刻目标测点的观测数据，{xi1，xi2，...，xiN-1}为第i个时刻相关影响因子的观测数据。
可选地，所述步骤2包括：缺失值填补和Box-Cox变换。
可选地，其特征在于，所述缺失值填补包括：
对于数据集X′t＝{x(1)，x(2)，...，x(N)}，其中，x(j)，j＝1，2，...，N表示其中，一个因子的历史时间序列数据，针对每一个x(j)，进行如下缺失值填补操作：
若x(j)在时间m处存在缺失值，则截取数据表示第j个因子f到g时刻的观测数据；其中，f、g为任意两个时刻且f<m<g；在时间序列数据/>上拟合三次函数y(v)＝a+bv+cv2+dv3，其中，a,b,c,d为需要拟合的系数；并对/>内的缺失时间点m，带入上述拟合好的函数得到填补数据/>并将其补充到x(j)中。
可选地，所述Box-Cox变换包括：
针对每一个x(j)，通过Box-Cox变换公式对x(j)进行转换；
得到数据集其中，λ为变换参数。
可选地，所述步骤3包括：
连续采样：连续采样用于捕获时间序列局部时间模式；将每个长度为T的时间序列转换为个长度为C的非重叠子序列，C为正整数；对于第j个长度为T的一维输入因子序列Xt.j，将其连续采样得到/>维子序列矩阵/>
间隔采样：不同于连续采样，间隔采样有助于捕获时间序列全局时间模式；对于间隔采样，每次以固定的时间间隔C对数据进行采样；对于第j个长度为T的一维输入因子序列Xt.j，将其间隔采样得到维子序列矩阵/>
其中，表示/>向下取整。
本发明提供的技术方案可以包括以下有益效果：
本发明提供了一种基于多因子的神经网络趋势预测方法，该方法引入多因子，避免单因子预测模型不能正确捕捉设备发展趋势；引入连续采样和间隔采样方法，对数据的短期、长期波动和趋势有更好的提取精度，提升预测效果；基于多层全联接神经网络模型(MLP)构造IEBlock模块进行特征提取，既可以避免过多的计算带来计算资源和时间浪费，又能够高效提取各因子本身的的隐含特征以及各因子之间的隐含关系，进而提高预测精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明专利实施例的技术方案，下面将对实施例描述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专利的一些实施例，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为本发明实施例中IEBlock的结构示意图；
图2为本发明实施例中步骤3、4、5、6的矩阵变换示意图；
图3为本发明实施例中步骤1、2、3、4、5、6、7流程图；
具体实施方式
下面将参照附图更详细地描述本发明的实施方式。虽然附图中显示了本发明的实施方式，但是应该理解的是，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语“第一”、“第二”、“第三”等来描述各种数据，但这些信息不应限于这些术语。这些术语仅用来将同一类型的数据彼此区分开。例如，在不脱离本发明范围的情况下，第一数据也可以被称为第二数据，类似地，第二数据也可以被称为第一数据。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
下文将结合附图对本发明实施例的技术方案进行详细描述。
本发明实施例提供了一种基于多因子神经网络算法的电力设备状态趋势预测方法，引入多因子，避免单因子预测模型不能正确捕捉设备发展趋势；引入连续采样和间隔采样方法，对数据的短期、长期波动和趋势有更好的提取精度，提升预测效果；基于多层全联接神经网络模型(MLP)构造IEBlock模块进行特征提取，既可以避免过多的计算带来计算资源和时间浪费，又能够高效提取各因子本身的的隐含特征以及各因子之间的隐含关系，进而提高预测精度。
以下将对本实施例中基于多因子神经网络算法的电力设备状态趋势预测方法中的各方法步骤进行详细说明。
步骤1数据获取
获取目标设备目标测点在当前时刻t+L前的历史采集时间序列数据，以及可能与目标测点相关的其他影响因子测点的历史时间序列数据，并共同组成历史运行时间序列数据集X′t+L＝{xt-T+1，...，xt-1，xt，xt+1，...，xt+L，|xi∈RN},其中，L为拟预测的时间段长度，t+L表示当前时刻，截取作为训练数据集，T为t时刻前的历史时间序列数据长度，N为因子个数,X′t+L中的每个元素xi属于N维的实数域，即xi＝{xi1，xi2，...，xiN-1}，其中，xiN为第i个时刻目标测点的观测数据，{xi1，xi2，...，xiN-1}为第i个时刻相关影响因子的观测数据。
步骤2数据预处理
步骤2.1缺失值填补
由于电力设备传感器在运行采集数据过程中，因为传感器故障等不可抗力因素造成一些指标在一些时间点/段的采集数据的缺失，因此我们需要对缺失数据进行填补，从而使得数据更加完善。
对于数据集X′t＝{x(1)，x(2)，...，x(N)}，其中，x(j)，j＝1，2，...，N表示其中，一个因子的历史时间序列数据，针对每一个x(j)，进行如下缺失值填补操作：
(1)：若x(j)无缺失值，则无需处理
(2)：若x(j)在时间m处存在缺失值，则截取数据表示第j个因子f到g时刻的观测数据。其中，f、g为任意两个时刻且f<m<g。在时间序列数据/>上拟合三次函数y(v)＝a+bv+cv2+dv3，其中，a,b,c,d为需要拟合的系数。并对/>内的缺失时间点m，带入上述拟合好的函数得到填补数据/>并将其补充到x(j)中。
步骤2.2Box-Cox变换
针对每一个x(j)，通过Box-Cox变换公式对x(j)进行转换：
并最终得到数据集其中，λ为变换参数。变换后的数据Xt可以明显地改善数据的正态性、对称性和方差相等性，非常适用于电力设备传感器采集的时间序列数据，因为实际采样获得的大部分数据不服从正态分布和平稳性，而此类数据的模型预测结果都很低。
步骤3数据采样
对N个相关因子中的每个因子序列，分别经过步骤3.1和步骤3.2构建得到的矩阵/>和/>
步骤3.1连续采样：连续采样有助于捕获时间序列局部时间模式。将每个长度为T的时间序列转换为个长度为C的非重叠子序列，C为正整数。因此，对于第j个长度为T的一维输入因子序列Xt.j，将其连续采样得到C×/>维子序列矩阵/>
步骤3.2间隔采样：不同于连续采样，间隔采样有助于捕获时间序列全局时间模式。对于间隔采样，每次以固定的时间间隔C对数据进行采样。对于第j个长度为T的一维输入因子序列Xt.j，将其间隔采样得到维子序列矩阵/>
其中，表示/>向下取整。
步骤4构建信息交换模块IEBlock，对每个因子序列经步骤3得到的矩阵和/>进行IEBlock操作，j表示第j个因子数，分别得到F×/>的矩阵/>和/>N个相关因子均经上述变换处理后组合，最后得到的/>三维矩阵/>和/>其中，F为大于0的超参数，可以根据训练数据进行调参选取最优的F，N表示时间序列个数，表示采样个数。IEBlock模块可对采样的样本数据进行线性编码和解码，无需人为的先验知识就可进行复杂的特征提取。
其中，IEBlock构建方式如附图1，流程如下：
对于形状为H×W的二维矩阵，其中，H为正整数，是时间维度，W为正整数，是通道维度。IEBlock的目标是利用沿不同维度的信息交换并输出另一个形状为F×W的特征图(F是对应于输出特征维度的超参数)。得到的矩阵可以看作是输入矩阵的提取特征。
这里用Z＝(zij)H×W表示一个H×W的二维矩阵，符号表示Z的第i列和zj·＝(zj1，zj2，...，zjW)
表示Z的第j行。(.)T表示对(.)的转置。
(1)首先对Z的每一列构建一个从H维到F′维的全连接层神经网络网络，记为MLP(下同)，这里F′＜＜F表示F′远远小于F，将这种操作称为时间投影：
(2)其次对Z的每一行构建一个W维到W维的MLP网络，称之为通道投影：
(3)最后，每一列上应用另一个F′维到F维的MLP网络，将特征维度从F′映射到F，称为输出投影：
步骤5分别对模块和/>的F维度构建一个由/>到1维的MLP网络，最终分别得到F×1×N的矩阵/>和/>并沿着F维度进行拼接，最终得到2F×1×N的矩阵/>
步骤6对矩阵进行IEBlock操作，得到L×N维的数据矩阵/>这里，L表示需要预测的时间长度，N表示时间序列个数，其中，/>的第N列为第N个因子在t+1时刻至t+L时刻(当前时刻)的预测数据，并将/>与其同时间段的L×N维真实数据/>带入损失函数；
其中，||.||2表示二范数。
步骤7对数据Xt照步骤3、4、5、6反复进行模型训练，直至Loss小于给定阈值，得到训练好的深度学习模型，并将t+L-T+1时刻至t+L时刻的数据带入模型中，得到预测数据矩阵即为t+L+1时刻至t+2L时刻的预测数据。
以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内做出的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。
Claims (7)
1.一种基于多因子神经网络算法的电力设备状态趋势预测方法，其特征在于，包括：
步骤1、获取目标设备目标测点在当前时刻t+L前的历史采集时间序列数据，以及与目标测点相关的其他影响因子测点的历史时间序列数据，并共同组成历史运行时间序列数据集，L为拟预测的时间段长度，截取t时刻前的历史时间序列数据X't作为训练数据集；
步骤2、对数据X't进行缺失值填补和Box-Cox变换，获得数据集Xt；
步骤3、对数据Xt进行连续采样和间隔采样，得到的矩阵/>和/>C为正整数，T为时间序列的长度；
步骤4、构建信息交换模块IEBlock，对每个因子序列经步骤3得到的 矩阵/>和/>进行IEBlock操作,j表示第j个因子数据，分别得到/> 的矩阵/>和/>N个相关因子均经上述变换处理后组合，最后得到的/>三维矩阵/>和/>F为大于0的超参数，N表示时间序列个数；
步骤5、分别对模块和/>的F维度构建一个由/>到1维的MLP网络，分别得到F×1×N的矩阵/>和/>并沿着F维度进行拼接，得到2F×1×N的矩阵/>
步骤6、对矩阵进行IEBlock操作，得到L×N维的数据矩阵/>其中，L表示需要预测的时间长度，N表示时间序列个数，/>的第N列为第N个因子在t+1时刻至t+L时刻的预测数据，并将/>与其同时间段的L×N维真实数据/>带入损失函数；
其中，||.||2表示二范数；
步骤7、对数据Xt照步骤3、步骤4、步骤5、步骤6反复进行模型训练，直至Loss小于给定阈值，得到训练好的深度学习模型，并将t+L-T+1时刻至t+L时刻的数据带入模型中，得到预测数据矩阵即为t+L+1时刻至t+2L时刻的预测数据。
2.如权利要求1所述的基于多因子神经网络算法的电力设备状态趋势预测方法，其特征在于，所述构建信息交换模块IEBlock，包括：
对于形状为H×W的二维矩阵，其中，H为正整数，是时间维度，W为正整数，是通道维度；
用Z＝(zij)H×W表示一个H×W的二维矩阵，符号表示Z的第i列和zj·＝(zj1，zj2，，...，zjW)表示Z的第j行；(.)T表示对(.)的转置；对Z的每一列构建一个从H维到F′维的全连接层神经网络网络，记为MLP，F′＜＜F表示F′远远小于F，称为时间投影：
对Z的每一行构建一个W维到W维的MLP网络，称为通道投影：
每一列上应用另一个F′维到F维的MLP网络，将特征维度从F′映射到F：，称为输出投影：
3.如权利要求1所述的基于多因子神经网络算法的电力设备状态趋势预测方法，其特征在于，所述步骤1包括：获取目标设备目标测点的历史采集时间序列数据，以及可能与目标测点相关的其他影响因子测点的历史时间序列数据，并共同组成历史运行时间序列数据集X′t+L＝{xt-T+1，...，xt-1，xt，xt+1，...，xt+L，|xi∈RN}，其中，L为拟预测的时间段长度，t+L表示当前时刻，截取作为训练数据集，T为t时刻前的历史时间序列数据长度，N为因子个数，x′t+L中的每个元素xi属于N维的实数域，即xi＝{xi1，xi2，...，xiN}，其中，xiN为第i个时刻目标测点的观测数据，{xi1，xi2，...，xiN-1}为第i个时刻相关影响因子的观测数据。
4.如权利要求1所述的基于多因子神经网络算法的电力设备状态趋势预测方法，其特征在于，所述步骤2包括：缺失值填补和Box-Cox变换。
5.如权利要求4所述的基于多因子神经网络算法的电力设备状态趋势预测方法，其特征在于，所述缺失值填补包括：
对于数据集X′t＝{x(1)，x(2)，...，x(N)}，其中，x(j)，j＝1，2，...，N表示其中，一个因子的历史时间序列数据，针对每一个x(j)，进行如下缺失值填补操作：若x(j)在时间m处存在缺失值，则截取数据表示第j个因子f到g时刻的观测数据；其中，f、g为任意两个时刻且f＜m＜g；在时间序列数据/>上拟合三次函数y(υ)＝a+bυ+cυ2+dυ3，其中，a，b，c，d为需要拟合的系数；并对/>内的缺失时间点m，带入上述拟合好的函数得到填补数据/>并将其补充到x(j)中。
6.如权利要求4所述的基于多因子神经网络算法的电力设备状态趋势预测方法，其特征在于，所述Box-Cox变换包括：
针对每一个x(j)，通过Box-Cox变换公式对x(j)进行转换；
得到数据集其中，λ为变换参数。
7.如权利要求4所述的基于多因子神经网络算法的电力设备状态趋势预测方法，其特征在于，所述步骤3包括：
连续采样：连续采样用于捕获时间序列局部时间模式；将每个长度为T的时间序列转换为个长度为C的非重叠子序列，C为正整数；对于第j个长度为T的一维输入因子序列Xt.j，将其连续采样得到/>维子序列矩阵/>
间隔采样：不同于连续采样，间隔采样有助于捕获时间序列全局时间模式；对于间隔采样，每次以固定的时间间隔C对数据进行采样；对于第j个长度为T的一维输入因子序列Xt.j，将其间隔采样得到维子序列矩阵/>
其中，表示/>向下取整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310556920.0A CN116628473A (zh) | 2023-05-17 | 2023-05-17 | 一种基于多因子神经网络算法的电力设备状态趋势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310556920.0A CN116628473A (zh) | 2023-05-17 | 2023-05-17 | 一种基于多因子神经网络算法的电力设备状态趋势预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116628473A true CN116628473A (zh) | 2023-08-22 |
Family
ID=87620684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310556920.0A Pending CN116628473A (zh) | 2023-05-17 | 2023-05-17 | 一种基于多因子神经网络算法的电力设备状态趋势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628473A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
| CN111882130A (zh) * | 2020-07-30 | 2020-11-03 | 浙江大学 | 一种基于生成路径聚类与Box-Cox变换的二噁英排放在线预测方法 |
| CN113705715A (zh) * | 2021-09-04 | 2021-11-26 | 大连钜智信息科技有限公司 | 一种基于lstm和多尺度fcn的时间序列分类方法 |
| CN114974215A (zh) * | 2022-05-11 | 2022-08-30 | 安徽大学 | 基于音视频双模态的语音识别方法及系统 |
| CN115146842A (zh) * | 2022-06-24 | 2022-10-04 | 沈阳建筑大学 | 基于深度学习的多元时间序列趋势预测方法和系统 |
| CN115296759A (zh) * | 2022-07-15 | 2022-11-04 | 电子科技大学 | 一种基于深度学习的干扰识别方法 |
| CN115330096A (zh) * | 2022-10-14 | 2022-11-11 | 深圳国瑞协创储能技术有限公司 | 基于时序序列的能量数据中长期预测方法、装置及介质 |
| CN116007940A (zh) * | 2022-12-28 | 2023-04-25 | 昆明理工大学 | 一种考虑匹配失效阈值的滚动轴承剩余寿命预测方法 |
| CN116108742A (zh) * | 2022-12-13 | 2023-05-12 | 国网江苏省电力有限公司营销服务中心 | 基于改进gru-np模型的低压台区超短期负荷预测方法及系统 |
-
2023
- 2023-05-17 CN CN202310556920.0A patent/CN116628473A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
| CN111882130A (zh) * | 2020-07-30 | 2020-11-03 | 浙江大学 | 一种基于生成路径聚类与Box-Cox变换的二噁英排放在线预测方法 |
| CN113705715A (zh) * | 2021-09-04 | 2021-11-26 | 大连钜智信息科技有限公司 | 一种基于lstm和多尺度fcn的时间序列分类方法 |
| CN114974215A (zh) * | 2022-05-11 | 2022-08-30 | 安徽大学 | 基于音视频双模态的语音识别方法及系统 |
| CN115146842A (zh) * | 2022-06-24 | 2022-10-04 | 沈阳建筑大学 | 基于深度学习的多元时间序列趋势预测方法和系统 |
| CN115296759A (zh) * | 2022-07-15 | 2022-11-04 | 电子科技大学 | 一种基于深度学习的干扰识别方法 |
| CN115330096A (zh) * | 2022-10-14 | 2022-11-11 | 深圳国瑞协创储能技术有限公司 | 基于时序序列的能量数据中长期预测方法、装置及介质 |
| CN116108742A (zh) * | 2022-12-13 | 2023-05-12 | 国网江苏省电力有限公司营销服务中心 | 基于改进gru-np模型的低压台区超短期负荷预测方法及系统 |
| CN116007940A (zh) * | 2022-12-28 | 2023-04-25 | 昆明理工大学 | 一种考虑匹配失效阈值的滚动轴承剩余寿命预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| TIANPING ZHANG等: "Less Is More: Fast Multivariate Time Series Forecasting with Light Sampling-oriented MLP Structures", 《ARXIV:2207.01186V1》, 4 July 2022 (2022-07-04), pages 3 - 4 * |
| 张宁: "基于深度学习的时间序列数据异常检测方法的研究", 《中国优秀硕士学位论文全文数据库_基础科学辑》, 15 February 2023 (2023-02-15), pages 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN114926746B (zh) | 基于多尺度差分特征注意力机制的sar图像变化检测方法 | |
| Liu et al. | Communication-efficient federated learning for anomaly detection in industrial internet of things | |
| Fu et al. | Spatiotemporal attention networks for wind power forecasting | |
| CN110991690A (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
| CN112906989A (zh) | 一种基于cnn-lstm的区域海表面温度预测方法 | |
| CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
| CN112906987B (zh) | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 | |
| CN112598165A (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
| CN114500004A (zh) | 一种基于条件扩散概率生成模型的异常检测方法 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
| CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和系统 | |
| CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
| CN113756786A (zh) | 一种基于深度学习的抽油机井时序示功图预测方法 | |
| Zhang et al. | Digital twin empowered PV power prediction | |
| CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| CN112270123A (zh) | 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 | |
| CN116628473A (zh) | 一种基于多因子神经网络算法的电力设备状态趋势预测方法 | |
| CN114861759B (zh) | 一种线性动态系统模型的分布式训练方法 | |
| Rosato et al. | A Combined Deep Learning Approach for Time Series Prediction in Energy Environments | |
| CN115907000A (zh) | 一种用于电力系统最优潮流预测的小样本学习方法 | |
| He et al. | Wavelet-temporal neural network for multivariate time series prediction | |
| CN114689351A (zh) | 一种设备故障预测性诊断系统及方法 | |
| CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 |
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 |