CN112949947A - 一种基于卷积长短期记忆网络的电力故障预警方法及*** - Google Patents
一种基于卷积长短期记忆网络的电力故障预警方法及*** Download PDFInfo
- Publication number
- CN112949947A CN112949947A CN202110422529.2A CN202110422529A CN112949947A CN 112949947 A CN112949947 A CN 112949947A CN 202110422529 A CN202110422529 A CN 202110422529A CN 112949947 A CN112949947 A CN 112949947A
- Authority
- CN
- China
- Prior art keywords
- voltage data
- term memory
- short term
- memory network
- historical
- 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 48
- 230000006403 short-term memory Effects 0.000 title claims abstract description 22
- 230000007787 long-term memory Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- 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
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于卷积长短期记忆网络的电力故障预警方法及***,包括:获取目标区域内每种电力设备的历史电压数据,并通过所述历史电压数据训练出合适的网络参数,再根据网络模型的预设历史电压数据,计算霍特林统计量并确定霍特林统计量正常的阈值;获取目标区域内每种电力设备的实时电压数据,然后代入到训练后网络模型得到每种电力设备的预测实时电压数据,再计算所述预测实时电压数据的霍特林统计量,检验所述预测实时电压数据的霍特林统计量是否在正常的阈值范围内,若小于阈值则为正常,若大于阈值则为异常。本发明能够同时提取数据时间和空间特征,在高维数据复杂场景中表现效果更好。
Description
技术领域
本发明涉及电力故障预警技术领域,特别是涉及一种基于卷积长短期记忆网络的电力故障预警方法、***、终端和存储介质。
背景技术
工业过程中电力的故障监测影响着工业生产的稳定运行,故障的预警起着至关重要的作用。在复杂的工业过程中,现场繁杂的电力设备常伴随着高维的,非线性的数据监控,常规的数据处理算法难以应用。目前工业应用的方法有简单场景的人工监测方法,自动评估的主成分分析法(PCA)、偏最小二乘(PLS)等方法。
但是,人工检测方法需要耗费较多的人力资源,而自动评估的主成分分析法(PCA)、偏最小二乘(PLS)等方法在高维的实践过程中效果欠佳。
发明内容
本发明的目的是:提供一种基于卷积长短期记忆网络的电力故障预警方法,能在现有技术方法数据拟合的基础上,同时考虑同类数据的时间空间关联性,相比原有方法对于复杂工业数据有更好的应用效果。
为了实现上述目的,本发明提供了一种基于卷积长短期记忆网络的电力故障预警方法,包括:
获取目标区域内每种电力设备的历史电压数据,并对所述历史电压数据预处理,获得预处理后的历史电压数据;
将所述预处理后的历史电压数据输入预设的卷积长短期记忆网络模型中,对所述预设的卷积长短期记忆网络模型的网络参数进行训练,获得训练后的卷积长短期记忆网络模型;
将预处理后的历史电压数据输入训练后的卷积长短期记忆网络模型,得到每种电力设备的预测历史电压数据;
分别计算所述每种电力设备的预测历史电压数据的霍特林统计量,并确定每种电力设备电压数据的霍特林统计量的阈值;
获取目标区域内每种电力设备的实时电压数据,并对所述实时电压数据进行预处理后输入到训练后的卷积长短期记忆网络模型;获得每种电力设备的预测实时电压数据;
分别计算所述每种电力设备的预测实时电压数据的霍特林统计量,并判断所述每种电力设备的预测实时电压数据的霍特林统计量是否小于所述每种电力设备电压数据的霍特林统计量的阈值,若是,则对应电力设备正常,若否,则对应的电力设备异常。
进一步地,所述获取目标区域内每种电力设备的历史电压数据,并对所述历史电压数据预处理,获得预处理后的历史电压数据,具体为:
采用零-均值规范化的方法对每种电力设备的历史电压数据进行归一化处理,具体公式如下:
其中x,x*分别为归一化前后序列,μ为样本均值,σ为样本标准差。
进一步地,将所述预处理后的电压数据输入预设的卷积长短期记忆网络模型的网络参数进行训练,获得训练后的卷积长短期记忆网络模型,具体为:
设置训练过程的超参数;随机初始化网络的权重W和偏置参数b;代入每个样本数据,按网络结构顺序计算获得预测结果ht;用预测结果与真实值的均方差计算预测损失函数;根据Adam优化算法更新网络的权重W和偏置参数b。
进一步地,所述根据Adam优化算法更新网络的权重W和偏置参数b,具体为:
设置超参数,其中,所述超参数包括:学习率α=0.001,衰减率β1=0.9,β2=0.999,稳定常数ε=10-8;
初始化m0,v0为0,开始迭代过程,迭代固定次数后结束;具体如下:
计算损失函数的梯度gt
更新并修正矩估计变量mt,vt:
更新参数W:
其中,Wt与Wt-1分别为本次迭代更新后与更新前的权重矩阵。
进一步地,所述分别计算所述每种电力设备的预测历史电压数据的霍特林统计量,并确定每种电力设备电压数据的霍特林统计量的阈值,具体为:
将每种电力设备的预测历史电压数据转换成历史电压数据的特征矩阵H,公式如下:
H=[h1,h2,...,hn]∈Rm×n
其中,n为样本数,m为特征数;
计算每种电力设备的预测历史电压数据的协方差Φ:
其中,HT为特征矩阵H的转置,n为样本数;
所述历史电压数据的特征矩阵H中第K个样本的霍特林统计量公式如下:
确定每种电力设备的预测历史电压数据的霍特林统计量的阈值,公式如下:
其中,Tk为阈值,k为样本次序,n为样本数,F0.01(k,n-k)为两个分量分别取k、n-k时,概率为0.01的F分布的取值。
本发明还提供一种基于卷积长短期记忆网络的电力故障预警***,包括:历史数据处理模块、网络参数训练模块、预测模块、霍特林统计量计算模块、实时数据处理模块和预警模块,其中,
所述历史数据处理模块,用于获取目标区域内每种电力设备的历史电压数据,并对所述历史电压数据预处理,获得预处理后的历史电压数据;
所述网络参数训练模块,用于将所述预处理后的历史电压数据输入预设的卷积长短期记忆网络模型中,对所述预设的卷积长短期记忆网络模型的网络参数进行训练,获得训练后的卷积长短期记忆网络模型;
所述预测模块,用于将预处理后的历史电压数据输入训练后的卷积长短期记忆网络模型,得到每种电力设备的预测历史电压数据;
所述霍特林统计量计算模块,用于分别计算所述每种电力设备的预测历史电压数据的霍特林统计量,并确定每种电力设备电压数据的霍特林统计量的阈值;
所述实时数据处理模块,用于获取目标区域内每种电力设备的实时电压数据,并对所述实时电压数据进行预处理后输入到训练后的卷积长短期记忆网络模型;获得每种电力设备的预测实时电压数据;
所述预警模块,用于分别计算所述每种电力设备的预测实时电压数据的霍特林统计量,并判断所述每种电力设备的预测实时电压数据的霍特林统计量是否小于所述每种电力设备电压数据的霍特林统计量的阈值,若是,则对应电力设备正常,若否,则对应的电力设备异常。
进一步地,所述历史数据处理模块,具体用于:
采用零-均值规范化的方法对每种电力设备的历史电压数据进行归一化处理,具体公式如下:
其中x,x*分别为归一化前后序列,μ为样本均值,σ为样本标准差。
进一步地,所述网络参数训练模块,具体用于:
设置训练过程的超参数;随机初始化网络的权重W和偏置参数b;代入每个样本数据,按网络结构顺序计算获得预测结果ht;用预测结果与真实值的均方差计算预测损失函数;根据Adam优化算法更新网络的权重W和偏置参数b。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的基于卷积长短期记忆网络的电力故障预警方法。
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,其特征在于,所述计算机程序被处理器执行时实现如上述任一项所述的基于卷积长短期记忆网络的电力故障预警方法。
本发明实施例一种基于卷积长短期记忆网络的电力故障预警方法、***、终端设备和计算机可读存储介质与现有技术相比,其有益效果在于:
1、基于传感器数据进行自动的故障预警,不依赖人工监控,客观高效。
2、卷积长短期记忆网络同时提取数据时间和空间特征,在高维数据复杂场景中表现效果更好。
附图说明
图1是本发明某一实施例提供的一种基于卷积长短期记忆网络的电力故障预警方法的流程示意图。
图2是本发明某一实施例提供的卷积长短期记忆网络提取特征的结构单元示意图。
图3是本发明某一实施例提供的一种基于卷积长短期记忆网络的电力故障预警***的结构示意图。
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。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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,本发明实施例的一种基于卷积长短期记忆网络的电力故障预警方法,包括:
S101、获取目标区域内每种电力设备的历史电压数据,并对所述历史电压数据预处理,获得预处理后的历史电压数据;
具体地,为了实现电力设备的故障预警诊断,首先选取合适的监测参数,电流变化受运作功率影响很大,不适合用于直接分析,所以根据现场所有设备的电压作为数据输入做分析更合适。
对于这些电力设备而言,处于正常固定工作模式运行时,其电压信号为稳定周期信号。选取0.1Hz作为采样频率采集输入数据,得到每个设备的初始电压序列样本。并采用Z-score标准化方法归一化输入数据:
其中x,x*分别为归一化前后序列,μ为样本均值,σ为样本标准差。
同时采集所有设备在同一时间段的电压值并且标准化,并且根据设备间二维位置信息,统一输入数据为三维数组的形式。
S102、将所述预处理后的历史电压数据输入预设的卷积长短期记忆网络模型中,对所述预设的卷积长短期记忆网络模型的网络参数进行训练,获得训练后的卷积长短期记忆网络模型;
具体地,长短期记忆网络(LSTM)常用于预测时序数据,电力设备也能应用LSTM作为电力时序数据故障预警的方法,但这样忽略了设备间的空间关联信息。卷积长短期记忆网络改进了原有LSTM的网络单元结构,引入了卷积层提取数据的空间关联性,卷积长短期记忆网络提取特征的结构单元如图2所示:
图中ht-1,ht代表上一时刻和当前时刻预测的输出,Ct-1,Ct代表上一时刻和当前时刻网络单元的状态,xt代表当前时刻输入的数据,为二维的矩阵。
当前时刻数据xt首先经由遗忘门决定当前时刻丢弃部分信息,输出遗忘因子ft为保留信息的比例:
ft=σ(Wf⊙[Ct-1,ht-1,xt]+bf)
其中Wf,bf为网络待训练的参数,σ代表sigmoid函数,⊙为卷积运算(conv)。
it=σ(Wi⊙[Ct-1,ht-1,xt]+bi)
式中Wi,bi,Wc,bc均为网络待训练的参数,tanh为双曲正切函数。
最后,网络预测输出值ht结果为上一时刻状态Ct-1,ht-1,当前时刻输入xt,和当前时刻计算所得状态Ct的综合。其中Wo,bo为网络待训练的参数:
ht=σ(Wo⊙[Ct-1,ht-1,xt]+bo)·tanh(Ct)
网络预测输出ht与输入xt为相同维度,代表评估每个设备的故障状态的值。
需要说明的是,所述对卷积长短期记忆网络模型的网络参数进行训练,具体包括以下几个步骤:
设置训练过程的超参数;
随机初始化网络的权重W和偏置参数b;
代入每个样本数据,按网络结构顺序计算获得预测结果ht;
用预测结果与真实值的均方差(MSE)计算预测损失函数;
根据Adam优化算法更新网络的权重W和偏置参数b。
具体地,所述Adam优化算法,具体为:
所述Adam优化算法,具体为:
设置超参数,其中,所述超参数包括:学习率α=0.001,衰减率β1=0.9,β2=0.999,稳定常数ε=10-8;
初始化m0,v0为0,开始迭代过程,迭代固定次数后结束;具体如下:
计算损失函数的梯度gt
更新并修正矩估计变量mt,vt:
更新参数W:
其中,Wt与Wt-1分别为本次迭代更新后与更新前的权重矩阵。
S103、将预处理后的历史电压数据输入训练后的卷积长短期记忆网络模型,得到每种电力设备的预测历史电压数据;
S104、分别计算所述每种电力设备的预测历史电压数据的霍特林统计量,并确定每种电力设备电压数据的霍特林统计量的阈值;
具体地,将每种电力设备的预测历史电压数据转换成历史电压数据的特征矩阵H,公式如下:
H=[h1,h2,...,hn]∈Rm×n
其中,n为样本数,m为特征数;
计算每种电力设备的预测历史电压数据的协方差Φ:
其中,HT为特征矩阵H的转置,n为样本数;
所述历史电压数据的特征矩阵H中第K个样本的霍特林统计量公式如下:
确定每种电力设备的预测历史电压数据的霍特林统计量的阈值,公式如下:
其中,Tk为阈值,k为样本次序,n为样本数,F0.01(k,n-k)为两个分量分别取k、n-k时,概率为0.01的F分布的取值。
S105、获取目标区域内每种电力设备的实时电压数据,并对所述实时电压数据进行预处理后输入到训练后的卷积长短期记忆网络模型;获得每种电力设备的预测实时电压数据;
S106、分别计算所述每种电力设备的预测实时电压数据的霍特林统计量,并判断所述每种电力设备的预测实时电压数据的霍特林统计量是否小于所述每种电力设备电压数据的霍特林统计量的阈值,若是,则对应电力设备正常,若否,则对应的电力设备异常。
具体地,将每种电力设备的预测实时电压数据的霍特林统计量和每种电力设备电压数据的霍特林统计量的阈值进行比较,若小于阈值,则对应电力设备正常,若大于阈值,则对应的电力设备异常。
本发明实施例一种基于卷积长短期记忆网络的电力故障预警方法与现有技术相比,其有益效果在于:
1、基于传感器数据进行自动的故障预警,不依赖人工监控,客观高效。
2、卷积长短期记忆网络同时提取数据时间和空间特征,在高维数据复杂场景中表现效果更好。
如图3所示,本发明还提供的一种基于卷积长短期记忆网络的电力故障预警***200,包括:历史数据处理模块201、网络参数训练模块202、预测模块203、霍特林统计量计算模块204、实时数据处理模块205和预警模块206,其中,
所述历史数据处理模块201,用于获取目标区域内每种电力设备的历史电压数据,并对所述历史电压数据预处理,获得预处理后的历史电压数据;
所述网络参数训练模块202,用于将所述预处理后的历史电压数据输入预设的卷积长短期记忆网络模型中,对所述预设的卷积长短期记忆网络模型的网络参数进行训练,获得训练后的卷积长短期记忆网络模型;
所述预测模块203,用于将预处理后的历史电压数据输入训练后的卷积长短期记忆网络模型,得到每种电力设备的预测历史电压数据;
所述霍特林统计量计算模块204,用于分别计算所述每种电力设备的预测历史电压数据的霍特林统计量,并确定每种电力设备电压数据的霍特林统计量的阈值;
所述实时数据处理模块205,用于获取目标区域内每种电力设备的实时电压数据,并对所述实时电压数据进行预处理后输入到训练后的卷积长短期记忆网络模型;获得每种电力设备的预测实时电压数据;
所述预警模块206,用于分别计算所述每种电力设备的预测实时电压数据的霍特林统计量,并判断所述每种电力设备的预测实时电压数据的霍特林统计量是否小于所述每种电力设备电压数据的霍特林统计量的阈值,若是,则对应电力设备正常,若否,则对应的电力设备异常。
在本发明的某一个实施例中,所述历史数据处理模块,具体用于:
采用零-均值规范化的方法对每种电力设备的历史电压数据进行归一化处理,具体公式如下:
其中x,x*分别为归一化前后序列,μ为样本均值,σ为样本标准差。
在本发明的某一个实施例中,所述网络参数训练模块,具体用于:
设置训练过程的超参数;随机初始化网络的权重W和偏置参数b;代入每个样本数据,按网络结构顺序计算获得预测结果ht;用预测结果与真实值的均方差计算预测损失函数;根据Adam优化算法更新网络的权重W和偏置参数b。
本发明实施例提供的一种基于卷积长短期记忆网络的电力故障预警***与现有技术相比,其有益效果在于:
1、基于传感器数据进行自动的故障预警,不依赖人工监控,客观高效。
2、卷积长短期记忆网络同时提取数据时间和空间特征,在高维数据复杂场景中表现效果更好。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的基于卷积长短期记忆网络的电力故障预警方法。
需要说明的是,所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificlntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作***、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡和闪存卡(FlashCard)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
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,其特征在于,所述计算机程序被处理器执行时实现如上述任一项所述的基于卷积长短期记忆网络的电力故障预警方法。
需要说明的是,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,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)
1.一种基于卷积长短期记忆网络的电力故障预警方法,其特征在于,包括:
获取目标区域内每种电力设备的历史电压数据,并对所述历史电压数据预处理,获得预处理后的历史电压数据;
将所述预处理后的历史电压数据输入预设的卷积长短期记忆网络模型中,对所述预设的卷积长短期记忆网络模型的网络参数进行训练,获得训练后的卷积长短期记忆网络模型;
将预处理后的历史电压数据输入训练后的卷积长短期记忆网络模型,得到每种电力设备的预测历史电压数据;
分别计算所述每种电力设备的预测历史电压数据的霍特林统计量,并确定每种电力设备电压数据的霍特林统计量的阈值;
获取目标区域内每种电力设备的实时电压数据,并对所述实时电压数据进行预处理后输入到训练后的卷积长短期记忆网络模型;获得每种电力设备的预测实时电压数据;
分别计算所述每种电力设备的预测实时电压数据的霍特林统计量,并判断所述每种电力设备的预测实时电压数据的霍特林统计量是否小于所述每种电力设备电压数据的霍特林统计量的阈值,若是,则对应电力设备正常,若否,则对应的电力设备异常。
3.根据权利要求1所述的基于卷积长短期记忆网络的电力故障预警方法,其特征在于,将所述预处理后的电压数据输入预设的卷积长短期记忆网络模型的网络参数进行训练,获得训练后的卷积长短期记忆网络模型,具体为:
设置训练过程的超参数;随机初始化网络的权重W和偏置参数b;代入每个样本数据,按网络结构顺序计算获得预测结果ht;用预测结果与真实值的均方差计算预测损失函数;根据Adam优化算法更新网络的权重W和偏置参数b。
4.根据权利要求3所述的基于卷积长短期记忆网络的电力故障预警方法,其特征在于,所述根据Adam优化算法更新网络的权重W和偏置参数b,具体为:
设置超参数,其中,所述超参数包括:学习率α=0.001,衰减率β1=0.9,β2=0.999,稳定常数ε=10-8;
初始化m0,v0为0,开始迭代过程,迭代固定次数后结束;具体如下:
计算损失函数的梯度gt
更新并修正矩估计变量mt,vt:
mt←β1·mt-1+(1-β1)·gt
更新参数W:
其中,Wt与Wt-1分别为本次迭代更新后与更新前的权重矩阵。
5.根据权利要求1所述的基于卷积长短期记忆网络的电力故障预警方法,其特征在于,所述分别计算所述每种电力设备的预测历史电压数据的霍特林统计量,并确定每种电力设备电压数据的霍特林统计量的阈值,具体为:
将每种电力设备的预测历史电压数据转换成历史电压数据的特征矩阵H,公式如下:
H=[h1,h2,...,hn]∈Rm×n
其中,n为样本数,m为特征数;
计算每种电力设备的预测历史电压数据的协方差Φ:
其中,HT为特征矩阵H的转置,n为样本数;
所述历史电压数据的特征矩阵H中第K个样本的霍特林统计量公式如下:
确定每种电力设备的预测历史电压数据的霍特林统计量的阈值,公式如下:
其中,Tk为阈值,k为样本次序,n为样本数,F0.01(k,n-k)为两个分量分别取k、n-k时,概率为0.01的F分布的取值。
6.一种基于卷积长短期记忆网络的电力故障预警***,其特征在于,包括:历史数据处理模块、网络参数训练模块、预测模块、霍特林统计量计算模块、实时数据处理模块和预警模块,其中,
所述历史数据处理模块,用于获取目标区域内每种电力设备的历史电压数据,并对所述历史电压数据预处理,获得预处理后的历史电压数据;
所述网络参数训练模块,用于将所述预处理后的历史电压数据输入预设的卷积长短期记忆网络模型中,对所述预设的卷积长短期记忆网络模型的网络参数进行训练,获得训练后的卷积长短期记忆网络模型;
所述预测模块,用于将预处理后的历史电压数据输入训练后的卷积长短期记忆网络模型,得到每种电力设备的预测历史电压数据;
所述霍特林统计量计算模块,用于分别计算所述每种电力设备的预测历史电压数据的霍特林统计量,并确定每种电力设备电压数据的霍特林统计量的阈值;
所述实时数据处理模块,用于获取目标区域内每种电力设备的实时电压数据,并对所述实时电压数据进行预处理后输入到训练后的卷积长短期记忆网络模型;获得每种电力设备的预测实时电压数据;
所述预警模块,用于分别计算所述每种电力设备的预测实时电压数据的霍特林统计量,并判断所述每种电力设备的预测实时电压数据的霍特林统计量是否小于所述每种电力设备电压数据的霍特林统计量的阈值,若是,则对应电力设备正常,若否,则对应的电力设备异常。
8.根据权利要求6所述的基于卷积长短期记忆网络的电力故障预警***,其特征在于,所述网络参数训练模块,具体用于:
设置训练过程的超参数;随机初始化网络的权重W和偏置参数b;代入每个样本数据,按网络结构顺序计算获得预测结果ht;用预测结果与真实值的均方差计算预测损失函数;根据Adam优化算法更新网络的权重W和偏置参数b。
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5任一项所述的基于卷积长短期记忆网络的电力故障预警方法。
10.一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,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于卷积长短期记忆网络的电力故障预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422529.2A CN112949947A (zh) | 2021-04-19 | 2021-04-19 | 一种基于卷积长短期记忆网络的电力故障预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422529.2A CN112949947A (zh) | 2021-04-19 | 2021-04-19 | 一种基于卷积长短期记忆网络的电力故障预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949947A true CN112949947A (zh) | 2021-06-11 |
Family
ID=76232996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110422529.2A Pending CN112949947A (zh) | 2021-04-19 | 2021-04-19 | 一种基于卷积长短期记忆网络的电力故障预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949947A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109011A (zh) * | 2023-04-10 | 2023-05-12 | 知鱼智联科技股份有限公司 | 一种智慧园区的能耗管理方法及终端 |
CN117235460A (zh) * | 2023-10-12 | 2023-12-15 | 广州拾贝云科技有限公司 | 一种基于电力时序数据的数据传输处理方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146246A (zh) * | 2018-05-17 | 2019-01-04 | 清华大学 | 一种基于自动编码器和贝叶斯网络的故障检测方法 |
CN112200104A (zh) * | 2020-10-15 | 2021-01-08 | 重庆科技学院 | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 |
US20210066141A1 (en) * | 2019-08-26 | 2021-03-04 | International Business Machines Corporation | Anomaly Detection and Remedial Recommendation |
-
2021
- 2021-04-19 CN CN202110422529.2A patent/CN112949947A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146246A (zh) * | 2018-05-17 | 2019-01-04 | 清华大学 | 一种基于自动编码器和贝叶斯网络的故障检测方法 |
US20210066141A1 (en) * | 2019-08-26 | 2021-03-04 | International Business Machines Corporation | Anomaly Detection and Remedial Recommendation |
CN112200104A (zh) * | 2020-10-15 | 2021-01-08 | 重庆科技学院 | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
何彪: "基于历史数据的电站锅炉故障检测及动态建模", 《中国优秀硕士学位论文全文数据库》 * |
何彪: "基于历史数据的电站锅炉故障检测及动态建模", 《中国优秀硕士学位论文全文数据库》, 15 June 2019 (2019-06-15), pages 1 - 70 * |
李瑞红: "输电线路覆冰预测及融冰技术研究", 《中国优秀硕士学位论文全文数据库》 * |
李瑞红: "输电线路覆冰预测及融冰技术研究", 《中国优秀硕士学位论文全文数据库》, 15 April 2021 (2021-04-15), pages 1 - 76 * |
由育阳: "机器学习智能诊断理论与应用:睡眠障碍诊断", 北京理工大学出版社, pages: 165 - 166 * |
谢晓晨: "大数据意义下的非线性工业过程预测问题研究", 《中国优秀硕士学位论文全文数据库》, 15 February 2015 (2015-02-15), pages 1 - 83 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109011A (zh) * | 2023-04-10 | 2023-05-12 | 知鱼智联科技股份有限公司 | 一种智慧园区的能耗管理方法及终端 |
CN116109011B (zh) * | 2023-04-10 | 2023-06-23 | 知鱼智联科技股份有限公司 | 一种智慧园区的能耗管理方法及终端 |
CN117235460A (zh) * | 2023-10-12 | 2023-12-15 | 广州拾贝云科技有限公司 | 一种基于电力时序数据的数据传输处理方法及*** |
CN117235460B (zh) * | 2023-10-12 | 2024-05-31 | 广州拾贝云科技有限公司 | 一种基于电力时序数据的数据传输处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Galelli et al. | An evaluation framework for input variable selection algorithms for environmental data-driven models | |
CN111754042A (zh) | 基于高斯回归的大气污染物浓度的预测方法及装置 | |
CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
CN112949947A (zh) | 一种基于卷积长短期记忆网络的电力故障预警方法及*** | |
CN110837872B (zh) | 一种工控网络入侵检测方法及*** | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
CN114363195A (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN115759461A (zh) | 一种面向物联网的多元时间序列预测方法及*** | |
CN115983087A (zh) | 一种注意力机制与lstm结合检测时序数据异常方法及终端机 | |
CN115618248A (zh) | 公共建筑的负荷异常识别方法、装置、存储介质及设备 | |
CN112163020A (zh) | 一种多维时间序列异常检测方法及检测*** | |
Mesters et al. | Generalized dynamic panel data models with random effects for cross-section and time | |
CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及*** | |
CN117787470A (zh) | 一种基于ewt和集成方法的时序预测方法和*** | |
CN110866672B (zh) | 数据处理方法、装置、终端及介质 | |
CN116826739A (zh) | 基于单变量时序的超短期农业电力负荷预测方法及装置 | |
CN111930728A (zh) | 一种设备的特征参数和故障率的预测方法及*** | |
CN116885699A (zh) | 基于双重注意力机制的电力负荷预测方法 | |
CN115713670A (zh) | 基于图预测网络和自动编码器的异常检测方法及*** | |
Rao et al. | Time series anomaly detection based on CEEMDAN and LSTM | |
CN115859202B (zh) | 一种非平稳时序数据流场景下的异常检测方法及装置 | |
CN115796394B (zh) | 数值天气预报订正方法、装置、电子设备及存储介质 | |
Killick et al. | Automatic Locally Stationary Time Series Forecasting with application to predicting UK Gross Value Added Time Series under sudden shocks caused by the COVID pandemic | |
Pang et al. | Recurrent Variational Information Bottleneck for Time Series Trend Prediction | |
Pouzols et al. | Adaptive kernel smoothing regression using vector quantization |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |