CN114565182A - 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法 - Google Patents

一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法 Download PDF

Info

Publication number
CN114565182A
CN114565182A CN202210288488.7A CN202210288488A CN114565182A CN 114565182 A CN114565182 A CN 114565182A CN 202210288488 A CN202210288488 A CN 202210288488A CN 114565182 A CN114565182 A CN 114565182A
Authority
CN
China
Prior art keywords
power equipment
temperature
neural network
divergence
bidirectional long
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.)
Withdrawn
Application number
CN202210288488.7A
Other languages
English (en)
Inventor
顾菊平
蒋凌
徐一鸣
言淳恺
周伯俊
赵凤申
程天宇
赵佳皓
李朋昊
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.)
Nantong University
Original Assignee
Nantong 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 Nantong University filed Critical Nantong University
Priority to CN202210288488.7A priority Critical patent/CN114565182A/zh
Publication of CN114565182A publication Critical patent/CN114565182A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Feedback Control In General (AREA)
  • Public Health (AREA)

Abstract

本发明涉及电力设备温度预测技术领域，尤其涉及一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法，包括：基于电力设备的历史运行数据构建数据间的相关度指标，并采用非支配排序遗传优化方法降低数据间的相关度，获取关联度最低的电力设备历史运行数据集；随后采用双向长短时记忆网络学习数据集，并根据预测目标改进损失函数以提高方法预测精度；最后依据训练好的长短时记忆网络的输出，对下一时刻电力设备的最高温与最低温进行联合预测。本发明通过构建最优数据集，优化网络性能能够准确预测电力设备的温度安全运行区间，且模型泛化能力更强。

Description

一种基于非支配排序遗传优化双向长短时记忆神经网络的电 力设备温度预测方法
技术领域
本发明涉及电力设备温度预测技术领域，尤其涉及一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法。
背景技术
近年来随着电力市场改革的逐步深入与分布式电源、电动汽车与储能电站等新型元件的规模化接入，配电***电力设备构成、结构形态与控制模式均出现了前所未有的剧烈变化，在一定程度上增加了因设备故障导致的运行风险。随着智能传感，5G通讯，物联网等技术的快速发展，针对电力设备的智能监测***快速发展，能够实时采集电力设备关键运行数据，为后续电力设备状态分析奠定基础。
电力设备建设的加速，保障电力设备长时间稳定安全运行显得尤为重要，通常电站中会部署传感***对温度，功率、SOC等重要参量实时监测，其中对电力设备温度监测是至关重要的。在电力设备运行过程中都会产生热量，并且伴随运行时间增加，设备受损老化，导致发热量会逐渐增加。当久而久之会出现效率退化、发热严重，若不加以及时干预会产生燃烧甚至***的情况，导致电力设备发生严重火灾。因此，需要构建监测体系来实时监测电力设备热状态，并基于智能算法有效预测安全运行温度区间。
目前，有较多研究利用传感***采集电力设备运行数据，再基于模型驱动或数据驱动方法实现电力设备的建模与温度预测。但大多仅对单一电力设备的热性能进行高效建模，针对复杂工作环境中不同种类电力设备温度区间预测，则需要能够自适应时序数据特性，且特征挖掘能力更强预测模型。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法，通过构建最优数据集，优化网络性能实现了电力设备温度上下限准确预测。
为了实现上述目的，本发明采用了如下技术方案：
一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法，包括以下步骤：
S1、对于任意两组等长的离散变量P和Q，先基于P编码来自P的样本，获取最优编码的比特数H(x)，再基于P编码来自Q的样本，获取最优编码的比特数G(x)，最后依据H(x)和G(x)得出K-L散度，用以衡量两组变量间的相关程度；其中，该步骤中的K-L散度需能够评价两组等长时序离散变量分布间广泛的关联度，而不限定于特定的函数类型，且其数值越小关联度越强。
S2、将电力设备时序历史运行数据以n为间隔长度，截取为K组长度一致的离散变量，构建电力设备历史运行数据集；同时，利用步骤S1方法计算K组中任意两组离散变量的K-L散度，构建K×K的K-L散度矩阵，并依此计算平均K-L散度用以评估电力设备历史运行数据集的相关性。
S3、基于步骤S2构建的平均K-L散度，采用非支配排序遗传优化算法，以n为优化对象，在设定范围α1<n<α2内，以平均K-L散度最大，即电力设备历史运行数据集的相关性最小为优化目标进行快速寻优，获取电力设备时序数据的最优截取策略，构建最优电力设备历史运行数据集；
S4、采用经过步骤S3获取电力设备最优历史运行数据集，对双向长短时神经网络进行训练，并在双向长短时神经网络的损失函数中利用Log-Cosh损失函数约束最高温和最低温的差值，同时利用均方误差损失函数预测最高温和最低温的具体数值，获得可用于电力设备最高温与最低温联合预测的双向长短时神经网络；
S5、获取当前电力设备时序历史运行数据，并输入步骤S4处理得到的双向长短时神经网络，输出下一时刻电力设备最高温与最低温的预测结果，获取电力设备温度安全运行区间。
优选地，在步骤S1中，两组等长的离散变量的K-L散度具体计算过程如下：
S1.1、对于两组离散变量P和Q，首先用基于P的编码去编码来自P的样本，其最优编码所需比特数，即离散变量P的熵H(x)如下所示：
Figure BDA0003559227050000021
S1.2、用基于P的编码去编码来自Q的样本，其最优编码所需比特数，即离散变量Q对于离散变量P的熵G(x)在如下所示：
Figure BDA0003559227050000031
S1.3、最后依据H(x)和G(x)计算得出离散变量Q对于离散变量P的K-L散度，如下所示：
Figure BDA0003559227050000032
其中，D(P||Q)在[0,1]的范围内，数值越大离散变量的相关性越弱，差异性越大。
优选地，在步骤S2中，K-L散度矩阵M为K×K的对称矩阵且主对角线为0，则平均K-L散度meanKL的计算公式为：
Figure BDA0003559227050000033
式中sum(M)为矩阵M的所有元素之和。
优选地，在步骤S3中，利用非支配排序遗传算法对K段电力设备时序历史运行数据截取，从而使得离散变量的关联度最低，即差异性最大，整个量化过程通过下述公式表达：
Figure BDA0003559227050000034
Figure BDA0003559227050000035
其中，非支配排序遗传算法以n作为优化对象，确定[α1,α2]为ni的解空间，并同时保证
Figure BDA0003559227050000036
其中α1和α2为n的预先设置的离散时序段上下界，为了保证非支配排序遗传算法优化出有实际划分意义的解。
优选地，在步骤S4中，双向长短时神经网络的损失函数的公式为：
Figure BDA0003559227050000037
其中，MSELoss为均方误差损失函数，Log-CoshLoss为平均绝对误差损失函数，ylow与yhigh为温度真实值，
Figure BDA0003559227050000038
与
Figure BDA0003559227050000039
为温度预测值。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过构建最优数据集，优化网络性能实现了电力设备温度上下限准确预测。
2、本发明采用非支配排序遗传算法优化平均K-L散度，使得用于训练的数据集中每组变量差异性最大，从而保证双向长短时记忆神经网络能够尽可能多的学习历史数据的潜在运行规律，提高网络的泛化性能。
3、本发明中的预测网络采用了双向长短时记忆神经网络，是两个不同方向的长短时记忆神经层组成，使得网络中正向和后向的时序数据都能参与模型训练中，从而进一步挖掘历史与未来数据与当前预测值的潜在关联，提高模型预测精度。
4、本发明能够根据电力设备温度上下限预测的目标设计目标函数，在其中引入温度上下限的差值，进一步约束预测值的误差范围。
附图说明
图1为本发明的流程图；
图2为本发明中电力设备时序历史数据截取示意图；
图3为本发明中K-L散度的矩阵图；
图4为本发明中非支配排序遗传优化算法的流程图；
图5为本发明中双向长短时记忆神经网络的结构图；
图6为本发明中电力设备温度上下限预测的结果图。
具体实施方式
下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例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做出创造性劳动的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。
参照图1，一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法，包括以下步骤：
S1、对于任意两组等长的离散变量P和Q，先基于P编码来自P的样本，获取最优编码的比特数H(x)，再基于P编码来自Q的样本，获取最优编码的比特数G(x)，最后依据H(x)和G(x)得出K-L散度，用以衡量两组变量间的相关程度；其中，该步骤中的K-L散度需能够评价两组等长时序离散变量分布间广泛的关联度，而不限定于特定的函数类型，且其数值越小关联度越强。
S2、将电力设备时序历史运行数据以n为间隔长度，截取为K组长度一致的离散变量，构建电力设备历史运行数据集；同时，利用步骤S1方法计算K组中任意两组离散变量的K-L散度，构建K×K的K-L散度矩阵，并依此计算平均K-L散度用以评估电力设备历史运行数据集的相关性。
S3、基于步骤S2构建的平均K-L散度，采用非支配排序遗传优化算法，以n为优化对象，在设定范围α1<n<α2内，以平均K-L散度最大，即电力设备历史运行数据集的相关性最小为优化目标进行快速寻优，获取电力设备时序数据的最优截取策略，构建最优电力设备历史运行数据集；
S4、采用经过步骤S3获取电力设备最优历史运行数据集，对双向长短时神经网络进行训练，并在双向长短时神经网络的损失函数中利用Log-Cosh损失函数约束最高温和最低温的差值，同时利用均方误差损失函数预测最高温和最低温的具体数值，获得可用于电力设备最高温与最低温联合预测的双向长短时神经网络；
S5、获取当前电力设备时序历史运行数据，并输入步骤S4处理得到的双向长短时神经网络，输出下一时刻电力设备最高温与最低温的预测结果，获取电力设备温度安全运行区间。
具体的，在步骤S1中，两组等长的离散变量的K-L散度具体计算过程如下：
S1.1、对于两组离散变量P和Q，首先用基于P的编码去编码来自P的样本，其最优编码所需比特数，即离散变量P的熵H(x)如下所示：
Figure BDA0003559227050000051
S1.2、用基于P的编码去编码来自Q的样本，其最优编码所需比特数，即离散变量Q对于离散变量P的熵G(x)在如下所示：
Figure BDA0003559227050000052
S1.3、最后依据H(x)和G(x)计算得出离散变量Q对于离散变量P的K-L散度，如下所示：
Figure BDA0003559227050000061
其中，D(P||Q)在[0,1]的范围内，数值越大离散变量的相关性越弱，差异性越大。
具体的，在步骤S2中，电力设备中所监测参量的时序数据为典型非平稳时间序列，受到趋势、负荷特性、季节与周期等多种因素影响。参照图2中所示，对于长度为N非平稳时间序列
Figure BDA0003559227050000062
神经网络算法通常将时序数据截取为K段长度为n的离散时序段,学习待测点前K步的数据变化趋势，即
Figure BDA0003559227050000063
进而对当前待测点yi+1进行预测。且
Figure BDA0003559227050000064
为其d维待预测数据。因此，神经网络学习时序数据前需截取待测点前的时序段，获取K个离散时序段，且每一离散时序段对应的概率分布都各不相同。同时概率分布会跟随截取长度n发生变化，离散时序段之间的概率分布特性差别越大，关联性就越弱，从而使得神经网络算法学习到更多样的数据变化趋势。为了度量K段离散时序的关联性，就需依据步骤S1中所述的K-L散度计算任意两组离散变量的K-L散度，再构建如图3中所示K×K的K-L散度矩阵。
由于K-L散度的非对称性，K-L散度矩阵不是对称矩阵且主对角线为0，所以K个离散时序段的平均K-L散度meanKL可以通过如下公式获得，式中sum(M)为矩阵M的所有元素之和。MeanKL取值范围为[0,1]之间，表征着截取为K段的离散时序段集合的差异性，值越大表示集合内的离散时序段差异性越大，越有利于模型泛化。
Figure BDA0003559227050000065
具体的，步骤S3中的非支配排序遗传优化算法借鉴于自然界中种群内部的自然选择和群体遗传现象，模拟种群中个体之间进化过程中发生的自然选择、遗传、变异现象，通过适应度函数对每一代种群个体筛选获取优良性状，通过多次迭代，从而逐步逼近优化目标最优解。其步骤参照图4所示：
S3.1、进行种群的初始化操作，即随机生成具有X个个体的初始种群C0；
S3.2、对种群中的所有个体进行非支配排序，计算各个体的适应度，并判断各个体是否满足约束条件，若不存在满足约束条件的个体，则通过选择、交叉和变异操作生成新的种群直至有个体满足条件，当满足约束条件后便生成次代种群C1后，参与下一次迭代。
S3.3、将C1的种群与其父代合并为个体数量为2X的大种群，并对这个大种群进行快速非支配排序与拥挤度计算，保留非支配程度高且拥挤度小的个体。
S3.4、若满足生成新种群条件则通过选择、交叉、变异的方式生成新的种群，然后重复步骤S3.3直至达到最大代数。
利用非支配排序遗传优化算法对K段差异性最大的离散时序段的量化过程可以通过如下公式表示。以平均K-L散度meanKL最大作为精英保留遗传算法的优化目标，以n作为优化对象，确定[α1,α2]为ni的解空间，并同时保证
Figure BDA0003559227050000071
其中α1和α2为n的预先设置的离散时序段上下界，为了保证遗传算法优化出有实际划分意义的解。n的不同取值会影响离散时序段的长度，从而导致离散时序段的概率分布发生改变，最终会极大影响离散时序段的相似性。而对于如双向长短时神经网络的自学习算法，用于学习的离散数据段相似性越低，泛化性能越强。
Figure BDA0003559227050000072
Figure BDA0003559227050000073
具体的，步骤S4中的双向长短时记忆神经网络是由长短时记忆神经单元L构建的双时序方向的深度学习预测算法。长短时记忆神经单元L内包含的输入门、遗忘门和输出门依次进行如下计算：
it＝Sigmoid(Wixt+Uiht-1+bi)
ft＝Sigmoid(Wfxt+Ufht-1+bf)
ot＝Sigmoid(Woxt+Uoht-1+bo)
Figure BDA0003559227050000074
Figure BDA0003559227050000075
ht＝ot·tanh(Ct)
上式中，输入门为it；遗忘门为ft；输出门为ot；ht-1为前一时刻的单元输出；W为权重；b为偏置；Sigmoid与tanh均为激活函数。
其中，电力设备监测参量在由多层长短时记忆神经单元L组成的网络中总是依据时间序列从前到后进行训练，因此仅能学习到数据的正向变化趋势，无法充分挖掘潜在特征，对数据利用效率较低。而双向长短记忆神经网络参照图5中所示是两个不同方向的长短时记忆神经单元组成，使得网络能正向学习与后向学习同时进行，从而使网络中间层的历史与未来特征都能参与模型训练中，从而进一步挖掘历史与未来数据与当前预测值的潜在关联，提高模型预测精度。
双向长短记忆神经网络的前向长短时记忆神经单元层计算结果用h表示，后向长短时记忆神经单元层计算结果用h’表示，则最终的输出结果如下公式所示，其中ε1和ε2分别为前，后向隐藏层计算结果的加权值，均为常数值且和为1。
o＝Sigmoid(ε1h+ε2h')
根据电力设备温度上下限预测的需求，利用双向长短记忆神经网络分别对上限和下限预测会导致预测精度下降以及预测结果矛盾等问题，因此，针对电力设备温度区间预测过程中仅采用均方误差损失函数作为温度预测的损失函数基础上进行改进，在原有损失基础上加入基于温度区间差值构建的Log-Cosh损失函数。在保证原有最高温与最低温拟合精度的前提下，使得预测温度区间与电力设备实际监测温度区间差距缩小，最终损失函数如下所示，其中ylow与yhigh为温度真实值，
Figure BDA0003559227050000081
与
Figure BDA0003559227050000082
为温度预测值。
Figure BDA0003559227050000083
其中均方误差损失函数为MSELoss，公式如下：
Figure BDA0003559227050000084
Log-Cosh损失函数为Log-CoshLoss，公式如下：
Figure BDA0003559227050000085
具体的，在步骤S5中，将当前电力设备实时采集的监测参量，如电压、电流、功率等输入至训练完成，可用于电力设备的最高温与最低温联合预测的双向长短时神经网络中，便可对电力设备下一时刻的最高温与最低温度进行预测。参照图6中所示，图中上坐标系为电力设备最高温与最低温的预测值，下坐标系为实际测量的值，本发明对最低温度值的平均绝对误差为4.22，相关系数误差为0.822，对最高温度的平均绝对误差为4.67，相关系数误差为0.812。对比现有的对比长短时记忆神经网络模型和LightGBM模型分别提高了近15％和20％，实现了电力设备温度上下限的精准预测。
本发明中披露的说明和实践，对于本技术领域的普通技术人员来说，都是易于思考和理解的，且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。因此，在不偏离本发明精神的基础上所做的修改或改进，也应视为本发明的保护范围。

Claims (5)

1.一种基于非支配排序优化双向长短时记忆神经网络的电力设备温度预测方法，其特征在于，包括以下步骤：
S1、对于任意两组等长的离散变量P和Q，先基于P编码来自P的样本，获取最优编码的比特数H(x)，再基于P编码来自Q的样本，获取最优编码的比特数G(x)，最后依据H(x)和G(x)得出K-L散度；
S2、将电力设备时序运行数据以n为间隔长度，截取为K组长度一致的离散变量，构建电力设备历史运行数据集；计算K组中任意两组离散变量的K-L散度，构建K×K的K-L散度矩阵，并依此计算平均K-L散度用以评估电力设备历史运行数据集的相关性；
S3、基于步骤S2构建的平均K-L散度，采用非支配排序遗传优化算法，以n为优化对象，在设定范围α1<n<α2内，以平均K-L散度最大，即电力设备历史运行数据集的相关性最小为优化目标进行快速寻优，获取电力设备时序数据的最优截取策略，构建最优电力设备历史运行数据集；
S4、采用经过步骤S3获取电力设备最优历史运行数据集，对双向长短时神经网络进行训练，并在双向长短时神经网络的损失函数中利用Log-Cosh损失函数约束最高温和最低温的差值，同时利用均方误差损失函数预测最高温和最低温的具体数值，获得可用于电力设备最高温与最低温联合预测的双向长短时神经网络；
S5、获取当前电力设备时序历史运行数据，并输入步骤S4处理得到的双向长短时神经网络，输出下一时刻电力设备最高温与最低温的预测结果，获取电力设备温度安全运行区间。
2.根据权利要求1所述的一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法，其特征在于，在步骤S1中，两组等长的离散变量的K-L散度具体计算过程如下：
S1.1、对于两组离散变量P和Q，首先用基于P的编码去编码来自P的样本，其最优编码所需比特数，即离散变量P的熵H(x)如下所示：
Figure FDA0003559227040000011
S1.2、用基于P的编码去编码来自Q的样本，其最优编码所需比特数，即离散变量Q对于离散变量P的熵G(x)在如下所示：
Figure FDA0003559227040000021
S1.3、最后依据H(x)和G(x)计算得出离散变量Q对于离散变量P的K-L散度，如下所示：
Figure FDA0003559227040000022
其中，D(P||Q)在[0,1]的范围内，数值越大离散变量的相关性越弱，差异性越大。
3.根据权利要求1所述的一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法，其特征在于，在步骤S2中，K-L散度矩阵M为K×K的对称矩阵且主对角线为0，则平均K-L散度meanKL的计算公式为：
Figure FDA0003559227040000023
式中sum(M)为矩阵M的所有元素之和。
4.根据权利要求1所述的一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法，其特征在于，在步骤S3中，利用非支配排序遗传遗传算法对K段电力设备时序历史运行数据截取，从而使得离散变量的关联度最低，即差异性最大，整个量化过程通过下述公式表达：
Figure FDA0003559227040000024
Figure FDA0003559227040000025
其中，非支配排序遗传算法以n作为优化对象，确定[α1,α2]为ni的解空间，并同时保证
Figure FDA0003559227040000026
其中α1和α2为n的预先设置的离散时序段上下界，为了保证非支配排序遗传算法优化出有实际划分意义的解。
5.根据权利要求1所述的一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法，其特征在于，在步骤S4中，双向长短时神经网络的损失函数的公式为：
Figure FDA0003559227040000027
其中，MSELoss为均方误差损失函数，Log-CoshLoss为Log-Cosh损失函数，ylow与yhigh为温度真实值，
Figure FDA0003559227040000028
与
Figure FDA0003559227040000029
为温度预测值。
CN202210288488.7A 2022-03-22 2022-03-22 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法 Withdrawn CN114565182A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210288488.7A CN114565182A (zh) 2022-03-22 2022-03-22 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210288488.7A CN114565182A (zh) 2022-03-22 2022-03-22 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法

Publications (1)

Publication Number Publication Date
CN114565182A true CN114565182A (zh) 2022-05-31

Family

ID=81719253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210288488.7A Withdrawn CN114565182A (zh) 2022-03-22 2022-03-22 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法

Country Status (1)

Country Link
CN (1) CN114565182A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017832A (zh) * 2022-08-09 2022-09-06 中国民航大学 一种面向飞机作动***的状态预测方法
CN117613326A (zh) * 2024-01-23 2024-02-27 新研氢能源科技有限公司 一种基于区域温度的燃料电池控制方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017832A (zh) * 2022-08-09 2022-09-06 中国民航大学 一种面向飞机作动***的状态预测方法
CN115017832B (zh) * 2022-08-09 2022-10-25 中国民航大学 一种面向飞机作动***的状态预测方法
CN117613326A (zh) * 2024-01-23 2024-02-27 新研氢能源科技有限公司 一种基于区域温度的燃料电池控制方法
CN117613326B (zh) * 2024-01-23 2024-04-05 新研氢能源科技有限公司 一种基于区域温度的燃料电池控制方法

Similar Documents

Publication Publication Date Title
CN112116153B (zh) 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法
CN114565182A (zh) 一种基于非支配排序遗传优化双向长短时记忆神经网络的电力设备温度预测方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和***
CN112464566B (zh) 一种基于遗传算法及bp神经网络的变压器油温预测方法
CN111736084B (zh) 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN110187290A (zh) 一种基于融合型算法的锂离子电池剩余寿命预测方法
CN111598224B (zh) 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN105631532A (zh) 一种基于模糊决策的神经网络模型电力***负荷预测方法
CN111598231A (zh) 基于ga优化串行式bp网络的电缆接头导线温度预测
CN109242150A (zh) 一种电网可靠性预测方法
CN113627661A (zh) 一种电动汽车充电负荷预测的方法
CN115994486A (zh) 一种基于深度时序迁移特征的igbt功率模块的剩余寿命预测方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及***
CN115759458A (zh) 基于综合能源数据处理和多任务深度学习的负荷预测方法
CN116523148B (zh) 一种配电网配变重过载预警方法、装置和设备
CN110674460B (zh) 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法
CN117420443A (zh) 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法
CN113884936B (zh) 一种基于issa耦合delm的锂离子电池健康状态预测方法
CN104715343A (zh) 一种基于强化学习和自适应序贯重点抽样的电力***充裕度评估方法
CN115221731A (zh) 基于数据融合和Wiener模型的变压器寿命评估方法
Zhao et al. Short-term photovoltaic power prediction based on DE-GWO-LSTM
CN114707121A (zh) 一种用于分布式电源随机出力配电网的碳排放计算方法
CN108959719B (zh) 交直流混合的分布式可再生能源***测试场景模拟方法
Qiu et al. Pseudo-metric modelling of distribution network state estimation based on CNN-BiLSTM network and customized HGGA algorithm

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220531