基于改进LSTM的电力设备状态预估方法及装置制造方法及图纸

本发明专利技术涉及基于改进LSTM的电力设备状态预估方法及装置，包括数据质量提升、改进长短期记忆网络(Long Short‑Term Memory，LSTM)模型，其中所述数据质量提升包括利用梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)对数据真实趋势分布进行拟合，所述改进LSTM模型则对传统LSTM模型的遗忘门进行改进。与现有技术相比，本发明专利技术具有提高数据价值和较高预测准确性等优点。

【技术实现步骤摘要】
基于改进LSTM的电力设备状态预估方法及装置
本专利技术涉及电力设备可靠性预估
，尤其是涉及基于改进LSTM的电力设备状态预估方法及装置。
技术介绍
目前，从数据内在规律分析的角度发掘出对电力设备状态评估、诊断和预测有价值的知识，建立多源数据驱动的电力设备状态评估模型，实现电力设备个性化的状态评价、异常状态的快速检测、状态变化的准确预测以及故障的智能诊断，全面、及时、准确地掌握电力设备健康状态，为设备智能运检和电网优化运行提供辅助决策依据。然而，现有的电力设备状态检测数据存在数据价值密度低、数据质量差等问题，这些问题导致了电力设备状态趋势难以准确预测，降低了设备预警的准确率和及时性。
技术实现思路
为了解决现有技术中存在的缺点和不足，本专利技术提出了基于改进LSTM的电力设备状态预估方法及装置，能够克服电力设备状态数据价值密度低、数值质量差等问题，造成备状态趋势难以准确预测的缺陷。具体的，本申请式双离合基于改进LSTM的电力设备状态预估方法，包括：将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；计算电力设备检测数据与高质量数据序列的相对误差；利用得到的相对误差对LSTM的遗忘门进行改进；将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。可选的，所述将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列，包括：在接收到电力设备状态检测数据后的GBDT中进行训练；GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CARTTREE进行选择，直到得出高质量数据序列。可选的，所述在接收到电力设备状态检测数据后的GBDT中进行训练，包括：在接收到电力设备状态检测数据后的GBDT中进行多轮迭代；每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。可选的，所述计算电力设备检测数据与高质量数据序列的相对误差，包括：计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。可选的，所述利用得到的相对误差对LSTM的遗忘门进行改进，包括：结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，f'(t)＝f(t)×s(t)％公式二，式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。可选的，所述将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测，包括：将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；利用遗忘门进行选择性遗忘的方法对记忆状态进行更新；在改进遗忘门重要信息需要被保留重要信息后，输出门在更新状态后得到下一时刻的数据；重复前述步骤，直至遍历数据序列后得到预测数据。另一方面，本申请实施例提出基于改进LSTM的电力设备状态预估装置，包括：数据处理单元，用于将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；误差计算单元，用于计算电力设备检测数据与高质量数据序列的相对误差；遗忘门改进单元，用于利用得到的相对误差对LSTM的遗忘门进行改进；趋势预测单元，用于将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。可选的，所述数据处理单元，包括：迭代子单元，用于在接收到电力设备状态检测数据后的GBDT中进行多轮迭代；训练子单元，用于每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练；数据选择子单元，用于GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CARTTREE进行选择，直到得出高质量数据序列。可选的，所述误差计算单元，用于：计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。可选的，所述遗忘门改进单元，用于：结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，f'(t)＝f(t)×s(t)％公式二，式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。可选的，所述趋势预测单元，包括：数据保存子单元，用于将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；状态更新子单元，用于利用遗忘门进行选择性遗忘的方法对记忆状态进行更新；数据获取子单元，用于在改进遗忘门重要信息需要被保留重要信息后，输出门在更新状态后得到下一时刻的数据；数据遍历子单元，用于重复前述步骤，直至遍历数据序列后得到预测数据。本专利技术提供的技术方案带来的有益效果是：通过GBDT对原始数据进行训练、数据特征构建、数据分类，达到提高数据真实性、数据精确性、数据关联性等的目的。同时对LSTM遗忘门进行改进，在保持数据整体趋势的前提下达到了对误差数据选择性遗忘的目的，设备状态趋势预测准确率得到了提升。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施例描述中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专利技术的一些实施例，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为本申请实施例提出的基于改进LSTM的电力设备状态预估方法的流程示意图；图2为本申请实施例提出的利用得到的相对误差对LSTM的遗忘门进行改进的具体过程示意图；图3为本申请实施例提出的基于改进LSTM的电力设备状态预估装置的结构示意图。具体实施方式为使本专利技术的结构和优点更加清楚，下面将结合附图对本专利技术的结构作进一步地描述。实施例一具体的，本申请实施例提出了基于改进LSTM的电力设备状态预估方法，如图1所示，包括：11、将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；12、计算电力设备检测数据与高质量数据序列的相对误差；13、利用得到的相对误差对LSTM的遗忘门进行改进；14、将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。在实施中，本申请实施例提出的技术方案包含两个关键点，数据质量提升以及LSTM模型改进。数据质量提升包括利用GBDT对数据真实趋势分布进行拟合；LSTM模型改进则对传统LSTM模型的遗忘门进行改进。基于上述理论，步骤11提出的GBDT中进行数据处理，得到高质量数据序列，包括：111、在接收到电力设备状态检测数据后的GBDT中本文档来自技高网...

【技术保护点】
1.基于改进LSTM的电力设备状态预估方法，其特征在于，所述电力设备状态预估方法，包括：/n将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；/n计算电力设备检测数据与高质量数据序列的相对误差；/n利用得到的相对误差对LSTM的遗忘门进行改进；/n将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。/n

【技术特征摘要】
1.基于改进LSTM的电力设备状态预估方法，其特征在于，所述电力设备状态预估方法，包括：
将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；
计算电力设备检测数据与高质量数据序列的相对误差；
利用得到的相对误差对LSTM的遗忘门进行改进；
将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。


2.根据权利要求1所述的基于改进LSTM的电力设备状态预估方法，其特征在于，所述将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列，包括：
在接收到电力设备状态检测数据后的GBDT中进行多轮迭代；
每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练；
GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CARTTREE进行选择，直到得出高质量数据序列。


3.根据权利要求1所述的基于改进LSTM的电力设备状态预估方法，其特征在于，所述计算电力设备检测数据与高质量数据序列的相对误差，包括：
计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：



公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。


4.根据权利要求1所述的基于改进LSTM的电力设备状态预估方法，其特征在于，所述利用得到的相对误差对LSTM的遗忘门进行改进，包括：
结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，
f'(t)＝f(t)×s(t)％公式二，
式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。


5.根据权利要求1所述的基于改进LSTM的电力设备状态预估方法，其特征在于，所述将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测，包括：
将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；
利用遗忘门进行选择性遗忘的方法对记忆状态进行更新；
在改进遗忘门重要信息需要被保留重要信息后，输出门在更新状态后得到下一时刻的数据；
重复前述步骤，直至遍历数据序列后得到预测数据。


6...

【专利技术属性】
技术研发人员：夏家峰，秦立明，张明达，孙益辉，王思谨，崔昊杨，夏晟，邹轩，
申请(专利权)人：国网浙江宁波市奉化区供电有限公司，上海电力大学，上海辰仕科技发展有限公司，
类型：发明
国别省市：浙江;33