【技术实现步骤摘要】
一种基于LSTM
‑
DNN的设备寿命预测方法及装置
[0001]本专利技术属于设备寿命预测
,具体涉及一种基于LSTM
‑
DNN的设备寿命预测方法及装置。
技术介绍
[0002]如今,随着智能电网的快速发展,为了避免出现电力事故影响,供电力系统的安全稳定运行显得越来越重要。而作为保障电力系统安全运行的第一道防线,电力设备的可靠服役具有重要意义。因此,对电力设备装置的运行状态以及剩余寿命进行有效预测是十分必要的,一来可以为工作人员的操作提供参考,二来有助于电力系统的运行稳定性。针对电力系统装置寿命预测的问题,目前相关领域所提出的基于数学模型的参数估计或是利用一些机器学习方法所建立的模型都需要建立可靠完善的损耗物理模型,工作量巨大且难以与实际设备元件准确对立;并且即使是同一设备,其运行环境也可能不同,此类依靠物理损耗所推断的模型通用性较差,难以推广。
技术实现思路
[0003]有鉴于此,本专利技术实施例提供了一种基于LSTM
‑
DNN的设备寿命预测方法及装置,基于历史的运行数据,无需去建立物理损耗模型的LSTM
‑
DNN神经网络模型,它是基于大量历史运行数据进行预测,其适用性、推广性都将得到提高。
[0004]本专利技术实施例的第一方面提供了一种基于LSTM
‑
DNN的设备寿命预测方法,包括:
[0005]获取设备的历史运行和维修数据,并整理归档得到预处理数据形式的设备数据;
[0006 ...
【技术保护点】
【技术特征摘要】
1.一种基于LSTM
‑
DNN的设备寿命预测方法,其特征在于,包括:获取设备的历史运行和维修数据,并整理归档得到预处理数据形式的设备数据;对所述设备数据进行数据清洗和特征预处理,得到处理后数据;将所述处理后数据输入训练好的LSTM
‑
DNN神经网络,得到输出结果,所述输出结果即为所述设备的寿命预测结果;输出所述寿命预测结果。2.根据权利要求1所述的方法,其特征在于,还包括所述LSTM
‑
DNN神经网络的训练方法:搭建LSTM
‑
DNN网络结构,所述LSTM
‑
DNN网络结构包括依次连接的若干个LSTM块和N个全连接层;将样本数据划分为训练集和测试集;设置训练方案:循环遍历训练集的次数、每一批次训练集的数量、随机打乱、优化器、损失函数和保存条件;将所述训练集输入所述LSTM
‑
DNN网络结构,并根据所述训练方案进行训练,得到初步训练模型;利用所述测试集测试所述初步训练模型是否达标,若所述初步训练模型不达标,则重新训练所述LSTM
‑
DNN网络结构,若所述初步训练模型达标,则所述初步训练模型即为训练好的LSTM
‑
DNN神经网络。3.根据权利要求2所述的方法,其特征在于,每个所述LSTM块均包括依次连接的LSTM单元、BN层和ReLU激活函数;所述LSTM单元的数学变换式包括:i
t
=σ(U
i
x
t
+W
i
l
t
‑1+b
i
)f
t
=σ(U
f
x
t
+W
f
l
t
‑1+b
f
)c
t
=f
t
⊙
c
t
‑1+i
t
⊙
σ(U
c
x
t
+W
c
l
t
‑1+b
c
)o
t
=σ(U
o
x
t
+W
o
l
t
‑1+b
o
)l
t
=o
t
⊙
tanh(c
t
)其中,i
t
、f
t
、o
t
和c
t
分别为LSTM单元t时间步的输入门、遗忘门、输出门和记忆单元,x
t
和l
t
分别为t时刻的输入矢量和输出矢量,U
i
、W
i
、U
f
、W
f
、U
c
、W
c
、U
o
和W
o
为权重矩阵,b
...
【专利技术属性】
技术研发人员:余长江,刘筱,黄建斌,文乙茹,卫亚聪,刘春梅,
申请(专利权)人:重庆锦禹云能源科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。