一种基于LSTM-DNN的设备寿命预测方法及装置制造方法及图纸

本发明专利技术适用于设备寿命预测技术领域，提供了一种基于LSTM

【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]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；
[0007]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；
[0008]输出所述寿命预测结果。
[0009]本专利技术实施例的第二方面提供了一种基于LSTM
‑
DNN的设备寿命预测装置，包括：
[0010]采集模块，用于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；
[0011]数据预处理模块，用于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；
[0012]数据输入模块，用于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；
[0013]预测输出模块，用于输出所述寿命预测结果。
[0014]本专利技术实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0015]本专利技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储
介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0016]本专利技术实施例与现有技术相比存在的有益效果至少在于：
[0017]本专利技术实施例提供了一种通过基于LSTM
‑
DNN的神经网络预测的设备寿命的方法，相比基于物理损耗所建立的数学模型或机器方法的预测不够精准、推广性和适用性较差，本专利技术提出的方法则能够更精准的预测寿命时限，最大的优势在于可以随时根据采集的数据获取当前的预测寿命，以便电力系统的工作人员可以根据相应的情况及时响应，对于电力系统的运行状态有更加直观的观测。
附图说明
[0018]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术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它的附图。
[0019]图1是本专利技术实施例提供的一种基于LSTM
‑
DNN的设备寿命预测方法的流程示意图；
[0020]图2是本专利技术实施例提供的一种基于LSTM
‑
DNN的设备寿命预测方法中LSTM
‑
DNN神经网络的结构示意图；
[0021]图3是本专利技术实施例提供的一种基于LSTM
‑
DNN的设备寿命预测装置的示意图；
[0022]图4是本专利技术实施例提供的终端设备的示意图。
具体实施方式
[0023]为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。
[0024]本专利技术实施例采用了如下技术方案：
[0025]实施例一：
[0026]参见图1，本实施例提供了一种基于LSTM
‑
DNN的设备寿命预测方法，包括：
[0027]步骤S100：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，以使数据符合后续步骤中便于处理的数据形式；
[0028]步骤S200：对设备数据进行数据清洗和特征预处理，得到处理后数据；
[0029]步骤S300：将处理后数据输入训练好的LSTM
‑
DNN神经网络，得到输出结果，输出结果即为设备的寿命预测结果；
[0030]步骤S400：输出寿命预测结果。
[0031]本实施例采用设备的历史数据来分析其寿命，而不是基于设备的物理损耗来分析，更加方便分析数据的采集和输入，并得到准确的分析结果。
[0032]本实施例中的设备可选为电力设备，则对应的历史运行和维修数据可以包括：地区、容量、健康状况、设备类型、设备等级、近两年平均电量增长率、累计折旧、居民户数、年累计销售收入、线损率、平均负载率、停电次数、售电量、客户投诉次数、电压合格率、供电量、折旧率、人均电容、供电占比、售电损失率、投运时长、负载率、是否报废等。
[0033]在实际操作时，执行如下步骤：
[0034]步骤S101：对于以往的电力设备的历史运行和维修数据进行采集，采集的数据包
括：地区、容量、健康状况、设备类型、设备等级、近两年平均电量增长率、累计折旧、居民户数、年累计销售收入、线损率、平均负载率、停电次数、售电量、客户投诉次数、电压合格率、供电量、折旧率、人均电容、供电占比、售电损失率、投运时长、负载率、是否报废这些特征，这些特征的单次采集的集合作为一个样本；
[0035]步骤S102：将采集得到的样本中的离散型数据地区、容量、健康状况、设备类型、设备等级、是否报废进行特征提取，特征提取就是将文本、图像等转换为可以用机器识别的数字特征，为了让计算机更好的理解数据，本实施例中采用One
‑
Hot编码进行特征提取。
[0036]One
‑
Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。
[0037]One
‑
Hot编码是分类变量作为二进制向量的表示。这首先要求将分类本文档来自技高网...

【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：