一种发电机组备件需求的预测方法技术

本发明专利技术提供一种发电机组备件需求的预测方法，包括，获取预设时间段内的多种柴油发电机组的运行数据；将获得的运行数据按预设的格式组成训练数据集，根据预设的预处理规则对训练数据集进行归一化预处理，得到训练矩阵；将所述训练矩阵作为输入量输入合预设的GRU与LSTM组合神经网络预测模型进行多维时间序列预测计算，输出柴油发电机组备件需求的预测结果。本发明专利技术建立基于GRU与LSTM组合神经网络的多维时间序列预测模型，因为考虑了多种影响因素数据且采用叠加的GRU与LSTM组合来处理序列数据信息，避免了梯度消失问题，预测效果好，精度高，适用性好。适用性好。适用性好。

【技术实现步骤摘要】
一种发电机组备件需求的预测方法


[0001]本专利技术涉及核电应急柴油机备件需求预测
，特别是涉及一种发电机组备件需求的预测方法。

技术介绍

[0002]目前对于核电应急柴油机备件需求预测领域的研究，已经形成了多种预测方法，如指数平滑模型、灰色预测法、ARIMA模型、神经网络模型等。经调研，这些方法大多只使用备件需求量的历史数据对未来一段时间内的备件需求量进行预测，而备件需求量往往受其他运行因素的影响，如发电量一定的情况下带负载运行时长增加时继电器动作次数就相对减小，相应的继电器需求数量就相对减少。因此，将多种影响因素作为多个维度对备件需求量进行预测，其精确度相对较高。
[0003]随着深度学习技术的迅速发展，循环神经网络(RNN)已经在多个领域得到了广泛的应用，并取得了良好的效果。而在处理时间序列问题上循环神经网络是最常用的工具，因为它具有记忆功能，可以记住前几次的结果。但是它的记忆功能有限，不能够记住很久之前的结果，进而无法解决长距离依赖问题。

技术实现思路

[0004]本专利技术的目的在于，提出一种发电机组备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种发电机组备件需求的预测方法，其特征在于，包括：获取预设时间段内的多种柴油发电机组的运行数据；将获得的运行数据按预设的格式组成训练数据集，根据预设的预处理规则对训练数据集进行归一化预处理，得到训练矩阵；将所述训练矩阵作为输入量输入预设的GRU与LSTM组合神经网络预测模型进行多维时间序列预测计算，输出柴油发电机组备件需求的预测结果。2.如权利要求1所述的方法，其特征在于，将获得的运行数据按以下预设的格式组成训练数据集：其中，X表示训练数据集，x表示训练数据集内的变量，即运行数据，n表示训练数据集内行的序数，m表示训练数据集内列的序数。3.如权利要求2所述的方法，其特征在于，所述根据预设的预处理规则对训练数据集进行归一化预处理具体包括：确定训练数据集内每列变量的最小值、最大值及极差值，其中，所述极差值为每列变量的最大值与最小值之间的差值；根据训练数据集内每列变量的最小值、最大值及极差值计算对应的训练变量，并将计算得到的对应训练变量组成训练矩阵。4.如权利要求3所述的方法，其特征在于，根据以下公式计算对应的训练变量：其中，表示训练矩阵内第i行第j列的训练变量，min
1≤j≤m
x
kj
表示训练数据集第j列变量的最小值，max
1≤j≤m
x
kj
为训练数据集第j列变量的最大值，max
1≤j≤m
x
kj
‑
min
1≤j≤m
x
kj
为训练数据集第j列变量的极差，x
ij
表示训练数据集第i行第j列的变量。5.如权利要求4所述的方法，其特征在于，所述将计算得到的对应训练变量组成以下格式的训练矩阵：其中，X
R
表示训练矩阵。6.如权利要求1所述的方法，其特征在于，所述预设的GRU与LSTM组合神经网络预测模型具体包括：依次连接的输入层、GRU层、第一Dropout层、第一Dense层、LSTM层、第二Dropout层、第二Dense层和输出层；所述输入层，用以将所述训练矩阵作为输入量输出给所述GRU层；所述GRU层，用以使用预设的GRU函数对输入量进行计算，第一运算值；
所述第一Dropout层，用以训练过程中识别是否出现模型过拟合，若出现则对参数更新时暂时随机断开指定数量的神经元；所述第一Dense层，用以根据预设的运算函数对第一运算值进行运算，得到第二运算值；所述LSTM层，用以使用预设的组合函数对第二运算值进行计算，得到第三运算值；所述第二Dropout层，用以训练过程中识别是否出现模型过拟合，若出现则对参数更新时暂时随机断开指定数量的神经元；所述第二Dense层，用以使用预设的运算函数对第三运算值进行计算，输出值；所述输出层，用以输出值作为预测结果进行输出。7.如权利要求6所述的方法，其特征在于，所述预设的GRU函数具体包括：z
t
＝σ(W
z
·
[h
t
‑1，x
t
])r
t
...

【专利技术属性】
技术研发人员：周自强，
申请(专利权)人：辽宁红沿河核电有限公司，
类型：发明
国别省市：