System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于配电设备数据处理,具体涉及一种基于lstm的配电设备剩余寿命预测方法及系统。
技术介绍
1、对于配电设备剩余寿命预测的方法,主要采用物理模型方法,在分析设备元件或系统的失效机理的基础上,建立设备的失效物理模型,最后基于模型来预测设备的剩余使用寿命。
2、但对于配电设备例如开关柜等复杂系统,一个关键技术难点是预测问题的不确定性,例如数据的测量误差、设备的使用工况、材料属性、制造工艺等随机因素,都会对剩余寿命预测造成困难。
技术实现思路
1、为解决现有技术中的不足,本专利技术提供一种基于lstm的配电设备剩余寿命预测方法及系统,能够准确地预测配电设备的剩余使用寿命。
2、为达到上述目的,本专利技术所采用的技术方案是:
3、第一方面,提供一种配电设备剩余寿命预测方法,包括:采集配电设备的运行数据;将采集的配电设备的运行数据输入构建的lstm预测模型,输出预测的配电设备剩余使用寿命。
4、进一步地,所述配电设备的运行数据包括通过多种不同的测试方法得到的反映设备故障状态或运行情况的检测数据。
5、进一步地,所述lstm预测模型包括基于注意力机制改进的a-lstm网络层和基于自注意力机制的自注意力层;基于注意力机制改进的a-lstm网络层通过注意力学习上一时刻细胞状态需要注意的特征;基于自注意力机制的自注意力层以不同时间步的隐层输出作为输入,计算自注意力权重并输出最终的结果。
6、进一步地,所述lstm预测模
7、ut=tanh(wtht)
8、
9、
10、其中,wt、vt是自注意力层参数;ht是第t个时间步的隐层状态输出;ut是第t个时间步隐层状态的注意力得分;αt是第t个时间步隐层状态的注意力权重;s为最终的自注意力层输出。
11、进一步地,所述lstm预测模型的训练方法,包括:采集配电设备的运行数据,并进行预处理后获得训练数据和测试数据;将训练数据输入构建的lstm预测模型进行训练;采用不同的优化算法分别对lstm预测模型的前向传播训练过程和反向传播训练过程进行优化,训练得到最优的模型参数;采用测试数据对训练好的lstm预测模型进行测试。
12、进一步地,所述预处理的方法,包括:对异常数据进行归一化、去噪处理,提取出配电设备的寿命特征因子;根据提取的寿命特征因子,通过滑动时间窗口的方式构造lstm预测模型所用到的训练数据和测试数据。
13、进一步地,所述前向传播训练过程的优化方法,包括:通过dropout技术在训练过程中,随机地关闭一些神经元,以减少过拟合,实现对lstm预测模型的前向传播训练过程的优化。
14、进一步地,所述反向传播训练过程的优化方法,包括:通过计算lstm预测模型的rmse、mae评价标准,比较sgdm、rmsprop和adam优化算法对双层lstm模型反向训练过程的影响,从而选择最佳的优化算法对双层lstm模型的反向传播训练过程进行优化。
15、进一步地,预测的配电设备剩余使用寿命以百分比来表示,符合一次函数的拟合曲线,将预测得到的配电设备剩余使用寿命与一次函数进行拟合比较,得到预测结果的趋势。
16、第二方面,提供一种配电设备剩余寿命预测系统,包括:数据采集模块,用于采集配电设备的运行数据;预测模块,用于将采集的配电设备的运行数据输入构建的lstm预测模型,输出预测的配电设备剩余使用寿命。
17、与现有技术相比,本专利技术所达到的有益效果:本专利技术将采集的配电设备的运行数据输入构建的lstm预测模型,输出预测的配电设备剩余使用寿命;通过获取多维的配电设备检测数据,并根据数据的波动性进行归一化、去噪处理得到可以用于建立和训练lstm预测模型的数据集和训练集,lstm预测模型通过自注意力层对各时间步上的隐层输出计算自注意力权重,充分利用细胞的记忆信息,减少信息损失,可以准确地预测配电设备的剩余使用寿命,具有较强的准确性和有效性。
本文档来自技高网...【技术保护点】
1.一种配电设备剩余寿命预测方法,其特征在于,包括:
2.根据权利要求1所述的配电设备剩余寿命预测方法,其特征在于,所述配电设备的运行数据包括通过多种不同的测试方法得到的反映设备故障状态或运行情况的检测数据。
3.根据权利要求1所述的配电设备剩余寿命预测方法,其特征在于,所述LSTM预测模型包括基于注意力机制改进的A-LSTM网络层和基于自注意力机制的自注意力层;
4.根据权利要求3所述的配电设备剩余寿命预测方法,其特征在于,所述LSTM预测模型的表达式为:
5.根据权利要求4所述的配电设备剩余寿命预测方法,其特征在于,所述LSTM预测模型的训练方法,包括:
6.根据权利要求4所述的配电设备剩余寿命预测方法,其特征在于,所述预处理的方法,包括:
7.根据权利要求4所述的配电设备剩余寿命预测方法,其特征在于,所述前向传播训练过程的优化方法,包括:通过dropout技术在训练过程中,随机地关闭一些神经元,以减少过拟合,实现对LSTM预测模型的前向传播训练过程的优化。
8.根据权利要求4所述的配电设备剩
9.根据权利要求1所述的配电设备剩余寿命预测方法,其特征在于,预测的配电设备剩余使用寿命以百分比来表示,符合一次函数的拟合曲线,将预测得到的配电设备剩余使用寿命与一次函数进行拟合比较,得到预测结果的趋势。
10.一种配电设备剩余寿命预测系统,其特征在于,包括:
...【技术特征摘要】
1.一种配电设备剩余寿命预测方法,其特征在于,包括:
2.根据权利要求1所述的配电设备剩余寿命预测方法,其特征在于,所述配电设备的运行数据包括通过多种不同的测试方法得到的反映设备故障状态或运行情况的检测数据。
3.根据权利要求1所述的配电设备剩余寿命预测方法,其特征在于,所述lstm预测模型包括基于注意力机制改进的a-lstm网络层和基于自注意力机制的自注意力层;
4.根据权利要求3所述的配电设备剩余寿命预测方法,其特征在于,所述lstm预测模型的表达式为:
5.根据权利要求4所述的配电设备剩余寿命预测方法,其特征在于,所述lstm预测模型的训练方法,包括:
6.根据权利要求4所述的配电设备剩余寿命预测方法,其特征在于,所述预处理的方法,包括:
7.根据权利要求4所述的配电设备剩余寿命预测方法,...
【专利技术属性】
技术研发人员:刘利国,刘洋,肖小龙,方鑫,郭佳豪,史明明,孙天奎,孙健,吴凡,杨雄,苏伟,
申请(专利权)人:国网江苏省电力有限公司电力科学研究院,
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。