亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進LSTM的電力設(shè)備狀態(tài)融合預(yù)測模型

        2023-01-18 08:38:00崔昊楊周坤胡豐曄張宇夏晟
        電測與儀表 2023年1期
        關(guān)鍵詞:趨勢準(zhǔn)確率情況

        崔昊楊,周坤,胡豐曄,張宇,夏晟

        (上海電力大學(xué), 上海 200090)

        0 引 言

        掌握電力設(shè)備狀態(tài)漸變規(guī)律,并從大數(shù)據(jù)的角度預(yù)估其后續(xù)趨勢,是泛在電力物聯(lián)網(wǎng)變電設(shè)備狀態(tài)智能感知建設(shè)的內(nèi)在要求[1]。雖然規(guī)模劇增的電力設(shè)備和日益豐富的檢測手段,為設(shè)備狀態(tài)內(nèi)在趨勢的挖掘和預(yù)測提供了豐富的數(shù)據(jù)基礎(chǔ)[1-2],但是傳統(tǒng)的數(shù)據(jù)挖據(jù)方式需要建立復(fù)雜的數(shù)學(xué)、物理模型,在設(shè)備結(jié)構(gòu)復(fù)雜性和運行狀態(tài)不確定性高的背景下,海量數(shù)據(jù)分析面臨低效化、片面化等問題。此外,部分老舊設(shè)備由于缺乏精細(xì)化管理,數(shù)據(jù)缺失、不規(guī)范的狀況較多[3]。因此,全面且客觀的從海量、殘缺的歷史檢測數(shù)據(jù)中挖掘出有價值的狀態(tài)變化規(guī)律、預(yù)判狀態(tài)趨勢發(fā)展,是電力大數(shù)據(jù)發(fā)展的核心問題。

        目前,統(tǒng)計分析模型和機器學(xué)習(xí)模型利用多源異構(gòu)檢測數(shù)據(jù)從數(shù)據(jù)的角度揭示設(shè)備狀態(tài)的變化規(guī)律,并且結(jié)合氣象環(huán)境、運行環(huán)境等因素可對后續(xù)運行趨勢進行個性化預(yù)估,已被廣泛用于大數(shù)據(jù)背景下的設(shè)備狀態(tài)評估及預(yù)測[4-5]。然而,以ARIMA為代表的統(tǒng)計分析模型雖然具有不需人為干預(yù)、架構(gòu)簡單、準(zhǔn)確率高的優(yōu)點[6],但是只能處理線性關(guān)系顯著、規(guī)律性和周期性較強的平穩(wěn)數(shù)據(jù)。以LSTM為代表的機器學(xué)習(xí)模型雖然克服了傳統(tǒng)機器學(xué)習(xí)因梯度消失而不能長期預(yù)測和預(yù)測準(zhǔn)確率低的問題[7],但對數(shù)據(jù)的時序性和完整性有著極高要求,運維人員的漏檢、不定期檢測使得檢測數(shù)據(jù)不能嚴(yán)格按照固定的間隔分布在時間序列上,這些斷層式的波動數(shù)據(jù)會損壞其“記憶細(xì)胞”,從而降低了泛化能力,導(dǎo)致內(nèi)在規(guī)律預(yù)測的準(zhǔn)確性難以保證。

        針對目前電力大數(shù)據(jù)存在的問題以及上述兩種常用模型的優(yōu)缺點,提出一種基于改進LSTM的電力設(shè)備狀態(tài)融合預(yù)測模型。該模型將數(shù)據(jù)映射到時間軸上進行平穩(wěn)性分析和缺值檢測,采用ARIAM模型根據(jù)缺失前的歷史數(shù)據(jù)段進行缺值預(yù)測,并將預(yù)測得到的數(shù)值補充到原始數(shù)據(jù)中的對應(yīng)空缺位置,從而得到平穩(wěn)、完整的“新數(shù)據(jù)”;將“新數(shù)據(jù)”輸入到改進LSTM模型和ARIMA模型中進行長期趨勢和周期趨勢預(yù)測;根據(jù)改進LSTM學(xué)習(xí)的準(zhǔn)確率和ARIAM擬合趨勢的吻合度分別對兩個模型的預(yù)測值進行權(quán)重分配,通過加權(quán)融合方法對預(yù)測數(shù)據(jù)進行修正,達到狀態(tài)趨勢融合預(yù)測的目的。實驗結(jié)果表明,提出的預(yù)測模型在負(fù)荷數(shù)據(jù)完整和缺失的情況下的預(yù)測準(zhǔn)確率均高于ARIMA和LSTM單一模型。

        1 電力大數(shù)據(jù)特性分析

        電力設(shè)備的狀態(tài)檢測數(shù)據(jù)貫穿其建設(shè)、運行全壽命周期,然而,較早的設(shè)備狀態(tài)檢測數(shù)據(jù)只能靠人工記錄,數(shù)據(jù)隨機、漏檢等情況時常導(dǎo)致狀態(tài)數(shù)據(jù)的時序性、完整性較差,降低了狀態(tài)趨勢預(yù)測的準(zhǔn)確度[8]。因此,重點研究了如何改善數(shù)據(jù)質(zhì)量和提高預(yù)測準(zhǔn)確率。實驗的數(shù)據(jù)來源于2018年國內(nèi)某市區(qū)歷史負(fù)荷,采樣周期為1 h,具備電力大數(shù)據(jù)的數(shù)量龐大、數(shù)據(jù)高速和數(shù)據(jù)價值等特性[9-11],而且所采用數(shù)據(jù)通過計算機記錄的方式使得數(shù)據(jù)具有較高的完整性。這里需說明,數(shù)據(jù)缺失的預(yù)測實驗則通過人為方式隨機的剔除部分?jǐn)?shù)據(jù),以驗證文中模型相對于傳統(tǒng)預(yù)測模型在數(shù)據(jù)殘缺情況下的優(yōu)越性。此外,本次用于訓(xùn)練和驗證的負(fù)荷數(shù)據(jù)均為冬季的電負(fù)荷,不同月份的環(huán)境溫度、節(jié)假日等因素對負(fù)荷的影響可視為等同的(春節(jié)除外)。

        LSTM模型與ARIMA模型在負(fù)荷數(shù)據(jù)完整情況下和負(fù)荷數(shù)據(jù)殘缺情況下的預(yù)測圖及局部放大圖如圖1所示,其中的樣本數(shù)據(jù)由訓(xùn)練數(shù)據(jù)P和測試數(shù)據(jù)p組成。為了便于比較,采用均方根誤差(Root Mean Square Error , RMSE)作為預(yù)測準(zhǔn)確性的評估依據(jù),計算公式為:

        (1)

        式中p為測試數(shù)據(jù)真實值;p′a為預(yù)測值。從圖1(a)中可知,數(shù)據(jù)完整情況下的LSTM模型預(yù)測的RMSE為392,誤差率比RMSE為450的ARIMA模型低了13%。從圖1(b)可知,ARIAM模型在歷史數(shù)據(jù)殘缺情況下的預(yù)測RMSE為699,增幅達到了57%,設(shè)備狀態(tài)趨勢的真實性難以保證,而LSTM甚至無法完成訓(xùn)練和預(yù)測功能。此外,從圖1(b)還可知,殘缺數(shù)據(jù)導(dǎo)致了ARIMA預(yù)測的趨勢呈現(xiàn)出無序的周期性波動,這是由于ARIMA模型將每個割裂的數(shù)據(jù)段視為一個或多個完整周期內(nèi)的數(shù)據(jù),喪失了周期性趨勢隨長期趨勢發(fā)展的變化規(guī)律。由此可見,完整、平穩(wěn)的狀態(tài)數(shù)據(jù)是保證趨勢預(yù)測準(zhǔn)確率的前提。

        圖1 LSTM、ARIAM模型在數(shù)據(jù)完整和數(shù)據(jù)殘缺情況下的預(yù)測結(jié)果

        2 基于改進LSTM的電力設(shè)備狀態(tài)融合預(yù)測模型

        針對數(shù)據(jù)殘缺對趨勢預(yù)測的影響,以及ARIAM模型和LSTM模型各自優(yōu)勢,文中提出了基于改進LSTM的電力設(shè)備狀態(tài)融合預(yù)測模型。該模型主要包含基于ARIAM自適應(yīng)分段預(yù)測的數(shù)據(jù)完整性提升、改進LSTM模型預(yù)測以及融合預(yù)測3個環(huán)節(jié)。

        2.1 基于ARIAM自適應(yīng)分段預(yù)測的數(shù)據(jù)完整性提升

        預(yù)測前先對數(shù)據(jù)序列{D(t)}的平穩(wěn)性進行檢測,以數(shù)據(jù)缺失的位置作為分界點將數(shù)據(jù)分為s+1個數(shù)據(jù)段Ds,并記錄數(shù)據(jù)缺失位置s,s=1,2…。將數(shù)據(jù)段D1輸入到G(t)ARIMA模型中,用以預(yù)測第一個缺失數(shù)據(jù)d1。把得到的d1補全到D1和D2的缺失位置,得到的新數(shù)據(jù)段再次輸入到G(t)ARIMA模型中,用以預(yù)測第二個缺失數(shù)據(jù)d2,以此類推直到將數(shù)據(jù)補齊,得到“新數(shù)據(jù)”序列{D′(t)},即:

        (2)

        ds=GARIMA(D1+d1+…+Ds-1)

        (3)

        GARIMA(t)=θ0+φ1G(t-1)ARIMA+…+

        φjG(t-j)ARIMA+εt-θ1εt-1-…-θjεt-j

        (4)

        式中φj(j=1, 2, …,s)和θj(j=1,2,…,s)為模型參數(shù);εt為獨立正太分布的白噪聲。

        2.2 改進LSTM模型預(yù)測

        LSTM模型不僅有傳統(tǒng)RNN不具備的輸入門it、輸出門ot和忘記門ft,還多了一條可長期記憶的信息流ct,在大數(shù)據(jù)預(yù)測的領(lǐng)域具有舉足輕重的地位[12]。當(dāng)“新數(shù)據(jù)”{D′(t)}輸入到G(t)LSTM模型時,遺忘門會將其映射到[0,1]區(qū)間,然后與長期記憶的信息相乘對記憶中的數(shù)據(jù)進行篩選和更新,在經(jīng)過輸入門得到記憶的更新數(shù)據(jù),最后通過輸出門得到預(yù)測數(shù)值ht[13],即:

        (5)

        G(t)LSTM=it=σ·wi·[ht-1,{D′(t)}]+σ·bi

        (6)

        但是,ARIMA預(yù)測得到的“新數(shù)據(jù)”{D′(t)}存在著部分?jǐn)?shù)據(jù)失真的問題。為此,文中通過對遺忘門ft加權(quán)的方式對LSTM模型進行改進。計算缺失數(shù)據(jù)ds附近的原始數(shù)據(jù)段D(s)與ARIMA擬合數(shù)據(jù)段yARIMA(s)的平均絕對誤差μs,以及原始數(shù)據(jù)段D(s+1) 與ARIMA預(yù)測得到的新數(shù)據(jù)段D′(s+1)的平均絕對誤差μs+1,如圖2所示。

        圖2 改進遺忘門后的LSTM預(yù)測模型

        在獲取上述平均絕對誤差的基礎(chǔ)上對遺忘門進行賦權(quán),從邏輯上達到自適應(yīng)去除誤差保留全程長期記憶趨勢的目的,此時的式(5)修改為:

        (7)

        (8)

        2.3 狀態(tài)趨勢融合預(yù)測

        為了增強文中模型的容錯能力,縮小預(yù)測值與真實值之間的置信區(qū)間,從而提高狀態(tài)預(yù)測的準(zhǔn)確率,文中通過加權(quán)融合[14-15]的方法將ARIAM預(yù)測的周期趨勢和改進LSTM預(yù)測的長期趨勢進行融合,以此來降低預(yù)測誤差。首先,建立“新數(shù)據(jù)”序列{D′(t)}在G(t)ARIMA模型的學(xué)習(xí)絕對誤差函數(shù)矩陣E(t)和在G(t)改進LSTM模型中的擬合絕對誤差函數(shù)矩陣E′(t),即:

        (9)

        (10)

        1=qk+q′k,k=1,2,…,T

        (11)

        (12)

        (13)

        (14)

        (15)

        將ARIMA和改進LSTM根據(jù)新序列{D′(t)}得到的預(yù)測數(shù)據(jù)p=[p1,p2,…,pm]、p’=[p′1,p′2,…,p′m]與周期內(nèi)相對應(yīng)的權(quán)重相乘[16],得到最后趨勢數(shù)據(jù)序列{y(t)}為:

        {y(t)}=[y1,y2,…,ym]=p′×q′+p×q=[p1·q1+p′1·q′1,p2·q2+p′2·q′2,…,pT·qT+p′T·q′T,

        pT+1·qT+1+p′T+1·q′T+1,…]

        (16)

        3 實驗分析

        為了驗證文中模型在數(shù)據(jù)完整或數(shù)據(jù)殘缺的情況下均具有較高的準(zhǔn)確率和可靠性,進行了以下實驗。實驗分析分為兩部分,第1部分為“數(shù)據(jù)質(zhì)量對比”,選用絕對百分比誤差作為補齊后數(shù)據(jù)和完整數(shù)據(jù)之間的失真對比指標(biāo);第2部分為“預(yù)測準(zhǔn)確性對比”,采用RMSE作為文中模型、LSTM、ARIMA的性能對比指標(biāo)。

        3.1 數(shù)據(jù)質(zhì)量改善對比

        通過ARIAM對殘缺的負(fù)荷數(shù)據(jù)進行預(yù)測,逐步彌補缺失數(shù)據(jù),采用絕對百分比誤差r(%)對修補數(shù)據(jù)的真實性進行評判:

        (17)

        式中PARIMA為ARIAM模型預(yù)測得到的用于填補缺失的數(shù)據(jù),P為訓(xùn)練數(shù)據(jù)真實值。補齊后的數(shù)據(jù)及其誤差如圖3所示,與真實值的絕對誤差均在15%以下,說明了ARIMA模型能較為準(zhǔn)確地還原出數(shù)據(jù)規(guī)律,降低數(shù)據(jù)失真的可能性。并且補齊后的序列將數(shù)據(jù)之間的關(guān)系“串聯(lián)”起來,有效地避免了“斷層”數(shù)據(jù)對后續(xù)趨勢預(yù)測的影響。由于初期數(shù)據(jù)較少,導(dǎo)致了前5個補充值的預(yù)測誤差較大,但是隨著數(shù)據(jù)逐漸增多,數(shù)據(jù)周期趨勢和長期趨勢更加清晰,有效抑制了后續(xù)預(yù)測誤差。

        圖3 “新數(shù)據(jù)”與原完整數(shù)據(jù)真實性對比

        3.2 預(yù)測準(zhǔn)確性對比

        數(shù)據(jù)完整情況下ARIAM、LSTM和文中模型的預(yù)測結(jié)果和局部放大結(jié)果如圖4所示,文中模型的預(yù)測結(jié)果RMSE為295,準(zhǔn)確率相比于ARIAM和LSTM分別提高了52%、25%。這說明文中根據(jù)改進LSTM學(xué)習(xí)情況和ARIAM擬合情況,對一個周期里不同時刻預(yù)測值分配權(quán)重的方法能達到“取長補短”的效果,降低了誤差較大數(shù)據(jù)的影響。

        圖4 數(shù)據(jù)完整情況下文中模型、ARIAM和LSTM預(yù)測對比

        從圖5和表1中可知,在數(shù)據(jù)殘缺的情況下,經(jīng)過文中模型處理后的“新數(shù)據(jù)”的平穩(wěn)性得到了顯著提升,并且數(shù)據(jù)的長期趨勢和周期趨勢會隨著“串聯(lián)”數(shù)據(jù)的增多而愈發(fā)顯著,此時的LSTM完成了訓(xùn)練和預(yù)測任務(wù)預(yù)測的RMSE為862,而ARIMA預(yù)測的RMSE相比于數(shù)據(jù)缺失情況下降低了6%,為658。而文中模型利用“新數(shù)據(jù)”預(yù)測的RMSE為371,相對于同等情況下ARIAM預(yù)測和LSTM預(yù)測的準(zhǔn)確率則分別高出了44%和57%,比數(shù)據(jù)缺失時的ARIAM預(yù)測提高了46%。以上對比數(shù)據(jù)說明,由于文中模型具備了ARIAM的周期預(yù)測趨勢和LSTM的長期預(yù)測趨勢,較好地呈現(xiàn)了周期趨勢圍繞長期趨勢變化的規(guī)律,并且改進遺忘門后的LSTM降低了“新數(shù)據(jù)”失真所帶來干擾。

        另一方面,文中模型、ARIAM和LSTM利用“新數(shù)據(jù)”預(yù)測的準(zhǔn)確率比數(shù)據(jù)完整情況下的準(zhǔn)確率分別降低了26%、46%和120%,這是由于初期數(shù)據(jù)較少而導(dǎo)致ARIAM補缺時的誤差較大,這樣的誤差在傳統(tǒng)LSTM訓(xùn)練過程中被逐次放大,并且隨著補缺數(shù)據(jù)的增多,誤差也會逐漸增大,進而降低了預(yù)測準(zhǔn)確率。然而,文中模型對LSTM遺忘門進行的改進有效降低了數(shù)據(jù)失真所帶來的影響,抑制誤差的能力會隨著數(shù)據(jù)的增加而增強。因此,文中模型不僅通過改進LSTM遺忘門的方式有效縮小了預(yù)測值與真實值之間的置信區(qū)間,還采取融合預(yù)測的方法從全景的角度對數(shù)據(jù)進行分析,滿足大數(shù)據(jù)背景下的設(shè)備狀態(tài)全景掌控和狀態(tài)趨勢的精準(zhǔn)預(yù)估。

        圖5 “新數(shù)據(jù)”情況下文中模型、ARIAM和LSTM預(yù)測對比

        表1 數(shù)據(jù)完整、殘缺和“新數(shù)據(jù)”情況下的文中模型、ARIAM和LSTM的RMSE對比

        4 結(jié)束語

        文中針對現(xiàn)有的電力大數(shù)據(jù)所存在完整性、規(guī)范性較差問題,以及傳統(tǒng)LSTM模型與ARIMA模型各自的特點,開展了如下研究:

        (1)使用ARIMA預(yù)測模型根據(jù)歷史數(shù)據(jù)進行“查缺補漏”的方式解決了大數(shù)據(jù)的不規(guī)范、殘缺問題,得到了有利于趨勢預(yù)測的平穩(wěn)、完整數(shù)據(jù);

        (2)對LSTM的遺忘門進行改進,有效地降低了誤差數(shù)據(jù)對記憶細(xì)胞的影響,較好地呈現(xiàn)了數(shù)據(jù)的長期趨勢;

        (3)利用加權(quán)融合的方法對ARIMA和改進LSTM預(yù)測值進行修正,充分利用了全局趨勢和周期趨勢,能夠更為準(zhǔn)確地預(yù)測數(shù)據(jù)變化趨勢。實驗結(jié)果表明,不論是數(shù)據(jù)完整還是數(shù)據(jù)殘缺的情況,文中模型相較于LSTM和ARIMA的預(yù)測精度都大幅提高。

        猜你喜歡
        趨勢準(zhǔn)確率情況
        趨勢
        乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
        健康之家(2021年19期)2021-05-23 11:17:39
        不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
        2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
        “主謂一致”的十種情況
        高速公路車牌識別標(biāo)識站準(zhǔn)確率驗證法
        初秋唇妝趨勢
        Coco薇(2017年9期)2017-09-07 21:23:49
        SPINEXPO?2017春夏流行趨勢
        新情況新舉措
        工會信息(2016年4期)2016-04-16 02:39:21
        新情況新舉措
        工會信息(2016年1期)2016-04-16 02:38:49
        青青草视全福视频在线| 疯狂做受xxxx高潮欧美日本| 色综合88| 日韩av一区二区三区精品| 第一九区另类中文字幕| 国产电影一区二区三区| 男女性高爱潮免费观看| 欧美破处在线观看| 91精品国产自拍视频| 久久久久88色偷偷| 国产va免费精品观看| 久久精品国产乱子伦多人| 亚洲一区二区综合精品| 欧美大屁股xxxx高潮喷水 | 国产成人自拍高清在线| 乱色熟女综合一区二区三区| 欧美亚洲高清日韩成人| 一级黄色一区二区三区视频| 蜜桃av在线免费网站| 麻豆精品久久久久久久99蜜桃| 精品久久久久久无码不卡 | 精品一区二区三区牛牛| 精品无码国产自产在线观看水浒传| 三级在线看中文字幕完整版| 99久久国产综合精品女乱人伦| 亚洲第一大av在线综合| 国产精品办公室沙发| 亚洲色偷偷色噜噜狠狠99| 亚洲综合精品在线观看中文字幕| 黄污在线观看一区二区三区三州| 日韩国产成人无码av毛片蜜柚| 一本久到久久亚洲综合| 伊人狼人激情综合影院| 无码av中文一区二区三区| 熟妇人妻中文av无码| AV在线毛片| 亚洲一区二区三区少妇| 成人免费看片又大又黄| 国产在线拍偷自拍偷精品| 亚洲无人区乱码中文字幕动画| 国产福利永久在线视频无毒不卡|