共计 1194 个字符,预计需要花费 3 分钟才能阅读完成。
全文链接:http://tecdat.cn/?p=31149
原文出处:拓端数据部落公众号
分析师:Yuxuan Xia
对于电力公司来说,对部分放电的精确预测能够显著升高人力物力老本。据调查,80% 的输电设施损坏是随机产生的,而只有 20% 因为老化。而损坏案例中又有 85% 是因为部分放电景象的产生。电厂 98% 的维护费用于领取培修师的薪资。因而,精确的预测电网的电压变动并预测部分放电景象的产生,能够极大的升高培修师的工作效率并升高保护老本。
解决方案
工作 / 指标
依据电力公司提出的要求,利用电压数据对电网电压进行电压预测。
数据源筹备
数据源来自电力公司的电网监测零碎,他们记录了电网地位( id_measurement ):用于记录电网的地理位置。信号( signal_id ):每个 signal_id 蕴含 20 毫秒内的 800 , 000 个电压数据。相( phase ):用于标记设施的相。指标( target ):用于标记设施是否产生部分放电。
特色转换
对每段 id_mesurement 的三相电压值求和,失常状况下,在同一时间的三相电压和为零。以用于辅助判断是否产生部分放电。
结构
数据集构造如下
划分训练集和测试集
因为数据集蕴含 20 毫秒内的压力变动,因而以工夫程序将前 75% 划分为训练集,后 25% 为测试集。
建模
长短期记忆模型(LSTM)
一种非凡构造的循环神经网络,实用于工夫序列数据的预测,建设较大的深度神经网络。
模型优化
数据降噪
电压数据来自事实世界,因而存在许多噪点,利用离散小波转换(DWT)对电压数据进行降噪,使失常电压数据归于安稳,部分放电景象更易被觉察。
我的项目后果
利用 Lstm 很好的对将来电压值进行了预测,预测准确率达到 85.3%。
然而,即便对于 Lstm,序列的长度依然太长了(200-300 更佳),若能对数据序列进行压缩,有可能失去更好的预测后果。
对于作者
在此对 Yuxuan Xia 对本文所作的奉献示意诚挚感激,他毕业于西北大学,特长深度学习、举荐算法、决策分析。
最受欢迎的见解
1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测
2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析
3.Python 用 RNN 循环神经网络:LSTM 长期记忆、GRU 门循环单元、回归和 ARIMA 对 COVID-19 新冠疫情新增人数工夫序列
4.Python TensorFlow 循环神经网络 RNN-LSTM 神经网络预测股票市场价格工夫序列和 MSE 评估准确性
5.r 语言 copulas 和金融工夫序列案例
6.R 语言用 RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测
7.Matlab 创立向量自回归(VAR)模型剖析消费者价格指数 (CPI) 和失业率工夫序列
8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类
9. R 语言联合新冠疫情 COVID-19 股票价格预测:ARIMA,KNN 和神经网络工夫序列剖析