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