一种基于栅格神经网络的多参量联合预测方法

技术领域

本发明涉及一种用于智能电网自动监测领域的基于栅格神经网络的多参量联合预测方法。

背景技术

电力设备运行状态的监控对于确保电网安全运行至关重要。目前电网公司主要采用人工巡视、带电检测的方式对电力设备进行巡检。然而这种方式存在两方面问题：1)人工巡视工作量大、效率低、成本高，导致巡视人员工作量繁重，巡视压力较大，电网规模快速增长与设备运维人员配置的矛盾日益突出2)人工巡视存在巡视盲区，运维人员无法实现全天候、全时段、全方位巡视。近年来，为解决配电房运行巡视存在的问题，在线监测系统和巡检机器人得到较多的研发和应用，但是在线监测收集获得的多元数据难以被有效利用，只能形成相互不关联的数据集合，无法实际应用于对于电力设备的状态监控和状态预测中。

发明内容

本发明的目的是为了克服现有技术的不足，提供一种基于栅格神经网络的多参量联合预测方法，它能够应用在线收集的多元数据对电力设备运行状态进行监控。

实现上述目的的一种技术方案是：一种基于栅格神经网络的多参量联合预测方法，包括如下步骤：

步骤1，将K阶测量点通过离差标准化方法归一化处理得到数据表示X；

步骤2，对X通过LSTM网络提取预测参数，其中LSTM采用沿时间反向传播算法训练，h

步骤3，将步骤2中提取的特征量间关联关系作为初始参数对前馈神经网络输出层权值进行调整，前馈神经网络作为推理预测层，输出预测结果；

步骤4，根据训练数据得到的预测参数，对测试集中未来时刻状态量进行测试，验证预测精度。

进一步的，所述LSTM网络有三个门控开关来保护和控制单元状态，分别为输入门、遗忘门和输出门分别对应着变压器相关状态量的注入，累积和输出操作。

进一步的，所述K阶测量点的输入特征量分别为局放信号、红外信号、温度数据和湿度数据。

本发明的一种基于栅格神经网络的多参量联合预测方法，以局放、红外、温湿度等为输入特征量，通过LSTM网络(栅格长短时记忆网络)依据序列数据统计关系的特征提取，确定该参量自身时间维度的相关性。同时从高维复杂的输入数据中提取抽象的相关特征，激活强相关影响因素，抑制、弱化无关和冗余信息。最后将挖掘的预测参数提供给前馈神经网络，预测得到变压器状态量变化趋势。

附图说明

图1为本发明的一种基于栅格神经网络的多参量联合预测方法的流程示意图。

具体实施方式

为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：

请参阅图1，本发明的一种基于栅格神经网络的多参量联合预测方法，包括如下步骤：

步骤1，将K阶测量点通过离差标准化方法归一化处理得到数据表示X。所述K阶测量点的输入特征量分别为局放信号、红外信号、温度数据和湿度数据。

步骤2，对X通过LSTM网络提取预测参数，其中LSTM采用沿时间反向传播算法训练，h

步骤3，将步骤2中提取的特征量间关联关系作为初始参数对前馈神经网络输出层权值进行调整，前馈神经网络作为推理预测层，输出预测结果。

步骤4，根据训练数据得到的预测参数，对测试集中未来时刻状态量进行测试，验证预测精度。

所述LSTM网络有三个门控开关来保护和控制单元状态，分别为输入门、遗忘门和输出门分别对应着变压器相关状态量的注入，累积和输出操作。通过门控开关实现时间上的记忆功能，防止梯度消失，GLSTM模块中特有的深度空间信息提取功能为深层挖掘各状态量间关联关系提供保障。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。