全文鏈接：http://tecdat.cn/?p=31149

原文出處：拓端數(shù)據(jù)部落公眾號

分析師：Yuxuan Xia

對于電力公司來說，對局部放電的準確預測可以顯著降低人力物力成本。據(jù)調(diào)查，80%的輸電設(shè)備損壞是隨機發(fā)生的，而只有20%由于老化。而損壞案例中又有85%是由于局部放電現(xiàn)象的發(fā)生。電廠98%的維護費用于支付維修師的薪資。因此，準確的預測電網(wǎng)的電壓變化并預測局部放電現(xiàn)象的發(fā)生，可以極大的降低維修師的工作效率并降低維護成本。

解決方案

任務(wù)?/?目標

根據(jù)電力公司提出的要求，利用電壓數(shù)據(jù)對電網(wǎng)電壓進行電壓預測。

數(shù)據(jù)源準備

數(shù)據(jù)源來自電力公司的電網(wǎng)監(jiān)測系統(tǒng)，他們記錄了電網(wǎng)位置（?id_measurement?）：用于記錄電網(wǎng)的地理位置。信號（?signal_id?）：每個?signal_id?包含?20?毫秒內(nèi)的?800?，?000?個電壓數(shù)據(jù)。相（?phase?）：用于標記設(shè)備的相。目標（?target?）：用于標記設(shè)備是否發(fā)生局部放電。

特征轉(zhuǎn)換

對每段id_mesurement的三相電壓值求和，正常情況下，在同一時間的三相電壓和為零。以用于輔助判斷是否發(fā)生局部放電。

構(gòu)造

數(shù)據(jù)集結(jié)構(gòu)如下

劃分訓練集和測試集

因為數(shù)據(jù)集包含20毫秒內(nèi)的壓力變化，因此以時間順序?qū)⑶?5%劃分為訓練集，后25%為測試集。

建模

長短期記憶模型（LSTM）

一種特殊結(jié)構(gòu)的循環(huán)神經(jīng)網(wǎng)絡(luò)，適用于時間序列數(shù)據(jù)的預測，建立較大的深度神經(jīng)網(wǎng)絡(luò)。

模型優(yōu)化

數(shù)據(jù)降噪

電壓數(shù)據(jù)來自現(xiàn)實世界，因此存在許多噪點，利用離散小波轉(zhuǎn)換（DWT）對電壓數(shù)據(jù)進行降噪，使正常電壓數(shù)據(jù)歸于平穩(wěn)，局部放電現(xiàn)象更易被察覺。

項目結(jié)果

利用Lstm很好的對未來電壓值進行了預測，預測準確率達到85.3%。

但是，即使對于Lstm，序列的長度仍然太長了（200-300更佳），若能對數(shù)據(jù)序列進行壓縮，有可能得到更好的預測結(jié)果。

關(guān)于作者

在此對Yuxuan Xia對本文所作的貢獻表示誠摯感謝，他畢業(yè)于西北大學，專長深度學習、推薦算法、決策分析。

最受歡迎的見解

1.在python中使用lstm和pytorch進行時間序列預測

2.python中利用長短期記憶模型lstm進行時間序列預測分析

3.Python用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)：LSTM長期記憶、GRU門循環(huán)單元、回歸和ARIMA對COVID-19新冠疫情新增人數(shù)時間序列

4.Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預測股票市場價格時間序列和MSE評估準確性

5.r語言copulas和金融時間序列案例

6.R 語言用RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長短期記憶網(wǎng)絡(luò)實現(xiàn)時間序列長期利率預測

7.Matlab創(chuàng)建向量自回歸（VAR）模型分析消費者價格指數(shù) (CPI) 和失業(yè)率時間序列

8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類

9.R語言結(jié)合新冠疫情COVID-19股票價格預測：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時間序列分析