[发明专利]基于改进LSTM的电力设备状态预估方法及装置

说明书

本发明涉及基于改进LSTM的电力设备状态预估方法及装置，包括数据质量提升、改进长短期记忆网络(Long Short‑Term Memory，LSTM)模型，其中所述数据质量提升包括利用梯度提升迭代决策树(Gradient Boosting Decision Tree，GBDT)对数据真实趋势分布进行拟合，所述改进LSTM模型则对传统LSTM模型的遗忘门进行改进。与现有技术相比，本发明具有提高数据价值和较高预测准确性等优点。

技术领域

本发明涉及电力设备可靠性预估技术领域，尤其是涉及基于改进LSTM的电力设备状态预估方法及装置。

背景技术

目前，从数据内在规律分析的角度发掘出对电力设备状态评估、诊断和预测有价值的知识，建立多源数据驱动的电力设备状态评估模型，实现电力设备个性化的状态评价、异常状态的快速检测、状态变化的准确预测以及故障的智能诊断，全面、及时、准确地掌握电力设备健康状态，为设备智能运检和电网优化运行提供辅助决策依据。然而，现有的电力设备状态检测数据存在数据价值密度低、数据质量差等问题，这些问题导致了电力设备状态趋势难以准确预测，降低了设备预警的准确率和及时性。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了基于改进LSTM的电力设备状态预估方法及装置，能够克服电力设备状态数据价值密度低、数值质量差等问题，造成备状态趋势难以准确预测的缺陷。

具体的，本申请式双离合基于改进LSTM的电力设备状态预估方法，包括：

将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列；

计算电力设备检测数据与高质量数据序列的相对误差；

利用得到的相对误差对LSTM的遗忘门进行改进；

将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测。

可选的，所述将电力设备状态检测数据导入梯度下降树GBDT中进行数据处理，得到高质量数据序列，包括：

在接收到电力设备状态检测数据后的GBDT中进行训练；

GBDT在boosting的框架下，以低方差和高偏差为前提对弱分类器的CART TREE进行选择，直到得出高质量数据序列。

可选的，所述在接收到电力设备状态检测数据后的GBDT中进行训练，包括：

在接收到电力设备状态检测数据后的GBDT中进行多轮迭代；

每轮迭代都产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。

可选的，所述计算电力设备检测数据与高质量数据序列的相对误差，包括：

计算同一时刻下d(t)和d'(t)的相对误差s％的具体过程包括：

公式一中，d(t)代表电力设备状态检测数据，d'(t)代表高质量数据序列，s(t)％为电力设备检测数据与高质量数据序列的相对误差。

可选的，所述利用得到的相对误差对LSTM的遗忘门进行改进，包括：

结合公式二通过选择性遗忘的方式降低数据序列失真引起趋势误判，

f'(t)＝f(t)×s(t)％ 公式二，

式中，f(t)为LSTM原遗忘门，f'(t)为改进后的LSTM选择性遗忘门。

可选的，所述将高质量数据序列导入改进后的LSTM中进行电力设备状态趋势预测，包括：

将LSTM输入门将梯度下降树GBDT处理后的数据序列及其趋保存；