[发明专利]一种变电设备全寿命周期运行成本预测方法及系统

权利要求书

1.一种变电设备全寿命周期运行成本预测方法，其特征在于，包括：

获取可视化电力数据；

利用时间以及空间上的关联性根据可视化电力数据构建强时序的变电设备全寿命周期运行成本数据集；所述强时序的变电设备全寿命周期运行成本数据集包括非平稳时间序列的数据和平稳时间序列的数据；

将非平稳时间序列的数据转化为平稳时间序列的数据，根据转化后的平稳时间序列的数据以及强时序的变电设备全寿命周期运行成本数据集中的原有的平稳时间序列的数据得到最终的平稳时间序列数据；

将最终的平稳时间序列数据输入到预先训练好的基于融合注意力机制的CNN-MogrifierLSTM网络混合模型，得到成本预测结果。

2.根据权利要求1所述的基于机器学习的变电设备全寿命周期运行成本预测方法，其特征在于，所述获得可视化电力数据，包括：

采集变电设备全寿命周期运行成本数据，形成一个数据仓库；通过聚类、删除数据仓库内的冗余数据压缩数据，形成电力成本数据；

基于可视化技术的图表组件与电力成本数据进行可视化交互，获得可视化电力数据。

3.根据权利要求2所述的基于机器学习的变电设备全寿命周期运行成本预测方法，其特征在于，所述基于可视化技术的图表组件包括饼图、散点图、漏斗图、气泡图、热力学图。

4.根据权利要求1所述的基于机器学习的变电设备全寿命周期运行成本预测方法，其特征在于，所述利用时间以及空间上的关联性根据可视化电力数据构建强时序的变电设备全寿命周期运行成本数据集，包括：

可视化电力数据表示为F₁＝{[g₁₁,…,g_1K],…,[g_N1,…,g_NK]},g_nk表示第n个特征维度中的第k个成本数据，n＝1,…,N，k＝1,…,K，N和K分别表示特征维度的个数和成本数据的个数；

将可视化电力数据归一化编码，得到编码数据F₂，表示为：

F₂＝{[f₁₁,…,f_1K],…,[f_N1,…,f_NK]},f_nk表示第n个特征维度中的第k个成本数据归一化编码后的数据；

采集历史受环境影响的成本数据，对历史受环境影响的成本数据归一化编码得到环境数据Y，表示为：Y＝{[Y₁₁,…,Y_1K],…,[Y_N1,…,Y_NK]}，Y_nk表示第n个特征维度中的第k个受环境影响的成本数据归一化编码后的数据；

利用皮尔逊相关系数公式计算编码数据F₂和环境数据Y的相关系数r，与预设的相关系数阈值r₀进行比较，若相关系数r小于相关系数阈值r₀则从编码数据F₂中剔除对应的f_nk，得到受环境影响的成本数据；

表示归一化编码后的所有成本数据的均值，表示环境数据的均值，s_f与s_Y分别为成本数据和环境数据的标准差；

受环境影响的成本数据集，表示为X₁＝{x₁,…,x_i,…,x_I}，x_i表示受环境影响的成本数据，i＝1,…,I；

对受环境影响的成本数据x_i进行数据归一化，得到归一化后的数据表示为：

μβ为所有受环境影响的成本数据的均值，为所有受环境影响的成本数据的方差，∈为正数；

根据归一化后的数据确定强时序的变电设备全寿命周期运行成本数据集X₂，表示为：

5.根据权利要求4所述的基于机器学习的变电设备全寿命周期运行成本预测方法，其特征在于，所述归一化编码依据可视化电力数据是数值型或离散型进行归一化编码，数值型采用Min-Max归一化编码，离散型采用Catboost编码。