System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力设备故障预测,更具体地说,本专利技术涉及基于人工智能的大数据分析建模预测系统及方法。
技术介绍
1、在电力系统中,电力设备的运行状态至关重要,电力设备状态监测主要通过形式各异的传感器监测电力设备获取各项状态数据,并对数据进行处理获取设备健康状态相关的特征参数,评价设备状态,预测设备故障,由于电力设备的运行数据通常具有一定的周期性和趋势性,在电力设备故障预测方面常采用时间序列模型对电力设备未来的故障风险进行预测;
2、在基于时间序列模型进行电力设备预测前均需要确定滑动窗口的宽度值,由于实时的监测数据非常庞大将其全部用于模型的输入变的不现实,且距离当前时刻较为古老的数据对于建模和预测可能出现负面影响,因此基于时间序列模型的输入并不是采集所有数据,而只是选择离当前时刻较近的一小部分数据作为输入,该部分数据的采集时间段即滑动窗口的宽度值,一般情况下,滑动窗口的宽度值在算法运行过程中为预先设置的值并保持固定不变,在很多场景中,如电网的负荷变化、对于风力发电机其工作状态可能受到风速、风向等因素的影响,并不能预先知道监测数据的分布变化规律,若较小的滑动窗口宽度值可能导致模型过度拟合,使其对噪声或局部波动过于敏感,较大的滑动窗口宽度值可能导致欠拟合,使其无法捕捉到时间序列的重要特征。
3、为了解决上述缺陷,现提供一种技术方案。
技术实现思路
1、为了克服现有技术的上述缺陷,本专利技术的实施例提供基于人工智能的大数据分析建模预测系统及方法,以解决上述
技术介绍
2、为实现上述目的,本专利技术提供如下技术方案:
3、基于人工智能的大数据分析建模预测方法,包括如下步骤:
4、步骤s1,在传感器对电力设备进行监测时,实时获取传感器的监测数据并对监测数据进行预处理,得到按时间顺序排列的监测数据时间序列;
5、步骤s2,根据预设的滑动窗口宽度值从监测数据时间序列中截取对应的多组监测数据,采用基因表达式编程算法预测下一阶段的监测数据,并将预测值与实际值进行比较,判断是否生成滑动窗口宽度值修正信号;
6、步骤s3,当生成滑动窗口宽度值修正信号,基于多源信息融合算法构建动态规划模型,对滑动窗口宽度值动态规划,选择最优的滑动窗口宽度值。
7、在一个优选地实施方式中,在步骤s2中,根据预设的滑动窗口宽度值从监测数据时间序列中截取对应的多组监测数据,采用基因表达式编程算法预测下一阶段的监测数据,还包括如下步骤:
8、步骤s201,基因编码:在基因表达式编程算法中,基因个体的编码由头部和尾部组成,头部是由符号集f和终结集z随机生成,尾部是由终结集随机生成,符号集内存储各种运算符,终结集中存储样本数据;
9、步骤s202,生成头部基因串:随机选择符号集f中的运算符和函数构建头部基因串;
10、步骤s203,生成尾部基因串:根据滑动窗口宽度值w,从终结集合z中选择对应数量的监测数据作为尾部基因串;
11、步骤s204,连接头部和尾部生成个体:将生成的头部基因串和尾部基因串连接起来形成一个完整的个体;
12、步骤s205,重复步骤s202,步骤s203,步骤s204,生成多个初始化个体,最终生成初始化种群;
13、步骤s206,计算适应度值:适应度函数用来计算种群中每个个体所对应的适应度值;
14、步骤s207,个体选择:个体选择是指从当前种群中筛选出适应度值高的个体,并使这些个体能够作为父代传递其优良的基因信息到下一代;
15、步骤s208,交叉重组:对经过轮盘赌算子选择之后的种群进行交叉重组操作;
16、步骤s209,变异操作;
17、步骤s210,迭代演化:判断迭代时间是否达到预设的迭代时长阈值,若迭代时间等于迭代时长阈值,则结束迭代过程,输出最优解个体,若迭代时间小于迭代时长阈值,则转入步骤s206;
18、步骤s211,将最优解个体通过中序遍历解码得到最终的监测数据预测模型;
19、当滑动窗口按照时间序列进行移动时,依次将窗口内的前w-1组监测数据作为输入,预测第w组的监测数据;
20、将预测值与实际值通过计算得到预测值与实际值的误差值,将误差值与误差值阈值进行比较,若误差值大于等于误差值阈值,则生成滑动窗口宽度值修正信号;若误差值小于误差值阈值,则无需生成滑动窗口宽度值修正信号。
21、在一个优选地实施方式中,当生成滑动窗口宽度值修正信号,基于多源信息融合算法构建动态规划模型,还包括如下步骤:获取监测数据波动信息、算法迭代信息和预测偏差信息,监测数据波动信息包括监测数据波动系数,算法迭代信息包括算法迭代频率异常系数,预测偏差信息包括监测数据偏差系数,根据监测数据波动系数、算法迭代频率异常系数、监测数据偏差系数通过加权求和计算得到动态规划指数。
22、在一个优选地实施方式中,将动态规划指数与动态规划指数参考阈值进行比较,为动态划分模型的建立提供依据;
23、若动态规划指数大于等于动态规划指数参考阈值,则构建第一阶段划分模型;
24、若动态规划指数小于动态规划指数参考阈值,则构建第二阶段划分模型。
25、在一个优选地实施方式中,获取动态规划指数与动态规划指数参考阈值,计算不同的偏差比将其作为第一阶段修正因子以及第二阶段修正因子,分别用于构建第一阶段划分模型以及第二阶段划分模型。
26、在一个优选地实施方式中,基于人工智能的大数据分析建模预测系统,包括传感器监测模块、数据处理模块、风险预测模块、动态优化模块,模块间存在信号连接;
27、传感器监测模块,用于根据传感器对电力设备进行实时监测,并将获取的监测数据传输至数据处理模块;
28、数据处理模块,用于对监测数据进行预处理,包括数据清洗、数据平滑和滤波、特征提取、数据转换,并将预处理后的监测数据按时间顺序排列得到监测数据时间序列;
29、风险预测模块,用于根据预设的滑动窗口宽度值从监测数据时间序列中截取对应的多组监测数据,采用基因表达式编程算法预测下一阶段的监测数据,提前发现电力设备的是否存在运行故障风险,并在预测值与实际值的偏差过大时,生成滑动窗口宽度值修正信号;
30、动态优化模块,当生成滑动窗口宽度值修正信号时,基于多源信息融合算法构建动态规划模型,对滑动窗口宽度值动态规划,选择最优的滑动窗口宽度值。
31、本专利技术的技术效果和优点:
32、1、本专利技术通过使用传感器对电力设备进行监测,并实时获取其监测数据对监测数据进行预处理,得到按时间顺序排列的监测数据时间序列,同时根据预设的滑动窗口宽度值从监测数据时间序列中截取对应的多组监测数据,采用基因表达式编程算法预测下一阶段的监测数据,用于根据预测结果提前发现电力设备的是否存在运行故障风险,提前发现这些异常情况,采取相应的措施,以预防或减少潜在的电力设本文档来自技高网...
【技术保护点】
1.基于人工智能的大数据分析建模预测方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于人工智能的大数据分析建模预测方法,其特征在于:在步骤S2中,根据预设的滑动窗口宽度值从监测数据时间序列中截取对应的多组监测数据,采用基因表达式编程算法预测下一阶段的监测数据,还包括如下步骤:
3.根据权利要求2所述的基于人工智能的大数据分析建模预测方法,其特征在于:当生成滑动窗口宽度值修正信号,基于多源信息融合算法构建动态规划模型,还包括如下步骤:获取监测数据波动信息、算法迭代信息和预测偏差信息,监测数据波动信息包括监测数据波动系数,算法迭代信息包括算法迭代频率异常系数,预测偏差信息包括监测数据偏差系数,根据监测数据波动系数、算法迭代频率异常系数、监测数据偏差系数通过加权求和计算得到动态规划指数。
4.根据权利要求3所述的基于人工智能的大数据分析建模预测方法,其特征在于:将动态规划指数与动态规划指数参考阈值进行比较,为动态划分模型的建立提供依据;
5.根据权利要求4所述的基于人工智能的大数据分析建模预测方法,其特征在于:获取动态规划指数
6.基于人工智能的大数据分析建模预测系统,用于实现权利要求1-5中任意所述的基于人工智能的大数据分析建模预测方法,其特征在于:包括传感器监测模块、数据处理模块、风险预测模块、动态优化模块,模块间存在信号连接;
...【技术特征摘要】
1.基于人工智能的大数据分析建模预测方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于人工智能的大数据分析建模预测方法,其特征在于:在步骤s2中,根据预设的滑动窗口宽度值从监测数据时间序列中截取对应的多组监测数据,采用基因表达式编程算法预测下一阶段的监测数据,还包括如下步骤:
3.根据权利要求2所述的基于人工智能的大数据分析建模预测方法,其特征在于:当生成滑动窗口宽度值修正信号,基于多源信息融合算法构建动态规划模型,还包括如下步骤:获取监测数据波动信息、算法迭代信息和预测偏差信息,监测数据波动信息包括监测数据波动系数,算法迭代信息包括算法迭代频率异常系数,预测偏差信息包括监测数据偏差系数,根据监测数据波动系数、算法迭代频率异常系数、...
【专利技术属性】
技术研发人员:张瑜,
申请(专利权)人:哈尔滨笃远科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。