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】
本专利技术涉及配电电缆参数的预测,尤其是指一种序列分解-子空间聚合的参数预测方法和系统。
技术介绍
1、配电电缆运行参数的预测
技术介绍
涉及确保电力系统安全、可靠运行的重要方面,特别是在10kv配电网这个关键环节。配电电缆作为电能传输的核心设备,其运行状态直接影响到用户的供电质量和系统的稳定性。随着电网规模的不断扩大和复杂化,对配电电缆的管理提出了更高要求,尤其是需要提前识别潜在故障并采取措施以避免可能的停电事故。而对于夏季或其他负荷高峰伴随着季节和趋势的特性,因此stl分解的优势具有显著效应,由于其灵活性、鲁棒性、对异常值的容忍性特别是在处理时间序列数据的季节性和趋势性上,stl展现出其独特而有效的处理能力,而对于配电电缆参数预测需要考虑高维特征而远超样本的情况,子空间方法通过随机抽取子集,减少维度,降低了计算负担且保留了关键信息。因此考虑到天气、负荷以及运行参数的相互影响,如何实现整体的最优决策以获得更好的预测结果水平是目前亟待解决的。
2、需要说明的是,在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、为此,本专利技术所要解决的技术问题在于考虑到天气、负荷以及运行参数的相互影响,如何实现整体的最优决策以获得更好的预测结果水平是目前亟待解决的问题。
2、为解决上述技术问题,本专利技术的第一方面提供了一种序列分解-子空间聚合的参数预测方法,所述方法包括:
3
4、对所述历史数据进行stl分解得到趋势序列、残差序列和季节性序列;
5、采用gl高斯模型将所述趋势序列、所述残差序列和所述季节性序列进行最小二乘拟合并得到模型参数特征;
6、根据所述统计特征和所述模型参数特征生成多个随机子空间;
7、根据多个所述随机子空间对attention-lstm预测模型进行训练,得到多个模型输出结果;
8、将多个所述模型输出结果进行聚合,得到预测结果。
9、在本专利技术的一个实施例中,所述统计特征包括参数统计特征、天气统计特征、用电负荷统计特征和年综合费用统计特征。
10、在本专利技术的一个实施例中,对所述历史数据进行stl分解得到趋势序列、残差序列和季节性序列的步骤还包括:
11、根据外循环和内循环对所述历史数据进行分解得到趋势序列、残差序列和季节性序列。
12、在本专利技术的一个实施例中,所述gl高斯模型为:
13、
14、其中,γ(·)是gamma函数,α和,分别是gl高斯模型的超参数,x是待预测参数的历史数据序列。
15、在本专利技术的一个实施例中,根据所述统计特征和所述模型参数特征生成多个随机子空间的步骤包括:
16、对所述趋势序列的随机子空间的大小进行定义,得到第一空间值;
17、对所述残差序列的随机子空间的大小进行定义,得到第二空间值;
18、对所述季节性序列的随机子空间的大小进行定义,得到第三空间值;
19、通过对所述第一空间值、所述第二空间值和所述第三空间值进行调整,直至达到最优误差,以形成与所述第一空间值、所述第二空间值和所述第三空间值对应的随机子空间。
20、在本专利技术的一个实施例中,根据多个所述随机子空间对attention-lstm预测模型进行训练,得到多个模型输出结果的步骤还包括:
21、根据lstm单元和softmax激活函数得到注意力权重;
22、将所述注意力权重应用于所述统计特征,得到加权统计特征;
23、通过tanh激活函数对所述加权统计特征进行处理,得到第一计算结果;
24、将所述第一计算结果输入至dropout单元,得到第二计算结果;
25、将所述第二计算结果输入至全连接单元,得到多个模型输出结果。
26、在本专利技术的一个实施例中,将多个所述模型输出结果进行聚合,得到预测结果的步骤包括:
27、去除多个所述模型输出结果中的最大值和最小值,得到多个初始输出结果;
28、计算多个所述初始输出结果的平均值,得到多个平均输出结果;
29、对多个所述平均输出结果进行聚合,得到预测结果。
30、本专利技术的第二方面提供了一种序列分解-子空间聚合的参数预测系统,所述系统包括:分解模块、计算模块和聚合模块;
31、所述分解模块被配置为:获取待测参数的历史数据和统计特征;对所述历史数据进行stl分解得到趋势序列、残差序列和季节性序列;
32、所述计算模块被配置为:采用gl高斯模型将所述趋势序列、所述残差序列和所述季节性序列进行最小二乘拟合并得到模型参数特征;根据所述统计特征和所述模型参数特征生成多个随机子空间;
33、所述聚合模块被配置为:根据多个所述随机子空间对attention-lstm预测模型进行训练,得到多个模型输出结果;将多个所述模型输出结果进行聚合,得到预测结果。
34、本专利技术的第三方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述第一方面或第一方面中任一种可能的实施方式中所述的方法。
35、本专利技术的第四方面提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面或第一方面中任一种可能的实施方式中所述的方法。
36、本专利技术的上述技术方案相比现有技术具有以下优点:
37、本专利技术所述的一种序列分解-子空间聚合的参数预测方法和系统,通过将待预测参数的时间序列数据分解为趋势、季节性和残差成分,使得模型能够单独专注于三部分,同时为了减少特征维度,采用gl高斯拟合得到模型参数特征并结合天气、用电负荷统计特征作为预测模型的输入,最后通过集成学习策略,即随机子空间方法,集合多个attention-lstm预测模型的预测结果,有助于捕捉不同子空间中的分类信息,提高模型的泛化性能和稳定性。并在时域数据上分解加以对分解序列的注意机制处理,同时在子空间的预测模型加以注意机制处理,基于双重注意机制的整体结构有效地解决了电缆参数表达数据分析中遇到的高维度、小样本量等难题,为电缆参数预测提供了高效且准确的解决方案。
本文档来自技高网...【技术保护点】
1.一种序列分解-子空间聚合的参数预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于:所述统计特征包括参数统计特征、天气统计特征、用电负荷统计特征和年综合费用统计特征。
3.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于,对所述历史数据进行STL分解得到趋势序列、残差序列和季节性序列的步骤还包括:
4.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于,所述GL高斯模型为:
5.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于,根据所述统计特征和所述模型参数特征生成多个随机子空间的步骤包括:
6.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于,根据多个所述随机子空间对ATTENTION-LSTM预测模型进行训练,得到多个模型输出结果的步骤还包括:
7.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于,将多个所述模型输出结果进行聚合,得到预
8.一种序列分解-子空间聚合的参数预测系统,其特征在于,所述系统包括:分解模块、计算模块和聚合模块;
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述一种序列分解-子空间聚合的参数预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述一种序列分解-子空间聚合的参数预测方法的步骤。
...【技术特征摘要】
1.一种序列分解-子空间聚合的参数预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于:所述统计特征包括参数统计特征、天气统计特征、用电负荷统计特征和年综合费用统计特征。
3.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于,对所述历史数据进行stl分解得到趋势序列、残差序列和季节性序列的步骤还包括:
4.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于,所述gl高斯模型为:
5.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于,根据所述统计特征和所述模型参数特征生成多个随机子空间的步骤包括:
6.根据权利要求1所述的一种序列分解-子空间聚合的参数预测方法,其特征在于,...
【专利技术属性】
技术研发人员:马聪,闫明蔚,王兴振,胥明凯,马磊,胡炼,邵帅,葛少伟,汪培月,张金亮,
申请(专利权)人:国网山东省电力公司济南供电公司,
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。