Python用Lstm神经网络、离散小波转换DWT降噪对中压电网电压时间序列预测

全文链接：http://tecdat.cn/?p=31149

原文出处：拓端数据部落公众号

分析师：Yuxuan Xia

对于电力公司来说，对局部放电的准确预测可以显著降低人力物力成本。据调查，80%的输电设备损坏是随机发生的，而只有20%由于老化。而损坏案例中又有85%是由于局部放电现象的发生。电厂98%的维护费用于支付维修师的薪资。因此，准确的预测电网的电压变化并预测局部放电现象的发生，可以极大的降低维修师的工作效率并降低维护成本。

解决方案

任务 / 目标

根据电力公司提出的要求，利用电压数据对电网电压进行电压预测。

数据源准备

数据源来自电力公司的电网监测系统，他们记录了电网位置（ id_measurement ）：用于记录电网的地理位置。信号（ signal_id ）：每个 signal_id 包含 20 毫秒内的 800 ， 000 个电压数据。相（ phase ）：用于标记设备的相。目标（ target ）：用于标记设备是否发生局部放电。

特征转换

对每段id_mesurement的三相电压值求和，正常情况下，在同一时间的三相电压和为零。以用于辅助判断是否发生局部放电。

构造

数据集结构如下

划分训练集和测试集

因为数据集包含20毫秒内的压力变化，因此以时间顺序将前75%划分为训练集，后25%为测试集。

建模

长短期记忆模型（LSTM）

一种特殊结构的循环神经网络，适用于时间序列数据的预测，建立较大的深度神经网络。

模型优化

数据降噪

电压数据来自现实世界，因此存在许多噪点，利用离散小波转换（DWT）对电压数据进行降噪，使正常电压数据归于平稳，局部放电现象更易被察觉。

项目结果

利用Lstm很好的对未来电压值进行了预测，预测准确率达到85.3%。

但是，即使对于Lstm，序列的长度仍然太长了（200-300更佳），若能对数据序列进行压缩，有可能得到更好的预测结果。

关于作者

在此对Yuxuan Xia对本文所作的贡献表示诚挚感谢，他毕业于西北大学，专长深度学习、推荐算法、决策分析。

---

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列

4.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

5.r语言copulas和金融时间序列案例

6.R 语言用RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测

7.Matlab创建向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析