一种基于Prophet-LSTM模型的SF6设备气体压力预测方法与流程

一种基于prophet-lstm模型的sf6设备气体压力预测方法
技术领域
1.本发明涉及一种用于电力设备检测领域的基于prophet-lstm模型的sf6设备气体压力预测方法。


背景技术：

2.sf6(六氟化硫)气体具备良好的绝缘和灭弧特性，目前在变电设备中得到了广泛的应用，然而sf6作为变电设备的绝缘介质也存在着一些隐患。例如在密闭的gis(气体绝缘变电站)设备内普遍存在的气体泄露问题，一旦发生泄露，由于高压电弧的作用，sf6将发生分解，产生一些有毒物质，进而导致gis室空气缺氧带毒，威胁到人员安全，另一方面sf6气体泄露也会降低设备的绝缘及灭弧性能，因此，有必要采取措施实现对sf6气体压力快速且有效的监测，从而判断设备的泄露故障。除此之外，变电一次设备大部分故障都是以热的形式表现出来，而这种热量的释放都是通过sf6气体完成的，在这样的热量交换过程中将不可避免地引起sf6气体压力的改变，因而sf6气体压力的实时监测对于分析设备的过热类故障也具有重要意义。
3.目前，针对类似sf6气体压力等时间序列数据的预测，多采用单一的时间序列模型或基于神经网络的预测方法，然而时间序列通常包含线性成分与非线性成分，单一的预测方法往往只能保障对其中一种成分的预测准确度，此外，单一预测模型在有效捕捉时间序列的复合特征方面也存在不足。


技术实现要素：

4.本发明的目的是为了克服现有技术的不足，提供一种基于prophet-lstm模型的sf6设备气体压力预测方法，通过运用组合预测模型，充分发挥时间序列模型与基于神经网络的预测方法的优势，相比单一模型将具有更好的预测效果。其运用prophet和经贝叶斯优化的lstm这两种时间序列模型分别预测sf6气压时序数据，并将两种模型的预测结果进行线性加权，作为最终的sf6气压预测结果，进而实现了对sf6气压变化更准确及有效的预测。
5.实现上述目的的一种技术方案是：一种基于prophet-lstm模型的sf6设备气体压力预测方法，包括如下步骤：
6.s1、通过sf6设备的气压传感器获取过去一年中sf6气压时序数据；
7.s2、预处理获取的sf6历史气压数据：包括对缺失数据、重复和冗余数据、异常或错误数据的处理，考虑到训练模型中数据取值范围相差过大可能引起模型权重分配错误的问题，进一步对数据进行归一化处理，然后将其分为训练集和测试集；
8.s3、训练阶段：将训练集数据分别输入到prophet模型和经贝叶斯优化的lstm模型进行训练，同时获取组合模型的最优权重系数；
9.s4、测试阶段：待prophet-lstm组合模型训练完成后，将测试集数据输入到prophet-lstm组合模型进行预测，以二者输出结果的线性加权值为最终的测试集预测结果；
10.s5、对组合模型的预测效果进行检验，若测试集预测结果与实际的测试集误差满足要求，则保留当前的组合预测模型的结构与参数，否则返回训练阶段。
11.进一步的，所述步骤s2的具体包括：
12.s21、采用邻近值填补方法处理缺失数据，以前后相邻位置数据的平均值代替缺失值；
13.s22、删除重复或冗余的数据；
14.s23、利用人为设定的范围来识别异常和错误数据，并将其视为缺失值进行处理；
15.s24、为了加快预测模型的收敛速度以及预测精度，采用最小最大(min-max)归一化方法对数据做进一步处理，将数据压缩至区间[0,1]，同时消除量纲不同的影响，转换公式如下：
[0016][0017]
其中，x为sf6历史气压数据的实际值，max和min分别为其最大值和最小值，x
*
表示归一化后的数据。
[0018]
进一步的，所述步骤s3中prophet模型能够有效分析数据的周期性、节假日效应以及未来趋势等时间序列特征，使用prophet模型进行训练的步骤如下：
[0019]
prophet模型将设备数据分解为三个部分，g(t)表示数据中的非周期项、h(t)表示数据中的节假日项，s(t)表示数据中的周期项，公式为：
[0020]
p＝g(t)+s(t)+h(t)+ε
t
[0021]
对于非周期项的数据，使用逻辑增长模型进行建模，公式为：
[0022][0023]
其中，c表示预测模型的容量，k是趋势增长率，n表示偏移参数；
[0024]
对于节假日和周期项的数据使用傅里叶级数来模拟周期效应，公式为：
[0025][0026]
其中t为周期性时间序列的周期，通过测试确定最终模型中的参数，得到prophet模型预测值p。
[0027]
进一步的，所述步骤s3中lstm模型通过在神经元部分增加忘记门缓解循环神经网络处理长序列数据时存在的梯度消失和梯度爆炸问题，适合训练长距离的时序数据，其具体实现如下：
[0028]
s41、初始化神经网络的权重和偏置参数，然后通过贝叶斯优化方法寻找lstm模型的最优超参数组合，贝叶斯优化不需要求导，因而适用于调节神经网络的超参数，并且能以较少的步数找到比较好的超参数组合；
[0029]
s42、输入训练集数据对lstm神经网络进行训练。
[0030]
进一步的，所述步骤s3中将训练集数据分别输入到prophet模型和经贝叶斯优化的lstm模型，得到的训练集预测结果分别表示为p(t)和l(t)，将二者进行线性加权后与训练集真实数据一起输入到最优权重系数获取模块，组合模型最终得到的训练集预测结果如
下：
[0031]
r(t)＝ω
1*
p(t)+ω
2*
l(t)
[0032]
式中，ω
1*
+ω
2*
＝1，此时训练集预测结果r(t)与实际的训练集最接近，权重系数ω
1*
和ω
2*
的取值通过最小二乘法来确定。
[0033]
进一步的，所述步骤s4将测试集数据输入至组合模型中，根据两个模型的预测结果及最优的组合权重得到最终的测试集预测结果。
[0034]
进一步的，所述步骤s5的具体实现如下：
[0035]
采用平均绝对百分比以及均方根误差这两个指标对组合模型的预测效果进行检验，公式分别如下：
[0036][0037][0038]
其中pi和ai分别代表时刻i组合模型对测试数据的预测结果与测试数据的真实值，若mape和rmse指标满足要求，则保存当前组合模型的结构与参数，否则继续对模型进行训练。
[0039]
与现有的技术相比，本发明具有以下优点：
[0040]
1.本发明采用了prophet-lstm组合模型对sf6气压时序数据进行预测，相比于单一的预测模型能更好地分析时间序列数据的特征，在预测复杂的非线性时间序列时具有更高的准确度；
[0041]
2.本发明采用的lstm模型能够有效改善简单循环神经网络存在的梯度爆炸和消失问题，同时运用贝叶斯方法对lstm模型进行优化，以较快和较简单的方式寻找神经网络的最优超参数组合，提高了神经网络的训练速度和预测准确度。
附图说明
[0042]
图1为本发明的本发明的sf6设备气体压力预测方法流程图。
具体实施方式
[0043]
为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：
[0044]
请参阅图1，本发明的一种基于prophet-lstm模型的sf6设备气体压力预测方法，包括以下步骤：
[0045]
s1、通过sf6设备的气压传感器获取过去一年中sf6气压时序数据；
[0046]
s2、预处理获取的sf6历史气压数据：包括对缺失数据、重复和冗余数据、异常或错误数据的处理，考虑到训练模型中数据取值范围相差过大可能引起模型权重分配错误的问题，将进一步对数据进行归一化处理，然后将其分为训练集和测试集；
[0047]
s3、训练阶段：将训练集数据分别输入到prophet模型和经贝叶斯优化的lstm模型进行训练，同时获取组合模型的最优权重系数；
[0048]
s4、测试阶段：待prophet-lstm组合模型训练完成后，将测试集数据输入到prophet-lstm组合模型进行预测，以二者输出结果的线性加权值为最终的测试集预测结果；
[0049]
s5、对组合模型的预测效果进行检验，若测试集预测结果与实际的测试集误差满足要求，则保留当前的组合预测模型的结构与参数，否则返回训练阶段。
[0050]
所述步骤s2的具体实现为：
[0051]
s21、采用邻近值填补方法处理缺失数据，以前后相邻位置数据的平均值代替缺失值；
[0052]
s22、删除重复或冗余的数据；
[0053]
s23、利用人为设定的范围来识别异常和错误数据，并将其视为缺失值进行处理；
[0054]
s24、为了加快预测模型的收敛速度以及预测精度，采用最小最大(min-max)归一化方法对数据做进一步处理，将数据压缩至区间[0,1]，同时消除量纲不同的影响，转换公式如下：
[0055][0056]
其中，x为sf6历史气压数据的实际值，max和min分别为其最大值和最小值，x
*
表示归一化后的数据。
[0057]
所述步骤s3中prophet模型能够有效分析数据的周期性、节假日效应以及未来趋势等时间序列特征，使用prophet模型进行训练的步骤如下：
[0058]
prophet模型将设备数据分解为三个部分，g(t)表示数据中的非周期项、h(t)表示数据中的节假日项，s(t)表示数据中的周期项，公式为：
[0059]
p＝g(t)+s(t)+(t)+ε
t
[0060]
对于非周期项的数据，使用逻辑增长模型进行建模，公式为：
[0061][0062]
其中，c表示预测模型的容量，k是趋势增长率，n表示偏移参数。
[0063]
对于节假日和周期项的数据使用傅里叶级数来模拟周期效应，公式为：
[0064][0065]
其中t为周期性时间序列的周期，通过测试确定最终模型中的参数，得到prophet模型预测值p。
[0066]
所述步骤s3中lstm模型通过在神经元部分增加忘记门有效缓解了循环神经网络(rnn)处理长序列数据时存在的梯度消失和梯度爆炸问题，适合训练长距离的时序数据，其具体实现如下：
[0067]
s41、初始化神经网络的权重和偏置参数，然后通过贝叶斯优化方法寻找lstm模型的最优超参数组合，贝叶斯优化不需要求导，因而适用于调节神经网络的超参数，并且能以
较少的步数找到比较好的超参数组合；
[0068]
s42、输入训练集数据对lstm神经网络进行训练。
[0069]
所述步骤s3中将训练集数据分别输入到prophet模型和经贝叶斯优化的lstm模型，得到的训练集预测结果分别表示为p(t)和l(t)，将二者进行线性加权后与训练集真实数据一起输入到最优权重系数获取模块，组合模型最终得到的训练集预测结果如下：
[0070]
r(t)＝ω
1*
p(t)+ω
2*
l(t)
[0071]
式中，ω
1*
+ω
2*
＝1，此时训练集预测结果r(t)与实际的训练集最接近，权重系数ω
1*
和ω
2*
的取值通过最小二乘法来确定。
[0072]
所述步骤s4将测试集数据输入至组合模型中，根据两个模型的预测结果及最优的组合权重得到最终的测试集预测结果。
[0073]
所述步骤s5的具体实现如下：
[0074]
采用平均绝对百分比(mape)以及均方根误差(rmse)这两个指标对组合模型的预测效果进行检验，公式分别如下：
[0075][0076][0077]
其中pi和ai分别代表时刻i组合模型对测试数据的预测结果与测试数据的真实值，若mape和rmse指标满足要求，则保存当前组合模型的结构与参数，否则继续对模型进行训练。
[0078]
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。