基于时序分析的电网合并单元电平预测

root 提交于 周五, 06/17/2022 - 10:21
合并单元设备监控依赖于现场工作人员记录、实践经验以及预设告警阈值,缺少对系统监视数据的分析和挖掘,不能实现设备状态预测。鉴于此,根据监视合并单元电平数据的时序性特征,将传统时序模型差分整合移动平均自回归(Autoregressive integrated moving average, ARIMA)和长短期记忆网络(Long short-term memory, LSTM)构建组合模型,并采用蛙跳算法 (Shuffled frog leaping algorithm, SFLA) 进行模型优化。优化后的模型应用在合并单元激光器监视的电平数据预测分析,将ARIMA-LSTM优化组合模型和单一模型进行对比,验证了组合模型比单一模型具有更高的准确度。进一步和其他组合模型做对比实验,实验结果表明,组合模型经过SFLA优化后均优于其他组合模型,能够更好挖掘数据中的隐藏信息和趋势,提高时序数据预测精度和故障排查效率。将SFLA优化的组合ARIMA-SVM模型和ARIMA-LSTM模型对比,实验结果表明,所提出的ARIMA-LSTM模型优于ARIMA-SVM模型,可以更好地分析和掌握设备状态信息,实现对合并单元设备的电平数据预测。

相关内容

发布日期 06/17/2022 - 10:21
发布日期 01/01/1970 - 08:00
发布日期 01/21/2024 - 12:12
发布日期 06/17/2022 - 10:21
发布日期 09/10/2023 - 22:37
发布日期 08/04/2020 - 19:02
发布日期 08/04/2020 - 01:35
发布日期 08/04/2020 - 01:35
发布日期 01/10/2022 - 19:32