基于改进 LSTM 的电力设备状态融合预测模型

摘要：针对电力大数据存在数据随机缺失进而降低长短期记忆模型（Long Short-term Memory,LSTM）预测准确率的问题，文中提出了一种基于改进 LSTM 的电力设备状态融合预测模型。该模型首先对状态数据进行缺值检测和平稳分析，根据历史数据利用差分整合移动平均自回归模型（Autoregressive Integrated Moving Average model, ARIMA）对缺失的数值进行预测， 并将预测的数值补充至相应的缺失位置；然后将新的完整数据输入到 ARIAM 模型和改进LSTM 模型中以获取两种预测值；最后根据改进 LSTM 模型的学习准确率和 ARIAM 模型的拟合度对预测值进行权重分配，并在此基础上进行状态趋势融合预测。为了验证文中模型的普适性和预估准确性，选择电力负荷数据开展实验，结果表明：基于改进 LSTM 的电力设备状态融合预测模型在数据完整情况下的预测准确率比 ARIAM 和 LSTM 分别提高了 52% 和 25%，在数据缺失情况下的预测准确率分别提高了 44%和 57%。

关键词：数据随机缺失；改进 LSTM 模型；状态趋势融合预测

中图分类号: TM93 文献标识码：A 文章编号：1001-1390(2020)00-0000-00

State fusion prediction model of power equipment based on improved LSTM

Abstract: Aiming at the problem that power big data has random missing data and reduces the prediction accuracy of long short-term memory (LSTM), an improved fusion prediction model for power equipment based on improved LSTM is proposed in this paper. The model firstly performs missing value detection and stable analysis on the state data, and adopts the differential integrated moving average autoregressive model (ARIMA) to predict the missing values based on historical data, and supplements the predicted values to the corresponding missing position; and then, the   new complete data is input into the ARIAM model and the improved LSTM model to obtain two kinds of prediction values; finally, the weights are  assigned  to the prediction  values according to the learning accuracy of the improved LSTM model and the fitting degree of the ARIAM model, and on this basis, state trend fusion prediction is performed. In order to verify the universality and prediction accuracy of the model in this paper, the power load data was selected to carry out experiments. The results show that the prediction accuracy of the power equipment state fusion prediction model based on the improved LSTM under the condition of complete data is higher 52% and 25% than that of ARIAM and LSTM respectively, and the prediction accuracy in the absence   of data has been improved by 44% and 57% respectively.

Keywords: random data missing, improved LSTM model, state trend fusion prediction

0引 言

掌握电力设备状态渐变规律，并从大数据的角度预估其后续趋势，是泛在电力物联网变电设备状态智能感知建设的内在要求。虽然规模剧增的电力设备和日益丰富的检测手段，为设备状态内在趋势的挖掘和预测提供了丰富的数据基础[1-2]，但是传统的数据挖据方式需要建立复杂的数学、物理模型，在设备结构复杂性和运行状态不确定性高的背景下，海量数据分析面临低效化、片面化等问题[2]。此外，部分老旧设备由于缺乏精细化管理，数据缺失、不规范的状况较多[3]。因此，全面且客观的从海量、残缺的历史检测数据中挖掘出有价值的状态变化规律、预判状态趋势发展，是电力大数据发展的核心问题。

目前，统计分析模型和机器学习模型利用多源异构检测数据从数据的角度揭示设备状态的变化规律，并且结合气象环境、运行环境等因素可对后续运行趋势进行个性化预估，已被广泛用于大数据背景下的设备状态评估及预测。然而，以 ARIMA 为代表的统计分析模型虽然具有不需人为干预、架构简单、准确率高的优点，但是只能处理线性关系显著、规律性和周期性较强的平稳数据。以 LSTM 为代表的机器学习模型虽然克服了传统机器学习因梯度消失而不能长期预测和预测准确率低的问题，但特性[9-11]，而且所采用数据通过计算机记录的方式使得数据具有较高的完整性。这里需说明，数据缺失的预测实验则通过人为方式随机的剔除部分数据，以验证文中模型相对于传统预测模型在数据残缺情况下的优越性。此外，本次用于训练和验证的负荷数据均为冬季的电负荷，不同月份的环境温度、节假日等因素对负荷的影响可视为等同的（春节除外）。

LSTM 模型与 ARIMA 模型在负荷数据完整情况下和负荷数据残缺情况下的预测图及局部放大图如图 1 所示，其中的样本数据由训练数据 P 和测试数据 p 组成。为了便于比较，采用均方根误差（Root Mean Square Error , RMSE）作为预测准确性的评估依据， 计算公式为：m

对数据的时序性和完整性有着极高要求，运维人员的漏检、不定期检测使得检测数据不能严格按照固定的间隔分布在时间序列上些断层式的波动数据会损坏其“记忆细胞”，从而降低了泛化能力，导致内在规律预测的准确性难以保证。