[發(fā)明專利]基于多尺度時序數(shù)據(jù)融合模型的發(fā)電機組運行參數(shù)預(yù)測方法、裝置及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210680101.2
• 申請日: 2022-06-16
• 公開（公告）號: CN115204035A
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計）人: 魏祥龍;劉惠義
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 嚴(yán)志平

本發(fā)明公開了一種基于多尺度時序數(shù)據(jù)融合模型的發(fā)電機組運行參數(shù)預(yù)測方法、裝置及存儲介質(zhì)，所述多尺度時序數(shù)據(jù)融合模型包括數(shù)據(jù)去噪模塊和數(shù)據(jù)融合模塊，數(shù)據(jù)去噪模塊包括降噪自動編碼器，數(shù)據(jù)融合模塊包括一維深度卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)，一維深度卷積神經(jīng)網(wǎng)絡(luò)包括卷積層、池化層和全連接層，雙向長短期記憶網(wǎng)絡(luò)嵌入到一維深度卷積神經(jīng)網(wǎng)絡(luò)中；所述發(fā)電機組運行參數(shù)預(yù)測方法包括：采集影響發(fā)電機組運行方式的各運行參數(shù)的實時數(shù)據(jù)，并進(jìn)行預(yù)處理；將預(yù)處理后的各運行參數(shù)的實時數(shù)據(jù)輸入預(yù)先訓(xùn)練好的多尺度時序數(shù)據(jù)融合模型中，獲取發(fā)電機組各運行參數(shù)的預(yù)測結(jié)果。本發(fā)明能夠減少原始數(shù)據(jù)的噪聲、提高數(shù)據(jù)融合精度及預(yù)測精度。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，特別涉及一種基于多尺度時序數(shù)據(jù)融合模型的發(fā)電機組運行參數(shù)預(yù)測方法、裝置及存儲介質(zhì)。

背景技術(shù)

數(shù)據(jù)融合的目的是通過融合多個傳感器捕獲的數(shù)據(jù)與相關(guān)數(shù)據(jù)庫中的信息進(jìn)而獲取更準(zhǔn)確的預(yù)測數(shù)據(jù)；目前，數(shù)據(jù)融合技術(shù)已經(jīng)被用于如智能水電、智慧交通、疾病診斷、股票預(yù)測等多個領(lǐng)域中，處理的數(shù)據(jù)屬于時序數(shù)據(jù)，時序數(shù)據(jù)往往具有高維度、高噪聲、多特征、連續(xù)性和高非線性等特性。

在梯級水電站的運行過程中，合理安排水電站的運行方式和水量調(diào)度可以使水電站及其接入的電網(wǎng)得到最大可能的經(jīng)濟效益，然而能夠精準(zhǔn)的預(yù)測各發(fā)電機組的流量、揚程、轉(zhuǎn)速和功率等運行參數(shù)對梯級水電站進(jìn)行智能預(yù)報和合理調(diào)度起到至關(guān)重要的作用，有利于減少各發(fā)電機組消耗的總功率、提高發(fā)電效率。目前，主要的數(shù)據(jù)預(yù)測方法是將BP(Back Propagation，反向傳播)神經(jīng)網(wǎng)絡(luò)、深度卷積神經(jīng)網(wǎng)絡(luò)、CNN-LSTM(ConvolutionalNeural Networks-Long Short-Term Memory，卷積神經(jīng)網(wǎng)絡(luò)-長短期記憶)神經(jīng)網(wǎng)絡(luò)等算法應(yīng)用于數(shù)據(jù)融合技術(shù)中進(jìn)行預(yù)測；然而BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型的網(wǎng)絡(luò)結(jié)構(gòu)較為簡單，對于處理高復(fù)雜度數(shù)據(jù)達(dá)不到高性能的融合效率；深度卷積神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型可以很好地學(xué)習(xí)高維時序數(shù)據(jù)的特征，但其模型忽略了數(shù)據(jù)噪聲的影響且無法捕捉時序數(shù)據(jù)間的連續(xù)性特征；CNN-LSTM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型解決了時序數(shù)據(jù)間的長距離依賴問題，但是該模型只能捕獲到前向輸入數(shù)據(jù)的連續(xù)性特征數(shù)據(jù)融合精度不高；綜上所述，如何在不過度增加模型運算速度的條件下降低原始數(shù)據(jù)的噪聲干擾并達(dá)到更高的融合精度更是研究人員需要功克的問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種基于多尺度時序數(shù)據(jù)融合模型的發(fā)電機組運行參數(shù)預(yù)測方法、裝置及存儲介質(zhì)，能夠減少原始數(shù)據(jù)的噪聲、提高數(shù)據(jù)的融合精度和預(yù)測精度，從而準(zhǔn)確預(yù)測各發(fā)電機組的運行參數(shù)，進(jìn)而能夠合理安排、調(diào)度梯級水電站的運行方式。

為達(dá)到上述目的，本發(fā)明是采用下述技術(shù)方案實現(xiàn)的：

第一方面，本發(fā)明提供了一種基于多尺度時序數(shù)據(jù)融合模型的發(fā)電機組運行參數(shù)預(yù)測方法，其中，所述多尺度時序數(shù)據(jù)融合模型包括數(shù)據(jù)去噪模塊和數(shù)據(jù)融合模塊，所述數(shù)據(jù)去噪模塊包括降噪自動編碼器，所述數(shù)據(jù)融合模塊包括一維深度卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)，所述一維深度卷積神經(jīng)網(wǎng)絡(luò)包括卷積層、池化層和全連接層，所述雙向長短期記憶網(wǎng)絡(luò)嵌入到一維深度卷積神經(jīng)網(wǎng)絡(luò)中；

所述發(fā)電機組運行參數(shù)預(yù)測方法包括：

采集影響發(fā)電機組運行方式的各運行參數(shù)的實時數(shù)據(jù)，并進(jìn)行預(yù)處理；

將預(yù)處理后的各運行參數(shù)的實時數(shù)據(jù)輸入預(yù)先訓(xùn)練好的多尺度時序數(shù)據(jù)融合模型中，獲取發(fā)電機組各運行參數(shù)的預(yù)測結(jié)果。

結(jié)合第一方面，優(yōu)選的，各所述運行參數(shù)包括發(fā)電機組的流量、揚程、轉(zhuǎn)速和功率。

結(jié)合第一方面，優(yōu)選的，所述多尺度時序數(shù)據(jù)融合模型的訓(xùn)練過程包括以下步驟：

步驟2.1:初始化多尺度時序數(shù)據(jù)融合模型的模型參數(shù)；