基于改进型LSTM的电力设备温度预测方法研究

• 作者: 张羽飞 孟凡勇 王永千 吴越 李红
• 来源期刊: 电子测量与仪器学报
• 学科: 工学
• 关键词: 卷积神经网络 长短期记忆神经网络 温度预测 电力设备
• 年，卷（期）: 2021,（12）
• 所属期刊栏目: 学术论文|PAPERS
• 页码范围: 167-173
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.13382/j.jemi.B2104077

摘要

实现电力设备温度的准确预测对于保障电力系统安全和提高维修效率具有重要意义.传统预测方法无法满足高精度的预测要求,提出一种基于改进型长短期记忆(long short-term memory,LSTM)神经网络的电力设备温度预测方法,利用去池化的卷积神经网络(convolutional neural networks,CNN)对时间序列进行局部特征提取,然后利用LSTM设计的循环递归层对时间序列进行长期特征提取,实现电气设备温度预测.在首都国际机场的供电设备运行状态监测数据集的实验结果表明,温度预测值在20～60 min内预测精度优于1℃,且均方根误差(RMSE)0.12均小于其他温度预测模型,可以有效实现电气设备温度预测.