针对大量变压器数据的冗余性与非结构化、半结构化、结构化特性,提出一种基于变压器特性数据聚类的长短期记忆(long short term memory,LSTM)网络模型预测方法。首先,采用核主成分分析(kernel principal component analysis,KPCA)方法...针对大量变压器数据的冗余性与非结构化、半结构化、结构化特性,提出一种基于变压器特性数据聚类的长短期记忆(long short term memory,LSTM)网络模型预测方法。首先,采用核主成分分析(kernel principal component analysis,KPCA)方法对高维非线性的变压器特性数据进行降维;然后,采用K-means算法划分不同变压器预测类型,提取各分类中心变压器负荷曲线,通过LSTM网络训练特征样本训练基,构建负荷预测模型;最后,采用灰色关联度算法对同一类型的变压器进行关联度评价,并将最高与最低关联度的变压器负荷数据输入特征样本训练基,验证模型的有效性。将所提出的K-means-LSTM网络模型与基于自适应矩估计的LSTM(adaptive moment estimation-LSTM,ADAM-LSTM)网络模型的短期负荷预测结果进行对比分析,结果表明K-means-LSTM网络模型在运行时间上具有显著优势。展开更多
文摘针对大量变压器数据的冗余性与非结构化、半结构化、结构化特性,提出一种基于变压器特性数据聚类的长短期记忆(long short term memory,LSTM)网络模型预测方法。首先,采用核主成分分析(kernel principal component analysis,KPCA)方法对高维非线性的变压器特性数据进行降维;然后,采用K-means算法划分不同变压器预测类型,提取各分类中心变压器负荷曲线,通过LSTM网络训练特征样本训练基,构建负荷预测模型;最后,采用灰色关联度算法对同一类型的变压器进行关联度评价,并将最高与最低关联度的变压器负荷数据输入特征样本训练基,验证模型的有效性。将所提出的K-means-LSTM网络模型与基于自适应矩估计的LSTM(adaptive moment estimation-LSTM,ADAM-LSTM)网络模型的短期负荷预测结果进行对比分析,结果表明K-means-LSTM网络模型在运行时间上具有显著优势。
