(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111391722.0 (22)申请日 2021.11.19 (65)同一申请的已公布的文献号 申请公布号 CN 114065667 A (43)申请公布日 2022.02.18 (73)专利权人 国网上海市电力公司 地址 200122 上海市浦东 新区源深路1 122 号 (72)发明人 陆敏安　郑真　陈敬德　顾华　 樊汝森　黄强　陈亚杰　徐友刚　 张红燕　李建宁　黄一楠　 (74)专利代理 机构 上海兆丰知识产权代理事务 所(有限合 伙) 31241 专利代理师 章蔚强(51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06F 113/08(2020.01) G06F 119/14(2020.01) 审查员 高宇峰 (54)发明名称 一种基于Proph et-LSTM模型的SF6设备气体 压力预测方法 (57)摘要 本发明涉及一种基于Prophet ‑LSTM模型的 SF6设备气体压力预测方法， 包括以下步骤： 采集 SF6电气设备运行时的数据并进行预处理， 将数 据归一化后分为训练集和测试集； 把训练集的数 据分别通过Prophet模型和贝叶斯优化的LSTM (长短期记忆网络)模型进行训练； 将Prophet模 型、 LSTM模型的训练集预测结果及训练集真实数 据输入至最优权重系数获取模块， 得到两个模型 的组合权重； 输入测试集数据至组合模型， 根据 测试集预测结果与测试集真实数据检验组合模 型的预测性能； 最后将完善的组合预测模型用于 SF6压力预测。 本发明将Prophet ‑LSTM模型应用 于SF6电气设备中压力值的预测， 有助于通过气 体压力值判断设备中可能存在的过热类故障和 泄露故障， 起到预警的作用。 权利要求书2页 说明书5页 附图1页 CN 114065667 B 2022.09.13 CN 114065667 B 1.一种基于Prophet ‑LSTM模型的SF6设备气体压力预测方法， 其特征在于， 包括如下步 骤： S1、 通过SF6设备的气压传感器获取 过去一年中SF6气压时序数据； S2、 预处理获取的SF6历史气压数据： 包括对缺失数据、 重 复和冗余数据、 异常或错误数 据的处理， 考虑到训练模型中数据取值范围相 差过大可能引起模型权重分配错误的问题， 进一步对数据进行归一 化处理， 然后将其分为训练集和 测试集； S3、 训练阶段： 将训练集数据分别输入到Prophet模型和经贝叶斯优化的LSTM模型进行 训练， 同时获取组合模型的最优权 重系数； S4、 测试阶段： 待Prophet ‑LSTM组合模型训练完成后， 将测试集数据输入到Prophet ‑ LSTM组合模型进行 预测， 以二 者输出结果的线性加权值 为最终的测试集预测结果； S5、 对组合模型的预测效果进行检验， 若测试集预测结果与实际的测试集误差满足要 求， 则保留当前的组合预测模型的结构与参数， 否则返回训练阶段。 2.根据权利要求1所述的一种基于Prophet ‑LSTM模型的SF6设备气体压力预测方法， 其 特征在于， 所述 步骤S2的具体包括： S21、 采用邻近值 填补方法处 理缺失数据， 以前后相邻位置数据的平均值代替 缺失值； S22、 删除重复或冗余的数据； S23、 利用人为设定的范围来识别异常和错 误数据， 并将其视为 缺失值进行处 理； S24、 为了加快预测模型的收敛速度以及预测精度， 采用最小最大(min ‑max)归一化方 法对数据做进一步处理， 将数据压缩至区间[0,1]， 同时消除量纲不同的影响， 转换公式如 下： 其中， x为SF6历 史气压数据的实际值， max和min分别为其最大值和最小值， x*表示归一 化后的数据。 3.根据权利要求1所述的一种基于Prophet ‑LSTM模型的SF6设备气体压力预测方法， 其 特征在于， 所述步骤S 3中Prophet模型能够有效分析数据的周期性、 节 假日效应以及未来趋 势等时间序列特 征， 使用Prophet模型进行训练的步骤如下： Prophet模型将设备数据分解为三个部分， g(t)表示数据中的非周期项、 h(t)表示数据 中的节假日项， s(t)表示数据中的周期项， 公式为： P＝g(t)+s(t)+h(t)+ εt 对于非周期项的数据， 使用逻辑增长模型进行建模， 公式为： 其中， C表示预测模型的容 量， k是趋势增长率， n表示偏移参数； 对于节假日和周期项的数据使用傅里叶级数来模拟周期效应， 公式为： 其中T为周期性时间序列的周期， 通过测试确定最终模型中的参数， 得到Prophet模型权　利　要　求　书 1/2 页 2 CN 114065667 B 2预测值P。 4.根据权利要求1所述的一种基于Prophet ‑LSTM模型的SF6设备气体压力预测方法， 其 特征在于， 所述步骤S 3中LSTM模 型通过在神经元部 分增加忘记门缓解循环神经网络处理长 序列数据时存在的梯度消失和梯度爆炸 问题， 适合训练长距离的时序数据， 其具体实现如 下： S41、 初始化神经网络的权重和 偏置参数， 然后通过贝叶斯优化方法寻找LSTM模型的最 优超参数组合， 贝叶斯优化不需要求导， 因而适用于调节神经网络的超参数， 并且能以较少 的步数找到比较好的超参数组合； S42、 输入训练集数据对LSTM神经网络进行训练。 5.根据权利要求1所述的一种基于Prophet ‑LSTM模型的SF6设备气体压力预测方法， 其 特征在于， 所述步骤S3中将训练集数据分别输入到Prophet模型和经贝叶斯优化的LSTM模 型， 得到的训练集预测结果分别表示为P(t)和L(t)， 将二者进行线性加 权后与训练集真实 数据一起输入到最优权 重系数获取模块， 组合模型最终得到的训练集预测结果如下： R(t)＝ω1*P(t)+ω2*L(t) 式中， ω1*+ω2*＝1， 此时训练集预测结果R(t)与实际的训练集最接近， 权重系数ω1*和 ω2*的取值通过最小二乘法来确定 。 6.根据权利要求1所述的一种基于Prophet ‑LSTM模型的SF6设备气体压力预测方法， 其 特征在于， 所述步骤S4将测试集数据输入至组合模型中， 根据两个模型的预测结果及最优 的组合权 重得到最终的测试集预测结果。 7.根据权利要求1所述的一种基于Prophet ‑LSTM模型的SF6设备气体压力预测方法， 其 特征在于， 所述 步骤S5的具体实现如下： 采用平均绝对百分比以及均方根误差这两个指标对组合模型的预测效果进行检验， 公 式分别如下： 其中pi和ai分别代表时刻i组合模型对测试数据的预测结果与测试数据的真实值， 若 MAPE和RMSE指标满足要求， 则保存当前组合模型的结构与参数， 否则继续对 模型进行训练。权　利　要　求　书 2/2 页 3 CN 114065667 B 3