全文链接：http://tecdat.cn/?p=31149
对于电力公司来说，对局部放电的准确预测可以显著降低人力物力成本。据调查，80%的输电设备损坏是随机发生的，而只有20%由于老化。
而损坏案例中又有85%是由于局部放电现象的发生。电厂98%的维护费用于支付维修师的薪资。因此，准确的预测电网的电压变化并预测局部放电现象的发生，可以极大的降低维修师的工作效率并降低维护成本。
相关视频
解决方案
任务 / 目标
根据电力公司提出的要求，利用电压数据对电网电压进行电压预测。
数据源准备
数据源来自电力公司的电网监测系统，他们记录了电网位置（ id_measurement ）：用于记录电网的地理位置。信号（ signal_id ）：每个 signal_id 包含 20 毫秒内的 800 ， 000 个电压数据。相（ phase ）：用于标记设备的相。目标（ target ）：用于标记设备是否发生局部放电。
![L[[)V]K{BFIHH9H7_B0OWCS.png](https://ucc.alicdn.com/pic/developer-ecology/4as3qn2go3ure_28e3f0daf5164d56a676a6b0a4dae4ba.png "L[[)V]K{BFIHH9H7_B0OWCS.png")
点击标题查阅往期内容
![CP}]01~BKX}U(}]E}XL0I~3.png](https://ucc.alicdn.com/pic/developer-ecology/4as3qn2go3ure_062cb13ef9dd4467b6cc601d09f42ac2.png "CP}]01~BKX}U(}]E}XL0I~3.png")
分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测
左右滑动查看更多
01
![JF)W])17(6AK`BPSW$I0`Y2.png](https://ucc.alicdn.com/pic/developer-ecology/4as3qn2go3ure_ed1b21a2eeab42e09fba8d31fece2e89.png "JF)W])17(6AK`BPSW$I0`Y2.png")
02
03
04
特征转换
对每段id_mesurement的三相电压值求和，正常情况下，在同一时间的三相电压和为零。以用于辅助判断是否发生局部放电。
构造
数据集结构如下
![]3$M7EUX5YHX5@_FHP72C$2.png](https://ucc.alicdn.com/pic/developer-ecology/4as3qn2go3ure_79e39a5d23d34c32b60d97d944327361.png "]3$M7EUX5YHX5@_FHP72C$2.png")
划分训练集和测试集
因为数据集包含20毫秒内的压力变化，因此以时间顺序将前75%划分为训练集，后25%为测试集。
建模
长短期记忆模型（LSTM）
一种特殊结构的循环神经网络，适用于时间序列数据的预测，建立较大的深度神经网络。
模型优化
数据降噪
电压数据来自现实世界，因此存在许多噪点，利用离散小波转换（DWT）对电压数据进行降噪，使正常电压数据归于平稳，局部放电现象更易被察觉。
项目结果
利用Lstm很好的对未来电压值进行了预测，预测准确率达到85.3%。
但是，即使对于Lstm，序列的长度仍然太长了（200-300更佳），若能对数据序列进行压缩，有可能得到更好的预测结果。
关于作者
在此对Yuxuan Xia对本文所作的贡献表示诚挚感谢，他毕业于西北大学，专长深度学习、推荐算法、决策分析。
