本發(fā)明涉及數(shù)據(jù)預測，特別是一種基于ssa-cnn-lstm開關柜溫濕度預測方法。

背景技術：

1、電力系統(tǒng)運行的安全性和可靠性水平與電柜內(nèi)電力設備部件是否正常工作直接相關，而造成電力設備部件失效的主要原因是空氣的溫度和濕度。我國地域遼闊、氣候差異顯著，在長時間陰雨條件下，空氣中的濕氣極易在柜體內(nèi)電氣設備部件表面形成嚴重的凝露現(xiàn)象，進而促進污穢的積聚，導致絕緣性能下降或閃絡等事故。

2、因此，建立以溫濕度環(huán)境因子為輸出變量的高精度溫濕度預測模型，為溫濕度控制系統(tǒng)預調(diào)控提供了重要決策依據(jù)。然而，開關柜溫濕度預測模型涉及多個環(huán)境變量因子，且這些因子具有非線性、時變性、耦合性、滯后性等特性。目前常用的預測方法有bp神經(jīng)網(wǎng)絡、極限學習機、支持向量機及隨機森林等，這些方法不僅可以得出開關柜外部環(huán)境因素和內(nèi)部發(fā)熱因素對開關柜內(nèi)部溫濕度映射關系，還能降低預測時間，提高預測精度。

3、然而，傳統(tǒng)單一神經(jīng)網(wǎng)絡模型網(wǎng)絡無法處理大數(shù)據(jù)量的數(shù)據(jù)集，易出現(xiàn)梯度消失等現(xiàn)象，導致預測精度越來越難以滿足溫濕度預測要求。

技術實現(xiàn)思路

1、鑒于現(xiàn)有的傳統(tǒng)單一神經(jīng)網(wǎng)絡模型網(wǎng)絡無法處理大數(shù)據(jù)量的數(shù)據(jù)集存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問題在于判斷開關柜運行過程中是否有發(fā)生凝露的可能。

3、為解決上述技術問題，本發(fā)明提供如下技術方案：

4、第一方面，本發(fā)明實施例提供了一種基于ssa-cnn-lstm開關柜溫濕度預測方法，其包括，采集環(huán)境數(shù)據(jù)，并對所述環(huán)境數(shù)據(jù)進行預處理；使用cnn提取輸入數(shù)據(jù)的非線性特征；應用lstm網(wǎng)絡建立溫濕度時序預測模型；采用ssa算法優(yōu)化cnn-lstm模型參數(shù)，并整合優(yōu)化后的ssa-cnn-lstm模型進行開關柜溫濕度預測。

5、作為本發(fā)明所述基于ssa-cnn-lstm開關柜溫濕度預測方法的一種優(yōu)選方案，其中：所述采集環(huán)境數(shù)據(jù)包括：利用四路溫濕度傳感器采集開關柜不同隔室的溫濕度數(shù)據(jù)；開關柜外部環(huán)境數(shù)據(jù)通過小型氣象站進行采集；所述小型氣象站和四路溫濕度傳感器采集時間均采用北京時間，通過網(wǎng)絡時間協(xié)議ntp確保時間同步。

6、作為本發(fā)明所述基于ssa-cnn-lstm開關柜溫濕度預測方法的一種優(yōu)選方案，其中：所述預處理包括：設置一個固定大小的滑動窗口，計算窗口內(nèi)數(shù)據(jù)的平均值和標準差，如果新的數(shù)據(jù)點偏離平均值超過3個標準差，標記為潛在異常；計算相鄰兩個數(shù)據(jù)點之間的變化率，并設定變化率閾值，如果變化率超過變化率閾值，標記為潛在異常；為每個參數(shù)設置最大值和最小值范圍，如果數(shù)據(jù)超出該范圍，則直接標記為異常；如果數(shù)據(jù)點被標記為潛在異常，不立即報警，若連續(xù)檢測多個數(shù)據(jù)點，且都被標記為潛在異常，則標記為異常并觸發(fā)報警。

7、作為本發(fā)明所述基于ssa-cnn-lstm開關柜溫濕度預測方法的一種優(yōu)選方案，其中：所述使用cnn提取輸入數(shù)據(jù)的非線性特征包括：將輸入的時間序列數(shù)據(jù)分成固定長度的數(shù)據(jù)段，對每個數(shù)據(jù)段單獨進行特征提取；所述特征提取包括極值特征提取、波動特征提取、趨勢特征提取、周期性特征提取以及峰值特征提??；對原始數(shù)據(jù)應用非線性變換，在變換后的數(shù)據(jù)上重復所述特征提取，捕獲可能的非線性關系；如果輸入包含多個參數(shù)，則計算參數(shù)之間的簡單比率和相關系數(shù)，包括：設a和b為兩個參數(shù)，簡單比率r計算如下：

8、

9、相關系數(shù)ρa,b計算如下：

10、

11、其中，ai為參數(shù)a的第i個值，bi為參數(shù)b的第i個值，為參數(shù)a的平均值，為參數(shù)b的平均值，n為數(shù)據(jù)點的總數(shù)；將時間信息編碼為周期性特征，使用正弦和余弦函數(shù)進行編碼，捕獲時間的循環(huán)性質(zhì)；計算每個特征與目標變量的相關性，選擇相關性最高的前n個特征作為最終輸出。

12、作為本發(fā)明所述基于ssa-cnn-lstm開關柜溫濕度預測方法的一種優(yōu)選方案，其中：所述溫濕度時序預測模型的訓練包括：使用注意力機制，使所述溫濕度時序預測模型自動學習不同特征的重要性，并分析注意力權重，包括：設一個輸入序列為q＝[q1,q2,...,qt]，注意力權重αb和注意力輸出z的計算如下：

13、eb＝vttanh(w1hb-1+w2qb+c)

14、

15、其中，v、w1、w2和c為注意力機制的可訓練參數(shù)，hb-1為上一個時間步的隱藏狀態(tài)，qb為當前時間步的輸入，eb為時間步b的注意力評分，eg為時間步g的注意力評分，g為任意時間步，t為輸入序列的時間步長；對于24小時預測，采用編碼器-解碼器lstm結(jié)構(gòu)，編碼器捕捉輸入序列的信息，解碼器生成多步預測，使用teacher?forcing技術在訓練時提高多步預測的穩(wěn)定性。

16、作為本發(fā)明所述基于ssa-cnn-lstm開關柜溫濕度預測方法的一種優(yōu)選方案，其中：所述采用ssa算法優(yōu)化cnn-lstm模型參數(shù)包括以下步驟：定義搜索空間，并設置初始的全局搜索比例和局部搜索比例，并進行自適應參數(shù)調(diào)整機制；進行動態(tài)搜索策略調(diào)整和自適應步長調(diào)整；進行自適應搜索優(yōu)化策略，包括全局、局部、隨機搜索相結(jié)合，并動態(tài)調(diào)整精英個體數(shù)量。

17、作為本發(fā)明所述基于ssa-cnn-lstm開關柜溫濕度預測方法的一種優(yōu)選方案，其中：所述自適應參數(shù)調(diào)整機制包括：動態(tài)慣性權重w為：

18、

19、其中，w為當前慣性權重，wmax為最大慣性權重，wmin為最小慣性權重，c為當前迭代次數(shù)，cmax為最大迭代次數(shù)；設置自適應加速系數(shù)(c1,c2)，優(yōu)化過程如下：

20、c1＝c1,min+(c1,max-c1,min)(1-exp(-γ.c))

21、c2＝c2,min+(c2,max-c2,min)(1-exp(-δ.c))

22、其中，γ和δ是控制參數(shù)，用于調(diào)整加速度變化的速率，c1,max為加速系數(shù)1的最大值，c1,min為加速系數(shù)1的最小值；c2,max為加速系數(shù)2的最大值，c2,min為加速系數(shù)2的最小值。

23、第二方面，本發(fā)明實施例提供了基于ssa-cnn-lstm開關柜溫濕度預測系統(tǒng)，其包括：采集與預處理模塊，用于采集環(huán)境數(shù)據(jù)，并進行預處理；特征提取模塊，用于使用cnn提取輸入數(shù)據(jù)的非線性特征；模型建立模塊，用于應用lstm網(wǎng)絡建立溫濕度時序預測模型；模型參數(shù)優(yōu)化模塊，用于采用ssa算法優(yōu)化cnn-lstm模型參數(shù)；優(yōu)化整合預測模塊，用于整合優(yōu)化后的ssa-cnn-lstm模型進行開關柜溫濕度預測。

24、第三方面，本發(fā)明實施例提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述計算機程序指令被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于ssa-cnn-lstm開關柜溫濕度預測方法的步驟。

25、第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其中：所述計算機程序指令被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于ssa-cnn-lstm開關柜溫濕度預測方法的步驟。

26、本發(fā)明有益效果為：本發(fā)明通過卷積神經(jīng)網(wǎng)絡對輸入數(shù)據(jù)中非線性特征因素進行提取，挖掘數(shù)據(jù)的內(nèi)部聯(lián)系，可有效降低網(wǎng)絡復雜度，減少卷積層之間的連接數(shù)量，并對溫濕度預測輸入特征進行降維及二次特征提取。cnn-lstm模型相結(jié)合對于刻畫具有時空關聯(lián)的序列數(shù)據(jù)具有較好的預測效果；通過麻雀搜索算法解決由于cnn-lstm預測模型在預測過程中造成擬合過度或欠擬合的現(xiàn)象，提高預測的精確度。建立開關柜溫濕度多點預測模型對于開關柜防凝露系統(tǒng)預調(diào)控決策具有重要意義，同時，對于電力領域內(nèi)其他場景溫濕度預測也有很大的參考價值。