Python用Lstm神经网络、离散小波转换DWT降噪对中压电网电压时间序列预测（matlab离散小波变换）

原标题：Python用Lstm神经网络、离散小波转换DWT降噪对中压电网电压时间序列预测全文链接：http://tecdat.cn/?p=31149原文出处：拓端数据部落公众号分析师：Yuxuan Xia

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。

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

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。

最受欢迎的见解1.在python中使用lstm和pytorch进行时间序列预测2.python中利用长短期记忆模型lstm进行时间序列预测分析3.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列

4.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性5.r语言copulas和金融时间序列案例6.R 语言用RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测

7.Matlab创建向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类9.R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析

返回搜狐，查看更多责任编辑：