申请/专利权人：淄博热力有限公司

申请日：2023-03-14

公开（公告）日：2024-04-02

公开（公告）号：CN116050665B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q10/20;G06Q50/06;G06N3/045;G06N3/044;G06N3/048;G06N3/084;G06N3/09;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2023.05.19#实质审查的生效;2023.05.02#公开

摘要：本发明涉及供热设备检测技术领域，具体涉及一种供热设备故障预测方法。包括以下步骤：基于供热设备的历史运行数据进行归一化处理、划分数据集以及设定原始数据；构建训练预测模型；采集供热设备当前的运行数据作为待测样本，将待测样本输入训练预测模型，得到供热设备下一时刻的运行数据的预测值。本发明引入改进的注意力机制组件，自适应地选择与预测相关的供热设备性能参数并加权，然后利用循环神经网络捕获供热设备属性时间序列的长期依赖关系，利用向量自回归模块捕获供热多变量时间序列的线性关系，结合线性与非线性模型对供热设备实时状态数据进行稳健的预测。

主权项：1.一种供热设备故障预测方法，其特征在于，包括以下步骤：步骤一：基于供热设备的历史运行数据进行归一化处理、划分数据集以及设定原始数据；步骤二：构建训练预测模型；步骤三：采集供热设备当前的运行数据作为待测样本，将待测样本输入训练预测模型，得到供热设备下一时刻的运行数据的预测值；所述步骤一中，供热设备的历史运行数据存储于供热历史数据库中，数据归一化处理是将供热设备的历史运行数据归一化，然后添加滑动窗口转为监督学习问题；划分数据集是将历史运行数据随机划分为训练集和测试集，然后使用训练集来生成模型，再用测试集来测试模型的正确率和误差，以验证模型的有效性；设给定窗口内供热所采集的原始数据X为：X＝{x1，x2，…xt…，xn}；n表示供热所监测的供热设备属性个数；第i个时间序列在t时刻的观测值表示为： xtt＝1，2，…，T表示第t时刻的观测值，T表示滑动窗口的大小，xii＝1，2，…，n表示第i个时间序列在窗口内的观测值，n为自然数；所述步骤二中包括以下子步骤：2-1：构建和训练初始的预测模型，初始化模型参数；2-2：获取新的数据集X′；2-3：计算供热设备某时段t的最终预测值Ot；2-4：基于最终预测值Ot与真实值的误差，更新模型参数，完成最终预测模型的构建及训练；所述步骤2-3包括以下子步骤：2-2-1：在t时刻第i个时间序列的重要性表示如下： 式中，Wm∈RTx2q，Um∈RT×T都是需要学习的参数，q是隐藏层的维度，ht-1是上一时刻隐藏状态，st-1是上一个时刻的单元状态，m表示需要学习的参数，m为自然数；2-2-2：通过一个softmax函数确保所有注意力之和为1，即 表示t时刻第i个时间序列的注意力权值；2-2-3：将原始数据X＝{x1，x2，…，xn}转化为新的多变量时间序列X′＝{x′1，x′2，…，x′T}，在t时刻的观测值所述步骤2-3中，包括以下子步骤：2-3-1：神经网络的隐藏状态ht由上一时刻ht-1和新的t时刻的观测值x′t共同决定，即：ht＝oht-1，x′t；其中，o·是GRU单元；2-3-2：使用一个Dense层来连接GRU的输出，从而得到供热设备未来一段时间的预测值2-3-3：计算供热设备t时段的第二预测值OtV；2-3-4：将和OtV求均值，得到供热设备t时段最终预测值Ot；所述步骤2-3-2中计算公式如下： mt表示t时刻GRU单元的隐藏状态；所述步骤2-3-3中计算过程如下：给定输入X′∈RN×T，其在t时刻的观测值x′t表示： 其中，t＝d+1，…，T；Ak∈RN×N表示向量自回归模型的系数矩阵，k＝1，2，…，d；εt为高斯噪声，采用最小二乘法求解最优的系数矩阵Ak，则输出OtV公式如下： 其中Ot-kV表示在t-k时刻向量自回归模块得到的到供热设备的预测值。

全文数据：

权利要求：

百度查询： 淄博热力有限公司 供热设备故障预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD