申请/专利权人：南京大学

申请日：2024-01-26

公开（公告）日：2024-04-09

公开（公告）号：CN117851784A

主分类号：G06F18/20

分类号：G06F18/20;G06F18/213;G06F18/27;G06N3/0464;G06N3/08;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种基于多尺度空洞卷积的时间序列预测方法，用于工业控制系统的电力时间序列数据的预测，包括：通过工业控制系统采集电力时间序列数据即电力变压器数据，并保存在数据库中；生成原始训练数据集和原始测试数据集；对上述数据集进行数据分析和预处理，并记录数据预处理时采用的训练集统计值集合；构建时间序列预测模型并进行训练；根据训练好的模型对测试数据集中的数据进行预测，得到预测结果；将上述预测结果，应用于工业控制系统中电力时间序列数据的预测。

主权项：1.一种基于多尺度空洞卷积的时间序列预测方法，其特征在于，用于工业控制系统的电力时间序列数据的预测，包括如下步骤：步骤1，通过工业控制系统采集电力时间序列数据即电力变压器数据，并保存在数据库中；从数据库中读取数据，按照时间顺序读取数据，并通过滑动窗口方式切分数据集，生成原始训练数据集Dtrain和原始测试数据集Dtest；步骤2，对步骤1得到的原始训练数据集Dtrain和原始测试数据集Dtest进行数据分析和预处理，得到预处理后的训练数据集D′train和预处理后的测试数据集D′test，并记录数据预处理时采用的训练集统计值集合Strain；步骤3，构建时间序列预测模型，所述模型包括：多尺度的一维卷积模块、自回归模块和推理模块，具体包括以下步骤：步骤3-1，使用多尺度的一维卷积模块获取输入数据的多尺度特征表示；将多尺度特征表示进行融合和线性变换，得到第一预测分量；步骤3-2，使用自回归模块对输入数据进行周期性特征提取，得到第二预测分量；步骤3-3，使用推理模块将第一预测分量和第二预测分量融合，得到预测值；步骤4，对构建好的时间序列预测模型进行训练，具体包括：步骤4-1，使用多尺度的一维卷积模块对训练数据集D′train进行特征提取，得到多个尺度的特征表示H；步骤4-2，学习不同尺度的特征表示权重W，并根据权重W对不同尺度的特征表示H进行特征融合，得到多个尺度融合后的特征M；步骤4-3，对融合特征M做线性变换，得到预测分量值步骤4-4，使用自回归模块对训练数据集D′train进行特征提取，得到预测分量值步骤4-5，根据预测分量值和使用推理模块，得到输出结果即预测值步骤4-6，计算时间序列预测模型的预测值和真实值Y的损失函数值，计算时间序列预测模型参数的梯度，利用优化算法执行时间序列预测模型的反向传播，更新时间序列预测模型参数；步骤4-7，根据损失函数值的变化趋势判断时间序列预测模型是否收敛，若没有收敛，则返回步骤4继续训练时间序列预测模型并更新时间序列预测模型参数；步骤4-8，当时间序列预测模型已经收敛时，保存时间序列预测模型的各项参数，完成训练，得到训练好的时间序列预测模型；步骤5，根据训练好的时间序列预测模型对测试数据集D′test中的数据进行预测，得到预测结果；步骤6，将上述预测结果，应用于工业控制系统中电力时间序列数据的预测。

全文数据：

权利要求：

百度查询： 南京大学 一种基于多尺度空洞卷积的时间序列预测方法

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