高压电缆长期过热可能导致绝缘热击穿,进而影响电网的稳定性。然而,当前研究主要集中在传统预测模型上,忽略了温度数据的复杂性和动态特征。为了解决此问题,提出一种基于多尺度Patch与卷积交互的电缆温度预测模型(MSP-CI)。首先,采用通...高压电缆长期过热可能导致绝缘热击穿,进而影响电网的稳定性。然而,当前研究主要集中在传统预测模型上,忽略了温度数据的复杂性和动态特征。为了解决此问题,提出一种基于多尺度Patch与卷积交互的电缆温度预测模型(MSP-CI)。首先,采用通道重组采样方法降低输入维度,并构建多尺度Patch分支结构,以实现复杂时间序列的解耦;其次,结合序列分解与卷积交互策略,分别提取粗粒度Patch的宏观信息与细粒度Patch的微观信息;最后,构建注意力融合模块,以动态平衡宏观与微观信息的权重,并得到最终的预测结果。在真实高压电缆温度数据集上的实验结果表明,MSP-CI相较于TimeMixer、PatchTST(Patch Time Series Transformer)和MSGNet(Multi-Scale interseries Graph Network)等基线模型,在均方误差(MSE)上下降了7.02%~34.87%,在平均绝对误差(MAE)上下降了5.15%~32.04%。可见,MSP-CI能有效提升电缆温度预测的准确率,为电力调度运行提供依据。展开更多
文摘高压电缆长期过热可能导致绝缘热击穿,进而影响电网的稳定性。然而,当前研究主要集中在传统预测模型上,忽略了温度数据的复杂性和动态特征。为了解决此问题,提出一种基于多尺度Patch与卷积交互的电缆温度预测模型(MSP-CI)。首先,采用通道重组采样方法降低输入维度,并构建多尺度Patch分支结构,以实现复杂时间序列的解耦;其次,结合序列分解与卷积交互策略,分别提取粗粒度Patch的宏观信息与细粒度Patch的微观信息;最后,构建注意力融合模块,以动态平衡宏观与微观信息的权重,并得到最终的预测结果。在真实高压电缆温度数据集上的实验结果表明,MSP-CI相较于TimeMixer、PatchTST(Patch Time Series Transformer)和MSGNet(Multi-Scale interseries Graph Network)等基线模型,在均方误差(MSE)上下降了7.02%~34.87%,在平均绝对误差(MAE)上下降了5.15%~32.04%。可见,MSP-CI能有效提升电缆温度预测的准确率,为电力调度运行提供依据。
