开关柜温度异常是导致电力系统故障的重要因素,准确预测其温度变化对保障电网安全稳定运行具有重要意义。然而,开关柜温度受到负荷条件、环境因素、设备老化等多重因素的复杂非线性影响,传统预测方法难以有效捕捉其时序依赖特性和多因...开关柜温度异常是导致电力系统故障的重要因素,准确预测其温度变化对保障电网安全稳定运行具有重要意义。然而,开关柜温度受到负荷条件、环境因素、设备老化等多重因素的复杂非线性影响,传统预测方法难以有效捕捉其时序依赖特性和多因素耦合关系。为解决这一问题,提出了一种基于深度学习的PNNA(Pearson Neural Network with Attention)温度预测模型。该模型采用三路并行架构:首先通过混合特征选择策略,结合皮尔逊相关系数、互信息分析和递归特征消除技术,从多维影响因素中筛选出最优特征子集;然后利用双向LSTM、多头时间注意力机制和时间卷积网络三条并行路径分别捕获长期时序依赖、关键时间模式和局部时序特征;最后通过门控融合机制智能整合三路特征表示。实验结果表明该模型可以用于实时监控和预警开关柜的热状态,预防过热导致的设备故障和安全事故,为电力系统的安全稳定运行提供有力的支持。展开更多
文摘开关柜温度异常是导致电力系统故障的重要因素,准确预测其温度变化对保障电网安全稳定运行具有重要意义。然而,开关柜温度受到负荷条件、环境因素、设备老化等多重因素的复杂非线性影响,传统预测方法难以有效捕捉其时序依赖特性和多因素耦合关系。为解决这一问题,提出了一种基于深度学习的PNNA(Pearson Neural Network with Attention)温度预测模型。该模型采用三路并行架构:首先通过混合特征选择策略,结合皮尔逊相关系数、互信息分析和递归特征消除技术,从多维影响因素中筛选出最优特征子集;然后利用双向LSTM、多头时间注意力机制和时间卷积网络三条并行路径分别捕获长期时序依赖、关键时间模式和局部时序特征;最后通过门控融合机制智能整合三路特征表示。实验结果表明该模型可以用于实时监控和预警开关柜的热状态,预防过热导致的设备故障和安全事故,为电力系统的安全稳定运行提供有力的支持。
