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。
随时关注您喜欢的主题
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
Yuxuan Xia
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。
智造“芯”肺：XGBoost与SHAP卷烟吸阻实时预测与工艺优化实战 | 附代码数据
Python与CatBoost的顾客婚姻状态预测填补及特征类型策略分析 | 附代码数据
Python和Lag-Llama金融时序预测收益率零样本与微调对比回测实证研究|附代码数据
时序预测、深度强化学习与蒙特卡洛模拟融合：LSTM、GRU、Attention、DQN及多策略智能体的股票交易决策体系构建——以Google股价为例 | 附代码数据
