[发明专利]一种基于注意力机制与贝叶斯优化的相空间重构参数估计方法

说明书

本发明公开了一种基于贝叶斯优化长短期记忆模型的相空间重构参数估计的方法，包括如下步骤：步骤(1)、构建电压电弧混沌时间序列数据集；步骤(2)、对电弧电压混沌时间序列进行相空间重构并用C‑C法估计相空间重构参数；步骤(3)、构建基于注意力机制的LSTM模型；步骤(4)、训练模型并对验证集进行预测，得到模型相关参数和评价指标；步骤(5)、使用贝叶斯优化方法根据相关参数与评价指标进行优化；步骤(6)、取得优化后的参数并对模型进行更新迭代。本发明能够对电弧电压混沌时间序列的噪声产生滤波的作用；同时，在每一次的迭代过程中对相空间重构参数进行调优，向误差损失变小的方向进行参数的探索，从而取得最佳参数。

技术领域

本发明涉及电力系统技术领域，具体涉及一种基于注意力机制与贝叶斯优化的相空间重构参数估计方法。

背景技术

在低压配电系统中，倘若发生串联电弧故障将会缩短电气设施的使用寿命，甚至会酿成火灾。国内外学者对电弧混沌特征做了深度研究，证明了电弧电流存在混沌特性，而相空间重构是用动力系统方法来分析电弧电流检测序列数据的基础。混沌时间序列相空间重构的两种方法—导数法和坐标延迟法中，导数法在一定条件下可以视为坐标延迟法的旋转，并且在实际应用中无法得知混沌时间序列的先验信息等原因，因此相空间重构常常使用坐标延迟法。坐标延迟法是以Takens原理为基础，由此在对一维时间序列使用坐标延迟法构造相空间时，本质上是选取两个参数：时间延迟τ和嵌入维数m。

在工程使用中对电弧电压时间序列数据进行相空间重构时，收集到的时间序列长度有限而且收集的数据不可避免的含有噪声，因此对相空间重构的两个参数必须合理的选择。当前对时间延迟τ进行估计的方法主要有复自相关法、平均位移法、互信息法、C-C分析法等，对嵌入维数m进行估计的方法主要有G-P方法、伪邻近法、Cao法等。

在无噪声的情况下，这些方法都能很好的对相空间重构所需参数进行估计，但在获取电弧混沌时间序列数据时不可避免地带上不同水平的噪声。噪声的存在将会影响相空间重构参数的估计，使得含噪条件下最佳嵌入维数和时延参数的计算比较困难。

发明内容

本发明为了解决上述问题，提供了一种基于贝叶斯优化长短期记忆模型的相空间重构参数估计方法。该方法利用长短时记忆(LSTM)模型对电弧混沌时间序列进行学习，从含噪的时间序列中学习到可以长期依赖的信息，对电弧电压混沌时间序列的噪声产生滤波的作用；同时，对每一次的迭代过程中使用贝叶斯优化方法对相空间重构参数进行调优，向误差损失变小的方向进行参数的探索，从而取得最佳参数。

本发明采用如下技术方案：

一种基于贝叶斯优化长短期记忆模型的相空间重构参数估计的方法，包括如下步骤：

步骤(1)、构建电压电弧混沌时间序列数据集；

步骤(2)、对电弧电压混沌时间序列进行相空间重构并用C-C法估计相空间重构参数；

步骤(3)、构建基于注意力机制的LSTM模型；

步骤(4)、训练模型并对验证集进行预测，得到模型相关参数和评价指标；

步骤(5)、使用贝叶斯优化方法根据相关参数与评价指标进行优化；

步骤(6)、取得优化后的参数并对模型进行更新迭代。

作为本发明的一种优选技术方案，所述步骤(1)中构建电压电弧混沌时间序列数据集的具体方法如下：

1、依据UL1699、GB14287.4标准搭建实际用电线路模拟平台，用示波器和电流传感器分别对电压、电流进行实时检测和采样得电弧电压原始时间序列T；

2、将采集到的电弧电压原始时间序列T进行归一化预处理，将序列处理为一个均值为0，方差为1的标准时间序列