基于深度学习的SF6气体压力时序数据预测

作者：徐友刚^*; 曹基南; 孙进; 陈亚杰

来源：东华大学学报(自然科学版), 2022, 48(02): 81-85.

DOI：10.19886/j.cnki.dhdz.2021.0624

• 六氟化硫
• 气体压力
• 时序数据预测
• 深度学习
• 电力系统

为提高复杂电网环境中六氟化硫(SF6)气体压力预测的准确度，提出一种基于长短期记忆(long-short-term memory, LSTM)网络的SF6气体压力预测方法。该算法根据SF6气体压力实测数据对深度神经网络进行训练，并预测SF6气体压力值，再将预测值与真实值的误差反馈给网络，以修正网络参数并提高预测准确度。仿真试验使用3个月的SF6气体压力实测数据对LSTM神经网络进行训练和测试，结果表明，LSTM网络模型有效降低了SF6气体压力预测误差。