Advertisement

ETDataset:用于长序列预测研究的电力变压器数据集

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
ETDataset是一个专为长序列预测设计的数据集,聚焦于电力变压器的运行状态监测与分析,旨在推动相关领域的学术研究和技术创新。 在提供的GitHub存储库中,我们提供了一些适用于长序列时间序列问题的数据集。所有数据集已经过预处理,并以.csv文件形式保存。该数据集的时间范围是从2016年7月到2018年7月,我们会尽快更新至2019年的数据。 **数据集列表(持续更新中):** - ETT-small: 包含两个站点的两个电力变压器的数据,包括负载和油温。 - ETT-large: 涵盖39个站点的39个电力变压器的数据,同样包含负载和油温信息。 - ETT-full: 覆盖了在39个不同地点69座变电站的信息,数据内容不仅限于负载与油温,还包含了位置、气候及需求等。 如果使用这些数据集,请引用Informer @ AAAI2021 最佳论文奖的相关文献。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • ETDataset
    优质
    ETDataset是一个专为长序列预测设计的数据集,聚焦于电力变压器的运行状态监测与分析,旨在推动相关领域的学术研究和技术创新。 在提供的GitHub存储库中,我们提供了一些适用于长序列时间序列问题的数据集。所有数据集已经过预处理,并以.csv文件形式保存。该数据集的时间范围是从2016年7月到2018年7月,我们会尽快更新至2019年的数据。 **数据集列表(持续更新中):** - ETT-small: 包含两个站点的两个电力变压器的数据,包括负载和油温。 - ETT-large: 涵盖39个站点的39个电力变压器的数据,同样包含负载和油温信息。 - ETT-full: 覆盖了在39个不同地点69座变电站的信息,数据内容不仅限于负载与油温,还包含了位置、气候及需求等。 如果使用这些数据集,请引用Informer @ AAAI2021 最佳论文奖的相关文献。
  • 油温Excel
    优质
    本数据集旨在通过收集和整理影响变压器油温和运行状态的关键参数,为基于Excel的变压器油温预测模型提供支持,助力设备维护与故障预防。 内含两年的变压器油温数据,共计7万多个数据点;电力分配问题是电网根据需求变化来管理将电能分配到不同用户区域的过程。然而,预测特定用户区域未来的用电量非常困难,因为这一需求会受到工作日、节假日、季节变换以及天气和温度等多方面因素的影响而不断波动。现有的预测方法无法实现对长期真实世界数据的高精度长时间预测,并且即使出现轻微误差也可能引发严重后果。因此,在当前情况下没有一种有效的方法来准确预测未来的用电量,管理人员只能依赖于经验值做出决策,但这种经验性的阈值往往远高于实际需求水平。保守的做法导致了不必要的电力浪费以及设备折旧问题的发生。值得注意的是,变压器油温可以有效地反映电力变压器的工作状态。
  • 时间 时间
    优质
    简介:时间序列预测的数据集包含按时间顺序排列的历史观测值,用于训练和评估预测模型。这些数据涵盖多种领域如金融、气象等,帮助研究者分析趋势及模式以进行未来事件的预估。 时间序列预测数据集包含了用于分析和建模的时间顺序记录的数据集合。这些数据通常被用来进行趋势分析、模式识别以及未来值的预测,在金融、气象学等领域有广泛应用。准备这样的数据集需要确保其包含足够长的历史信息,以便模型能够捕捉到潜在的趋势与周期性变化,并且要保证数据的质量以提高预测准确性。
  • 时间,时间
    优质
    本数据集专为时间序列预测设计,包含大量历史观测值,适用于多种模型训练与验证,涵盖金融、气象等领域,助力提高预测准确度。 时间序列预测数据集时间序列预测数据集时间序列预测数据集
  • 挖掘在负荷
    优质
    本文探讨了数据挖掘技术在电力系统中负荷预测的应用,分析了多种算法的有效性,并提出了一种新的预测模型以提高预测精度。 基于数据挖掘的电力负荷预测模式的研究表明,电力负荷预测工作的水平已经成为衡量一个电力企业是否实现现代化、科学化管理的重要标志之一。近十年来,我国在电力负荷预测研究方面取得了显著进展。
  • 量时间 | 时间
    优质
    简介:本数据集专注于单变量时间序列分析与预测,提供丰富的历史观测值,适用于研究趋势、季节性变化及异常检测等应用。 需要一个单变量时间序列的公开数据集,文件格式为.csv。该数据集中包含两个字段:Datetime和AEP_MW,并且时间间隔是每小时。
  • 经济效益分析
    优质
    本研究聚焦于电力变压器领域的经济效益评估,通过深入分析其成本、效能及市场表现等关键因素,旨在为优化资源配置和提升产业效益提供科学依据。 方案评价主要包含能效评价与经济运行区评价两部分。能效评价侧重于变压器的空载损耗及负载损耗是否符合国家设定的标准值,以此来判断所选型号的合理性,并为规划提供参考依据;而经济运行评价则是指在特定负荷水平下,评估变压器的工作状态是否处于最佳经济效益区间内。通过这项分析可以确定变压器是轻载还是重载。 对于轻载情况下的变压器,在确保供电可靠性的前提下,建议采取停运措施以减少能耗损失;针对那些负载过高的设备,则可以通过重新分配线路、调整负荷或增加新的变电器来改善其工作状态。最终提出的运行方案应包括以下内容: 1. 确保所有变压器的工作区间均处于最佳经济运行区内; 2. 对于未达到最优性能指标的变压器,在保证系统可靠性的条件下,提出停运建议; 3. 针对已经处在理想运行区内的设备,定期进行详细的分析研究,并根据实际情况选择最节能的操作模式; 4. 加快母线自动投入和变电器互相切换装置的技术完善工作,为后续优化操作策略提供技术支持。
  • LSTM编码-解码模型、Transformer模型及BeLSTM模型油温
    优质
    本研究采用LSTM编码器-解码器、Transformer和BeLSTM三种深度学习模型,旨在精确预测电力变压器油温变化趋势,提升设备运维效率与安全性。 LSTM(长短期记忆网络)是一种特殊的循环神经网络架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时经常会遇到梯度消失或梯度爆炸的问题,这使得它们难以有效地捕捉长期依赖性。为了解决这些问题,LSTM通过引入门控机制和记忆单元来改进。 以下是LSTM的基本结构及其主要组件: - 记忆单元:这是LSTM的核心部分,用于存储长期信息。它像一个传送带一样在整个序列中运行,并且可以轻松地保持其上信息的稳定状态。 - 输入门:输入门决定了哪些新的数据将被添加到记忆单元里。这个决策基于当前时刻的数据和前一时刻隐藏层的状态来做出。 - 遗忘门:遗忘门决定从记忆单元中丢弃哪些旧的信息,同样依据的是当前时刻的数据与上一个时间点的隐藏状态来进行判断。 - 输出门:输出门控制着哪部分信息会被传递到下一个时间步的隐藏状态中。这个过程也是基于当前输入和先前的状态来完成。 LSTM的工作流程可以概括为以下几个步骤: 1. 利用遗忘门确定哪些记忆单元中的旧数据需要被清除; 2. 通过输入门决定哪个新的信息将加入到记忆单元里; 3. 更新记忆单元内部的数据状态; 4. 使用输出门选择性地从内存中提取相关信息并传递给下一个时间步的隐藏层。 由于LSTM能够处理长期依赖关系,它在许多序列建模任务上表现出色,例如语音识别、文本生成、机器翻译和时序预测等。