基于优化 LLM 的时间序列预测在配电网绝缘子故障预测中的应用
机器学习
2025-03-03 v2 人工智能
信号处理
摘要
电网绝缘子表面的污秽会导致漏电流增加，直至发生放电，这可能导致电力系统停运。为了降低引发停电的破坏性故障发生的可能性，监测污秽和漏电流有助于预测故障的进展。鉴于这一需求，本文提出了一种用于预测高压绝缘子漏电流增加的混合深度学习（DL）模型。该混合结构考虑了使用树状结构 Parzen 估计的多准则优化、用于信号噪声衰减的输入级滤波器，以及应用于时间序列预测的大语言模型（LLM）。所提出的优化 LLM 优于 SOTA 深度学习模型，其短期预测的均方根误差为 2.24，中期预测的均方根误差为 1.21。
引用
@article{arxiv.2502.17341,
title = {Time series forecasting based on optimized LLM for fault prediction in distribution power grid insulators},
author = {João Pedro Matos-Carvalho and Stefano Frizzo Stefenon and Valderi Reis Quietinho Leithardt and Kin-Choong Yow},
journal= {arXiv preprint arXiv:2502.17341},
year = {2025}
}