• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于RF-LSTM網絡的風電機組狀態(tài)參數預測

      2021-07-01 02:44:35王喜才
      裝備維修技術 2021年50期
      關鍵詞:長短期記憶網絡風電機組隨機森林

      王喜才

      摘 要:為實現風電機組的早期故障預警,提出一種基于隨機森林(RF)結合長短期記憶(LSTM)網絡的風電機組狀態(tài)參數預測方法。結果表明,在不同的輸入變量與預測方法下,RF-LSTM均具有較高的預測精度,不僅克服了眾多狀態(tài)參數存在的高維度、非線性等問題,還保證了輸入變量的重要信息不會隨著時間被遺忘。

      關鍵詞:風電機組;隨機森林;狀態(tài)參數預測;長短期記憶網絡

      1 引言

      由于風電場所處位置偏僻,風電機組系統(tǒng)和各部件關聯的復雜性,當風電機組出現故障時,所處環(huán)境的惡劣會使風電機組維修困難,導致運行維護成本較高。

      2 RF-LSTM網絡預測方法

      2.1 RF原理

      RF是以決策樹為學習器的集成學習方法。對于回歸問題,通過建立每棵決策樹,抽取一定數量的特征,從中選擇最合適的特征作為分裂節(jié)點來劃分左右子樹,生成多個決策樹模型,每一個決策樹的預測結果為葉子結點的均值,RF最終的預測結果為所有決策樹預測結果的均值。

      2.2 LSTM網絡原理

      LSTM網絡是循環(huán)神經網絡(Recurrent Neural Network,RNN)的一種改進。LSTM網絡的計算過程如下:

      遺忘門會根據輸入的狀態(tài)決定哪些信息會被遺忘,從而得到遺忘門的輸出狀態(tài)f(t)f(t):

      f(t)=σ(Wfaa(t?1)+Wfxx(t)+bf)f(t)=σ(Wfaa(t?1)+Wfxx(t)+bf)(2)

      式中,x(t)x(t)為當前時刻的輸入,a(t?1)a(t?1)是上一時刻的細胞狀態(tài),WfaWfa,WfxWfx是遺忘門權重系數;bfbf是遺忘門偏置;σσ是遺忘門激活函數。

      更新門決定細胞狀態(tài)是否更新。細胞狀態(tài)的更新是由更新門的輸出狀態(tài)i(t)i(t)與tanhtanh函數激活輸出cˉ(t)cˉ(t)的乘積和上一時刻的細胞狀態(tài)c(t?1)c(t?1)與遺忘門f(t)f(t)的乘積組成。其輸出表達式為:

      i(t)=σ(Wiaa(t?1)+Wixx(t)+bi)i(t)=σ(Wiaa(t?1)+Wixx(t)+bi)(3)

      cˉ(t)=tanh(Wcaa(t?1)+Wcxx(t)+bc)cˉ(t)=tanh(Wcaa(t?1)+Wcxx(t)+bc)(4)

      c(t)=i(t)×cˉ(t)+f(t)×c(t?1)c(t)=i(t)×cˉ(t)+f(t)×c(t?1)(5)

      式中,WiaWia,WixWix,WcaWca,WcxWcx是更新門的權重系數;bibi,bcbc是更新門的偏置;σσ,tanhtanh是更新門的激活函數;c(t)c(t)是更新后的細胞狀態(tài)。

      輸出門決定是否將當前狀態(tài)傳遞給下一時刻。

      o(t)=σ(Woaa(t?1)+Woxx(t)+bo)o(t)=σ(Woaa(t?1)+Woxx(t)+bo)(6)

      a(t)=o(t)×tanh(c(t))a(t)=o(t)×tanh(c(t))(7)

      式中,o(t)o(t)是當前單元的隱藏狀態(tài),WoaWoa,WoxWox是輸出門細胞狀態(tài)更新權重系數;bobo是輸出門細胞狀態(tài)偏置;σσ,tanhtanh是輸出門激活函數;a(t)a(t)是當前時刻神經網絡的隱藏狀態(tài)。

      2.3 RF-LSTM網絡預測模型

      針對風電機組狀態(tài)參數預測,提出的RF-LSTM網絡預測模型的實現流程。RF-LSTM網絡預測模型的實現可以分為三個階段:第一個階段是數據預處理。采集風電機組SCADA系統(tǒng)監(jiān)測的狀態(tài)參數數據作為樣本數據,對其進行歸一化處理。第二個階段是輸入變量篩選。將處理后的樣本數據輸入到RF模型進行10折交叉驗證訓練,記錄每次模型得到的均方誤差。第三個階段是預測模型構建。初始化LSTM網絡參數,結合評價指標對參數尋優(yōu),構建RF-LSTM網絡預測模型。

      3基于RF-LSTM網絡的狀態(tài)參數預測

      3.1模型參數選擇

      3.1.1 RF參數選擇

      本實驗在MATLAB2018b平臺上運行,取采樣數據的2/3作為訓練集,1/3作為測試集。RF算法有兩個主要參數:決策樹的數量(CART)和葉子節(jié)點數(T)。采用MSE作為RF參數尋優(yōu)的評價指標,一般是將葉子節(jié)點數設置為5。

      3.2.2 LSTM網絡參數選擇

      設置LSTM網絡的batchsize為64,學習率為0.001,最大迭代次數為30,優(yōu)化器為adam。為了研究LSTM網絡參數對于預測精度的影響,選取記憶單元個數和隱藏網絡層數兩個參數進行測試,并以MAE和loss值作為評價指標。

      以單層LSTM網絡作為訓練模型,改變記憶單元個數,分析不同記憶單元個數對模型預測精度的影響。

      隨著記憶單元個數遞增,評價指標MAE和loss的數值整體上先升高后下降,當記憶單元個數為32時,單層LSTM網絡訓練的預測精度較好。

      3.2結果分析

      3.2.1輸入變量篩選結果分析

      為了驗證RF在輸入變量選擇方面的優(yōu)勢,引入傳統(tǒng)的PCC方法和MI算法對各個狀態(tài)參數進行分析,共得到3種不同的狀態(tài)參數組合,將其作為LSTM網絡預測模型的輸入變量。

      依據RF理論計算各個狀態(tài)參數的重要性值。

      將該實驗的19個狀態(tài)參數作為特征。選擇基于MI的向后消除特征算法,從全部的特征開始,每一輪消除一個與目標邊緣化最大的特征,并記錄下所有剩余特征。當沒有特征消除時,該算法就會停止。

      在第12輪之前,MI損失百分比幾乎是沒有變化的,表示已消除的12個特征對于目標影響不大。隨著輪數的增加,MI損失百分比的曲線開始出現轉折,并呈現上升的趨勢,說明在第12輪后消除特征會對目標變量信息造成損失。因此,選擇第12輪時的特征當作輸入變量,即為編號1、3、5、6、11、18和19,共7個狀態(tài)參數。

      根據PCC理論得出各個狀態(tài)參數與目標變量對應的皮爾遜相關系數。選擇皮爾遜相關系數在[0.6,1]和[-1,-0.6]范圍內的狀態(tài)參數作為輸入變量,即編號1、2、4、5、6、8、9、10、11、12、13、14、17和19,共14個狀態(tài)參數。

      根據以上結果分析得出:RF篩選出4個狀態(tài)參數作為輸入變量,MI篩選出7個狀態(tài)參數作為輸入變量,PCC篩選出14個狀態(tài)參數作為輸入變量。

      3.2.2預測結果分析

      取采樣數據的前2680組數據當作訓練集,后200組數據當作測試集,對比三種不同算法篩選的輸入變量對預測結果的影響。

      RF-LSTM與真實值的曲線擬合程度要略優(yōu)于MI-LSTM和PCC-LSTM。

      加入未經處理的單變量與全集,綜合比較不同的輸入變量對于預測結果的影響。

      五種輸入變量的模型測試時間相差并不大,文中模型效果好。RF-LSTM模型得出的MAE、MSE相對較小,R2較大,綜合比較該模型優(yōu)于其它模型。為驗證LSTM網絡模型在預測方法中的優(yōu)越性,與SVR、BP兩種方法進行比較,三種方法預測結果的評價指標。

      4 結論

      本文將RF理論應用到輸入變量篩選中,除去與目標變量相關性較小的狀態(tài)參數,并與MI、PCC進行比較,驗證該輸入變量的有效性。將其應用到SVR、BP網絡中,通過對比驗證了LSTM網絡在預測模型中的優(yōu)越性。該模型在一定程度上提高了預測精度,可以將該方法進一步應用到風電機組其他狀態(tài)參數中,預測未來時刻的風電機組狀態(tài)參數值,為風電機組的早期故障預警提供更接近于真實值的數據。

      參考文獻

      [1]孫鵬, 李劍, 寇曉適,等.采用預測模型與模糊理論的風電機組狀態(tài)參數異常辨識方法[J].電力自動化設備, 2017, 37(8): 90-98.

      猜你喜歡
      長短期記憶網絡風電機組隨機森林
      多種算法對不同中文文本分類效果比較研究
      軟件導刊(2019年5期)2019-05-24 14:17:58
      餐飲業(yè)客流預測的深度聯合模型
      商情(2018年47期)2018-11-26 09:12:38
      基于LSTM的媒體網站用戶流量預測與負載均衡方法
      基于LSTM自動編碼機的短文本聚類方法
      隨機森林在棉蚜蟲害等級預測中的應用
      基于二次隨機森林的不平衡數據分類算法
      軟件(2016年7期)2017-02-07 15:54:01
      拱壩變形監(jiān)測預報的隨機森林模型及應用
      含風電機組的配電網的潮流計算研究
      基于隨機森林算法的飛機發(fā)動機故障診斷方法的研究
      風力發(fā)電機組電氣與控制系統(tǒng)快速檢修思路探索
      科技視界(2015年25期)2015-09-01 17:45:39
      黄石市| 革吉县| 崇州市| 普格县| 伽师县| 文山县| 穆棱市| 岳阳县| 深水埗区| 宝山区| 张家港市| 河西区| 大城县| 临泉县| 太谷县| 化德县| 平江县| 密山市| 兴山县| 巴马| 昭通市| 满洲里市| 鄂托克旗| 太仆寺旗| 东源县| 浮梁县| 曲阜市| 吴桥县| 博罗县| 绥德县| 鹤壁市| 海淀区| 延津县| 塘沽区| 定安县| 荥阳市| 泸西县| 中宁县| 呈贡县| 阿拉善盟| 洪洞县|