王喜才

摘 要：為實現(xiàn)風(fēng)電機組的早期故障預(yù)警，提出一種基于隨機森林（RF）結(jié)合長短期記憶（LSTM）網(wǎng)絡(luò)的風(fēng)電機組狀態(tài)參數(shù)預(yù)測方法。結(jié)果表明，在不同的輸入變量與預(yù)測方法下，RF-LSTM均具有較高的預(yù)測精度，不僅克服了眾多狀態(tài)參數(shù)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(guān)鍵詞：風(fēng)電機組;隨機森林;狀態(tài)參數(shù)預(yù)測;長短期記憶網(wǎng)絡(luò)

1 引言

由于風(fēng)電場所處位置偏僻，風(fēng)電機組系統(tǒng)和各部件關(guān)聯(lián)的復(fù)雜性，當(dāng)風(fēng)電機組出現(xiàn)故障時，所處環(huán)境的惡劣會使風(fēng)電機組維修困難，導(dǎo)致運行維護成本較高。

2 RF-LSTM網(wǎng)絡(luò)預(yù)測方法

2.1 RF原理

RF是以決策樹為學(xué)習(xí)器的集成學(xué)習(xí)方法。對于回歸問題，通過建立每棵決策樹，抽取一定數(shù)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(yù)測結(jié)果為葉子結(jié)點的均值，RF最終的預(yù)測結(jié)果為所有決策樹預(yù)測結(jié)果的均值。

2.2 LSTM網(wǎng)絡(luò)原理

LSTM網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的一種改進。LSTM網(wǎng)絡(luò)的計算過程如下：

遺忘門會根據(jù)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(dāng)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(quán)重系數(shù);bfbf是遺忘門偏置;σσ是遺忘門激活函數(shù)。

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(shù)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(quán)重系數(shù);bibi，bcbc是更新門的偏置;σσ，tanhtanh是更新門的激活函數(shù);c（t）c（t）是更新后的細胞狀態(tài)。

輸出門決定是否將當(dāng)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(dāng)前單元的隱藏狀態(tài)，WoaWoa，WoxWox是輸出門細胞狀態(tài)更新權(quán)重系數(shù);bobo是輸出門細胞狀態(tài)偏置;σσ，tanhtanh是輸出門激活函數(shù);a（t）a（t）是當(dāng)前時刻神經(jīng)網(wǎng)絡(luò)的隱藏狀態(tài)。

2.3 RF-LSTM網(wǎng)絡(luò)預(yù)測模型

針對風(fēng)電機組狀態(tài)參數(shù)預(yù)測，提出的RF-LSTM網(wǎng)絡(luò)預(yù)測模型的實現(xiàn)流程。RF-LSTM網(wǎng)絡(luò)預(yù)測模型的實現(xiàn)可以分為三個階段：第一個階段是數(shù)據(jù)預(yù)處理。采集風(fēng)電機組SCADA系統(tǒng)監(jiān)測的狀態(tài)參數(shù)數(shù)據(jù)作為樣本數(shù)據(jù)，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(shù)據(jù)輸入到RF模型進行10折交叉驗證訓(xùn)練，記錄每次模型得到的均方誤差。第三個階段是預(yù)測模型構(gòu)建。初始化LSTM網(wǎng)絡(luò)參數(shù)，結(jié)合評價指標(biāo)對參數(shù)尋優(yōu)，構(gòu)建RF-LSTM網(wǎng)絡(luò)預(yù)測模型。

3基于RF-LSTM網(wǎng)絡(luò)的狀態(tài)參數(shù)預(yù)測

3.1模型參數(shù)選擇

3.1.1 RF參數(shù)選擇

本實驗在MATLAB2018b平臺上運行，取采樣數(shù)據(jù)的2/3作為訓(xùn)練集，1/3作為測試集。RF算法有兩個主要參數(shù)：決策樹的數(shù)量（CART）和葉子節(jié)點數(shù)（T）。采用MSE作為RF參數(shù)尋優(yōu)的評價指標(biāo)，一般是將葉子節(jié)點數(shù)設(shè)置為5。

3.2.2 LSTM網(wǎng)絡(luò)參數(shù)選擇

設(shè)置LSTM網(wǎng)絡(luò)的batchsize為64，學(xué)習(xí)率為0.001，最大迭代次數(shù)為30，優(yōu)化器為adam。為了研究LSTM網(wǎng)絡(luò)參數(shù)對于預(yù)測精度的影響，選取記憶單元個數(shù)和隱藏網(wǎng)絡(luò)層數(shù)兩個參數(shù)進行測試，并以MAE和loss值作為評價指標(biāo)。

以單層LSTM網(wǎng)絡(luò)作為訓(xùn)練模型，改變記憶單元個數(shù)，分析不同記憶單元個數(shù)對模型預(yù)測精度的影響。

隨著記憶單元個數(shù)遞增，評價指標(biāo)MAE和loss的數(shù)值整體上先升高后下降，當(dāng)記憶單元個數(shù)為32時，單層LSTM網(wǎng)絡(luò)訓(xùn)練的預(yù)測精度較好。

3.2結(jié)果分析

3.2.1輸入變量篩選結(jié)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(shù)進行分析，共得到3種不同的狀態(tài)參數(shù)組合，將其作為LSTM網(wǎng)絡(luò)預(yù)測模型的輸入變量。

依據(jù)RF理論計算各個狀態(tài)參數(shù)的重要性值。

將該實驗的19個狀態(tài)參數(shù)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(biāo)邊緣化最大的特征，并記錄下所有剩余特征。當(dāng)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(biāo)影響不大。隨著輪數(shù)的增加，MI損失百分比的曲線開始出現(xiàn)轉(zhuǎn)折，并呈現(xiàn)上升的趨勢，說明在第12輪后消除特征會對目標(biāo)變量信息造成損失。因此，選擇第12輪時的特征當(dāng)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(shù)。

根據(jù)PCC理論得出各個狀態(tài)參數(shù)與目標(biāo)變量對應(yīng)的皮爾遜相關(guān)系數(shù)。選擇皮爾遜相關(guān)系數(shù)在[0.6，1]和[-1，-0.6]范圍內(nèi)的狀態(tài)參數(shù)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(shù)。

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

3.2.2預(yù)測結(jié)果分析

取采樣數(shù)據(jù)的前2680組數(shù)據(jù)當(dāng)作訓(xùn)練集，后200組數(shù)據(jù)當(dāng)作測試集，對比三種不同算法篩選的輸入變量對預(yù)測結(jié)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(jīng)處理的單變量與全集，綜合比較不同的輸入變量對于預(yù)測結(jié)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(wǎng)絡(luò)模型在預(yù)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(yù)測結(jié)果的評價指標(biāo)。

4 結(jié)論

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

參考文獻

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