CN112418406B - 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 - Google Patents

基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 Download PDF

Info

Publication number
CN112418406B
CN112418406B CN202011425315.2A CN202011425315A CN112418406B CN 112418406 B CN112418406 B CN 112418406B CN 202011425315 A CN202011425315 A CN 202011425315A CN 112418406 B CN112418406 B CN 112418406B
Authority
CN
China
Prior art keywords
lstm model
lstm
layer
inclination angle
missing data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011425315.2A
Other languages
English (en)
Other versions
CN112418406A (zh
Inventor
那仁满都拉
董小泊
武志军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gansu Jingyuan Aerospace Wind Power Co ltd
Original Assignee
Gansu Jingyuan Aerospace Wind Power Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gansu Jingyuan Aerospace Wind Power Co ltd filed Critical Gansu Jingyuan Aerospace Wind Power Co ltd
Priority to CN202011425315.2A priority Critical patent/CN112418406B/zh
Publication of CN112418406A publication Critical patent/CN112418406A/zh
Application granted granted Critical
Publication of CN112418406B publication Critical patent/CN112418406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/70Wind energy
    • Y02E10/728Onshore wind turbines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于SSA‑LSTM模型的风电塔筒倾角缺失数据补齐方法。首先,将采集到的含有缺失值的塔筒倾角信号进行三次样条插补,同时获取缺失数据点索引;其次,对插补后的信号进行小波阈值消噪,去除噪声等环境因素的影响;再次,利用滑动窗口将信号进行划分,构造LSTM模型的训练集和测试集,搭建具有深层结构的LSTM模型;之后,使用SSA对LSTM模型的参数进行迭代优化;最后,以最优参数搭建LSTM模型,利用训练集完成LSTM模型的训练,并使用测试集对模型性能进行验证。该缺失数据补齐方法能实现塔筒倾角缺失数据的准确恢复,为后面的塔筒倾倒检测奠定数据基础。

Description

基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法
技术领域
本发明涉及一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法。
背景技术
风电塔筒是风电机组设备中的重要支撑部件,其作用是将机舱与风机叶片托举到设计高度,叶片被风力转动而将风能转化为机械能。风电设备通常工作环境十分恶劣,设备容易损坏,其中风电塔筒长期遭受着风载荷、塔筒自重、机舱和叶片的重力以及高空叶片旋转所产生的周期性激励,造成塔筒局部出现裂纹而发生倾斜,当倾斜度过大就会倒塌,所以需要实时获取塔筒倾角传感器的数据,以监测塔筒的健康状态,而恶劣的工作环境造成传感器故障与数据传输中断等造成的传感器数据缺失,降低了倾角数据的质量,从而影响塔筒状态的准确判断。因此合理处理塔筒倾角传感器数据中的缺失问题至关重要。
现有技术中解决传感器数据缺失的方法是删除或者统计插补。直接删除法会遗漏数据的部分信息,影响对数据的进一步分析。统计插补法不能考虑到数据的局部变化,结果较差。伴随大数据的兴起,基于机器学习的插补方法采用数据驱动原则,插补精度高,适应性强。以长短期神经网络(LSTM)为代表的预测和估算缺失值进行插补的自回归方法受到广泛青睐,但是LSTM模型对参数的依赖性很强,需要良好的参数优化算法提高LSTM的鲁棒性,使模型达到全局最优。
已经很多优化算法应用到模型优化之中,专利申请《基于遗传算法优化LSTM神经网络的交通流预测方法》(申请号201810825636.8)利用了遗传算法和LSTM神经网络对产生组合款式寻优的特性,可以得到更高的预测精度,且对不同间隔数据样本有良好的适用性,模型减少了计算量,表现出更好的预测性能。专利申请《粒子群算法优化LSTM神经网络的行程时间预测方法》(申请号201810946075.7)公开了采用粒子群算法优化预测铁路客流量预测模型中的参数,提高了模型预测的鲁棒性。遗传算法适合求解离散问题,具备数学理论支持,但是存在着汉明悬崖等问题。粒子群算法适合求解实数问题,不仅算法简单、计算方便,而且求解速度快,但是存在着陷入局部最优等问题。在对塔筒倾角传感器数据处理中均效果不佳。
发明内容
本发明的目的是提供一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法,对塔筒倾角传感器数据进行处理,得到较好的效果,解决了现有技术中存在的问题。
为实现上述目的,本发明所采用的技术方案是:一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法,具体按以下步骤进行:
步骤一:将采集到的含有缺失值的塔筒倾角信号x(t)进行三次样条插补,并且获取缺失数据点索引;
步骤二:对插补后的信号进行小波阈值消噪,得到消噪信号x’(t);
步骤三:对消噪信号x’(t)进行归一化处理;
步骤四:利用缺失数据点索引以及固定长度的滑动窗口将消噪信号x′(t)划分成输入序列为(t-n, ... t-1)、预测序列为(t, t+1, ... t+m)的格式;之后,将划分后的信号数据重构为符合LSTM要求的数据格式,构造LSTM模型的训练集和测试集;
步骤五:搭建LSTM模型;
步骤六:使用SSA对LSTM模型的参数进行迭代优化:
1)初始化SSA的参数;
2)通过随机方式产生初始种群,将初始种群中的个体分为发现者和跟随者;每个个体的适应度(个体位置)F i 如下式定义:
Figure 388880DEST_PATH_IMAGE001
(1)式中,ζ为训练集和测试集样本比值;y tr 为训练样本真实值;y′ tr 为训练样本预测值;y te 为测试样本真实值;y′ te 为测试样本预测值;
3)对步骤2)中的发现者和跟随者进行位置更新,每次迭代后由更新位置后的发现者和更新位置后的跟随者组成的当代种群中的个体数量均保持不变;
按下式更新发现者位置:
Figure 853360DEST_PATH_IMAGE002
(2)式中,t代表当前迭代数,iter max是一个常数,表示最大的迭代次数;R2(R2∈[0,1]) 表示预警值, ST(ST∈[0.5,1])表示安全值;Q是服从正态分布的随机数;x t i,d 表示种群中第t代中第i个个体的第d维位置;α为[0,1]中的均匀随机数;当R2大于ST时,该发现者将按正态分布随机移动到当前位置附近,其值收敛于最优位置;
按下式更新跟随者位置:
Figure 584555DEST_PATH_IMAGE003
(3)式中,xw为当前种群中个体的最差位置,xb则为当前种群中个体的最优位置,rand{1,-1}为随机选择为1或-1,D=p n
4)随机选择警戒者并更新位置;每次进化过程中,按照预先定义的警戒者比例,从种群中随机选取个体总数15%的个体进行预警行为;无论该个体是发现者还是跟随者,均更新它们的位置,位置更新公式如下:
Figure 109078DEST_PATH_IMAGE004
(4)式中,β为步长控制参数,服从均值为0、方差为1的正态分布的随机数;K∈[-1,1]是一个随机数;f i 则是当前警戒者个体的适应度值;f g f w 分别是当前全局最佳和最差的适应度值;ε是一个极小的常数,以避免分母出现零;
5)判断是否满足优化终止条件,若不满足,重复步骤3)~步骤4);若满足,则得到最优参数;
步骤七:以最优参数搭建具有最佳参数的LSTM模型,利用训练集,采用反向传播算法完成具有最佳参数的LSTM模型的训练,具体训练过程如下:
a.前向计算每个神经元的输出值,计算公式如下:
Figure 630451DEST_PATH_IMAGE005
式中,f t 为遗忘门输出;σ为Sigmoid激活函数;h t-1为上一隐藏层输出, x t 为本层输入;i t 为输入门输出,
Figure 633042DEST_PATH_IMAGE006
为tanh函数输出;W f W i W c W o 均为权重;b f b i b c b o 均为偏置值;C t-1为上一隐藏层的单元状态;C t 为本层更新的单元状态,o t 为输出门输出,h t 为本层更新的隐藏状态;
b.反向计算每个神经元的误差项δ值;
c.根据相应的误差项,计算每个权重的梯度;
步骤八:使用步骤七中训练好的具有最佳参数的LSTM模型对风电塔筒倾角缺失数据进行补齐。
本发明缺失数据补齐方法能够充分利用数据间的时序信息、长短时记忆神经网络(Long Short-term Memory Networks, LSTM)强大的记忆能力以及麻雀搜索算法(Sparrowsearch algorithm, SSA)对模型参数的全局优化能力,实现缺失数据的准确恢复,从而为后面的塔筒倾倒检测奠定数据基础。通过对塔筒倾角传感器数据的缺失部分补齐,提高数据质量,实现风电塔筒设备特征状态的在线监测。具有以下的有益效果:
1)针对采集到的塔筒倾角数据被干扰污染的情况,可以通过小波阈值消噪的方法将真实数据从测量数据中分离出来。
2)麻雀搜索算法具有很好的全局优化能力及鲁棒性,将麻雀搜索算法与LSTM相结合,利用其对LSTM的隐藏层神经元的数量、迭代次数等参数进行优化,克服了人为选取相关参数的缺点,提高了LSTM的性能。
3)即使在数据缺失程度达到30%,优化后的LSTM对缺失数据的预测结果与真实结果的误差较小,相关性较高。因此SSA-LSTM具有较高的预测性能,可以用于塔筒倾角缺失数据的恢复。
附图说明
图1是本发明数据缺失补齐方法的流程图。
图2是本发明数据缺失补齐方法中LSTM模型的示意图。
图3是图2所示LSTM模型中lstm核心单元层的示意图。
图4是本发明数据缺失补齐方法对连续缺失30%的x方向倾角数据的恢复效果图。
图5是PLS方法对连续缺失30%的x方向倾角数据的恢复效果图。
图6为本发明方法对连续缺失30%的y方向倾角数据的恢复效果图。
图7为PLS方法对连续缺失30%的y方向倾角数据的恢复效果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种流程图如图1所示的基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法,具体按以下步骤进行:
步骤一:将采集到的含有缺失值的塔筒倾角信号x(t)进行三次样条插补,同时获取缺失数据点索引;
步骤二:对插补后的信号进行小波阈值消噪,去除噪声等环境因素的影响,得到消噪信号x’(t);
步骤三:对消噪信号x’(t)进行归一化处理,消除可能存在的奇异值影响;
步骤四:利用缺失数据点索引以及固定长度的滑动窗口将消噪信号x′(t)划分成诸如输入序列为(t-n, ... t-1)、预测序列为(t, t+1, ... t+m)的格式。之后,将划分后的信号数据重构为符合LSTM要求的数据格式,即[样本数,时间步,特征],构造LSTM模型的训练集和测试集;
步骤五:搭建图2所示的LSTM模型,它由依次设置的输入层、第一lstm核心单元层、第一ReLU层、第一Dropout层、第二lstm核心单元层、第二ReLU层、第二Dropout层、全连接层以及输出层组成。lstm核心单元层主要包括记忆元组C t 和非线性门单元σ,如图3所示。记忆元组C t 用于保持核心单元层的状态,而非线性门单元σ则用于在每一个时间点调节流入和流出记忆元组C t 的信息。非线性门单元σ包含3个“门”,分别为遗忘门、输入门和输出门;遗忘门用于决定lstm单元应该丢弃或保留哪些信息,输入门用于更新lstm单元层状态,输出门用于决定下个隐藏状态的值,即单元输出。另外,ReLU层为激活函数层,它增加了神经网络各层之间的非线性关系,并且减少了参数的相互依存关系,缓解了过拟合问题的发生。Dropout层在训练时对神经元进行舍弃,在测试时对权重进行放大,同样是为了避免发生过拟合现象;
步骤六:使用SSA对步骤5中搭建的LSTM模型的参数进行迭代优化,具体过程如下:
1)初始化SSA的参数,例如种群个体数量、最大进化次数iter max、发现者警戒阈值、发现者比例、警戒者比例等,以及LSTM模型所需优化的参数个数p n 及各自的取值边界;
2)通过随机方式产生初始种群,该初始种群中个体的数量为N(N通常取30~50),将初始种群中的个体(N只)分为发现者和跟随者;即,选取种群中适应度最大的PN只个体作为发现者,剩余的N-PN只个体为跟随者,每个个体的适应度(个体位置)F i 如下式定义:
Figure 422007DEST_PATH_IMAGE001
(1)式中,ζ为训练集和测试集样本比值;y tr 为训练样本真实值;y′ tr 为训练样本预测值;y te 为测试样本真实值;y′ te 为测试样本预测值;
3)对步骤2)中的发现者和跟随者进行迭代,即进行位置更新,每次迭代后由更新位置后的发现者和更新位置后的跟随者组成的当代种群中的个体数量均保持不变(N只);
按下式更新发现者位置:
Figure 117430DEST_PATH_IMAGE002
(2)式中,t代表当前迭代数,iter max是一个常数,表示最大的迭代次数;R2(R2∈[0,1]) 表示预警值, ST(ST∈[0.5,1])表示安全值;Q是服从正态分布的随机数;x t i,d 表示种群中第t代中第i个个体的第d维位置;α为[0,1]中的均匀随机数。当R2大于ST时,该发现者将按正态分布随机移动到当前位置附近,其值收敛于最优位置;
按下式更新跟随者位置:
Figure 624635DEST_PATH_IMAGE003
(3)式中,xw为当前种群中个体的最差位置,xb则为当前种群中个体的最优位置,rand{1,-1}为随机选择为1或-1,D=p n
4)随机选择警戒者并更新位置;每次迭代过程中,按照预先定义的警戒者比例,如表1所示,从种群中随机选取个体总数15%的个体进行预警行为;无论该个体是发现者还是跟随者,均更新其位置,位置更新公式如下:
Figure 165338DEST_PATH_IMAGE004
(4)式中,β为步长控制参数,服从均值为0、方差为1的正态分布的随机数;K∈[-1,1]是一个随机数;f i 则是当前警戒者个体的适应度值;f g f w 分别是当前全局最佳和最差的适应度值;ε是一个极小的常数,以避免分母出现零,本发明中取ε=1×10-5
5)判断是否满足优化终止条件,即进化次数是否大于最大进化次数iter max。为保证足够的迭代次数,iter max通常选取为100。若不满足,以位置更新后的种群(进化后的种群)重新执行步骤3)~步骤4)中的位置更新策略,更新完成后再次判断;若满足,得到最优参数;
步骤七:以最优参数搭建具有最佳参数的LSTM模型,利用训练集,采用反向传播算法完成具有最佳参数的LSTM模型的训练,具体训练过程如下:
a.前向计算每个神经元的输出值,包括f t i t C t o t h t ;计算公式如下:
Figure 74388DEST_PATH_IMAGE005
式中,f t 为遗忘门输出;σ为Sigmoid激活函数;h t-1为上一隐藏层输出, x t 为本层输入;i t 为输入门输出,
Figure 940713DEST_PATH_IMAGE006
为tanh函数输出;W f W i W c W o 均为权重;b f b i b c b o 均为偏置值;C t-1为上一隐藏层的单元状态;C t 为本层更新的单元状态,o t 为输出门输出,h t 为本层更新的隐藏状态;
b.反向计算每个神经元的误差项δ值;
与循环神经网络一样,LSTM误差项的反向传播也包括两个方向:一个是沿时间的反向传播,即从当前t时刻开始,计算每个时刻的误差项;一个是将误差项向上一层传播。
c.根据相应的误差项,计算每个权重的梯度;
步骤八:使用步骤7中训练好的具有最佳参数的LSTM模型对风电塔筒倾角缺失数据进行补齐。
下面结合对某一时间段采集到的塔筒倾角缺失数据进行恢复,对本发明作进一步描述。
考虑到为了更好的展示缺失数据的恢复效果,选择一段未含有缺失点的倾角信号,在原始倾角数据的随机起始位置连续人为造成一定长度的数据缺失。实验设置塔筒x方向和y方向倾角数据缺失30%,确定SSA的参数,包括种群内个体数量N、最大进化次数iter max、发现者警戒阈值、发现者比例、警戒者比例,以及LSTM模型所需优化的参数个数p n 及各待优化参数的取值边界,如表1所示。
表1
Figure 935213DEST_PATH_IMAGE007
首先,将采集到的含有缺失值的塔筒倾角信号x(t)进行三次样条插补,同时获取缺失数据点索引。其次,对插补后的信号进行小波阈值消噪,得到消噪信号x’(t)。再次,对消噪信号x’(t)进行归一化处理。之后,利用缺失数据点索引以及固定长度的滑动窗口划分信号x’(t),将划分后的信号数据重构为符合LSTM要求的数据格式,再按照7︰3的比例将其构造成LSTM模型的训练集和测试集。然后,使用SSA对搭建的LSTM模型的参数进行迭代优化,参数优化结果,如表2所示。
表2
Figure 279607DEST_PATH_IMAGE008
再然后,以最优参数搭建LSTM模型,利用训练集,采用反向传播算法完成LSTM模型的训练。最后,使用训练好的LSTM模型进行风电塔筒倾角缺失数据的补齐。
本发明方法对塔筒倾角缺失数据恢复的效果如图4和图6所示。为了验证方法的有效性,使用现有技术中的PLS方法进行对比,效果如图5和图7所示。从图4~图7可以看出,PLS方法仅恢复出了线形趋势,恢复效果很差。然而,即使在缺失程度达到30%的情况下,相比于PLS方法,本发明方法很好的仿真了真实轨迹的非线性趋势,具有很好的缺失填补效果,是一种有效的风电塔筒倾角缺失数据补齐方法。

Claims (5)

1.一种基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法,其特征在于,该缺失数据补齐方法包括以下步骤:
步骤一:将采集到的含有缺失值的塔筒倾角信号x(t)进行三次样条插补,并且获取缺失数据点索引;
步骤二:对插补后的信号进行小波阈值消噪,得到消噪信号x’(t);
步骤三:对消噪信号x’(t)进行归一化处理;
步骤四:利用缺失数据点索引以及固定长度的滑动窗口将消噪信号x′(t)划分成输入序列为(t-n, ... t-1)、预测序列为(t, t+1, ... t+m)的格式;之后,将划分后的信号数据重构为符合LSTM要求的数据格式,构造LSTM模型的训练集和测试集;
步骤五:搭建LSTM模型;
步骤六:使用SSA对LSTM模型的参数进行迭代优化:
1)初始化SSA的参数;
2)通过随机方式产生初始种群,将初始种群中的个体分为发现者和跟随者;每个个体的适应度F i 如下式定义:
Figure 318875DEST_PATH_IMAGE001
(1)式中,ζ为训练集和测试集样本比值;y tr 为训练样本真实值;y′ tr 为训练样本预测值;y te 为测试样本真实值;y′ te 为测试样本预测值;
3)对步骤2)中的发现者和跟随者进行位置更新,每次迭代后由更新位置后的发现者和更新位置后的跟随者组成的当代种群中的个体数量均保持不变;
按下式更新发现者位置:
Figure 704857DEST_PATH_IMAGE002
(2)式中,t代表当前迭代数,iter max是一个常数,表示最大的迭代次数;R2(R2∈[0,1])表示预警值, ST(ST∈[0.5,1])表示安全值;Q是服从正态分布的随机数;x t i,d 表示种群中第t代中第i个个体的第d维位置;α为[0,1]中的均匀随机数;当R2大于ST时,该发现者将按正态分布随机移动到当前位置附近,其值收敛于最优位置;
按下式更新跟随者位置:
Figure 156698DEST_PATH_IMAGE003
(3)式中,xw为当前种群中个体的最差位置,xb则为当前种群中个体的最优位置,rand{1,-1}为随机选择为1或-1,D=p n
4)随机选择警戒者并更新位置;每次进化过程中,按照预先定义的警戒者比例,从种群中随机选取个体总数15%的个体进行预警行为;无论该个体是发现者还是跟随者,均更新它们的位置,位置更新公式如下:
Figure 817486DEST_PATH_IMAGE004
(4)式中,β为步长控制参数,服从均值为0、方差为1的正态分布的随机数;K∈[-1,1]是一个随机数;f i 则是当前警戒者个体的适应度值;f g f w 分别是当前全局最佳和最差的适应度值;ε是一个极小的常数,以避免分母出现零;
5)判断是否满足优化终止条件,若不满足,重复步骤3)~步骤4)中的位置更新策略,更新完成后再次判断;若满足,则得到最优参数;
步骤七:以最优参数搭建具有最佳参数的LSTM模型,利用训练集,采用反向传播算法完成具有最佳参数的LSTM模型的训练,具体训练过程如下:
a.前向计算每个神经元的输出值,计算公式如下:
Figure 100700DEST_PATH_IMAGE005
式中,f t 为遗忘门输出;σ为Sigmoid激活函数;h t-1为上一隐藏层输出, x t 为本层输入;i t 为输入门输出,
Figure 392004DEST_PATH_IMAGE006
为tanh函数输出;W f W i W c W o 均为权重;b f b i b c b o 均为偏置值;C t-1为上一隐藏层的单元状态;C t 为本层更新的单元状态,o t 为输出门输出,h t 为本层更新的隐藏状态;
b.反向计算每个神经元的误差项δ值;
c.根据相应的误差项,计算每个权重的梯度;
步骤八:使用步骤七中训练好的具有最佳参数的LSTM模型对风电塔筒倾角缺失数据进行补齐。
2.如权利要求1所述的基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法,其特征在于,所述步骤五中的LSTM模型由依次设置的输入层、第一lstm核心单元层、第一ReLU层、第一Dropout层、第二lstm核心单元层、第二ReLU层、第二Dropout层、全连接层以及输出层组成;lstm核心单元层包括记忆元组C t 和非线性门单元σ
3.如权利要求2所述的基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法,其特征在于,所述的记忆元组C t 用于保持核心单元层的状态;非线性门单元σ用于在每一个时间点调节流入和流出记忆元组C t 的信息。
4.如权利要求2或3所述的基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法,其特征在于,所述的非线性门单元σ包含遗忘门、输入门和输出门;遗忘门用于决定lstm单元应该丢弃或保留哪些信息,输入门用于更新lstm单元层状态,输出门用于决定下个隐藏状态的值。
5.如权利要求1所述的基于SSA-LSTM模型的风电塔筒倾角缺失数据补齐方法,其特征在于,所述步骤六中,在每次进化过程中,选取种群中适应度最大的多只个体作为发现者,剩余的个体为跟随者。
CN202011425315.2A 2020-12-09 2020-12-09 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 Active CN112418406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011425315.2A CN112418406B (zh) 2020-12-09 2020-12-09 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011425315.2A CN112418406B (zh) 2020-12-09 2020-12-09 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法

Publications (2)

Publication Number Publication Date
CN112418406A CN112418406A (zh) 2021-02-26
CN112418406B true CN112418406B (zh) 2022-06-07

Family

ID=74775269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011425315.2A Active CN112418406B (zh) 2020-12-09 2020-12-09 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法

Country Status (1)

Country Link
CN (1) CN112418406B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990435B (zh) * 2021-03-22 2024-08-13 华北电力大学 一种长短时记忆网络电站风机故障预警方法及系统
CN113065630B (zh) * 2021-03-23 2023-04-07 重庆大学 用于砂带磨削加工的工艺参数优化方法
CN112948743B (zh) * 2021-03-26 2022-05-03 重庆邮电大学 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法
CN113504348A (zh) * 2021-05-08 2021-10-15 中国农业大学 溶解氧的估测方法、装置、设备和存储介质
CN113238666B (zh) * 2021-05-24 2024-01-23 江苏科技大学 基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法
CN113762078A (zh) * 2021-08-03 2021-12-07 南昌工程学院 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法
CN114037551A (zh) * 2021-11-15 2022-02-11 中国水产科学研究院渔业机械仪器研究所 池塘养殖pH值缺失数据插补方法
CN115278774B (zh) * 2022-07-20 2024-08-20 云南电网有限责任公司电力科学研究院 一种北斗短报文缺失数据补录方法及系统
CN115794805B (zh) * 2023-02-03 2023-05-23 国网天津市电力公司城东供电分公司 一种中低压配网量测数据补齐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576060A (zh) * 2013-10-11 2014-02-12 华南理工大学 基于小波自适应阈值的局部放电信号去噪方法
WO2016107246A1 (zh) * 2014-12-29 2016-07-07 合肥工业大学 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
CN109784473A (zh) * 2018-12-13 2019-05-21 天津大学 一种基于双时序特征学习的短期风功率预测方法
CN110826791A (zh) * 2019-10-31 2020-02-21 东北电力大学 一种基于长短时记忆神经网络的混合风功率预测方法
CN111709549A (zh) * 2020-04-30 2020-09-25 东华大学 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11423118B2 (en) * 2019-01-07 2022-08-23 Massachusetts Institute Of Technology Model agnostic time series analysis via matrix estimation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576060A (zh) * 2013-10-11 2014-02-12 华南理工大学 基于小波自适应阈值的局部放电信号去噪方法
WO2016107246A1 (zh) * 2014-12-29 2016-07-07 合肥工业大学 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
CN109784473A (zh) * 2018-12-13 2019-05-21 天津大学 一种基于双时序特征学习的短期风功率预测方法
CN110826791A (zh) * 2019-10-31 2020-02-21 东北电力大学 一种基于长短时记忆神经网络的混合风功率预测方法
CN111709549A (zh) * 2020-04-30 2020-09-25 东华大学 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Gabriel Gǎşpǎresc等.Data compression of power quality disturbances using wavelet transform and spline interpolation method.《IEEE》.2010,1-4. *
Hui Liu等.Smart multi-step deep learning model for wind speed forecasting based on variational mode decomposition, singular spectrum analysis, LSTM network and ELM.《Energy Conversion and Management》.2018,第159卷54-64. *
刘嘉敏等.基于遗传算法的VMD 参数优化与小波阈值的轴承振动信号去噪分析.《第二十七届全国振动与噪声应用学术会议》.2016,1-9. *
王善辉.双向循环神经网络在GNSS坐标时间序列插值中的研究.《中国优秀硕士学位论文全文数据库 基础科学辑》.2019,(第08期),1. *

Also Published As

Publication number Publication date
CN112418406A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN112418406B (zh) 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法
CN113987834B (zh) 一种基于can-lstm的铁路列车轴承剩余寿命预测方法
CN108900346B (zh) 基于lstm网络的无线网络流量预测方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN109559329B (zh) 一种基于深度去噪自动编码器的粒子滤波跟踪方法
CN108764540B (zh) 基于并行lstm串联dnn的供水管网压力预测方法
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN111815806B (zh) 一种基于野值剔除和特征提取的飞参数据预处理方法
CN112149355B (zh) 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法
CN111445010A (zh) 一种基于证据理论融合量子网络的配网电压趋势预警方法
CN112257847A (zh) 一种基于CNN和LSTM预测地磁Kp指数的方法
CN118132964B (zh) 土壤空间温湿度预测方法、装置、设备、介质及程序产品
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN114330814A (zh) 一种基于vmd分解和改进双层bilstm网络的短期负荷预测方法
CN114154401A (zh) 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统
CN114611808A (zh) 一种基于CEEMDAN-SSA-BiLSTM的短期海上风电功率预测方法
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
CN116797204A (zh) 一种基于小波分解与重构和TCN-GRU-Self-Attention的磨煤机一次风量故障预警方法
CN118351970A (zh) 一种生态环境pm2.5浓度的预测方法
CN113052353B (zh) 空气质量预测与预测模型训练方法、装置及存储介质
CN116681159A (zh) 一种基于鲸鱼优化算法和dresn的短期电力负荷预测方法
CN114694037A (zh) 一种基于深度学习算法的热带气旋轨迹预测方法
CN113837443A (zh) 基于深度BiLSTM的变电站线路负载预测方法
CN113807005A (zh) 基于改进fpa-dbn的轴承剩余寿命预测方法
CN117584792B (zh) 一种电动汽车充电站充电功率在线预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant