CN117216499A - 基于鲸鱼算法优化lstm的igbt故障预测方法 - Google Patents
基于鲸鱼算法优化lstm的igbt故障预测方法 Download PDFInfo
- Publication number
- CN117216499A CN117216499A CN202311226367.0A CN202311226367A CN117216499A CN 117216499 A CN117216499 A CN 117216499A CN 202311226367 A CN202311226367 A CN 202311226367A CN 117216499 A CN117216499 A CN 117216499A
- Authority
- CN
- China
- Prior art keywords
- igbt
- lstm
- whale
- fault prediction
- model
- 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.)
- Pending
Links
- 241000283153 Cetacea Species 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000032683 aging Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 21
- 210000004027 cell Anatomy 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 241000353097 Molva molva Species 0.000 description 1
- 241000287127 Passeridae Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于鲸鱼算法优化LSTM的IGBT故障预测方法，包括：选取IGBT老化数据中的集射极峰值电压作为特征参数，并对数据进行归一化处理，构造用于网络训练的数据样本，所述数据样本包括训练集和测试集；构建整体架构为LSTM架构IGBT故障预测模型并利用训练集对构建的故障预测模型进行初步训练，训练结果用来初始化构建的鲸鱼种群；根据所述鲸鱼种群的最优解确定所述LSTM的最优参数，所述最优参数确定最终的IGBT故障预测模型；将IGBT测试集输入到训练好的IGBT故障预测模型中进行IGBT故障预测。对IGBT的寿命进行必要的预测，防止IGBT在发生故障时不能进行及时的处置而造成重大经济损失。
Description
技术领域
本申请涉及IGBT故障预测技术领域，具体涉及一种基于鲸鱼算法优化LSTM的IGBT故障预测方法。
背景技术
近年来，大功率高压变频器在大型工矿企业中的应用越来越广泛，作为高压变频器的核心部件，绝缘栅双极性晶体管IGBT的工作可靠性是决定高压变频器能否安全工作的重要因素。变频器的故障主要集中在功率模块内IGBT的故障上。当功率模块故障时，就会对变频器的输出线电压和线电流产生不良影响，降低了感应电机的可靠性。变频器功率器件IGBT如果长时间工作在高强度环境中会逐渐老化，甚至失效。寿命预测是提高IGBT模块工作可靠性的一种重要途径。预测IGBT模块剩余使用寿命可以确定IGBT的更换时间，实现设备的全寿命周期管理，根据IGBT的剩余寿命，有计划地对设备进行检修和维护，提高运维效率，减少设备运行过程中潜在故障和事故的发生。因此，IGBT寿命预测技术成为当前的研究热点。
目前，常用的IGBT寿命预测模型有失效物理PoF模型和数据驱动模型。PoF模型依靠故障物理失效的可靠性技术来进行寿命研究工作，但由于在实际电气设备中，失效模式不同，故很难获得准确的模型。与PoF模型的寿命预测方法不同，数据驱动模型的预测方法是通过关联可以表征IGBT健康状态的特征参数，利用数据预测模型分析学习其历史数据，并与当前运行参数进行对比，评估器件当前运行状态以对产品进行寿命预测。数据驱动模型具有节省计算时间、提高准确度和加速设计过程等优势，可在失效机理不明情况下预测寿命，是目前IGBT寿命预测的热点。
任宏宇等人以IGBT瞬态尖峰电压Vce(peak)退化特征量为研究对象，利用逐次变分模态分解SVMD技术提取退化特征，采用贝叶斯方法优化长短期记忆LSTM神经网络对IGBT寿命进行预测，提高了寿命预的测准确性，并减少了预测的不确定性；冷丽英等人针对IGBT长工作周期导致的老化失效问题，提出一种基于麻雀搜索算法SSA优化LSTM网络的IGBT时间序列预测方法，在一定程度上评估IGBT的寿命；葛建文等人利用Transformer神经网络预测IGBT的结-壳瞬态热阻，以评估器件的剩余使用寿命，该方法利用时间序列信息，极大提高了预测的准确性；然而，传统LSTM的局限性在于依靠经验选取模型的超参数并非最优超参数组合，并且LSTM网络的输入包含了大量干扰噪声，这些方面在很大程度上会制约预测准确性并导致预测的不确定性大。
发明内容
本申请为了解决上述技术问题，提出了如下技术方案：
第一方面，本申请实施例提供了一种基于鲸鱼算法优化LSTM的IGBT故障预测方法，包括：
选取IGBT老化数据中的集射极峰值电压作为特征参数，并对数据进行归一化处理，构造用于网络训练的数据样本，所述数据样本包括训练集和测试集；
构建整体架构为LSTM架构IGBT故障预测模型并利用训练集对构建的故障预测模型进行初步训练，训练结果用来初始化构建的鲸鱼种群；
根据所述鲸鱼种群的最优解确定所述LSTM的最优参数，所述最优参数确定最终的IGBT故障预测模型；
将IGBT测试集输入到训练好的IGBT故障预测模型中进行IGBT故障预测。
在一种可能的实现方式中，所述根据所述鲸鱼种群的最优解确定所述LSTM的最优参数，包括：
初始化鲸鱼算法的维度、迭代次数和种群数，并确定LSTM的学习率和隐藏层节点数的参数范围；
将故障预测模型的预测值与实际值的均方差作为适应度，计算每个种群对应的适应度，把其中最小适应度作为此次最优结果，如果当前的适应度值优于之前的适应度值，则将当前适应度值设为最优解；
开始迭代，利用鲸鱼算法更新LSTM对应的参数；
判断当前网络迭代结果是否满足预定值，若达到预定值则保存训练好的模型，未达到则继续迭代；
获得最优结果对应的LSTM的学习率和隐藏层节点数。
在一种可能的实现方式中，对数据进行归一化处理，构造用于网络训练的数据样本，包括：
采用归一化处理函数将数据进行归一化处理，把数变为(0，1)之间的小数；
然后采用滑动时间窗方法构造序列长度为10的时间序列数据样本，用于网络训练的数据样本。
在一种可能的实现方式中，构建整体架构为LSTM架构IGBT故障预测模型，包括：
LSTM模型的遗忘门将前一个隐藏状态的信息和当前输入的信息同时传送到sigmoid函数中，输出介于0和1之间的值；
输入门将前一层隐藏状态的信息和当前输入的信息传递到Sigmoid函数中，同时将前一层的隐藏状态信息和当前输入的信息传递到tanh函数中去，创造一个新的候选值向量；
最后将Sigmoid的输出值与tanh的输出值相乘，Sigmoid的输出值将决定tanh的输出值中需要保留下来，所述输出门用来确定LSTM模型的下一个隐藏状态的值，隐藏状态包含了先前的输入的信息。
在一种可能的实现方式中，利用鲸鱼算法更新LSTM模型对应的参数，包括：采用鲸鱼算法对网络模型中的学习率和隐藏层节点数进行动态寻优，以使得网络达到最佳状态，从而提高预测的精度。
在一种可能的实现方式中，鲸鱼算法动态寻优包括：
包围猎物，鲸鱼种群包围猎物的方式更新自身的位置为：
D＝|CX*-X|；
X(t+1)＝X*(t)-AD；
其中，t表示目前迭代次数，A和C表示系数，X*(t)表示目前适应度最好的鲸鱼位置，X(t)表示目前迭代次数中鲸鱼的位置；
A＝2ar1-a，C＝2r2，a＝2-2t/Tmax，其中r1和r2是随机数，范围在(0，1)中，a的值从2到0下降，t表示目前的迭代次数，Tmax为初始设置的最大迭代次数；
捕获猎物，鲸鱼狩猎时采用螺旋运动方式靠近猎物，既：
X(t+1)＝X*(t)-Dpeblcos(2πl)；
其中，Dp＝|X*(t)-X(t)|表示鲸鱼与猎物的差距大小，b是一个常数，表示螺旋的形状，l是一个范围为(-1，1)之间的随机数，鲸鱼种群螺旋运动中位置更新为：
通过概率p、参数a和波动范围A的变化，鲸鱼会用不同的方式更新自己的位置，向着更优的位置移动；
搜索猎物，寻找最优解即：
D＝|CXrand-X(t)|；
X(t+1)＝Xrand-AD；
其中，Xrand是随机的鲸鱼位置，当A≥1的时候，随机选择一个鲸鱼个体，更新其他鲸鱼的位置，增加探索的随机性，找到更优秀的猎物，最终探索出全局最优解；
模型预测评价指标：均方根误差
式中，m为预测样本数量；表示Vce-peak的预测值。
在一种可能的实现方式中，LSTM的记忆块主要包含遗忘门、输入门、输出门与一个记忆单元；
遗忘门决定放弃信息，其输出ft为：
ft＝δ(Wf[ht-1,Xt]+bf)；
式中，δ为激活函数，本发明中选择Sigmoid函数；ht-1和Xt分别为LSTM模型的先前时刻输出和当前输入；Wf和bf分别为权重和偏差；
输入门选择新信息加入神经元状态中，其输出it为：
it＝δ(Wi[ht-1,Xt]+bi)；
Ct是当前时刻的记忆单元状态，Ct’作为当前层候选值可能会添加到单元状态中去更新单元状态：
C't＝tanh(Wc[ht-1,Xt]+bc)；
Ct＝ft·Ct-1+it·C't；
式中，tanh函数的输出区间为[-1，1]；Ct-1是上一时刻的记忆单元状态；
输出ht结合了输出门ot和单元状态，可表示为：
ot＝δ(Wo[ht-1,Xt]+bo)。
第二方面，本申请实施例提供了一种基于鲸鱼算法优化LSTM的IGBT故障预测系统，包括：
数据集确定模块，用于选取IGBT老化数据中的集射极峰值电压作为特征参数，并对数据进行归一化处理，构造用于网络训练的数据样本，所述数据样本包括训练集和测试集；
模型构架模块，用于构建整体架构为LSTM架构IGBT故障预测模型并利用训练集对构建的故障预测模型进行初步训练，训练结果用来初始化构建的鲸鱼种群；
模型参数确定模块，用于根据所述鲸鱼种群的最优解确定所述LSTM的最优参数，所述最优参数确定最终的IGBT故障预测模型；
故障预测模块，用于将IGBT测试集输入到训练好的IGBT故障预测模型中进行IGBT故障预测。
在本申请实施例中，选取IGBT老化数据集中的集射极峰值电压为失效特征量，通过LSTM进行时间序列预测，并采用鲸鱼算法对LSTM参数进行寻优以得到最优参数。通过最优参数确定最终的IGBT故障预测模型，对IGBT的寿命进行必要的预测，防止IGBT在发生故障时不能进行及时的处置而造成重大经济损失。
附图说明
图1为本申请实施例提供的一种基于鲸鱼算法优化LSTM的IGBT故障预测方法的流程示意图；
图2为本申请实施例提供的LSTM神经网络模型结构示意图；
图3为本申请实施例提供的一种基于鲸鱼算法优化LSTM的IGBT故障预测系统的示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
参见图1，本实施例中的基于鲸鱼算法优化LSTM的IGBT故障预测方法，包括：
S101，选取IGBT老化数据中的集射极峰值电压作为特征参数，并对数据进行归一化处理，构造用于网络训练的数据样本，所述数据样本包括训练集和测试集。
采集栅极方波信号下的热过载老化数据，选择集射极尖峰电压作为目标数据，然后对目标数据采用二次指数滤波方法进行优化，用归一化方法对数据进行归一化处理，把数据处理到0-1范围之内，利用滑窗法构建LSTM预测模型所需要的数据集，并按照8：2的比例划分为训练集和测试集。
采用归一化处理函数将数据进行归一化处理，把数变为(0，1)之间的小数；然后采用滑动时间窗方法构造序列长度为10的时间序列数据样本，用于网络训练的数据样本。
S102，构建整体架构为LSTM架构IGBT故障预测模型并利用训练集对构建的故障预测模型进行初步训练，训练结果用来初始化构建的鲸鱼种群。
LSTM模型的遗忘门将前一个隐藏状态的信息和当前输入的信息同时传送到Sigmoid函数中，输出介于0和1之间的值。输入门将前一层隐藏状态的信息和当前输入的信息传递到Sigmoid函数中，同时将前一层的隐藏状态信息和当前输入的信息传递到tanh函数中去，创造一个新的候选值向量。最后将Sigmoid的输出值与tanh的输出值相乘，Sigmoid的输出值将决定tanh的输出值中需要保留下来，所述输出门用来确定LSTM模型的下一个隐藏状态的值，隐藏状态包含了先前的输入的信息。
参见图2，LSTM神经网络模型结构示意图。LSTM的记忆块主要包含了三个门(遗忘门、输入门、输出门)与一个记忆单元。方框内上方的那条水平线，被称为单元状态，它就像一个传送带，可以控制信息传递给下一时刻。
遗忘门决定放弃信息，其输出ft为：
ft＝δ(Wf[ht-1,Xt]+bf)；
式中，δ为激活函数，本发明中选择Sigmoid函数；ht-1和Xt分别为LSTM模型的先前时刻输出和当前输入；Wf和bf分别为权重和偏差；
输入门选择新信息加入神经元状态中，其输出it为：
it＝δ(Wi[ht-1,Xt]+bi)；
Ct是当前时刻的记忆单元状态，Ct’作为当前层候选值可能会添加到单元状态中去更新单元状态：
C't＝tanh(Wc[ht-1,Xt]+bc)；
Ct＝ft·Ct-1+it·C't；
式中，tanh函数的输出区间为[-1，1]；Ct-1是上一时刻的记忆单元状态；
输出ht结合了输出门ot和单元状态，可表示为：
ot＝δ(Wo[ht-1,Xt]+bo)。
S103，根据所述鲸鱼种群的最优解确定所述LSTM的最优参数，所述最优参数确定最终的IGBT故障预测模型。
初始化鲸鱼算法的维度、迭代次数和种群数，并确定LSTM的学习率和隐藏层节点数的参数范围。将故障预测模型的预测值与实际值的均方差作为适应度，计算每个种群对应的适应度，把其中最小适应度作为此次最优结果，如果当前的适应度值优于之前的适应度值，则将当前适应度值设为最优解。开始迭代，利用鲸鱼算法更新LSTM对应的参数；判断当前网络迭代结果是否满足预定值，若达到预定值则保存训练好的模型，未达到则继续迭代。获得最优结果对应的LSTM的学习率和隐藏层节点数。
LSTM模型参数较多，而关键参数的选取对预测结果影响较大，根据经验试凑得到的网络参数难以确保网络处于最佳状态，因此采用鲸鱼算法对LSTM中的学习率、第一隐藏层神经元个数、第二隐藏层神经元个数关键参数进行动态寻优，以求网络达到最佳状态，从而提高预测的精度。
鲸鱼算法动态寻优包括：
包围猎物，鲸鱼种群包围猎物的方式更新自身的位置为：
D＝|CX*-X|；
X(t+1)＝X*(t)-AD；
其中，t表示目前迭代次数，A和C表示系数，X*(t)表示目前适应度最好的鲸鱼位置，X(t)表示目前迭代次数中鲸鱼的位置；
A＝2ar1-a，C＝2r2，a＝2-2t/Tmax，其中r1和r2是随机数，范围在(0，1)中，a的值从2到0下降，t表示目前的迭代次数，Tmax为初始设置的最大迭代次数；
捕获猎物，鲸鱼狩猎时采用螺旋运动方式靠近猎物，既：
X(t+1)＝X*(t)-Dpeblcos(2πl)；
其中，Dp＝|X*(t)-X(t)|表示鲸鱼与猎物的差距大小，b是一个常数，表示螺旋的形状，l是一个范围为(-1，1)之间的随机数，鲸鱼种群螺旋运动中位置更新为：
通过概率p、参数a和波动范围A的变化，鲸鱼会用不同的方式更新自己的位置，向着更优的位置移动；
搜索猎物，寻找最优解即：
D＝CXrand-X(t)|；
X(t+1)＝Xrand-AD；
其中，Xrand是随机的鲸鱼位置，当A≥1的时候，随机选择一个鲸鱼个体，更新其他鲸鱼的位置，增加探索的随机性，找到更优秀的猎物，最终探索出全局最优解；
模型预测评价指标：均方根误差
式中，m为预测样本数量；表示Vce-peak的预测值。
S104，将IGBT测试集输入到训练好的IGBT故障预测模型中进行IGBT故障预测。
与上述实施例提供的一种基于鲸鱼算法优化LSTM的IGBT故障预测方法相对应，本申请还提供了一种基于鲸鱼算法优化LSTM的IGBT故障预测系统的实施例。
参见图3，本实施例中的基于鲸鱼算法优化LSTM的IGBT故障预测系统20，包括：
数据集确定模块201，用于选取IGBT老化数据中的集射极峰值电压作为特征参数，并对数据进行归一化处理，构造用于网络训练的数据样本，所述数据样本包括训练集和测试集。
模型构架模块202，用于构建整体架构为LSTM架构IGBT故障预测模型并利用训练集对构建的故障预测模型进行初步训练，训练结果用来初始化构建的鲸鱼种群。
模型参数确定模块203，用于根据所述鲸鱼种群的最优解确定所述LSTM的最优参数，所述最优参数确定最终的IGBT故障预测模型。
故障预测模块204，用于将IGBT测试集输入到训练好的IGBT故障预测模型中进行IGBT故障预测。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
以上所述，仅为本申请的具体实施方式，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于鲸鱼算法优化LSTM的IGBT故障预测方法，其特征在于，包括：
选取IGBT老化数据中的集射极峰值电压作为特征参数，并对数据进行归一化处理，构造用于网络训练的数据样本，所述数据样本包括训练集和测试集；
构建整体架构为LSTM架构IGBT故障预测模型并利用训练集对构建的故障预测模型进行初步训练，训练结果用来初始化构建的鲸鱼种群；
根据所述鲸鱼种群的最优解确定所述LSTM的最优参数，所述最优参数确定最终的IGBT故障预测模型；
将IGBT测试集输入到训练好的IGBT故障预测模型中进行IGBT故障预测。
2.根据权利要求1所述的基于鲸鱼算法优化LSTM的IGBT故障预测方法，其特征在于，所述根据所述鲸鱼种群的最优解确定所述LSTM的最优参数，包括：
初始化鲸鱼算法的维度、迭代次数和种群数，并确定LSTM的学习率和隐藏层节点数的参数范围；
将故障预测模型的预测值与实际值的均方差作为适应度，计算每个种群对应的适应度，把其中最小适应度作为此次最优结果，如果当前的适应度值优于之前的适应度值，则将当前适应度值设为最优解；
开始迭代，利用鲸鱼算法更新LSTM对应的参数；
判断当前网络迭代结果是否满足预定值，若达到预定值则保存训练好的模型，未达到则继续迭代；
获得最优结果对应的LSTM的学习率和隐藏层节点数。
3.根据权利要求1所述的基于鲸鱼算法优化LSTM的IGBT故障预测方法，其特征在于，对数据进行归一化处理，构造用于网络训练的数据样本，包括：
采用归一化处理函数将数据进行归一化处理，把数变为(0，1)之间的小数；
然后采用滑动时间窗方法构造序列长度为10的时间序列数据样本，用于网络训练的数据样本。
4.根据权利要求1所述的基于鲸鱼算法优化LSTM的IGBT故障预测方法，其特征在于，构建整体架构为LSTM架构IGBT故障预测模型，包括：
LSTM模型的遗忘门将前一个隐藏状态的信息和当前输入的信息同时传送到Sigmoid函数中，输出介于0和1之间的值；
输入门将前一层隐藏状态的信息和当前输入的信息传递到Sigmoid函数中，同时将前一层的隐藏状态信息和当前输入的信息传递到tanh函数中去，创造一个新的候选值向量；
最后将Sigmoid的输出值与tanh的输出值相乘，Sigmoid的输出值将决定tanh的输出值中需要保留下来，所述输出门用来确定LSTM模型的下一个隐藏状态的值，隐藏状态包含了先前的输入的信息。
5.根据权利要求2所述的基于鲸鱼算法优化LSTM的IGBT故障预测方法，其特征在于，利用鲸鱼算法更新LSTM模型对应的参数，包括：采用鲸鱼算法对网络模型中的学习率和隐藏层节点数进行动态寻优，以使得网络达到最佳状态，从而提高预测的精度。
6.根据权利要求1-5任一项所述的基于鲸鱼算法优化LSTM的IGBT故障预测方法，其特征在于，鲸鱼算法动态寻优包括：
包围猎物，鲸鱼种群包围猎物的方式更新自身的位置为：
D＝|CX*-X|；
X(t+1)＝X*(t)-AD；
其中，t表示目前迭代次数，A和C表示系数，X*(t)表示目前适应度最好的鲸鱼位置，X(t)表示目前迭代次数中鲸鱼的位置；
A＝2ar1-a，C＝2r2，a＝2-2t/Tmax，其中r1和r2是随机数，范围在(0，1)中，a的值从2到0下降，t表示目前的迭代次数，Tmax为初始设置的最大迭代次数；
捕获猎物，鲸鱼狩猎时采用螺旋运动方式靠近猎物，既：
X(t+1)＝X*(t)-Dpeblcos(2πl)；
其中，Dp＝|X*(t)-X(t)|表示鲸鱼与猎物的差距大小，b是一个常数，表示螺旋的形状，l是一个范围为(-1，1)之间的随机数，鲸鱼种群螺旋运动中位置更新为：
通过概率p、参数a和波动范围A的变化，鲸鱼会用不同的方式更新自己的位置，向着更优的位置移动；
搜索猎物，寻找最优解即：
D＝|CXrand-X(t)|；
X(t+1)＝Xrand-AD；
其中，Xrand是随机的鲸鱼位置，当A≥1的时候，随机选择一个鲸鱼个体，更新其他鲸鱼的位置，增加探索的随机性，找到更优秀的猎物，最终探索出全局最优解；
模型预测评价指标：均方根误差
式中，m为预测样本数量；表示Vce-peak的预测值。
7.根据权利要求6所述的基于鲸鱼算法优化LSTM的IGBT故障预测方法，其特征在于，LSTM的记忆块主要包含遗忘门、输入门、输出门与一个记忆单元；
遗忘门决定放弃信息，其输出ft为：
ft＝δ(Wf[ht-1,Xt]+bf)；
式中，δ为激活函数，本发明中选择Sigmoid函数；ht-1和Xt分别为LSTM模型的先前时刻输出和当前输入；Wf和bf分别为权重和偏差；
输入门选择新信息加入神经元状态中，其输出it为：
it＝δ(Wi[ht-1,Xt]+bi)；
Ct是当前时刻的记忆单元状态，Ct’作为当前层候选值可能会添加到单元状态中去更新单元状态：
C't＝tanh(Wc[ht-1,Xt]+bc)；
Ct＝ft·Ct-1+it·C't；
式中，tanh函数的输出区间为[-1，1]；Ct-1是上一时刻的记忆单元状态；
输出ht结合了输出门ot和单元状态，可表示为：
ot＝δ(Wo[ht-1,Xt]+bo)。
8.一种基于鲸鱼算法优化LSTM的IGBT故障预测系统，其特征在于，包括：
数据集确定模块，用于选取IGBT老化数据中的集射极峰值电压作为特征参数，并对数据进行归一化处理，构造用于网络训练的数据样本，所述数据样本包括训练集和测试集；
模型构架模块，用于构建整体架构为LSTM架构IGBT故障预测模型并利用训练集对构建的故障预测模型进行初步训练，训练结果用来初始化构建的鲸鱼种群；
模型参数确定模块，用于根据所述鲸鱼种群的最优解确定所述LSTM的最优参数，所述最优参数确定最终的IGBT故障预测模型；
故障预测模块，用于将IGBT测试集输入到训练好的IGBT故障预测模型中进行IGBT故障预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226367.0A CN117216499A (zh) | 2023-09-22 | 2023-09-22 | 基于鲸鱼算法优化lstm的igbt故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226367.0A CN117216499A (zh) | 2023-09-22 | 2023-09-22 | 基于鲸鱼算法优化lstm的igbt故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117216499A true CN117216499A (zh) | 2023-12-12 |
Family
ID=89038698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311226367.0A Pending CN117216499A (zh) | 2023-09-22 | 2023-09-22 | 基于鲸鱼算法优化lstm的igbt故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117216499A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590190A (zh) * | 2024-01-18 | 2024-02-23 | 国网山东省电力公司营销服务中心(计量中心) | 一种光伏逆变器igbt老化故障预测方法及系统 |
-
2023
- 2023-09-22 CN CN202311226367.0A patent/CN117216499A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590190A (zh) * | 2024-01-18 | 2024-02-23 | 国网山东省电力公司营销服务中心(计量中心) | 一种光伏逆变器igbt老化故障预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
| CN117216499A (zh) | 基于鲸鱼算法优化lstm的igbt故障预测方法 | |
| CN109977098A (zh) | 非平稳时序数据预测方法、系统、存储介质及计算机设备 | |
| CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
| CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
| CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN115994486A (zh) | 一种基于深度时序迁移特征的igbt功率模块的剩余寿命预测方法 | |
| CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
| CN115422687A (zh) | 一种滚动轴承的寿命预测方法 | |
| CN116690589A (zh) | 基于深度强化学习的机器人u型拆解线动态平衡方法 | |
| CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
| CN114330815A (zh) | 一种基于改进goa优化lstm的超短期风电功率预测方法与系统 | |
| CN116713999B (zh) | 一种多机械臂多目标寻找的训练方法及训练装置 | |
| Zhou et al. | Deep learning-based intelligent multilevel predictive maintenance framework considering comprehensive cost | |
| CN116861957A (zh) | 一种基于强化学习的算子自动调优方法及相关装置 | |
| CN117312835A (zh) | 一种基于混合概率数据驱动模型的燃料电池性能预测方法 | |
| CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
| CN117131687A (zh) | 一种基于数据分析的电动汽车电池管理方法 | |
| CN116933025A (zh) | 基于vmd与dbo-lstm-at的变压器顶层油温预测方法 | |
| CN116609678A (zh) | 基于改进混合模型的锂离子电池剩余寿命预测方法 | |
| Tamura et al. | Recurrent type ANFIS using local search technique for time series prediction | |
| CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
| CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
| CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 |
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 |