基于CNN-LSTM-AM动态集成模型的电站风机状态预测方法
针对电站负荷变化时风机状态预测模型精度降低的问题,提出一种基于卷积神经网络(CNN)、长短时记忆(LSTM)网络与注意力机制(AM)的动态集成状态预测方法.首先,利用CNN将样本数据划分为边界有重叠的不同类别,实现风机运行状态的软分类;其次,在传统的LSTM网络的中引入AM层,构造不同工况下的LSTM-AM子模型,并将CNN输出的软分类标签作为初始权值,使用遗传算法对权值偏置进行搜索寻优;最后,对各个子模型的输出值加权求和,得到风机不同运行状态下的集成预测值.实验结果表明,相较各个LSTM-AM子模型和单一LSTM-AM模型,本文提出的基于CNN-LSTM-AM的动态集成模型在电站风机变负荷运行时可以将预测结果的均方根误差分别减小 11.5%和 22.3%,说明此模型具有更好的鲁棒性和适用性.
状态预测、卷积神经网络、长短时记忆网络、注意力机制、集成学习
44
TM315;TH442(电机)
国家重点研发计划2021YFB2601405
2023-07-10(万方平台首次上网日期,不代表论文的发表时间)
共9页
19-27