針對(duì)風(fēng)電機(jī)組SCADA監(jiān)測(cè)數(shù)據(jù)的非線性、高冗余等特點(diǎn),提出一種基于受限玻爾茲曼機(jī)（Restricted BoltzmannMachine,RBM）和支持向量機(jī)（SupportVectorMachine,SVM）的風(fēng)電機(jī)組葉片開裂故障預(yù)測(cè)方法。利用RBM優(yōu)異的特征學(xué)習(xí)能力,將其作為特征提取器來獲得風(fēng)電機(jī)組SCADA數(shù)據(jù)中表達(dá)能力更強(qiáng)的數(shù)據(jù)特征。將RBM的輸出作為SVM的輸入,構(gòu)建RBM+SVM組合預(yù)測(cè)模型。利用訓(xùn)練集、驗(yàn)證集進(jìn)行預(yù)測(cè)模型構(gòu)建和參數(shù)微調(diào)。為驗(yàn)證提出模型的有效性,將其預(yù)測(cè)結(jié)果與RBM+Logistic回歸、SVM和Logistic回歸的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。實(shí)驗(yàn)表明,RBM+SVM的預(yù)測(cè)準(zhǔn)確率為93.08%,與三組對(duì)比模型相比具有明顯的優(yōu)勢(shì)。研究結(jié)果可為實(shí)際風(fēng)電機(jī)組葉片開裂故障預(yù)測(cè)提供重要參考。 

【文章來源】：電力系統(tǒng)保護(hù)與控制. 2020,48(15)北大核心CSCD

【文章頁數(shù)】：7 頁

【參考文獻(xiàn)】：
期刊論文
[1]基于特征選擇和XGBoost的風(fēng)機(jī)葉片結(jié)冰預(yù)測(cè)[J]. 曹渝昆,朱萌,王曉飛.  電氣自動(dòng)化. 2019(03)
[2]基于棧式自編碼網(wǎng)絡(luò)的風(fēng)機(jī)葉片結(jié)冰預(yù)測(cè)[J]. 劉娟,黃細(xì)霞,劉曉麗.  計(jì)算機(jī)應(yīng)用. 2019(05)
[3]基于受限玻爾茲曼機(jī)的Web服務(wù)質(zhì)量預(yù)測(cè)方法[J]. 王興菲,萬健,陳璐,殷昱煜,俞立峰.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(11)
[4]基于Kmeans-SVM的短期光伏發(fā)電功率預(yù)測(cè)[J]. 張雨金,楊凌帆,葛雙冶,周杭霞.  電力系統(tǒng)保護(hù)與控制. 2018(21)
[5]結(jié)合受限玻爾茲曼機(jī)的遞歸神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J]. 李若晨,朱帆,朱永利,翟羽佳.  電力系統(tǒng)保護(hù)與控制. 2018(17)
[6]Training Restricted Boltzmann Machine Using Gradient Fixing Based Algorithm[J]. LI Fei,GAO Xiaoguang,WAN Kaifang.  Chinese Journal of Electronics. 2018(04)
[7]基于PCA和SPC-動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱油溫趨勢(shì)預(yù)測(cè)[J]. 黃忠山,田凌,向東,韋堯中.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[8]基于相空間重構(gòu)的高壓斷路器機(jī)械故障診斷研究[J]. 李自強(qiáng),魏磊,韓大鵬,滕文濤.  電力系統(tǒng)保護(hù)與控制. 2018(09)
[9]基于小波變異果蠅優(yōu)化支持向量機(jī)短期負(fù)荷預(yù)測(cè)方法研究[J]. 熊軍華,牛珂,張春歌,李鐸,謝飛.  電力系統(tǒng)保護(hù)與控制. 2017(13)
[10]基于多重分形譜和支持向量機(jī)的風(fēng)電機(jī)組行星齒輪箱故障診斷與研究[J]. 李東東,周文磊,鄭曉霞,王浩.  電力系統(tǒng)保護(hù)與控制. 2017(11)



本文編號(hào)：3324377