在研究真空高壓斷路器運(yùn)行歷史數(shù)據(jù)的基礎(chǔ)上,提出一種基于長短期記憶(LSTM)循環(huán)神經(jīng)網(wǎng)絡(luò)的斷路器故障時(shí)間序列預(yù)測方法,采用混沌蟻群(chaotic ant swarm,CAS)優(yōu)化算法訓(xùn)練LSTM模型,并在TensorFlow深度學(xué)習(xí)框架上搭建模型仿真,與其他常用的優(yōu)化訓(xùn)練方法相比,基于CAS優(yōu)化的LSTM模型具有更高的預(yù)測精度和更短的訓(xùn)練步數(shù),且模型簡單容易訓(xùn)練。該故障預(yù)測方法在基于時(shí)間序列的設(shè)備故障預(yù)測方面有較高的應(yīng)用價(jià)值。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1普通的RNN單元

圖1中左邊的單元表示本單元前一時(shí)刻的計(jì)算，中間的單元表示當(dāng)前時(shí)刻的計(jì)算，右邊的單元代表下一時(shí)刻的計(jì)算。X代表單元的輸入，h表示當(dāng)前單元的狀態(tài)。將普通RNN單元的輸入和輸出進(jìn)行修改得到LSTM單元，如圖2所示。圖2LSTM單元

圖2LSTM單元

圖1普通的RNN單元圖2中:σ表示sigmoid激活函數(shù);ht表示當(dāng)前隱層狀態(tài);Xt表示當(dāng)前單元的輸入。

圖3細(xì)胞狀態(tài)示意圖

該通道貫穿整個(gè)時(shí)間序列，如圖3中黑色加粗部分所示。圖3中狀態(tài)Ct-1到Ct，在該通道上只執(zhí)行加法操作和乘法操作，加法操作不會(huì)引起梯度的變化，加權(quán)運(yùn)算只會(huì)改變梯度的范圍，所以在這條通道上不會(huì)出現(xiàn)梯度的衰減，這樣就可以避免在過長序列上出現(xiàn)梯度消失或梯度爆炸。

圖4忘記門

忘記門決定了前一狀態(tài)的應(yīng)該保留多少。輸入前一隱層狀態(tài)ht-1和xt的內(nèi)容。σ輸出0到1之間的值，“0”代表舍棄之前“細(xì)胞狀態(tài)”Ct-1的值，“1”代表全部接受Ct-1的值，“0～1”代表保留一部分Ct-1的值。如圖4中黑色加粗部分。忘記門的表達(dá)式如下:

本文編號(hào)：3943710