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

【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刻的計算，中間的單元表示當前時刻的計算，右邊的單元代表下一時刻的計算。X代表單元的輸入，h表示當前單元的狀態(tài)。將普通RNN單元的輸入和輸出進行修改得到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表示當前隱層狀態(tài);Xt表示當前單元的輸入。

圖3細胞狀態(tài)示意圖

該通道貫穿整個時間序列，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，加法操作不會引起梯度的變化，加權(quán)運算只會改變梯度的范圍，所以在這條通道上不會出現(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。忘記門的表達式如下:

本文編號：3943710