基于RF-LSTM網絡的風電機組狀態(tài)參數預測

王喜才

摘 要：為實現風電機組的早期故障預警，提出一種基于隨機森林（RF）結合長短期記憶（LSTM）網絡的風電機組狀態(tài)參數預測方法。結果表明，在不同的輸入變量與預測方法下，RF-LSTM均具有較高的預測精度，不僅克服了眾多狀態(tài)參數存在的高維度、非線性等問題，還保證了輸入變量的重要信息不會隨著時間被遺忘。

關鍵詞：風電機組;隨機森林;狀態(tài)參數預測;長短期記憶網絡

1 引言

由于風電場所處位置偏僻，風電機組系統(tǒng)和各部件關聯的復雜性，當風電機組出現故障時，所處環(huán)境的惡劣會使風電機組維修困難，導致運行維護成本較高。

2 RF-LSTM網絡預測方法

2.1 RF原理

RF是以決策樹為學習器的集成學習方法。對于回歸問題，通過建立每棵決策樹，抽取一定數量的特征，從中選擇最合適的特征作為分裂節(jié)點來劃分左右子樹，生成多個決策樹模型，每一個決策樹的預測結果為葉子結點的均值，RF最終的預測結果為所有決策樹預測結果的均值。

2.2 LSTM網絡原理

LSTM網絡是循環(huán)神經網絡（Recurrent Neural Network，RNN）的一種改進。LSTM網絡的計算過程如下：

遺忘門會根據輸入的狀態(tài)決定哪些信息會被遺忘，從而得到遺忘門的輸出狀態(tài)f（t）f（t）：

f（t）=σ（Wfaa（t?1）+Wfxx（t）+bf）f（t）=σ（Wfaa（t?1）+Wfxx（t）+bf）（2）

式中，x（t）x（t）為當前時刻的輸入，a（t?1）a（t?1）是上一時刻的細胞狀態(tài)，WfaWfa，WfxWfx是遺忘門權重系數;bfbf是遺忘門偏置;σσ是遺忘門激活函數。

更新門決定細胞狀態(tài)是否更新。細胞狀態(tài)的更新是由更新門的輸出狀態(tài)i（t）i（t）與tanhtanh函數激活輸出cˉ（t）cˉ（t）的乘積和上一時刻的細胞狀態(tài)c（t?1）c（t?1）與遺忘門f（t）f（t）的乘積組成。其輸出表達式為：

i（t）=σ（Wiaa（t?1）+Wixx（t）+bi）i（t）=σ（Wiaa（t?1）+Wixx（t）+bi）（3）

cˉ（t）=tanh（Wcaa（t?1）+Wcxx（t）+bc）cˉ（t）=tanh（Wcaa（t?1）+Wcxx（t）+bc）（4）

c（t）=i（t）×cˉ（t）+f（t）×c（t?1）c（t）=i（t）×cˉ（t）+f（t）×c（t?1）（5）

式中，WiaWia，WixWix，WcaWca，WcxWcx是更新門的權重系數;bibi，bcbc是更新門的偏置;σσ，tanhtanh是更新門的激活函數;c（t）c（t）是更新后的細胞狀態(tài)。

輸出門決定是否將當前狀態(tài)傳遞給下一時刻。

o（t）=σ（Woaa（t?1）+Woxx（t）+bo）o（t）=σ（Woaa（t?1）+Woxx（t）+bo）（6）

a（t）=o（t）×tanh（c（t））a（t）=o（t）×tanh（c（t））（7）

式中，o（t）o（t）是當前單元的隱藏狀態(tài)，WoaWoa，WoxWox是輸出門細胞狀態(tài)更新權重系數;bobo是輸出門細胞狀態(tài)偏置;σσ，tanhtanh是輸出門激活函數;a（t）a（t）是當前時刻神經網絡的隱藏狀態(tài)。

2.3 RF-LSTM網絡預測模型

針對風電機組狀態(tài)參數預測，提出的RF-LSTM網絡預測模型的實現流程。RF-LSTM網絡預測模型的實現可以分為三個階段：第一個階段是數據預處理。采集風電機組SCADA系統(tǒng)監(jiān)測的狀態(tài)參數數據作為樣本數據，對其進行歸一化處理。第二個階段是輸入變量篩選。將處理后的樣本數據輸入到RF模型進行10折交叉驗證訓練，記錄每次模型得到的均方誤差。第三個階段是預測模型構建。初始化LSTM網絡參數，結合評價指標對參數尋優(yōu)，構建RF-LSTM網絡預測模型。

3基于RF-LSTM網絡的狀態(tài)參數預測

3.1模型參數選擇

3.1.1 RF參數選擇

本實驗在MATLAB2018b平臺上運行，取采樣數據的2/3作為訓練集，1/3作為測試集。RF算法有兩個主要參數：決策樹的數量（CART）和葉子節(jié)點數（T）。采用MSE作為RF參數尋優(yōu)的評價指標，一般是將葉子節(jié)點數設置為5。

3.2.2 LSTM網絡參數選擇

設置LSTM網絡的batchsize為64，學習率為0.001，最大迭代次數為30，優(yōu)化器為adam。為了研究LSTM網絡參數對于預測精度的影響，選取記憶單元個數和隱藏網絡層數兩個參數進行測試，并以MAE和loss值作為評價指標。

以單層LSTM網絡作為訓練模型，改變記憶單元個數，分析不同記憶單元個數對模型預測精度的影響。

隨著記憶單元個數遞增，評價指標MAE和loss的數值整體上先升高后下降，當記憶單元個數為32時，單層LSTM網絡訓練的預測精度較好。

3.2結果分析

3.2.1輸入變量篩選結果分析

為了驗證RF在輸入變量選擇方面的優(yōu)勢，引入傳統(tǒng)的PCC方法和MI算法對各個狀態(tài)參數進行分析，共得到3種不同的狀態(tài)參數組合，將其作為LSTM網絡預測模型的輸入變量。

依據RF理論計算各個狀態(tài)參數的重要性值。

將該實驗的19個狀態(tài)參數作為特征。選擇基于MI的向后消除特征算法，從全部的特征開始，每一輪消除一個與目標邊緣化最大的特征，并記錄下所有剩余特征。當沒有特征消除時，該算法就會停止。

在第12輪之前，MI損失百分比幾乎是沒有變化的，表示已消除的12個特征對于目標影響不大。隨著輪數的增加，MI損失百分比的曲線開始出現轉折，并呈現上升的趨勢，說明在第12輪后消除特征會對目標變量信息造成損失。因此，選擇第12輪時的特征當作輸入變量，即為編號1、3、5、6、11、18和19，共7個狀態(tài)參數。

根據PCC理論得出各個狀態(tài)參數與目標變量對應的皮爾遜相關系數。選擇皮爾遜相關系數在[0.6，1]和[-1，-0.6]范圍內的狀態(tài)參數作為輸入變量，即編號1、2、4、5、6、8、9、10、11、12、13、14、17和19，共14個狀態(tài)參數。

根據以上結果分析得出：RF篩選出4個狀態(tài)參數作為輸入變量，MI篩選出7個狀態(tài)參數作為輸入變量，PCC篩選出14個狀態(tài)參數作為輸入變量。

3.2.2預測結果分析

取采樣數據的前2680組數據當作訓練集，后200組數據當作測試集，對比三種不同算法篩選的輸入變量對預測結果的影響。

RF-LSTM與真實值的曲線擬合程度要略優(yōu)于MI-LSTM和PCC-LSTM。

加入未經處理的單變量與全集，綜合比較不同的輸入變量對于預測結果的影響。

五種輸入變量的模型測試時間相差并不大，文中模型效果好。RF-LSTM模型得出的MAE、MSE相對較小，R2較大，綜合比較該模型優(yōu)于其它模型。為驗證LSTM網絡模型在預測方法中的優(yōu)越性，與SVR、BP兩種方法進行比較，三種方法預測結果的評價指標。

4 結論

本文將RF理論應用到輸入變量篩選中，除去與目標變量相關性較小的狀態(tài)參數，并與MI、PCC進行比較，驗證該輸入變量的有效性。將其應用到SVR、BP網絡中，通過對比驗證了LSTM網絡在預測模型中的優(yōu)越性。該模型在一定程度上提高了預測精度，可以將該方法進一步應用到風電機組其他狀態(tài)參數中，預測未來時刻的風電機組狀態(tài)參數值，為風電機組的早期故障預警提供更接近于真實值的數據。

參考文獻

[1]孫鵬， 李劍， 寇曉適，等.采用預測模型與模糊理論的風電機組狀態(tài)參數異常辨識方法[J].電力自動化設備， 2017， 37（8）： 90-98.