基于神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機組狀態(tài)監(jiān)測的研究

基于神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機組狀態(tài)監(jiān)測的研究姓名：宋谷月導(dǎo)師：2013.3.151研究背景1研究內(nèi)容2基于粗糙集和遺傳算法的屬性約簡3基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機狀態(tài)監(jiān)測模型4本課題創(chuàng)新點5工作展望6答辯內(nèi)容2研究背景3研究內(nèi)容4研究內(nèi)容5

基于粗糙集和遺傳算法的屬性約簡

連續(xù)屬性離散化連續(xù)屬性的離散化是知識獲取中數(shù)據(jù)預(yù)處理的一項重要內(nèi)容。粗糙集理論處理的對象必須是離散的，如車的重量分為超重、中等、輕，可以分別用三個值或符號來表示，它不能直接處理連續(xù)屬性，如浮點型數(shù)據(jù)。連續(xù)屬性離散化的根本出發(fā)點是在保證離散化前后決策信息未丟失的前提下，用盡可能少的斷點將屬性空間劃分成盡可能少的子空間，這也是離散化算法追求的目標。6

基于粗糙集和遺傳算法的屬性約簡

基于改進貪心算法的離散化方法

在求取斷點時，通常情況下，我們都希望求得的斷點集數(shù)目越少越好，但是，最小數(shù)目斷點集的求取是NP難問題，因此我們只能近似地求取最小斷點集，所采用的算法也是近似最優(yōu)算法。對NguyenH.S和Skowron提出的貪心算法來改進后為：7第一步：用原始信息表構(gòu)造出信息表第二步：令最佳斷點集合第三步：把信息表中所有列中的1加和，選取和最大的列的斷點加入到CUT中，把該斷點所在的列刪除，并刪除掉在此斷點上值為1的所有行；如果有多個列中的1的個數(shù)相同，則把列對應(yīng)的斷點所在的列值為1的行的

的數(shù)目相加，哪個和最小就取哪個作為斷點。

基于粗糙集和遺傳算法的屬性約簡

構(gòu)造信息表

8的過程

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡屬性約簡是粗糙集的核心內(nèi)容之一，為了有效獲取最優(yōu)或次優(yōu)約簡，將遺傳算法與粗糙集相結(jié)合來進行屬性約簡，約簡過程需要以下步驟：9（1）二進制編碼個體表示：遺傳算法解空間的個體采用二進制串表示，其中每一個位對應(yīng)一個條件屬性，如果在某個位置上其值為0，則表示其對應(yīng)的條件屬性可以去掉，如果在某個位置上其值為l，則表示其對應(yīng)的條件屬性被選中。由于選取的個體中可能包含核屬性，因此只對個體中除核屬性以外的其它屬性進行隨機編碼。比如某個決策表有6個條件屬性，其核屬性為則其對應(yīng)的編碼都始終為“l(fā)”。其它條件屬性由“0”或“1”隨機產(chǎn)生。

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（2）確定適應(yīng)度函數(shù)適應(yīng)度函數(shù)定義如下：10上式中表示有多少個條件屬性；表示r染色體有多少個基因位1，

k是依賴度，表示決策屬性對該染色體所含條件屬性的依賴程度。該適應(yīng)度函數(shù)能夠誘導(dǎo)染色體向著最小約簡的方向發(fā)展進化：如果k很大，說明決策屬性D對條件屬性C的依賴程度很強；可以用來控制染色體中條件屬性的個數(shù)。通過上述兩點，可以找到條件屬性的最小約簡，而且能夠保證決策屬性對整體條件屬性依賴度不變。

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（3）選擇操作在本文中選擇操作采用輪盤賭方法。主要分為以下三步：①求得所有個體適應(yīng)度的累加和。②然后計算每個個體被遺傳到下一代的概率，也叫相對適應(yīng)度，如下：11③模擬賭盤(0~1之間取隨機數(shù)）操作，再與上一步計算的相對適應(yīng)度結(jié)合起來，最終確定每個個體被選中的次數(shù)。

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（4）交叉操作采用單點交叉方式。過程如下：在種群中不重復(fù)地隨機選取個體，并兩兩進行配對，對于配對的每個個體，隨機設(shè)置某一位作為交叉點，交叉的概率為，所謂交叉就是在交叉點處交換兩個個體余下部分染色體，得到新的個體。12

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（5）變異操作采用基本位變異方式，具體執(zhí)行過程如下：按照變異概率

對個體的每個基因位指定變異點，對于指定的變異點，除了核屬性對應(yīng)的基因位不變異外，別的屬性對應(yīng)基因位都做取反操作，這樣就可以得到新的個體。13

基于粗糙集和遺傳算法的屬性約簡

遺傳粗糙集屬性約簡（6）最優(yōu)保存策略得到下一代個體以后，如果這一代中適應(yīng)值最小的個體的適應(yīng)值比上一代適應(yīng)值最大的個體的適應(yīng)值小，則用上一代中最好的個體代替新一代中最壞的這個個體。這樣能夠確保算法收斂。14

基于粗糙集和遺傳算法的屬性約簡

基于遺傳算法和粗糙集的屬性約簡算法由如下六個步驟組成：1）先求出決策表的可分辨矩陣，接下來由可辨識矩陣可以得到?jīng)Q策表的核屬性集和無效屬性集。2）隨機產(chǎn)生由m個個體組成的初始種群，用一個二進制串表示，其長度為

。計算種群中每個個體的適應(yīng)度值，對于核屬性其對應(yīng)位取值為l，其余屬性對應(yīng)位隨機取值0或l。3）按照輪盤賭方法在每一代中選擇個體，依交叉概率

進行交叉操作，依變異概率

進行變異操作，變異時保持核屬性和無效屬性對應(yīng)的基因位不發(fā)生改變。4）計算新一代種群中各個體的適應(yīng)度值。5）按照最優(yōu)保存策略把最優(yōu)個體保存下來。6）如果在連續(xù)t代內(nèi)，每一代最優(yōu)個體的適應(yīng)值都不變，就停止計算并輸出最優(yōu)個體，否則轉(zhuǎn)步驟3）。15

基于粗糙集和遺傳算法的屬性約簡

實驗數(shù)據(jù)集本文研究的機組在2006年4月份SCADA記錄和運行日志中未發(fā)現(xiàn)發(fā)電機故障和維修的記錄。4月份的10

min記錄共計4626個。其中有效記錄即機組輸出功率大于0的記錄共計3800個。通過對機組SCADA記錄的47個參數(shù)的觀察與分析，發(fā)現(xiàn)明顯存在許多冗余屬性，例如屬性為設(shè)備的位置坐標信息或單一值等，這些屬性對發(fā)電機溫度不會產(chǎn)生影響，因此可以去掉。對于兩個以上意義相近，且數(shù)值和變化趨勢基本相同的屬性，只保留其中之一即可。經(jīng)過人工去除冗余屬性，最終得到可能與發(fā)電機溫度相關(guān)的屬性有19個。16

基于粗糙集和遺傳算法的屬性約簡

改進貪心算法離散化結(jié)果17

基于粗糙集和遺傳算法的屬性約簡

遺傳約簡的計算過程18遺傳約簡所得到的最優(yōu)個體為：即：，(1)功率(2)風(fēng)速(3)發(fā)電機軸承A溫度(4)環(huán)境溫度(5)發(fā)電機冷卻空氣溫度。這五個屬性就是最終得到的約簡結(jié)果。

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機狀態(tài)監(jiān)測模型

BP神經(jīng)網(wǎng)絡(luò)工作原理圖19BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)步驟20

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機狀態(tài)監(jiān)測模型

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集對于神經(jīng)網(wǎng)絡(luò)來說，它的泛化能力與訓(xùn)練樣本的選擇關(guān)系最密切，因此，我們需要采取合適的方法來得到訓(xùn)練樣本集，以提高神經(jīng)網(wǎng)絡(luò)的整體學(xué)習(xí)質(zhì)量，也就是使BP模型對發(fā)電機整個正常工作空間的覆蓋能力大大增強。本文首先將數(shù)據(jù)歸一化到[0,1]，然后采用構(gòu)造過程記憶矩陣的方式來得到訓(xùn)練樣本集，這種方法能夠得到發(fā)電機在正常工作時的不同狀態(tài)。21

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機狀態(tài)監(jiān)測模型

過程記憶矩陣的構(gòu)造構(gòu)造過程記憶矩陣需要兩個步驟。這兩步用于提取正常工作區(qū)間的觀測向量。第一步找到極點的工作狀態(tài)，即正常工況下每個變量的最小值和最大值。把包含這些信息的向量添加到記憶矩陣中。計算剩余觀測向量的歐幾里德距離，n維的向量x的歐幾里德距離：22

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機狀態(tài)監(jiān)測模型

過程記憶矩陣的構(gòu)造

23

將向量按歐幾里德距離從小到大排序，以一定步距添加到記憶矩陣中。這種方法非常簡單，但是存在一些問題，歐幾里德距離可能相似或相等，但是觀測向量值可能不同，例如，和這樣選擇一個相似歐幾里德距離的向量就會導(dǎo)致其他向量的丟失，為了減少這種影響，我們采用另一種方法繼續(xù)添加新的觀測向量到記憶矩陣中。

基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機狀態(tài)監(jiān)測模型