基于深度神经网络构建风电机组性能模型的超参数选择.docx

《基于深度神经网络构建风电机组性能模型的超参数选择.docx》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于深度神经网络构建风电机组性能模型的超参数选择随着计算机计算能力的不断提高，机器学习这一技术在各个工业领域中逐渐得到应用。与此同时，随着国内风电平价上网进程的推进，风电场后评估工作在风电行业内不断受到关注；而风电机组性能评估作为风电场后评估工作中最重要的内容之一，其与机器学习技术的结合自然受到了行业内的广泛关注[1-2]。风电机组性能评估依赖于建立风电机组性能模型，即建立风电机组输出功率与风电机组各关键参数(如风速、桨距角、偏航角等)之间的函数关系，这属于典型的非线性回归问题；在机器学习领域，深度神经网络是解决该问题的经典手段，因此，利用其构建风电机组性能模型自

2、然得到了行业内研究者的广泛尝试。比如，文献[3]尝试将神经网络拟合的风电机组功率曲线与测量的风电机组功率曲线进行对比分析；文献[4]验证了采用卷积神经网络构建的风电机组齿轮箱故障识别分类器比一般的支持向量机(SVM)分类器具备更好的性能表现；文献[5]提出了基于引力搜索算法优化人工神经网络的风电机组传动链故障诊断方法；文献[6]采用深度神经网络构建了风电机组齿轮箱状况检测框架，以用于故障预警；文献[7]利用线性混合自组织映射神经网络对风力机状态特征进行分类，提出了一种特征变化累积趋势差分法，用于预测风力机的异常和故障。上述研究的关注点主要在于深度神经网络在具体场景

3、中的实际应用，所构建的模型大多仅针对研究中所使用的特定风电机组。综上，本文尝试从深度神经网络本身出发，探讨其自身超参数的取值对最终风电机组性能模型的准确度的影响，同时将验证以上超参数在参考风电机组训练中得到的最优配置是否可以直接推广应用于同一风电场同一型号的其他风电机组上。针对以上研究内容，本文首先介绍了深度神经网络的基本概念及所选取的超参数，并从某实际运行的风电场50台2000kW风电机组中选取1台作为参考风电机组，基于该机组的SCADA数据采用深度神经网络进行训练，通过网格搜索(GridSearch)法得到最优的超参数配置方案，并验证该配置方案是否为整个风电场

4、的全局最优配置。1深度神经网络的概念及超参数的选取1.1深度神经网络的概念深度神经网络(DeepNeuralNetwork，DNN)是具有多个隐含层的人工神经网络[8]，其由3部分构成，分别为输入层、隐含层及输出层。每一层都由一定数量的神经元构成，同时每个神经元都具有1个自己的激活函数，当其接收到的信号达到激活函数的阈值时，其将被激活，并向下层连接的神经元输出信号，最终各层的神经元逐一连接在一起构成一个类似生物神经的网状结构。具有3个隐含层的深度神经网络结构示意图如图1所示。其中，Xi为选定的进入深度神经网络输入层参与风电机组性能模型构建的、与风电机组输出功率相关

5、性较高的SCADA数据类型，如风速等；Y为风电机组实际输出功率。1.2超参数的选取深度神经网络的结构和特性是通过超参数来决定的，超参数是在深度神经网络训练过程开始之前需要设置数值的参数，而不是通过训练得到的参数数值。通常情况下，需要对超参数进行优化，以寻找到一组最优的超参数，提高训练效果。深度神经网络的超参数很多，包括但不局限于：1)隐含层的层数；2)深度神经网络的形状；3)每层隐含层神经元的数量；4)神经元的激活函数；5)损失函数；6)优化器的选择；7)隐含层传递权重初始化方法。这些超参数对于深度神经网络的影响不尽相同，其中有些会影响最终的训练效果，有些会影响训

6、练过程的速度和收敛。由于本研究仅针对风电机组性能模型构建中影响深度神经网络最终训练效果的超参数，因此基于参考风电机组的训练过程，选取深度神经网络隐含层层数、深度神经网络形状及隐含层神经元数量这3个超参数作为主要研究对象，并寻找其最优配置方案[9]。1.2.1深度神经网络隐含层层数深度神经网络模型中，输入层与输出层之间隐含层的层数决定了模型的复杂程度。一般情况下，隐含层的层数越多，模型的复杂程度就越高，也就越能更好地模拟复杂问题；但相应地，模型训练所需要的时间也会相应增大，并且可能会伴随出现“过拟合”的问题。针对本研究中风电机组发电性能的问题，输入层的神经元数量为7

7、，输出层的神经元数量为1，属于机器学习中相对简单的案例，因此，所采用的隐含层层数不需要过多。1.2.2深度神经网络形状当深度神经网络的隐含层层数确定后，每一层隐含层的神经元数量决定了深度神经网络的形状，实际应用中较为常见的形状为漏斗型和均衡型。1.2.3隐含层神经元数量本研究中的隐含层神经元数量是指输入层之后的第一层隐含层的神经元数量。对于漏斗型深度神经网络形状来说，输入层之后的每一层隐含层的神经元数量与前一层相比，均按一定比例递减(本研究中采用0.5倍递减)；对于均衡型深度神经网络形状而言，输入层之后的每一层隐含层神经元数量均与第一层相同。图1所示的即为1个典型

8、的均衡型3