基于深度神经网络构建风电机组性能模型的超参数选择SELECTION OF HYPERPARAMETERS FOR WIND TURBINE PERFORMANCE MODEL BASED ON DEEP NEURAL NETWORK
吴莎,汪健,谢新,蒋紫虓,邓少平,卢胜
摘要(Abstract)：
风电行业中基于深度神经网络技术来构建风电机组性能模型受到了业内人员的广泛关注,然而对于深度神经网络自身超参数选取对模型结果的影响仍缺少系统性分析。以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为研究基础,研究了超参数取值对风电机组性能模型构建效果的影响,并通过实际运行数据验证了参考风电机组的最优配置及其推广性。结果表明,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个超参数的不同配置对最终构建的风电机组性能模型存在一定影响,但从工业应用的角度来看,这些影响基本可以忽略;同时,基于参考风电机组得到的最优超参数配置能够直接推广到同一风电场相同型号的所有风电机组上应用。
关键词(KeyWords)： 风电机组性能模型;深度神经网络;超参数;后评估
基金项目(Foundation):
作者(Author): 吴莎,汪健,谢新,蒋紫虓,邓少平,卢胜
参考文献(References)：
- [1]李辉,胡姚刚,唐显虎,等.并网风电机组在线运行状态评估方法[J].中国电机工程学报, 2010, 30(33):103-109.
- [2] LAPIRA E, BRISSET D, ARDAKANI H D, et al. Wind turbine performance assessment using multi-regime modeling approach[J]. Renewable energy, 2012, 45:86-95.
- [3] LI S, WUNSCH D C, HAIR E O’, et al. Comparative analysis of regression and artificial neural network models for wind turbine power curve estimation[J]. Solar energy engineering, 2001, 123(4):327-332.
- [4] CHEN Z Q, LI C, SANCHEZ R V. Gearbox fault identification and classification with convolutional neural networks[J]. Shock&vibration, 2015(2):1-10.
- [5]徐强.风电机组传动链状态诊断方法研究[D].北京:华北电力大学, 2015.
- [6] WANG L, ZHANG Z J, LONG H, et al. Wind turbine gearbox failureidentification with deep neural networks[J].IEEE transactions on industrial informatics, 2017, 13(3):1360-1368.
- [7]王双园.风力机健康状态监测及评估关键技术研究[D].上海:上海交通大学, 2017.
- [8] AURéLIEN G. Hands-on machine learning with scikitlearn&TensorFlow[M]. America:O’Reilly, 2017.
- [9]元尼东珠,杨浩,房红征.基于卷积神经网络的发动机故障预测方法[J].计算机测量与控制, 2019, 27(10):74-78.
- [10] DU M, YI J, MAZIDI P, et al. A parameter selection method for wind turbine health management through SCADA data[J]. Energy and power engineering, 2017(4):36-45.