改进灰色Elman神经网络的风电机组振动特征预测.pdfVIP

第 卷 第 期 33 6 可再生能源 Vol.33 No.6 年 月 2015 6 Renewable Energy Resources Jun. 2015 改 进 灰 色 Elman 神 经 网 络 的 风 电 机 组 振 动 特 征 预 测 1 1 2 2 李其龙 ， 王灵梅 ， 申戬林 ， 郭东杰 （1.山西大学， 山西 太原 030013 ； 2.中电投山西新能源有限公司， 山西 太原 030001 ） 摘 要： 提出一种改进的灰色模型与神经网络相结合的预测方法，并首次在风电机组状态预测中应用。 该预测 方法利用Elman 神经网络辅助灰色模型，其中灰色模型进行粗预测，神经网络模型对其修正，然后利用马尔可 夫法和等维新息的思想对灰色模型进行改进，最终得到精度更高的灰色神经网络模型。利用某风电场实际振动 数据，对灰色模型、改进灰色模型、灰色神经网络、改进灰色神经网络等4 种方法进行对比。结果表明，改进的灰 色神经网络预测精度最高，证实了所提方法准确有效，为风电机组的预知性维修提供了新思路。 关键词： 灰色理论； Elman 神经网络； 风电机组； 振动预测 中图分类号： 文献标志码： 文章编号： （ ） TM614 A 1671-5292 2015 06-0876-07 DOI:10.13941/ki.21-1469/tk.2015.06.012 0 前言 针对以上问题，可以采用残差 GM （1 ，1）模型、新 基于振动信号对风电机组进行状态趋势预 信息GM （1 ，1）模型、新陈代谢 GM （1 ，1）模型、干 测，实现由定期维修向不定期预知性维修转变，对 涉因子灰色预测模型等对灰色模型进行一定程度 于风机安全运行、避免事故发生具有重大意义。状 的改进。但是，这些单一改进方法的预测精度仍不 态趋势预测的研究方法主要有回归预测、 时间序 够理想，需要建立一种综合的改进方法，最大限度 列预测、模糊预测、专家系统预测、灰色预测、神经 地提高灰色GM （1 ，1）模型的预测精度。 网络等[1]~[7] 。 回归预测和时间序列预测要求以原始 针对传统灰色模型预测中的缺陷， 为提高风 数据为大样本， 且对一些非正态分布数据不能做 电机组状态预测的准确性， 本文提出一种改进的 出正确预测； 专家系统过分依赖专家的主观判断 灰色模型结合 Elman 神经网络的分析方法用于 和经验，其结果有时难以令人信服；模糊预测采用 风电机组的状态特征预测。 首先通过建立改进灰 隶属函数处理模糊性， 基本的隶属函数也是凭经 色模型，对样本数据进行粗预测；然后利用Elman 验或由专家给出，同样具有一定的主观性。灰色预 神经网络构建灰色预测结果与实际振动数据网 测模型GM （1 ，1）需要的样本点少，不要求有较好 络，并对网络进行训练；最后利用训练好的模型进 的分布规律；神经网络具有并行计算、分布式信息 行预测，得到的输出即为新的预测值。 存储、强容错力的优点，其拟合能力强，可对预测 1 改进残差修正的等维新息预测模型的建立 的突变数据进行自适应学习； 将灰色预测和神经 灰色预测改进的途径有残差改进法、 马