王喜才

摘 要：为实现风电机组的早期故障预警，提出一种基于随机森林（RF）结合长短期记忆（LSTM）网络的风电机组状态参数预测方法。结果表明，在不同的输入变量与预测方法下，RF-LSTM均具有较高的预测精度，不仅克服了众多状态参数存在的高维度、非线性等问题，还保证了输入变量的重要信息不会随着时间被遗忘。

关键词：风电机组;随机森林;状态参数预测;长短期记忆网络

1 引言

由于风电场所处位置偏僻，风电机组系统和各部件关联的复杂性，当风电机组出现故障时，所处环境的恶劣会使风电机组维修困难，导致运行维护成本较高。

2 RF-LSTM网络预测方法

2.1 RF原理

RF是以决策树为学习器的集成学习方法。对于回归问题，通过建立每棵决策树，抽取一定数量的特征，从中选择最合适的特征作为分裂节点来划分左右子树，生成多个决策树模型，每一个决策树的预测结果为叶子结点的均值，RF最终的预测结果为所有决策树预测结果的均值。

2.2 LSTM网络原理

LSTM网络是循环神经网络（Recurrent Neural Network，RNN）的一种改进。LSTM网络的计算过程如下：

遗忘门会根据输入的状态决定哪些信息会被遗忘，从而得到遗忘门的输出状态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）为当前时刻的输入，a（t−1）a（t−1）是上一时刻的细胞状态，WfaWfa，WfxWfx是遗忘门权重系数;bfbf是遗忘门偏置;σσ是遗忘门激活函数。

更新门决定细胞状态是否更新。细胞状态的更新是由更新门的输出状态i（t）i（t）与tanhtanh函数激活输出c¯（t）c¯（t）的乘积和上一时刻的细胞状态c（t−1）c（t−1）与遗忘门f（t）f（t）的乘积组成。其输出表达式……