【正文】 ：表 32 服 務(wù) 器 硬 件 及 軟 件 配 置Names Model ParametersCPU Intel(R) Xeon(R) E5520 GHz Memory Samsung DDR3 SDRAM 6GB Hard disk West Data 640GBSystem Windows 7 64bitPlatform Matlab R2022b Leasehold 決策屬性離散化Kmeans 算法 [34]是 由 MacQueen 提出的一 種 基 于 樣 本 間 相 似 性 度 量 的 間 接聚 類 方 法 ， 屬 于 非 監(jiān) 督 學(xué) 習(xí) 方 法 ， 經(jīng) 過 Kmeans 聚類后，具 有 較 高 相 似 度的 樣 本 會 被 劃 分 到 一 類 。第 2 章 風(fēng)電機(jī)組發(fā)電機(jī)結(jié)構(gòu)及 SCADA 監(jiān)測參數(shù) 22 Kmeans 算法的工作原理：算法首先隨機(jī)從數(shù)據(jù)集中選取 K 個點作為初始聚類中心，然后計算各個樣本到聚類中的距離，把樣本歸到離它最近的那個聚類中心所在的類。計算新形成的每一個聚類的數(shù)據(jù)對象的平均值來得到新的聚類中心，如果相鄰兩次的聚類中心沒有任何變化，說明樣本調(diào)整結(jié)束，聚類準(zhǔn)則函數(shù) 已經(jīng)收斂。本算法的一個特點是在每次迭代中都要考察每個樣本的分類是否正確。若不正確，就要調(diào)整，在全部樣本調(diào)整完后，再修改聚類中心，進(jìn)入下一次迭代。如果在一次迭代算法中，所有的樣本被正確分類，則不會有調(diào)整，聚類中心也不會有任何變化，這標(biāo)志著 已經(jīng)收斂，因此算法結(jié)束。算法描述如下：輸入：類的數(shù)目 K 和包含 N 個數(shù)據(jù)對象。方法：① 對于數(shù)據(jù)對象集，任意選取 K 個對象作為初始的類中心；② 根據(jù)類中對象的平均值，將每個對象重新賦給最相似的類；③ 更新類的平均值，即計算每個類中對象的平均值；④ Repeat ②③；⑤ 直到不再發(fā)生變化。Kmeans 算法的優(yōu)點是能夠使確定的 K 個劃分到達(dá)平方誤差最小。當(dāng)聚類是密集的，且類與類之間區(qū)別明顯時，效果較好。對于處理大數(shù)據(jù)集，這個算法是相對可伸縮和高效的。然而在 Kmeans 算法中 K 是事先給定的，這個 K 值的選定是非常難以估計的。很多時候，事先并不知道給定的數(shù)據(jù)集應(yīng)該分成多少個類別才最合適，這也是 Kmeans 算法的一個不足。本文首先對決策屬性采用 Kmeans 算法進(jìn)行離散化，將發(fā)電機(jī)溫度的值分為三類：低溫、中溫和高溫。得到的三個聚類中心分別為：、 和。對于每一類中的數(shù)據(jù)分別用 2 和 3 表示。由于數(shù)據(jù)量比較大，無法全部顯示，我們只顯示部分記錄，決策屬性離散化后得到的結(jié)果如表 33，34所示：東北電力大學(xué)碩士學(xué)位論文 23 表 33 原始數(shù)據(jù)表及離散化后的決策屬性P PF RP V C GS RS WS GBS TA 1 398 1 399 11 10 1532 401 1 … … … … … … … … … …第 2 章 風(fēng)電機(jī)組發(fā)電機(jī)結(jié)構(gòu)及 SCADA 監(jiān)測參數(shù) 24 表 34 原始數(shù)據(jù)表及離散化后的決策屬性TS WD TB TG TO TN TGA TGB TSB DTG 61 2 23 2 58 92 23 2 63 1 27 72 23 2 65 28 23 2 63 29 24 2 24 3 69 6 32 74 24 3 68 66 5 98 25 2 3 24 2 61 4 28 66 23 1 48 65 24 1 46 2 25 23 1 2 25 71 23 2 64 2 27 91 72 23 2 60 62 2 27 87 23 2 4 29 23 3… … … … … … … … … …其中表 34 最后一列為離散化后的決策屬性，倒數(shù)第二列為原始數(shù)據(jù)的決策屬性，其它為原始數(shù)據(jù)的條件屬性。 條件屬性離散化決策屬性離散化完成后，19個條件屬性求解斷點集，得到結(jié)果如表35所示：表 35 條件屬性斷點集變量名 斷點 1 斷點 2P 無WS 無WD 無TB 無TG 無TO 無TGA 東北電力大學(xué)碩士學(xué)位論文 25 由表 35 可以看出，共得到七個條件屬性的斷點集，前六個屬性各有 1 個斷點，第七個屬性有兩個斷點。利用得到的斷點集可以對相應(yīng)的條件屬性進(jìn)行離散化處理，例如：對于功率，其屬性值用 表示，當(dāng) 時，人為規(guī)定離散化后()iPx()?的屬性值為 0；當(dāng) 時，離散化后的屬性值為 1；對于發(fā)電機(jī)冷卻空()?氣溫度，其屬性值用 表示，當(dāng) 時，0；當(dāng) 時，離散化后的屬性值為 1；當(dāng) 時，? ()?離散化后的屬性值為 2；通過上述方法對表3中的屬性值進(jìn)行離散化處理，得到離散化后的結(jié)果如表36，表 37所示：表36 改進(jìn)貪心算法離散化后的結(jié)果P PF RP V C GS RS WS GBS TA0 1 398 0 0 1 0 0 399 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1532 0 0 0 0 0 401 0 1 1 1 … … … … … … … … … …第 2 章 風(fēng)電機(jī)組發(fā)電機(jī)結(jié)構(gòu)及 SCADA 監(jiān)測參數(shù) 26 表 37 改進(jìn)貪心算法離散化后的結(jié)果TS WD TB TG TO TN TGA TGB TSB DTG90 0 0 0 23 1 98270 0 0 0 81 323 280 1 0 0 27 1 72 23 230 1 0 0 28 1 223 290 1 0 0 29 1 524 260 1 1 0 2 624 310 1 1 1 32 2 74 24 330 1 1 0 92 425 210 1 0 0 91 324 290 0 0 0 28 0 66 23 180 0 0 0 60 824 170 0 0 0 25 0 223 160 0 0 0 25 1 71 23 290 0 0 0 27 1 72 23 231 0 0 0 27 1 423 270 1 1 0 29 2 523 3… … … … … … … … … …由上表可見，在19個條件屬性中，只有如表36，37所示的7個屬性已被離散化，對于其余12個未被離散化的屬性，由于沒有得到斷點，說明每一列屬性值都可以用一個離散值代替，當(dāng)決策屬性發(fā)生變化時，這些屬性的值始終不變，也就是說，它們的存在與否，對決策屬性的變化不會產(chǎn)生影響。去掉這12個未離散化的條件屬性，并去掉重復(fù)的行，最終得到80條離散化記錄，部分結(jié)果如表38所示：東北電力大學(xué)碩士學(xué)位論文 27 表 38 屬性最終離散化結(jié)果P WS WD TB TG TO TGA DTG0 0 0 0 0 0 1 20 0 0 1 0 0 1 21 1 0 1 1 0 2 30 0 0 1 1 1 2 30 0 0 1 1 0 2 20 0 0 0 0 0 0 10 0 1 0 0 0 1 20 1 1 1 1 0 2 30 1 0 1 0 1 1 30 1 1 1 0 1 0 21 1 0 1 1 1 2 30 1 0 1 0 1 0 31 1 1 1 1 1 2 30 0 1 1 0 1 2 30 0 0 0 0 1 1 20 0 0 0 0 1 0 10 0 1 0 0 1 0 11 1 0 0 0 1 1 21 1 0 0 1 1 1 20 1 1 1 0 1 1 3… … … … … … … … 約簡結(jié)果首先根據(jù)表 38 所示的最終離散化結(jié)果，由式(310)得到可辨識矩陣，并由可辨識矩陣得到?jīng)Q策表的核為： ；無效屬性集為空。核對應(yīng)的屬[127]core?性集為：功率、風(fēng)速和發(fā)電機(jī)冷卻空氣溫度。因為總共有 7 個條件屬性，所以遺傳算法的編碼長度用 7 位的二進(jìn)制數(shù)表示，其中第 2 和 7 位為核屬性所在位置，在進(jìn)化過程中始終置為 1。對其他4 個屬性對應(yīng)位置隨機(jī)取值 0 或 l。按照 節(jié)算法對該決策表進(jìn)行約簡，遺傳參數(shù)取值分別為： ，?， ， 。遺傳約簡所得到的最優(yōu)個體為： ，?54t?{ }第 2 章 風(fēng)電機(jī)組發(fā)電機(jī)結(jié)構(gòu)及 SCADA 監(jiān)測參數(shù) 28 即：(1)功率 (2)風(fēng)速(3) 發(fā)電機(jī)軸承 A 溫度 (4)環(huán)境溫度 (5)發(fā)電機(jī)冷卻空氣溫度。這五個屬性就是最終得到的約簡結(jié)果。遺傳約簡的計算過程如表 39 所示表 39 遺傳約簡的計算過程迭代次數(shù) 最優(yōu)個體 最優(yōu)個體適應(yīng)度1 1111011 5 1111011 6 1101011 46 1101011 本章小結(jié)在建立發(fā)電機(jī)溫度預(yù)測模型時，輸入屬性的選擇尤為重要，完全由人工選擇，可能會存在疏漏，并且?guī)в幸欢ǖ碾S機(jī)性。有人已經(jīng)證明過，求解最小屬性約簡是NP難問題[35]。本章采用改進(jìn)的貪心算法對連續(xù)屬性進(jìn)行離散化處理，一個主要原因是其編程實現(xiàn)較為容易，算法的執(zhí)行效率較高，而且不會存在由于計算量過大而導(dǎo)致的算法異常中斷等問題，算法得到的結(jié)果一般工程中也可以接受。再利用遺傳算法具有全局并行尋優(yōu)能力的優(yōu)點，將其與粗糙集理論相結(jié)合對離散化結(jié)果進(jìn)行屬性約簡，最終得到對發(fā)電機(jī)溫度影響較大的屬性集合，在第4章中會以此作發(fā)電機(jī)溫度預(yù)測模型的輸入，對發(fā)電機(jī)溫度進(jìn)行預(yù)測。第 4 章 基于 BP 神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測實例研究 29 第 4 章 基于 BP 神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測實例研究風(fēng)電的發(fā)展勢頭是喜人的，但是隨之而來的是風(fēng)機(jī)在運(yùn)行過程中出現(xiàn)故障以及狀態(tài)監(jiān)測是否實用等問題。風(fēng)力發(fā)電與火力發(fā)電不同，一般各個風(fēng)機(jī)距離較遠(yuǎn)，分布在偏遠(yuǎn)地區(qū)，而且風(fēng)力發(fā)電機(jī)比較高，想要檢修一次非常不容易，因此，采用科學(xué)的方法對風(fēng)機(jī)的工作狀態(tài)進(jìn)行監(jiān)測就顯得很有必要了 [36]。傳統(tǒng)的設(shè)備數(shù)據(jù)監(jiān)測系統(tǒng)建立在設(shè)備的數(shù)據(jù)采集系統(tǒng)之上，可以提供設(shè)備測點參數(shù)的實時數(shù)據(jù)顯示、分析和設(shè)備故障事后報警、診斷，但無法對設(shè)備出現(xiàn)事故征兆的早期提供有效的故障早期預(yù)警分析，也無法通過分析設(shè)備實時歷史數(shù)據(jù)的挖掘結(jié)果，為設(shè)備的操作優(yōu)化提供事前指導(dǎo) [37]。在一些研究報告中詳細(xì)的比較和分析了最近這些年來風(fēng)力發(fā)電機(jī)組各個部分的運(yùn)行狀態(tài)監(jiān)測手段。另外的一些研究文獻(xiàn)，也是采用神經(jīng)網(wǎng)絡(luò)的方法，利用多個 Agent BP 來分析各部件的診斷結(jié)果，通過對發(fā)電機(jī)的建模預(yù)測來得到整個發(fā)電機(jī)組的運(yùn)行狀態(tài)。有些研究人員利用多層感知機(jī)來對某些需要預(yù)測的變量建模，例如在文獻(xiàn)[38]中就把這種方法應(yīng)用到了齒輪箱溫度和潤滑油溫度上，由此一來，當(dāng)齒輪箱運(yùn)行不正常時，實際溫度的測量值就會與預(yù)測值有較大的誤差，就會立刻發(fā)出報警信息。采用 BP 神經(jīng)網(wǎng)絡(luò)的方法對發(fā)電機(jī)溫度進(jìn)行狀態(tài)監(jiān)測就是本文要研究的核心內(nèi)容。要完成狀態(tài)監(jiān)測的任務(wù)，首先要做的就是對某 機(jī)組的SCADA(supervisory control and data acquisition)數(shù)據(jù)進(jìn)行預(yù)處理，采用 BP 的方法來對發(fā)電機(jī)溫度進(jìn)行建模，對風(fēng)電機(jī)組發(fā)電機(jī)溫度趨勢狀態(tài)進(jìn)行監(jiān)測，及早發(fā)現(xiàn)故障隱患。 BP 神經(jīng)網(wǎng)絡(luò)基本原理BP 網(wǎng)絡(luò)事實是一項許多層前饋型人工神經(jīng)網(wǎng)絡(luò)，它把誤差像相反方向傳第 2 章 風(fēng)電機(jī)組發(fā)電機(jī)結(jié)構(gòu)及 SCADA 監(jiān)測參數(shù) 30 播的，是一類非線性動力學(xué)系統(tǒng)，通過工程技術(shù)手段對人腦神經(jīng)網(wǎng)絡(luò)的功能與結(jié)構(gòu)進(jìn)行模擬 [39]。該網(wǎng)絡(luò)的構(gòu)成主要包括若干數(shù)量的隱含層、與隱含層數(shù)目相當(dāng)?shù)妮斎雽右约拜敵鰧樱浅６嗟纳窠?jīng)元分布在上述的各個層面上，網(wǎng)絡(luò)整體的信息處理可以由神經(jīng)元與神經(jīng)元之間的相互作用來實現(xiàn) [40]。圖 51 為該網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。在圖中我們可以看到每個神經(jīng)元在相同的層面上都是間斷的，如果處于相鄰層面上神經(jīng)元要實現(xiàn)全連接可以通過調(diào)節(jié)權(quán)值來實現(xiàn)。這種算法從本質(zhì)上來說是迭代梯度算法的一種類型，在若干層次的前向式網(wǎng)絡(luò)運(yùn)算中通過求出輸出的期望值與實際值的最小均方差來實現(xiàn)的。該算法的學(xué)習(xí)過程大致是這樣的：信號的傳播方向分正反兩個方向，在最初階段，在各個層面上輸入信號的傳播順序為輸入層－隱含層－輸出層 [41]。當(dāng)信號進(jìn)行反向傳播時則說明誤差信號沒有滿足預(yù)期的希望，此時系統(tǒng)會將每個層面上的神經(jīng)元的權(quán)值以及閾值進(jìn)行修正來達(dá)到要求。在運(yùn)算時，新的信號從輸入端進(jìn)入，經(jīng)過上述過程的處理后得到相應(yīng)的結(jié)果在輸出端輸出。圖 41 詳細(xì)表示輸了該算法的原理。圖 41