【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(huì) 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(cè)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(gè)點(diǎn)作為初始聚類中心，然后計(jì)算各個(gè)樣本到聚類中的距離，把樣本歸到離它最近的那個(gè)聚類中心所在的類。計(jì)算新形成的每一個(gè)聚類的數(shù)據(jù)對(duì)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(gè)特點(diǎn)是在每次迭代中都要考察每個(gè)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(huì)有調(diào)整，聚類中心也不會(huì)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(gè)數(shù)據(jù)對(duì)象。方法：① 對(duì)于數(shù)據(jù)對(duì)象集，任意選取 K 個(gè)對(duì)象作為初始的類中心；② 根據(jù)類中對(duì)象的平均值，將每個(gè)對(duì)象重新賦給最相似的類；③ 更新類的平均值，即計(jì)算每個(gè)類中對(duì)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(diǎn)是能夠使確定的 K 個(gè)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(shí)，效果較好。對(duì)于處理大數(shù)據(jù)集，這個(gè)算法是相對(duì)可伸縮和高效的。然而在 Kmeans 算法中 K 是事先給定的，這個(gè) K 值的選定是非常難以估計(jì)的。很多時(shí)候，事先并不知道給定的數(shù)據(jù)集應(yīng)該分成多少個(gè)類別才最合適，這也是 Kmeans 算法的一個(gè)不足。本文首先對(duì)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(gè)聚類中心分別為：、 和。對(duì)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(cè)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(gè)條件屬性求解斷點(diǎn)集，得到結(jié)果如表35所示：表 35 條件屬性斷點(diǎn)集變量名 斷點(diǎn) 1 斷點(diǎn) 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(gè)條件屬性的斷點(diǎn)集，前六個(gè)屬性各有 1 個(gè)斷點(diǎn)，第七個(gè)屬性有兩個(gè)斷點(diǎn)。利用得到的斷點(diǎn)集可以對(duì)相應(yīng)的條件屬性進(jìn)行離散化處理，例如：對(duì)于功率，其屬性值用 表示，當(dāng) 時(shí)，人為規(guī)定離散化后()iPx()?的屬性值為 0；當(dāng) 時(shí)，離散化后的屬性值為 1；對(duì)于發(fā)電機(jī)冷卻空()?氣溫度，其屬性值用 表示，當(dāng) 時(shí)，0；當(dāng) 時(shí)，離散化后的屬性值為 1；當(dāng) 時(shí)，? ()?離散化后的屬性值為 2；通過上述方法對(duì)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(cè)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(gè)條件屬性中，只有如表36，37所示的7個(gè)屬性已被離散化，對(duì)于其余12個(gè)未被離散化的屬性，由于沒有得到斷點(diǎn)，說明每一列屬性值都可以用一個(gè)離散值代替，當(dāng)決策屬性發(fā)生變化時(shí)，這些屬性的值始終不變，也就是說，它們的存在與否，對(duì)決策屬性的變化不會(huì)產(chǎn)生影響。去掉這12個(gè)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(jiǎn)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(shí)矩陣，并由可辨識(shí)矩陣得到?jīng)Q策表的核為： ；無效屬性集為空。核對(duì)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?yàn)榭偣灿?7 個(gè)條件屬性，所以遺傳算法的編碼長(zhǎng)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(duì)其他4 個(gè)屬性對(duì)應(yīng)位置隨機(jī)取值 0 或 l。按照 節(jié)算法對(duì)該決策表進(jìn)行約簡(jiǎn)，遺傳參數(shù)取值分別為： ，?， ， 。遺傳約簡(jiǎn)所得到的最優(yōu)個(gè)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(cè)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(gè)屬性就是最終得到的約簡(jiǎn)結(jié)果。遺傳約簡(jiǎn)的計(jì)算過程如表 39 所示表 39 遺傳約簡(jiǎn)的計(jì)算過程迭代次數(shù) 最優(yōu)個(gè)體 最優(yōu)個(gè)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(cè)模型時(shí)，輸入屬性的選擇尤為重要，完全由人工選擇，可能會(huì)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(jiǎn)是NP難問題[35]。本章采用改進(jìn)的貪心算法對(duì)連續(xù)屬性進(jìn)行離散化處理，一個(gè)主要原因是其編程實(shí)現(xiàn)較為容易，算法的執(zhí)行效率較高，而且不會(huì)存在由于計(jì)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(diǎn)，將其與粗糙集理論相結(jié)合對(duì)離散化結(jié)果進(jìn)行屬性約簡(jiǎn)，最終得到對(duì)發(fā)電機(jī)溫度影響較大的屬性集合，在第4章中會(huì)以此作發(fā)電機(jī)溫度預(yù)測(cè)模型的輸入，對(duì)發(fā)電機(jī)溫度進(jìn)行預(yù)測(cè)。第 4 章 基于 BP 神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)狀態(tài)監(jiān)測(cè)實(shí)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(cè)實(shí)例研究風(fēng)電的發(fā)展勢(shì)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(cè)是否實(shí)用等問題。風(fēng)力發(fā)電與火力發(fā)電不同，一般各個(gè)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(duì)風(fēng)機(jī)的工作狀態(tài)進(jìn)行監(jiān)測(cè)就顯得很有必要了 [36]。傳統(tǒng)的設(shè)備數(shù)據(jù)監(jiān)測(cè)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(cè)點(diǎn)參數(shù)的實(shí)時(shí)數(shù)據(jù)顯示、分析和設(shè)備故障事后報(bào)警、診斷，但無法對(duì)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(shí)時(shí)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(bào)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(gè)部分的運(yùn)行狀態(tài)監(jiān)測(cè)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(gè) Agent BP 來分析各部件的診斷結(jié)果，通過對(duì)發(fā)電機(jī)的建模預(yù)測(cè)來得到整個(gè)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(duì)某些需要預(yù)測(cè)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(shí)，實(shí)際溫度的測(cè)量值就會(huì)與預(yù)測(cè)值有較大的誤差，就會(huì)立刻發(fā)出報(bào)警信息。采用 BP 神經(jīng)網(wǎng)絡(luò)的方法對(duì)發(fā)電機(jī)溫度進(jìn)行狀態(tài)監(jiān)測(cè)就是本文要研究的核心內(nèi)容。要完成狀態(tài)監(jiān)測(cè)的任務(wù)，首先要做的就是對(duì)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(duì)發(fā)電機(jī)溫度進(jìn)行建模，對(duì)風(fēng)電機(jī)組發(fā)電機(jī)溫度趨勢(shì)狀態(tài)進(jìn)行監(jiān)測(cè)，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(shí)是一項(xiàng)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(cè)參數(shù) 30 播的，是一類非線性動(dòng)力學(xué)系統(tǒng)，通過工程技術(shù)手段對(duì)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?，非常多的神?jīng)元分布在上述的各個(gè)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(shí)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(gè)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(shí)現(xiàn)全連接可以通過調(diào)節(jié)權(quán)值來實(shí)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(shí)際值的最小均方差來實(shí)現(xiàn)的。該算法的學(xué)習(xí)過程大致是這樣的：信號(hào)的傳播方向分正反兩個(gè)方向，在最初階段，在各個(gè)層面上輸入信號(hào)的傳播順序?yàn)檩斎雽樱[含層－輸出層 [41]。當(dāng)信號(hào)進(jìn)行反向傳播時(shí)則說明誤差信號(hào)沒有滿足預(yù)期的希望，此時(shí)系統(tǒng)會(huì)將每個(gè)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(shí)，新的信號(hào)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