基于改进堆栈降噪自动编码器的预想事故频率指标评估方法研究

可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks,CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders,SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明:利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。