基于CAS优化的LSTM循环神经网络的高压断路器故障预测方法研究

发布时间：2024-03-31 08:14

　　在研究真空高压断路器运行历史数据的基础上,提出一种基于长短期记忆(LSTM)循环神经网络的断路器故障时间序列预测方法,采用混沌蚁群(chaotic ant swarm,CAS)优化算法训练LSTM模型,并在TensorFlow深度学习框架上搭建模型仿真,与其他常用的优化训练方法相比,基于CAS优化的LSTM模型具有更高的预测精度和更短的训练步数,且模型简单容易训练。该故障预测方法在基于时间序列的设备故障预测方面有较高的应用价值。

【文章页数】：7 页

【部分图文】：

图1普通的RNN单元

图1中左边的单元表示本单元前一时刻的计算，中间的单元表示当前时刻的计算，右边的单元代表下一时刻的计算。X代表单元的输入，h表示当前单元的状态。将普通RNN单元的输入和输出进行修改得到LSTM单元，如图2所示。图2LSTM单元

图2LSTM单元

图1普通的RNN单元图2中:σ表示sigmoid激活函数;ht表示当前隐层状态;Xt表示当前单元的输入。

图3细胞状态示意图

该通道贯穿整个时间序列，如图3中黑色加粗部分所示。图3中状态Ct-1到Ct，在该通道上只执行加法操作和乘法操作，加法操作不会引起梯度的变化，加权运算只会改变梯度的范围，所以在这条通道上不会出现梯度的衰减，这样就可以避免在过长序列上出现梯度消失或梯度爆炸。

图4忘记门

忘记门决定了前一状态的应该保留多少。输入前一隐层状态ht-1和xt的内容。σ输出0到1之间的值，“0”代表舍弃之前“细胞状态”Ct-1的值，“1”代表全部接受Ct-1的值，“0～1”代表保留一部分Ct-1的值。如图4中黑色加粗部分。忘记门的表达式如下:

本文编号：3943710