回声状态网改进及其在光伏发电故障诊断中的应用

In view of the complex classification problems, the project study on a series of improvements to the echo state network. (1) For reservoir construction of echo state network, the project develops a new echo state network called olfactory feeling echo state network with biological characteristics and growing by bottom-up way, a new echo state network called adaptive variable memory echo state network with adapt to fast and slow change of complex dynamic system, a new echo state network called multiple activation function echo state network with rich reservoir dynamics, and a new echo state network called extend kalman filter echo state network with noise suppression capability and avoiding the echo state property. (2) A improved sparse nonnegative matrix decomposition algorithm is proposed to decompose state matrix, which can reduce the correlation among neurons and improve well-posedness (generalization ability) and stability. (3) A new echo state characteristic condition is obtained with feedback output. (4) Penalty function interior-point method is proposed to optimize the echo state network global parameters. (5) Echo state network is used to implement fault diagnosis and fault prediction for photovoltaic power generation system. Therefore, the project can improve the classification ability of the echo state network, at the same time, make photovoltaic power station run efficiently and promote the sustainable development of photovoltaic industry, which has important significance and application value.

针对复杂的分类问题，本项目对回声状态网进行一系列改进研究。（1）针对回声状态网的储备池构建问题，提出具有生物特征且自下而上构成的嗅感受回声状态网、提出适应具有快慢变复杂动态系统的自适应变记忆回声状态网、提出具有丰富储备池神经元动态的多激活函数回声状态网、提出具有噪声抑制能力且能避免回声状态特性条件的扩展卡尔曼滤波回声状态网。（2）提出利用改进的稀疏非负矩阵分解算法，对储备池状态矩阵进行低秩分解，进而降低储备池神经元状态之间的相关性，提高ESN的的适定性（泛化能力）和稳定性。（3）提出在考虑含有输出反馈连接情况下获得新的回声状态特性条件。（4）提出采用罚函数内点法优化回声状态网的全局参数。（5）利用回声状态网进行光伏发电系统故障诊断与故障预测。因此，本项目的开展对提高回声状态网的分类能力具有促进作用，同时对光伏电站高效运行及推动光伏产业健康持续发展具有重要的意义和应用价值。

回声状态网（ESN）是一种新型递归神经网络模型，不仅能够解决递归神经网络存在的问题，而且利用其预测著名的 Mackey-Glass 混沌时间序列，与以往报道的预测结果相比，预测精度一下子提高2400 倍，成为 ESN 研究的标志性成果。与传统的递归神经网络相比，回声状态网具有如下显著特点：①回声状态网由随机稀疏连接的神经元组成储备池作为隐层。储备池的生成过程独立于回声状态网络的训练过程，保证了 ESN 在训练过程中的稳定性。②回声状态网采用线性回归或最小二乘法训练储备池至输出层的权值，使网络的训练过程得以简化，保证了权值的全局最优性。回声状态网在系统辨识、动态模式识别、滤波或者控制、预测等领域获得成功应用。为了增强回声状态网的分类能力，本项目对回声状态网进行了一系列改进研究。（1）针对回声状态网的储备池构建问题，提出具有生物特征且自下而上构成的嗅感受回声状态网、提出适应具有快慢变化复杂动态系统的长短期记忆回声状态网、提出具有丰富储备池神经元动态的小波回声状态网、提出具有噪声抑制能力且能避免回声状态特性条件的扩展卡尔曼滤波回声状态网。（2）为了提高ESN的适定性（泛化能力）和稳定性，提出利用多个子储备池构建回声状态网的储备池，每个子储备池包含一个主神经元，主神经元代表这个储备池与其他储备池之间信息交互，降低了整个储备池神经元状态之间的相关性；提出利用改进的稀疏非负矩阵分解算法，对储备池状态矩阵进行低秩分解，进而降低储备池神经元状态之间的相关性。（3）提出在考虑含有输出反馈连接情况下获得新的回声状态特性条件。（4）提出采用罚函数内点法、随机梯度下降法、牛顿法等优化回声状态网的全局参数。（5）利用回声状态网进行光伏发电系统建模、发电量预测、动力电池系统的故障预测等。因此，本项目的开展对提高回声状态网的分类能力具有促进作用，同时对光伏电站高效运行及推动光伏产业健康持续发展具有重要的意义和应用价值。

内容获取失败，请点击重试