多模型Stacking集成学习的旋转机械故障诊断方法

针对传统旋转机械故障诊断方法中单一机器学习模型出现的诊断精度低、泛化能力差且性能提升有限等问题，提出了通过Stacking框架异质集成多个机器学习模型对旋转机械进行故障诊断。首先利用小波包变换对旋转机械的原始振动信号进行特征提取；然后通过贝叶斯优化和网格搜索结合的方法调节各基学习器的超参数，采用DT、KNN、SVM及RF作为初级学习器，LR作为次级学习器构建Stacking异质集成学习模型；最后通过滚动轴承和液压泵故障模拟试验，将所提模型与单一模型、同质集成模型进行比较分析。试验结果表明，异质集成Stacking模型在不同旋转机械的故障诊断中均获得了最佳的整体诊断性能。异质集成是提高旋转机械故障诊断性能的有广阔应用前景的解决方案。     

基于格拉姆角场与改进CNN-ResNet的风电功率预测方法

风电输出功率的不确定性给电力系统的调度带来了较大的困难，因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响，若将时间序列编码为二维图像，能够让神经网络从“视觉上”对数据进行识别和学习，一定程度上能提高分类和计算方法的准确度。因此，提出了一种基于格拉姆角场(Gramian angular fields,GAF)与卷积神经网络–残差网络(convolutional neural network-residual neural network,CNN-Res Net)的预测风电功率的方法。首先，利用GAF将一维历史风电功率数据转换为二维图像，经过CNN提取时间序列的相关性和特征，再利用Res Net提取与风电功率相关的其他相关数据的特征，在增加网络深度的同时解决退化问题，以提高预测的准确度。然后，将两种网络融合，构建双输入网络结构。最后，将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上，通过与Res Net、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和Bi LSTM(bi-directional...