Prediction of wind turbine blade icing fault based on selective deep ensemble model

人工智能 深度学习 计算机科学 人工神经网络 卷积神经网络 循环神经网络 涡轮机 断层(地质) 极限学习机 机器学习 工程类 机械工程 地质学 地震学
作者
Jin Xiao,Chunyan Li,Bo Liu,Jing Huang,Ling Xie
出处
期刊:Knowledge Based Systems [Elsevier]
卷期号:242: 108290-108290 被引量:39
标识
DOI:10.1016/j.knosys.2022.108290
摘要

In advance accurate prediction of wind turbine blade icing fault is of fundamental importance. Deep learning is the mainstream prediction technique while existing research about the prediction of wind turbine blade icing fault has primarily derived a single deep learning model. This study introduces the group method of data handling (GMDH) technique and proposes a GMDH-based selective deep ensemble (GSDE) model. First, the model combines the convolution neural network (CNN) with recurrent neural network (RNN), long short-term memory (LSTM), and gated recurrent unit (GRU) to construct CNN–RNN, CNN–LSTM, and CNN–GRU, respectively. Together with CNN, four cost-sensitive deep neural networks based on focal loss are formed and used as the basic prediction models. Second, a series of training sets are constructed by the Chi-square test. Four different basic prediction models are trained on each training set, and the prediction results of all base predictors are obtained. Third, the GMDH technique is applied to the cost-sensitive selective deep ensemble for final prediction results. Experiments are conducted to deeply verify the prediction performance of the GSDE model on two wind turbine datasets collected by the supervisory control and data acquisition (SCADA) system. Results show that the proposed model outperforms five existing ensemble models and five single deep learning models.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
李健应助LCL168采纳,获得10
刚刚
bgt发布了新的文献求助10
刚刚
黎灰发布了新的文献求助10
刚刚
1秒前
1秒前
叭叭发布了新的文献求助10
1秒前
2秒前
黄姗姗发布了新的文献求助10
2秒前
桐桐应助祈愿采纳,获得10
2秒前
3秒前
科研通AI2S应助TheGala采纳,获得10
3秒前
3秒前
wan发布了新的文献求助10
3秒前
情怀应助放寒假的采纳,获得10
4秒前
调研昵称发布了新的文献求助20
4秒前
5秒前
san发布了新的文献求助10
5秒前
cloverdown发布了新的文献求助10
5秒前
Danielle完成签到,获得积分10
5秒前
清爽幻竹完成签到,获得积分10
5秒前
靓丽莺发布了新的文献求助10
6秒前
GJJ发布了新的文献求助10
6秒前
7秒前
7秒前
noyyet完成签到,获得积分10
8秒前
搜集达人应助jm采纳,获得20
8秒前
赘婿应助sdvsd采纳,获得10
8秒前
小郭发布了新的文献求助10
9秒前
Dongfu_FA完成签到,获得积分10
9秒前
丘比特应助小杨采纳,获得10
10秒前
调研昵称发布了新的文献求助10
10秒前
宣孤菱完成签到,获得积分10
11秒前
=======发布了新的文献求助10
11秒前
san完成签到,获得积分10
12秒前
12秒前
may关闭了may文献求助
12秒前
那一片海发布了新的文献求助10
12秒前
12秒前
13秒前
汉堡包应助镇痛蚊子采纳,获得10
14秒前
高分求助中
歯科矯正学 第7版(或第5版) 1004
Semiconductor Process Reliability in Practice 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
GROUP-THEORY AND POLARIZATION ALGEBRA 500
Mesopotamian divination texts : conversing with the gods : sources from the first millennium BCE 500
Days of Transition. The Parsi Death Rituals(2011) 500
The Heath Anthology of American Literature: Early Nineteenth Century 1800 - 1865 Vol. B 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3233742
求助须知:如何正确求助?哪些是违规求助? 2880231
关于积分的说明 8214458
捐赠科研通 2547669
什么是DOI,文献DOI怎么找? 1377140
科研通“疑难数据库(出版商)”最低求助积分说明 647736
邀请新用户注册赠送积分活动 623187