۲٫۲٫۱٫ مدل تحقیق و طراحی فرآیند

پیش بینی قابلیت اطمینان وضعیت سیستم را می توان به دو مرحله تقسیم کرد: شناسایی حالت و پیش بینی.

مرحله اول، وضعیت ها و قوانین تاریخی را شناسایی می کند و معیارهای قابلیت اطمینان حالت را از طریق پاکسازی داده های تاریخی، پردازش استاندارد، تجزیه و تحلیل و آموزش تجزیه و تحلیل می کند.

مرحله دوم ویژگی های کلیدی حالت عملیات را با در نظر گرفتن عدم قطعیت اطلاعات و تضاد استخراج می کند. سپس، مدل پیش‌بینی قابلیت اطمینان حالت سیستم را از منظر بهبود الگوریتم و ادغام می‌سازد تا به طور موثر قابلیت اطمینان وضعیت سیستم را پیش‌بینی کند.

فرآیند شناسایی حالت عمدتاً برای استخراج ویژگی‌های مؤثر در داده‌ها، از جمله ویژگی‌های سازگاری، ویژگی‌های متضاد، ویژگی‌های همبستگی و تحلیل کمی عوامل عدم قطعیت انجام می‌شود. از طریق مرحله آموزش داده ها، قوانین و ویژگی های قابلیت اطمینان حالت سیستم به طور موثر شناخته می شوند. با توجه به محتوای آنتروپی اطلاعات، وزن شاخص های مختلف تنظیم می شود و داده های ویژگی اصلاح شده به عنوان ورودی مدل پیش بینی استفاده می شود.

۲٫۲٫۲٫ ساخت مدل پیش بینی بهبود یافته بر اساس XGBoost–LSTM

تفاوت هایی در کاربرد و دامنه الگوریتم های مختلف در سیستم واقعی وجود دارد. الگوریتم LSTM مشکلات برخی از الگوریتم ها را از نظر وابستگی طولانی مدت و ناهنجاری گرادیان حل می کند و ویژگی های زمانی بهتری دارد. این به خوبی با ارزیابی قابلیت اطمینان وضعیت سیستم با الزامات مدل‌سازی توالی سازگار است. الگوریتم XGBoost مزایای آمار، ترکیب رگرسیون، منظم سازی، تیلور و محاسبات موازی را ادغام می کند. اشکالات الگوریتم های سنتی را از نظر احتمال پیشینی و بیش از حد برازش حل می کند. و دقت عملکرد از دست دادن را بهبود می بخشد. هر دو الگوریتم XGBoost و LSTM دارای قابلیت‌های پیش‌بینی قابل اعتماد هستند، اما یک الگوریتم واحد برای استخراج ویژگی‌ها و تجزیه و تحلیل ویژگی‌ها اولویت دارد. به عنوان مثال، LSTM فاقد قابلیت محاسبات موازی است و XGBoost تمام داده ها را برای یافتن نقاط تقسیم برای مدت طولانی طی می کند. از آنجایی که هر دو الگوریتم در پیش‌بینی وضعیت سیستم بهتر اعمال می‌شوند، این مطالعه ادغام الگوریتم‌های XGBoost و LSTM را تحت وزن‌های دینامیکی تحلیل کرد.

بنابراین، ساخت مدل همجوشی XGBoost-LSTM را می توان به دو مرحله اصلی تقسیم کرد: (۱) ساخت مدل تک پیش بینی و (۲) ساخت مدل پیش بینی همجوشی.

(۱)

ساخت مدل تک پیش بینی

در نهایت، سیستم مقادیر پیش‌بینی حالت پارامترهای هدف را خروجی می‌دهد و با توجه به آستانه‌های موجود در حالت‌های مختلف، آن‌ها را بیشتر تجزیه و تحلیل می‌کند و حالت عملیاتی را که توسط سیستم در زمان خاصی در آینده به دست می‌آید، پیش‌بینی می‌کند.

الگوریتم XGBoost از ایده رگرسیون استفاده می‌کند، که از تابع جدید به‌دست‌آمده برای تناسب با باقی‌مانده آخرین تحلیل تابع برای تکمیل فرآیند آموزش و تحلیل برازش داده‌ها استفاده می‌کند. هنگامی که آموزش داده به پایان رسید، موارد ویژگی های مختلف ویژگی های داده در دوره های مختلف به هر گره برگ مربوط به آن توزیع می شود که برای به دست آوردن مقدار پیش بینی خروجی نهایی خلاصه می شود.

در ساخت درخت رگرسیون، مقدار آستانه برای تقسیم درخت باید تنظیم شود. وقتی بهره بیشتر از مقدار آستانه تعیین شده باشد، درخت شروع به شکافتن می کند تا درخت جدیدی تولید کند و اندازه مقدار آستانه با توجه به نقطه برش حداکثر بهره تعیین می شود. کل فرآیند تقسیم بر اساس تئوری ایده‌های رگرسیون است و یک درخت جدید با تجزیه و تحلیل تکراری بر اساس باقی‌مانده‌های پیش‌بینی قبلی ساخته می‌شود.

هنگام برخورد با مشکلات رگرسیون و مشکلات طبقه بندی، توابع زیان معمولاً شامل میانگین مربعات خطا و خطای لگاریتمی هستند.

هنگام تجزیه و تحلیل ترکیب الگوریتم، لازم است به طور جامع عوامل تأثیرگذار متعدد الگوریتم ها و اشیاء تحقیق مورد تجزیه و تحلیل قرار گیرند. از یک سو، در کاربرد و دامنه الگوریتم ها تفاوت هایی وجود دارد و از سوی دیگر، تفاوت هایی در ویژگی ها، محیط و نیازهای موضوعات مختلف پژوهشی وجود دارد. بنابراین، با توجه به ویژگی‌های سیستم توربین بادی، مکانیسم تنظیم دینامیکی وزن برای تحلیل فرآیند همجوشی الگوریتم معرفی می‌شود.

(۲)

ساخت مدل پیش بینی فیوژن

مشاهده می شود که با تغییر زمان تی، نقطه من طبق سری زمانی حرکت می کند و تابع وزن با نوسان مطلق در مقدار خطای نسبی دنباله پیش بینی تغییر می کند. هر چه نوسان خطای الگوریتم بزرگتر باشد، وزن آن کمتر است. با تطبیق پویا وزن الگوریتم‌های مختلف برای یک پارامتر در زمان‌های مختلف، عیوب الگوریتم‌ها در فرآیند پیش‌بینی کاهش می‌یابد و بهبود دقت مدل همجوشی از طریق مزایای مکمل بین الگوریتم‌ها حاصل می‌شود. در نهایت، در ارزیابی اثربخشی مدل پیش‌بینی همجوشی با استفاده از RMSE، MAPE، آر^۲و غیره هر چه صلاحیت نزدیکتر باشد آر^۲ به یک، مدل بهتر است، و RMSE و MAPE کوچکتر هستند، که نتایج ترجیحی هستند.