《表2 样本量对BPNN训练过程的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《采用GA-BPNN与TLS模型的风电机组异常辨识方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

采用BPNN算法建立风电机组状态参数预测模型，BPNN的输入参数为风速、上时刻目标参数与同时刻关联性高的状态参数；隐含层传递函数为tansig型（f（x）=2/（1+e-2x）-1），通过20次独立试验确定最优隐节点个数。以发电机轴承a温度（前）与主轴承温度（转子侧）为例，表2给出了在不同样本数据规模下，训练35次BPNN陷入局部最优的比例，可见样本量越大模型结构越复杂，BPNN在训练过程中越易陷入局部最优，从而降低参数预测精度。