0 引言

    光伏電站建設(shè)在人跡罕至的野外，準(zhǔn)確定位問(wèn)題支路位置與故障類(lèi)型對(duì)進(jìn)一步提高光伏發(fā)電系統(tǒng)的運(yùn)行效率及降低發(fā)電成本具有重要意義^[1]。

    近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)光伏組件發(fā)電系統(tǒng)采用建模的方法，對(duì)組件運(yùn)行時(shí)采集到的圖像采用圖像分析的方法，針對(duì)某種特定故障進(jìn)行診斷。當(dāng)前針對(duì)光伏組件故障診斷主要分為圖像方法、物理方法、數(shù)學(xué)方法以及智能方法幾大類(lèi)別。前者主要有紅外圖像診斷法^[2-4]、多傳感器法^[5-7]、參數(shù)估算法^[8-10]、時(shí)域反射分析法^[11]等，后者有基于神經(jīng)網(wǎng)絡(luò)的診斷方法^[12-13]。

    對(duì)于能源公司下的多個(gè)大型光伏電站，其建設(shè)時(shí)期不同，采購(gòu)的設(shè)備規(guī)格種類(lèi)存在很大差異，數(shù)據(jù)精準(zhǔn)度不夠，數(shù)學(xué)方法很難適用于大型電站。同時(shí)因?yàn)殡娬窘?jīng)常建設(shè)在環(huán)境條件惡劣的野外，這對(duì)于獲得光伏組件紅外圖像造成困難。近些年來(lái)，集成了最大功率跟蹤(Maximum Power Point Tracking，MPPT)^[14]的組串式光伏逆變器使用廣泛，但由于經(jīng)濟(jì)因素，大型和超大型電站使用的還是集中式光伏逆變器，不能監(jiān)控到組件的運(yùn)行情況，這對(duì)數(shù)據(jù)采集造成很大困難?；诔杀究紤]，公司很難再為投入使用的光伏電站更新多種傳感器設(shè)備。

    針對(duì)數(shù)據(jù)采集設(shè)備有限的大型光伏電站，本文提出了一種基于CNN-LSTM的深度學(xué)習(xí)診斷模型，僅需要使用電站采集到的海量歷史支路電流數(shù)據(jù)及其故障維修記錄來(lái)訓(xùn)練模型，在電站運(yùn)行時(shí)使用訓(xùn)練好的模型就可以診斷出故障支路，在電站原有設(shè)備基礎(chǔ)上完成診斷。

1 故障定義與數(shù)據(jù)處理

1.1 光伏陣列布局

    本文以山西某光伏電站為研究對(duì)象，該電站光伏陣列由60個(gè)區(qū)組成，每個(gè)區(qū)包含兩個(gè)逆變器，每個(gè)逆變器下有7個(gè)匯流箱，每個(gè)匯流箱下包括15條支路，每條支路由21塊電池板串聯(lián)構(gòu)成。數(shù)據(jù)采集設(shè)備可精確采集到每一支路的電流數(shù)據(jù)。通常，故障會(huì)發(fā)生在電池板上、電池板背后的接線盒中、數(shù)據(jù)傳輸線路以及電站的數(shù)據(jù)采集系統(tǒng)中。圖1為該電站光伏陣列布局示意圖。

1.2 光伏組件故障定義

    光伏發(fā)電受天氣因素影響極大，數(shù)據(jù)波動(dòng)極大?，F(xiàn)有數(shù)據(jù)采集設(shè)備雖可以采集到電壓、輻照強(qiáng)度、區(qū)域溫度、濕度等多種數(shù)據(jù)，但一個(gè)采集設(shè)備收集的是多個(gè)區(qū)域的數(shù)據(jù)，覆蓋面太廣，無(wú)法精確定位到實(shí)際發(fā)生故障的支路。

    傳統(tǒng)的光伏組件故障診斷通常是從組件故障類(lèi)型出發(fā)，針對(duì)一種或某幾種故障，去尋找數(shù)據(jù)的變化與這些故障的關(guān)聯(lián)規(guī)則，如果關(guān)聯(lián)規(guī)則不明顯，往往需要增添額外的數(shù)據(jù)采集設(shè)備。傳統(tǒng)方法可以檢測(cè)到的故障類(lèi)型有限，且需要在原有數(shù)據(jù)采集設(shè)備的基礎(chǔ)上增添額外的設(shè)備來(lái)收集數(shù)據(jù)。本文與之相反，是從采集到的歷史數(shù)據(jù)及其數(shù)據(jù)表現(xiàn)入手，依據(jù)在這些數(shù)據(jù)上曾經(jīng)發(fā)生過(guò)的故障進(jìn)行分析，從而實(shí)現(xiàn)對(duì)運(yùn)行中的組件進(jìn)行診斷。

    根據(jù)現(xiàn)場(chǎng)實(shí)際發(fā)生過(guò)的光伏組件故障及故障產(chǎn)生時(shí)采集到的電流數(shù)據(jù)，本文將組件故障定義為5類(lèi)：

    (1)突發(fā)性故障：其故障發(fā)生原因?yàn)楣夥M件板面燒穿或者板后接線盒部位熔斷而導(dǎo)致的組件突然停止運(yùn)行，需要立即處理此故障以避免發(fā)生危險(xiǎn)。該故障電流數(shù)據(jù)表現(xiàn)為在運(yùn)行過(guò)程中電流值突降到零后不再變化。

    (2)通信故障：其發(fā)生的原因?yàn)樾诺纻鬏斁€路存在問(wèn)題，需要對(duì)通信設(shè)備進(jìn)行檢修維護(hù)。該故障電流數(shù)據(jù)多表現(xiàn)為無(wú)規(guī)律變化，或者存在明顯脫離一般常識(shí)的電流值。

    (3)更換組件：表示正常運(yùn)行中的支路當(dāng)天進(jìn)行過(guò)修理或者人工的斷電檢測(cè)，該支路組件會(huì)根據(jù)其逐塊小塊光伏模塊人工檢測(cè)的結(jié)果決定是否更換其中的問(wèn)題模塊。電流數(shù)據(jù)的表現(xiàn)為在同一匯流箱下某條異常支路的電流曲線從零值恢復(fù)到正常發(fā)電。

    (4)持平故障：其故障原因?yàn)殡姵匕逦磫?dòng)或其通信傳輸?shù)脑O(shè)備未啟動(dòng)，可根據(jù)監(jiān)控系統(tǒng)排查。持平故障的數(shù)據(jù)表現(xiàn)一般分為兩種，一種表現(xiàn)為電流值持平在零值，另一種表現(xiàn)為持平在任意電流值。

    (5)老化故障：故障產(chǎn)生原因?yàn)樵O(shè)備老化造成的發(fā)電效率下降，可根據(jù)實(shí)際老化情況及電站電池板儲(chǔ)量決定是否更換。其數(shù)據(jù)表現(xiàn)為電流值隨著天數(shù)的增加呈現(xiàn)持續(xù)降低趨勢(shì)，嚴(yán)重時(shí)同一匯流箱下故障支路運(yùn)行時(shí)電流值比同匯流箱下其他支路電流低0.5 A及以上，但仍在發(fā)電。其中，第1和2類(lèi)故障為組件運(yùn)行時(shí)需要優(yōu)先處理的故障，如圖2所示；第3、4和5類(lèi)為次重要故障，可根據(jù)電站調(diào)度暫緩處理，如圖3所示。

1.3 數(shù)據(jù)處理

    為解決實(shí)際采集到的數(shù)據(jù)類(lèi)型少的問(wèn)題，并且充分利用真實(shí)的電流歷史數(shù)據(jù)，本文根據(jù)電站光伏陣列布局的特點(diǎn)，設(shè)計(jì)針對(duì)該陣列的特征提取算法，以獲取支路運(yùn)行時(shí)正常組件與異常組件之間的差異。

1.3.1 數(shù)據(jù)降采樣

    原始支路電流數(shù)據(jù)按天(24 h)獲取，采樣頻率為1 s。將每天以秒為單位的支路電流數(shù)據(jù)降采樣為以分為單位，采樣區(qū)間為[8:00，18:00]，即一天600個(gè)采樣點(diǎn)。將單個(gè)匯流箱下的15條支路作為一個(gè)分組處理單元。

1.3.2 特征提取

    在每一個(gè)處理單元上定義特征提取組、橫向特征與縱向特征，之后對(duì)每一采樣點(diǎn)數(shù)據(jù)進(jìn)行橫向特征與縱向特征的提取，并結(jié)合歷史臺(tái)賬信息制作標(biāo)簽數(shù)據(jù)集。

    定義1  特征提取組：定義15條支路相同時(shí)刻采樣點(diǎn)的電流值為特征提取組，每天600個(gè)采樣點(diǎn)作為時(shí)間步長(zhǎng)，用向量（600，15）表示。每天每個(gè)匯流箱下可獲得600個(gè)間隔為1 min的特征提取組。

    定義2  橫向特征：計(jì)算每一特征提取組的電流平均值mean、最大值max、方差var、最小值min與標(biāo)準(zhǔn)差std作為橫向特征，用向量（600，5）表示。

    橫向特征用以表示某一時(shí)刻，該匯流箱下支路電流的統(tǒng)計(jì)特性。在提取橫向特征時(shí)，需清洗掉大幅度偏離正常值的電流值，補(bǔ)以0值代替。

    定義3  縱向特征：使用一階差分定義電流曲線縱向特征，即電流每一時(shí)間步后一采樣點(diǎn)與前一采樣點(diǎn)的差值，其計(jì)算公式如下：

其中，Δt=1 s?？v向特征表示支路電流一天內(nèi)隨時(shí)間與太陽(yáng)輻照變化的變化率，用向量(600×15，1)表示。

1.3.3 標(biāo)準(zhǔn)數(shù)據(jù)集

    將每一個(gè)處理單元每條支路電流的每個(gè)采樣點(diǎn)的橫向、縱向特征與該支路這一采樣點(diǎn)的降采樣電流值組合起來(lái)，得到這一時(shí)間步下輸入模型的電流數(shù)據(jù)。將每天每個(gè)處理單元每條支路電流的橫向、縱向特征與該支路電流經(jīng)過(guò)維度變換，共同組成支路電流標(biāo)準(zhǔn)數(shù)據(jù)集。用向量(600×15，7)表示。所有歷史數(shù)據(jù)將以相同格式進(jìn)入標(biāo)準(zhǔn)數(shù)據(jù)集，它們將作為CNN-LSTM的訓(xùn)練集。圖4為具體的數(shù)據(jù)準(zhǔn)備過(guò)程。

2 CNN-LSTM模型

2.1 CNN模型

    LECUN Y L^[15]于1989年提出的卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種包含卷積操作與神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的深層前饋型神經(jīng)網(wǎng)絡(luò)。近幾年隨著CNN及其擴(kuò)展模型在圖像領(lǐng)域的成功應(yīng)用，CNN在深度學(xué)習(xí)中的地位越來(lái)越重要。

    通常的CNN模型包含3個(gè)主要部分：卷積層、池化層、全連接層。每一個(gè)卷積層中會(huì)有多個(gè)卷積核，其計(jì)算公式如下：

2.2 LSTM模型

    長(zhǎng)短期記憶模型(LSTM)^[16]是一種帶有記憶功能的神經(jīng)網(wǎng)絡(luò)，是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)的一種變種，通過(guò)門(mén)遞歸單元來(lái)控制信息的流動(dòng)與操作，LSTM對(duì)時(shí)序型數(shù)據(jù)的處理具有極為優(yōu)秀的表現(xiàn)，現(xiàn)被廣泛應(yīng)用于機(jī)器翻譯^[17]、自然語(yǔ)言處理^[18]等領(lǐng)域。

    LSTM模型通過(guò)特殊的三門(mén)結(jié)構(gòu)，解決了傳統(tǒng)RNN中的梯度消失問(wèn)題，使LSTM模型可以更好地對(duì)更長(zhǎng)、更復(fù)雜的時(shí)間序列數(shù)據(jù)進(jìn)行訓(xùn)練與學(xué)習(xí)。

2.3 構(gòu)建CNN-LSTM檢測(cè)模型

    傳統(tǒng)的LSTM模型處理時(shí)序數(shù)據(jù)效果良好，但是其結(jié)構(gòu)的復(fù)雜性致使模型訓(xùn)練開(kāi)銷(xiāo)非常大。待學(xué)習(xí)數(shù)據(jù)設(shè)置的時(shí)間步長(zhǎng)越大，進(jìn)行學(xué)習(xí)訓(xùn)練需要花費(fèi)的時(shí)間越多。

    針對(duì)電流數(shù)據(jù)縱向特征復(fù)雜、橫向特征稀疏的問(wèn)題，本文在傳統(tǒng)的LSTM模型前先使用CNN對(duì)數(shù)據(jù)集進(jìn)行處理，以提取低維的深層次特征。用CNN將橫向電流特征進(jìn)一步提取升維，將縱向時(shí)間維度上的特征進(jìn)行提取降維，再使用LSTM模型進(jìn)行訓(xùn)練時(shí)就可以達(dá)到降低整個(gè)模型訓(xùn)練時(shí)間開(kāi)銷(xiāo)的同時(shí)提升整個(gè)模型的精確度與準(zhǔn)確度的效果，并且通過(guò)不同網(wǎng)絡(luò)的組合使模型變?yōu)樯疃染W(wǎng)絡(luò)，增強(qiáng)了模型的非線性，避免了訓(xùn)練過(guò)程中過(guò)擬合現(xiàn)象的發(fā)生。

    具體的模型構(gòu)建如下：根據(jù)歷史數(shù)據(jù)及故障類(lèi)型構(gòu)建標(biāo)簽數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集為三維數(shù)據(jù)集(N，600，7)，其中N表示檢測(cè)的支路。訓(xùn)練數(shù)據(jù)集首先進(jìn)入一個(gè)兩層的卷積模型進(jìn)一步提取特征和降低數(shù)據(jù)維度，得到向量(N，150，64)，向量(N，150，64)再進(jìn)入一個(gè)三層的長(zhǎng)短期記憶模型進(jìn)行訓(xùn)練，訓(xùn)練學(xué)習(xí)后的數(shù)據(jù)(N，64)再進(jìn)入一個(gè)全連接層后得到待診斷支路標(biāo)簽(N，1)。訓(xùn)練完成后使用測(cè)試數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證，根據(jù)結(jié)果反饋對(duì)模型進(jìn)行調(diào)整。表1為模型中每層的具體參數(shù)。

3 實(shí)驗(yàn)驗(yàn)證

    現(xiàn)有光伏組件故障診斷實(shí)驗(yàn)驗(yàn)證方式多為搭建仿真平臺(tái)及搭建小型發(fā)電板測(cè)試，然而在實(shí)際生產(chǎn)過(guò)程中，影響電池板發(fā)電的因素有環(huán)境溫度、海拔高度、太陽(yáng)能輻照強(qiáng)度、電池板放置角度影響的散射光和直射光照到電池板上量的多少、電池板的背板溫度、風(fēng)向、空氣的純凈程度、云層高低、電池板型號(hào)造成的轉(zhuǎn)換效率差異等。單純的仿真實(shí)驗(yàn)無(wú)法完全真實(shí)表現(xiàn)出電池板現(xiàn)場(chǎng)實(shí)際的運(yùn)行狀態(tài)。

3.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

    本文使用的數(shù)據(jù)集來(lái)自山西某光伏電站的實(shí)時(shí)生產(chǎn)數(shù)據(jù)，數(shù)據(jù)中包含了上述復(fù)雜因素。針對(duì)本文提出的診斷方法，使用山西某光伏電站2018年1月～10月3個(gè)區(qū)的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試。以2個(gè)區(qū)的數(shù)據(jù)做訓(xùn)練，1個(gè)區(qū)的數(shù)據(jù)用作測(cè)試集。訓(xùn)練集共計(jì)28個(gè)區(qū)數(shù)據(jù)，420條支路，10個(gè)月(304天)，總計(jì)127 680條數(shù)據(jù)；測(cè)試數(shù)據(jù)共計(jì)14個(gè)區(qū)，210條支路，304天，總計(jì)63 840條數(shù)據(jù)。

3.2 實(shí)驗(yàn)環(huán)境

    實(shí)驗(yàn)環(huán)境為Ubuntu 16.04.2，采用3塊NVIDIA的 K40顯卡，TensorFlow-GPU 1.4.1，訓(xùn)練迭代次數(shù)均為5 000次，模型參數(shù)調(diào)優(yōu)使用多層網(wǎng)格搜索，保證實(shí)驗(yàn)使用的損失函數(shù)相同。為進(jìn)行對(duì)比實(shí)驗(yàn)，本文分別使用深度學(xué)習(xí)方法BP模型、CNN模型、Autoencoder模型、Encoder-LSTM、LSTM模型、Bi-LSTM模型、CNN-LSTM模型進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)采用相同的實(shí)驗(yàn)環(huán)境及迭代次數(shù)。其中，BP、CNN為傳統(tǒng)網(wǎng)絡(luò)，LSTM為時(shí)序性網(wǎng)絡(luò)，Autoencoder為解決傳統(tǒng)LSTM訓(xùn)練緩慢的自編碼網(wǎng)絡(luò)模型。

3.3 實(shí)驗(yàn)結(jié)果及分析

    從表2結(jié)果分析，CNN-LSTM模型結(jié)果最令人滿意，并且其訓(xùn)練效率大大優(yōu)于其他模型。相比于傳統(tǒng)BP、Autoencoder、CNN這些直接利用電流數(shù)值特征進(jìn)行學(xué)習(xí)而忽略電流時(shí)序特性的網(wǎng)絡(luò)，CNN-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)充分利用了光伏發(fā)電與輻照強(qiáng)度呈正相關(guān)的時(shí)序性特點(diǎn)，將電流隨時(shí)間變化而變化的特性引入模型中進(jìn)行學(xué)習(xí)訓(xùn)練；與LSTM、Bi-LSTM、Encoder-LSTM這些只考慮電流時(shí)序性的網(wǎng)絡(luò)結(jié)構(gòu)相比，CNN-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)充分利用了CNN模型的升降維功能，解決了數(shù)據(jù)特征類(lèi)型少的問(wèn)題；與Autoencoder網(wǎng)絡(luò)相比，CNN-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)在對(duì)縱向特征進(jìn)行降維的同時(shí)最大程度地保留了電流的時(shí)序特性，解決了LSTM模型訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題，綜合優(yōu)化了模型的特征選擇與訓(xùn)練時(shí)間，最終達(dá)到了良好的效果。

    訓(xùn)練結(jié)束時(shí)，模型損失函數(shù)值降到0.032 1，正確率達(dá)到93%，損失函數(shù)為均方對(duì)數(shù)損失Msle，激活函數(shù)為ReLU，優(yōu)化器為Adam。使用測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試后，準(zhǔn)確率達(dá)到92%。同時(shí)根據(jù)能源公司要求，對(duì)公司隨機(jī)提供的兩周兩個(gè)匯流箱下電流數(shù)據(jù)進(jìn)行測(cè)試，準(zhǔn)確率達(dá)到95%。模型效果達(dá)到預(yù)期，且效果大大優(yōu)于其他模型所能達(dá)到的效果。

4 結(jié)論

    本文提出了一種基于CNN-LSTM的光伏組件診斷方法：

    (1)從光伏組件運(yùn)行時(shí)采集到的現(xiàn)場(chǎng)支路電流數(shù)據(jù)及其歷史故障記錄出發(fā)，并結(jié)合實(shí)際生產(chǎn)中對(duì)不同故障類(lèi)型處理的緊急程度作為對(duì)光伏組件故障進(jìn)行分類(lèi)的依據(jù)，提出了一種新的故障分類(lèi)方法。

    (2)提出了一種根據(jù)不同光伏陣列的布局而設(shè)計(jì)的特征提取算法，用以表示理想發(fā)電狀態(tài)，來(lái)解決實(shí)際生產(chǎn)中可獲取到的數(shù)據(jù)種類(lèi)單一的問(wèn)題。

    (3)在進(jìn)入LSTM模型訓(xùn)練前，使用CNN網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行處理。利用CNN網(wǎng)絡(luò)的升降維功能進(jìn)一步解決了實(shí)際獲取到的數(shù)據(jù)種類(lèi)少的問(wèn)題，并且在最大程度保留電流時(shí)序特性的基礎(chǔ)上，對(duì)縱向特征進(jìn)行降維，減少了模型訓(xùn)練時(shí)間，解決了大訓(xùn)練集使用LSTM模型訓(xùn)練緩慢的問(wèn)題。

    本方法2019年在電站現(xiàn)場(chǎng)進(jìn)行測(cè)試，運(yùn)行速度快且診斷效果良好，在得到模型后在實(shí)際使用中省去花費(fèi)大量時(shí)間的訓(xùn)練過(guò)程，可以在實(shí)際電站故障診斷中較好地投入使用，不需要額外再在電站中增添設(shè)備，可直接接入生產(chǎn)監(jiān)控系統(tǒng)，診斷速度快，符合大型電站的日常使用需要。

參考文獻(xiàn)

[1] 胡義華，陳昊，徐瑞東.基于電壓掃描的光伏陣列故障診斷策略[J].中國(guó)電機(jī)工程學(xué)報(bào)，2010(S1)：185-191.

[2] 王培珍，鄭詩(shī)程.基于紅外圖像的太陽(yáng)能光伏陣列故障分析[J].太陽(yáng)能學(xué)報(bào)，2010，31(2)：197-201.

[3] LI W C，TSAI D M.Automatic saw-mark detection in multicrystalline solar wafer images[J].Solar Energy Materials & Solar Cells，2011，95(8)：2206-2220.

[4] Li Chunlai，Zong Xianshuang，GUDAKE.A survey of online fault diagnosis for PV module based on BP neural network[C].2016 International Conference on Smart City and Systems Engineering(ICSCSE).IEEE，2016： 2094-2100.

[5] Tang Jianeng，Zhu Yongqiang，Wang Wenshan.Fault diagnosis method and simulation analysis for photovoltaic array[C].International Conference on Electrical & Control Engineering.IEEE，2011：1569-1573.

[6] 王歡，徐小力.一種新型光伏陣列在線故障檢測(cè)方法研究[J].儀器儀表學(xué)報(bào)，2015，36(12)：2765-2772.

[7] 王元章，李智華，吳春華.一種四參數(shù)的光伏組件在線故障診斷方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2014，34(13)：2078-2087.

[8] 張程熠，唐雅潔，李永杰，等.適用于小樣本的神經(jīng)網(wǎng)絡(luò)光伏預(yù)測(cè)方法[J].電力自動(dòng)化設(shè)備，2017，37(1)：101-106，111.

[9] HU Y，GAO B，SONG X，et al.Photovoltaic fault detection using a parameter based model[J].Solar Energy，2013，96：96-102.

[10] 楊宏超，程若發(fā)，呂彩艷，等.光伏組件內(nèi)部參數(shù)辨識(shí)與輸出特性研究[J].電子技術(shù)應(yīng)用，2018，44(1)：125-128.

[11] 王元章，吳春華，周笛青，等.基于BP神經(jīng)網(wǎng)絡(luò)的光伏陣列在線故障診斷[J].電網(wǎng)技術(shù)，2013，37(8)：2094-2100.

[12] AKRAM M N，LOTFIFARD S.Modeling and health monitoring of DC side of photovoltaic array[J].IEEE Transactions on Sustainable Energy，2015，6(4)：1-9.

[13] 焦李成，楊淑媛，劉芳，等.神經(jīng)網(wǎng)絡(luò)七十年：回顧與展望[J].計(jì)算機(jī)學(xué)報(bào)，2016，39(8)：1697-1716.

[14] 傅敏，嵇保健，黃勝明.低輸入紋波光伏微型逆變器的研究[J].電子技術(shù)應(yīng)用，2017，43(5)：143-146.

[15] LECUN Y L，BOTTOU L，BENGIO Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998，86(11)：2278-2324.

[16] HOCHREITER S , SCHMIDHUBER J.Long short-term memory[J].Neural Computation, 1997，9(8)：1735-1780.

[17] GHOSH S，VINYALS O，STROPE B，et al.Contextual LSTM(CLSTM) models for large scale NLP tasks[J].arXiv:1602.06291v2[cs.CL]，2016.

[18] Wu Haoyin，Chen Jin，F(xiàn)an Kai.Research on speech feature extraction and recognition model based on SVM[J].Journal of Wuhan University of Technology，2014(2)：316-319.

作者信息:

程起澤1，陳澤華1，張雲(yún)欽1，蔣文杰2，劉曉峰1，沈  亮2

(1.太原理工大學(xué) 大數(shù)據(jù)學(xué)院，山西 太原 030001；2.晉能清潔能源有限公司，山西 太原 030001）