科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对风电机组故障频发且早期故障监测难的问题，为实现风电机组智能监测，提出基于卷积自编码(CAE)与双向长短期神经网络(BiLSTM)的风电机组齿轮箱故障预警方法。首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理，选择能表征风电机组齿轮箱运行状态的监测量作为输出量，根据相关性分析选择与输出量相关性高的监测量作为输入参数；然后根据特征选择特性和参数非线性特性构建深度学习网络模型，对输出的预测值和残差进行统计分析，设置自适应阈值来监测风电机组异常状态的趋势变化。将CAE-BiLSTM模型应用于某风电场的算例分析中，并与其他模型的预测效果进行对比。结果表明：该方法解决了模型输入与结构冗余问题，提高了模型精度，能够有效预警风电机组齿轮箱早期故障。
-
单位鲁能集团有限公司; 华北电力大学
