基于ConvLSTM-SA的风电机组健康状态评估

作者：赵文清^*; 王继发; 郭东庆

来源：电力信息与通信技术, 2022, 20(11): 20-26.

DOI：10.16543/j.2095-641x.electric.power.ict.2022.11.003

• 风电机组
• 状态评估
• 混合残差
• 隶属度
• 神经网络

为了解风电机组健康状态程度，提供提前检修方案，文章提出了基于Conv LSTM-SA(convolution long short term memory-self attention)的风电机组健康状态监测和评估方法。首先，采用基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）和随机森林完成对状态预测输入数据的处理与特征选择；然后，搭建了状态预测模型，把预测结果的多类残差融合，定义混合残差及报警阈值限；最后，设计了以混合残差为参数的健康状态模糊隶属度函数，确定机组综合健康状态评价指标，并利用某风电场运行案例进行验证。与时间卷积网络（temporal convolutionalnetwork,TCN）和双向长短期记忆（Bi-directionallong-shorttermmemory,BiLSTM）模型相比，Conv LSTM-SA的预测精准度更高，同时验证了多特征残差混合对状态评估的必要性。结果表明，评估模型能够清楚反映机组的状态变化，且可以提前10 h发出故障预警信号。

• 单位
  华北电力大学