科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对极限学习机相关参数的选取不当导致其诊断结果与准确率受影响的问题，提出利用秃鹰搜索算法对极限学习机的权值和偏置的选取进行优化，构建秃鹰搜索优化算法和极限学习机组合的风力发电机组故障诊断模型(BES-ELM).对风电场某一台风力发电机组在发电机过热(S1)、馈电故障(S2)、变流器冷却系统故障(S3)和正常(S4)等4种状态下的相关SCADA数据进行清晰、补充等相关预处理和特征选取后构成故障样本集，其中样本集的80%作为训练集，20%作为测试集.分别采用标准极限学习机、基于遗传优化算法和粒子群优化算法的极限学习机模型对这些故障样本进行分类.结果显示，与标准极限学习机、遗传算法和粒子群算法优化的极限学习机模型相比，BES-ELM模型的诊断准确率达到98.75%,有效提高了风电机组故障诊断的准确率.
- 单位
