科研之友
微信
新浪微博
Facebook
分享链接
摘要
通过风电机组状态监测进行故障预警，可防止故障进一步发展，降低风场运维成本。为充分挖掘风电机组监控与数据采集（SCADA）各状态参数时序信息，以及不同参数之间的非线性关系，该文将深度学习中自动编码器（AE）与卷积神经网络（CNN）相结合，提出基于深度卷积自编码（DCAE）的风电机组状态监测故障预警方法。首先基于历史SCADA数据离线建立基于DCAE的机组正常运行状态模型，然后分析重构误差确定告警阈值，使用EMWA控制图对实时对机组状态监测并进行故障预警。以北方某风电场2 MW双馈型风电机组叶片故障为实例进行实验分析，结果表明该文提出DCAE状态监测故障预警方法，可有效对机组故障提前预警，且优于现有基于深度学习的风电机组故障预警方法，可显著提升重构精度、减少模型参数和训练时间。
- 单位
