基于K-CNN和N-GRU的风电机组发电机状态预测

作者：柴同; 袁逸萍^*; 马军岩; 樊盼盼

来源：机械强度, 2023, 45(05): 1043-1049.

DOI：10.16579/j.issn.1001.9669.2023.05.005

• Pearson相关系数
• CNN分层特征提取
• 核主成分分析
• N-GRU模型
• 重构误差

为了检测风电机组发电机异常、减少由故障引起的停机事件发生，基于真实风电场的数据采集与监视控制(Supervisory Control and Data Acquisition, SCADA)系统记录的多维传感器参数，提出一种K-CNN(Convolutional Neural Network,卷积神经网络)和N-GRU(Gated Recurrent Unit,门控循环单元)相结合的深度学习框架，建立风电机组发电机状态预测模型。首先，用Pearson相关系数分析状态参数相关性；之后，通过权重系数加权得到一维融合参数；其次，针对传统特征提取过程中忽略浅层特征的问题，采用CNN分层提取一维融合参数的特征，并利用核主成分分析(Kernel Principal Component Analysis, KPCA)将不同层的特征提取结果降为一维；然后，针对传统GRU算法参数欠优化问题，利用神经网络架构搜索改进GRU算法，得到N-GRU模型，将降维后的特征提取结果输入N-GRU做预测并得到重构误差，通过设定告警阈值实现状态评估；最后，以新疆某风场中2 MW风电机组为例，验证了该模型的有效性与准确性。

• 单位
  新疆大学