基于长短时记忆—自编码神经网络的风电机组性能评估及异常检测

论文摘要

性能评估及异常检测是风电机组健康状态监测的重要手段。以往风电机组性能评估较少考虑性能监测数据的时序性及多变的运行工况,导致模型评估的准确度低,且未根据整机性能确定与异常相关的功能模块,使得检修成本高。针对上述问题,提出了一种基于长短时记忆—自编码（LSTM-AE）神经网络的风电机组性能评估及异常检测方法。该方法首先采用长短时记忆神经单元与自编码网络构建性能评估模型,以计算用于评估风电机组性能状态异常程度的指标,通过与基于支持向量回归计算的自适应阈值对比,识别性能异常点。然后,利用高斯Copula熵估计不同性能监测参数与该指标的互信息值,来确定关键性能监测参数,并映射至风电机组功能模块。实验结果表明,所提方法能有效处理具有时序特征的性能监测数据,并提高异常检测的准确性。

论文目录

• 0 引言
• 1 研究思路
• 2 风电机组性能评估建模
•   2.1 数据预处理
•   2.2 LSTM-AE神经网络
•   2.3 训练性能评估模型
•   2.4 更新性能评估模型
•   2.5 计算性能指数
• 3 风电机组性能异常检测
•   3.1 计算自适应阈值
•   3.2 风电机组性能异常分析
• 4 案例验证
•   4.1 数据集描述
•   4.2 风电机组性能评估建模
•   4.3 实验结果分析
•   4.4 讨论
•     4.4.1 性能评估准确度的比较
•     4.4.2 异常检测结果精确度的比较
•     4.4.3 不同阈值的结果预测精确度比较
•     4.4.4 关键性能监测参数识别结果比较
• 5 结束语

文章来源

类型: 期刊论文

作者: 柳青秀,马红占,褚学宁,马斌彬,王峥

关键词: 风电机组,时变性能,神经网络,自适应阈值,互信息,故障诊断

来源: 计算机集成制造系统 2019年12期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 电力工业,自动化技术

单位: 上海交通大学机械与动力工程学院

基金: 国家自然科学基金资助项目(51875345,51475290)~~

分类号: TM315;TP183

DOI: 10.13196/j.cims.2019.12.022

页码: 3209-3219

总页数: 11

文件大小: 1826K

下载量: 336