基于CNN-BiLSTM的风电机组异常状态检测

【作者】 朱浩伟； 张兴宇； 向玲；

【机构】 华北电力大学(保定)机械工程系；

【摘要】 针对风电机组故障频发,无法有效提前地检测到风机早期故障的问题。本文提出了一种基于级联深度学习预测模型的风电机组状态检测方法,首先对风电场数据采集与监视控制(SCADA)系统的数据进行预处理,并通过距离相关系数(DC)分析选取输入参数;然后结合卷积神经网络(CNN)和双向长短期神经网络(BiLSTM)建立观测参数与目标参数之间的逻辑关系,通过均方根误差(RMSE)和样本熵(SE)对齿轮箱轴承温度预测残差进行分析,通过指数加权移动平均法(EWMA)设置自适应阈值来监测齿轮箱轴承温度异常变化;最后以华北某风场的SCADA数据进行算例验证,结果表明该方法能够准确检测到齿轮箱轴承温度异常,提前发现风电机组的早期故障,为风电机组安全可靠运行提供重要价值。更多还原