基于K-CNN和N-GRU的风电机组发电机状态预测

摘要：

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.

关键词：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

所属期刊栏目：45

分类号：TP277(自动化技术及设备)

在线出版日期：2023-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1043-1049