10.13334/j.0258-8013.pcsee.200224
基于GRA-LSTM-Stacking模型的海上双馈风力发电机早期故障预警与诊断
为防止海上双馈风力发电机(doubly-fed induction generator,DFIG)故障迅速恶化而导致的重大经济损失,迫切需要尽早给出故障预警信号.针对现有海上SCADA系统面临的预警时间不足以及故障样本获取困难的问题,该文提出一种基于GRA-LSTM-Stacking模型的海上DFIG早期故障预警与诊断方法.首先,对SCADA系统采集的数据进行灰色关联分析(grey relation analysis,GRA),筛选出与DFIG运行温度高度相关的状态变量;然后,通过长短期记忆网络(long short-term memory,LSTM)预测正常工况下DFIG的运行温度,计算实际值与预测值的残差绝对值,并使用概率分布拟合的方法设置告警阈值,据此对风机早期故障进行预警,并提取故障样本;最后,通过Stacking融合算法框架对提取的DFIG故障样本进行精确故障诊断.以某海上风电场3MW双馈式风机SCADA数据为例进行分析,结果表明:该文所提的GRA-LSTM-Stacking诊断模型既能提前29~72h识别海上DFIG早期故障,并能精确诊断出故障类型,还能有效提高海上DFIG的故障诊断精度,为深远海风电开发提供技术储备.
海上风电、双馈风力发电机、SCADA系统、融合算法、故障预警与诊断
41
TM614(发电、发电厂)
国家自然科学基金;上海市教委自然科学重大项目;上海市科技创新行动计划;上海高校特聘教授东方学者岗位计划;电气工程上海市Ⅱ类高原学科资助项目;上海市电站自动化技术重点实验室项目
2021-04-15(万方平台首次上网日期,不代表论文的发表时间)
共11页
2373-2382,中插9