典型文献
基于迁移成分分析的多风电机组运行状态识别方法
文献摘要：
风电机组运行状态识别对风电机组发电性能评估和风电场精细化管理具有重要意义,然而不同风电机组的数据采集与监视控制系统(supervisory control and data acquisition,SCADA)数据分布差异明显,如果将已训练好的单台风电机组正常行为模型直接应用于多风电机组运行状态辨识,辨识精度较低.为了提高辨识精度,需要针对每台风电机组正常行为模型进行重复性训练,工作量大.为此,提出了一种基于迁移成分分析(transfer component analysis,TCA)的多风电机组运行状态划分模型.首先,采用基于最大互信息系数和反向传播(back propagation,BP)双隐层神经网络的变量优选方法挖掘风电机组运行状态关键影响变量;然后,以正常运行状态下的优选变量为输入,功率为输出,构建了基于BP双隐层神经网络的风电机组正常行为模型;最后,基于迁移成分分析,构建多风电机组运行状态划分模型.算例结果表明,所提模型可解决不同风电机组数据分布差异的问题,提高运行状态划分模型的精度和效率.
文献关键词：
风电机组;运行状态;正常行为模型;迁移学习;机器学习
中图分类号：
作者姓名：
李林晏;韩爽;张雅洁;陈阳;李莉;潘志强
作者机构：
华北电力大学新能源学院,北京市 昌平区 102206;新能源电力系统国家重点实验室 华北电力大学),北京市 昌平区 102206;电能 北京)工程监理有限公司,北京市 朝阳区 100089
文献出处：
引用格式：
[1]李林晏;韩爽;张雅洁;陈阳;李莉;潘志强-.基于迁移成分分析的多风电机组运行状态识别方法)[J].分布式能源,2022(01):12-19
A类：
正常行为模型
B类：
迁移成分分析,多风电机组,风电机组运行,机组运行状态,运行状态识别,发电性能,性能评估,风电场,数据采集与监视控制系统,supervisory,control,data,acquisition,SCADA,数据分布,分布差异,练好,单台,台风,接应,运行状态辨识,辨识精度,transfer,component,analysis,TCA,状态划分,最大互信息系数,反向传播,back,propagation,优选方法,影响变量,决不,迁移学习
AB值：
0.220017
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
