典型文献
基于ConvLSTM-SA的风电机组健康状态评估
文献摘要：
为了解风电机组健康状态程度,提供提前检修方案,文章提出了基于ConvLSTM-SA(convolution long short term memory-self attention)的风电机组健康状态监测和评估方法.首先,采用基于密度的聚类方法(density-based spatial clustering of applications with noise,DBSCAN)和随机森林完成对状态预测输入数据的处理与特征选择;然后,搭建了状态预测模型,把预测结果的多类残差融合,定义混合残差及报警阈值限;最后,设计了以混合残差为参数的健康状态模糊隶属度函数,确定机组综合健康状态评价指标,并利用某风电场运行案例进行验证.与时间卷积网络(temporal convolutional network,TCN)和双向长短期记忆(Bi-directional long-short term memory,Bi-LSTM)模型相比,ConvLSTM-SA的预测精准度更高,同时验证了多特征残差混合对状态评估的必要性.结果表明,评估模型能够清楚反映机组的状态变化,且可以提前10 h发出故障预警信号.
文献关键词：
风电机组;状态评估;混合残差;隶属度;神经网络
中图分类号：
作者姓名：
赵文清;王继发;郭东庆
作者机构：
华北电力大学控制与计算机工程学院,河北保定 071003;复杂能源系统智能计算教育部工程研究中心,河北保定 071003
文献出处：
引用格式：
[1]赵文清;王继发;郭东庆-.基于ConvLSTM-SA的风电机组健康状态评估)[J].电力信息与通信技术,2022(11):20-26
A类：
B类：
ConvLSTM,SA,风电机组,健康状态评估,解风,检修方案,long,short,term,memory,self,attention,健康状态监测,基于密度,聚类方法,density,spatial,clustering,applications,noise,DBSCAN,状态预测,输入数据,特征选择,残差融合,混合残差,报警阈值,模糊隶属度函数,综合健康,状态评价,风电场,时间卷积网络,temporal,convolutional,network,TCN,双向长短期记忆,Bi,directional,多特征,状态变化,故障预警,预警信号
AB值：
0.39559
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。
