基于神经网络和稳健估计的风电机组状态监测

摘要

在风力发电机组的状态监测中，温度时序数据作为评估其运行是否稳定的关键指标，通常由数据采集与监视控制（SCADA）系统进行收集。提出了一种利用温度数据来实现更加稳健的风电机组状态监测的新方法。为了解决传统预测模型存在的收敛速度慢的问题，采用卷积神经网络（CNN）与双向门控循环单元（BiGRU）相结合的网络结构，并引入一种新颖的优化算法——长鼻浣熊优化算法（COA），以改善温度预测模型的训练效果。此外，考虑到实际操作环境中传统控制图存在较高的假警报率这一问题，提出了一种结合中位数估计（MED）与最小正则化加权协方差行列式估计（MRWCD）的策略，用于残差向量的稳健性监测。基于上述改进，建立了一个多元指数加权移动平均控制图。在华东地区某一风电场的应用案例表明，相较于传统的监测手段，所提方法能够显著减少误报的情况，并且在风电机组的状态监测过程中，可靠性与稳定性更高。

关键词

风电机组状态监测 / 卷积神经网络-双向门控循环单元 / 长鼻浣熊优化算法 / 稳健检验统计量