基于CNN-SLinformer算法的风电机组偏航系统故障预测

摘要

随着风电产业的快速发展，风电机组故障停机的比例也在上升，其中偏航系统故障尤为突出，占据了总停机时间的近三分之一（28.7%）.为减少停机时间和运维费用，本文提出了一种基于SCADA数据的深度学习模型CNN-Smart＿Linformer(CNN-SLinformer)，用于预测风电机组偏航系统的故障发生时间.该模型通过引入动态自注意力权重计算线性投影矩阵，自适应地捕捉输入序列的变化，显著增强了模型在不同运行环境下的泛化能力.它结合了卷积神经网络（CNN）在局部特征提取的优势与SLinformer在捕捉长期依赖关系的能力.实际风电场SCADA数据的实验结果表明，CNN-SLinformer模型在偏航故障预测任务中显著提高了预测精度，Score降低至144.50，同时模型运行时间更短，为风电场提供了有效的故障预测工具.

关键词

风电机组 / 偏航系统 / 卷积神经网络(CNN) / SLinformer / 故障预测

基金资助

国家自然科学基金资助项目(62262038); 甘肃省重点研发计划-工业项目(25YFGA045)