基于K-CNN和N-GRU的风电机组发电机状态预测

摘要

为了检测风电机组发电机异常、减少由故障引起的停机事件发生,基于真实风电场的数据采集与监视控制(Supervisory Control and Data Acquisition,SCADA)系统记录的多维传感器参数,提出一种K-CNN(Convolutional Neural Network,卷积神经网络)和N-GRU(Gated Recurrent Unit,门控循环单元)相结合的深度学习框架,建立风电机组发电机状态预测模型。首先,用Pearson相关系数分析状态参数相关性;之后,通过权重系数加权得到一维融合参数;其次,针对传统特征提取过程中忽略浅层特征的问题,采用CNN分层提取一维融合参数的特征,并利用核主成分分析(Kernel Principal Component Analysis,KPCA)将不同层的特征提取结果降为一维;然后,针对传统GRU算法参数欠优化问题,利用神经网络架构搜索改进GRU算法,得到N-GRU模型,将降维后的特征提取结果输入N-GRU做预测并得到重构误差,通过设定告警阈值实现状态评估;最后,以新疆某风场中2 MW风电机组为例,验证了该模型的有效性与准确性。