融合LSTM和优化SVM的风力发电机组故障预测方法

摘要

针对风电机组基于SCADA数据预测分析故障效率低、准确度差的问题，提出一种融合长短期记忆网络（LSTM）和麻雀搜索算法（SSA）优化支持向量机（SVM）的机器学习模型.首先，利用SCADA历史数据分别训练LSTM和SVM，使其分别具有预测未来数据和判别故障状态的能力；其次，采用SSA优化SVM，保障其寻优能力强、收敛速度快；最后，通过优化的SVM对LSTM预测得到的未来数据进行故障状态识别判定，实现风电机组短期故障预测.通过现场数据测试结果表明：所提出的方法预测风电机组故障准确率为97.90%，能够满足现场对风电机组短期故障预测的实际需求.