基于CNN-BiLSTM-Attention的风电机组故障预警

来源：电子测量技术杂志2025年第11期北京时间：

作者：倪炳阳，何青

单位：长沙理工大学电气与信息工程学院 长沙 410114

摘要：在研究基于深度学习的风电机组故障预警问题时，针对模型的预测精度与故障预警的准确性问题，提出了一种融合CNN、BiLSTM、注意力机制Attention的组合模型预警方法。首先，针对SCADA原始数据质量较低的问题，使用参数优化的DBSCAN算法结合风电机组控制原理完成数据清洗，并使用GRA分析法筛选原始特征以降低特征间冗余；针对模型预测精度问题，为提高BiLSTM网络的特征提取能力以及对于关键特征的聚焦能力，分别引入CNN和注意力机制，搭建出组合网络模型；最后使用指数加权方法对功率残差进行平滑处理，从而确定预警阈值，实现风电机组的故障预警。通过某风电场的SCADA数据验证了方法的有效性。实验结果表明：本文模型相比于BiLSTM模型误差指标RMSE、MAE分别降低了29.8 %、30.7 %，拟合度R2提高了4.8 %。预警时间比SCADA报警日志提前2~6 h。

关键词：SCADA系统;双向长短期记忆网络;故障预警;数据清洗

基金资助：国家自然科学基金（62103063）、湖南省教育厅科学研究项目（22B0329）、长沙理工大学研究生实践创新项目（CSLGCX23072）资助