基于QM-DBSCAN与BiLSTM的风电机组异常工况预警研究

来源：计量学报杂志2024年第9期北京时间：

作者：马良玉,梁书源,程东炎,耿妍竹,段新会

单位：1. 华北电力大学自动化系,河北保定071003; 2. 保定市综合能源系统状态检测与优化调控重点实验室,河北保定071003;

摘要：提出一种基于四分位(QM)-具有噪声的基于密度聚类法(DBSCAN)与双向长短期记忆网络(BiLSTM)的风电机组故障预警方法。首先,针对风速-功率图中限功率点难以清洗完全的问题,提出利用QM与DBSCAN联合来对建模运行数据进行预处理;其次,通过分析风电机组运行原理,并结合轻量梯度提升机(LightGBM)特征选择法确定风电机组正常工况预测模型的输入输出参数,并基于BiLSTM建立了高精度的风电机组正常性能预测模型;之后,利用滑窗算法构建了风电机组状态性能评价指标,并通过统计学区间估计法确定指标阈值;最后,采用风电机组真实故障数据,开展风电机组异常工况预警实验,验证了方法的有效性。

关键词：电学计量;风电机组;故障预警;四分位法;DBSCAN;BiLSTM;滑窗算法

基金资助：国家自然科学基金(61973117);河北省中央引导地方科技发展资金(226Z2103G)