文献类型：期刊文章

作　　者：金晓航[1,2,3] 许壮伟[2] 孙毅[1,2,3] 单继宏[1,2] 王欣[4]

Jin Xiaohang;Xu Zhuangwei;Sun Yi;Shan Jihong;Wang Xin(l.Key Laboratory of E&M,MOE,Zhejiang University of Technology,Hangzhou 310023,China;College of Mechanical Engineering,Zhejiang University of Technology,Hangzhou 310023,China;Ninghai ZJUT Academy of Science and Technology,Ninghai 315600,China;Zhejiang Windey Co.,Ltd.,Hangzhou 310012,China)

机构地区：[1]浙江工业大学特种装备制造与先进加工技术教育部重点实验室,杭州310023 [2]浙江工业大学机械工程学院,杭州310023 [3]宁海县浙工大科学技术研究院,宁海315600 [4]浙江运达风电股份有限公司,杭州310012

出　　处：《仪器仪表学报》

基　　金：国家自然科学基金(51505424,51675484);浙江省自然科学基金(LY15E050019);宁波市自然科学基金(2018A610045);浙江省大学生科技创新活动计划(新苗人才计划)项目资助。

年　　份：2020

期　　号：4

起止页码：68-76

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于风电机组数据采集与监控系统(SCADA)的大量时序数据分析,提出一种基于生成对抗网络(GAN)的风电机组在线状态监测方法。首先,通过GAN模型中的生成器获得一组与SCADA数据相同维度的生成数据;其次,利用生成的和真实的SCADA数据对GAN模型进行优化训练进而得到用于区分机组健康状态的判别器模型。利用所提方法分别对一台故障风电机组和一台健康风电机组的SCADA数据分析后发现:GAN方法能够有效监测风电机组的在线运行状态,比SCADA系统提早5 d发现故障机组的异常;当风电机组正常工作时,GAN方法比其他方法(如马氏距离、主成分分析、深度神经网络、支持向量机等)误报的次数更少;当机组发生故障后,GAN方法比上述其他方法能检测出更多的异常样本。

关 键 词：风电机组 数据采集与监控系统 生成对抗网络  状态监测  

分 类 号：TH17]