文献类型：期刊文章

作　　者：张鑫[1] 徐遵义[1] 何慧茹[1] 王飞[2]

ZHANG Xin;XU Zunyi;HE Huiru;WANG Fei(School of Computer Science and Technology,Shandong Jianzhu University,Jinan 250100,China;State Grid Rayiee Electric Power Technology(Beijing)Co.,Ltd.,Beijing 100088,China)

机构地区：[1]山东建筑大学计算机科学与技术学院,山东济南250100 [2]国网瑞盈电力科技(北京)有限公司,北京100088

出　　处：《电力系统保护与控制》

基　　金：山东省重点研发计划项目资助(2016GGX101024);中国华电集团有限公司2019年度科技项目资助(CHDKJ18-02-52)。

年　　份：2020

卷　　号：48

期　　号：15

起止页码：134-140

语　　种：中文

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

摘　　要：针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)和支持向量机(Support VectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。

关 键 词：风电机组 叶片开裂故障  SCADA数据  受限玻尔兹曼机  支持向量机

分 类 号：TM315]