文献类型：期刊文章

作　　者：雷萌[1] 吕游[2] 魏玮[1] 任倩[3]

LEI Meng;LYU You;WEI Wei;REN Qian(School of Contol and Computer Engineering,North China University of Electrie Power,Beijing,China,102206;Key Laboralory of Power Station Energy Transfer Conversion and System of MOE,North China Electrice Power University,Beijing,China,102206;Beijing Zhongjiaoguotong ITS Technology Co.,Ltd.,Beijig,China,100088)

机构地区：[1]华北电力大学控制与计算机工程学院,北京102206 [2]华北电力大学电站能量传转化与系统教育部重点实验室,北京102206 [3]北京中交国通智能交通系统技术有限公司,北京100088

出　　处：《热能动力工程》

基　　金：国家重点研发计划课题(2021YFB2601405)。

年　　份：2022

卷　　号：37

期　　号：8

起止页码：213-220

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：风机持续健康稳定运行是电站机组安全性与经济性的重要保障,故障预警技术对于提高风机运行可靠性和降低维护成本尤为重要。为此,本文提出一种基于长短期记忆(Long short-term memory,LSTM)神经网络与贝叶斯优化算法的早期故障预警方法,充分挖掘电站风机正常运行数据,采用LSTM网络挖掘多种参数的关联特性及历史数据的时序特性,建立风机运行状态预测模型。为了提高预测模型的精确度,利用贝叶斯优化算法优化并设定LSTM网络的最佳超参数组合。考虑模型预测偏离度的非平稳性和多极值特点,引入广义极值理论从正常运行工况中确定报警阈值,以实现设备的早期故障预警。最后,将所提出的算法应用于某燃煤电站引风机故障预警中。结果表明:贝叶斯优化算法优化后的LSTM神经网络不仅可以精确表征风机在正常状态下运行行为,同时能够准确地获取风机的故障信息,从而能够在故障发生前4 h发现异常,实现故障预警。

关 键 词：LSTM神经网络  贝叶斯优化  电站风机 故障预警 预测偏离度  广义极值理论  

分 类 号：TP277]