基于神经网络和稳健估计的风电机组状态监测

作     者：岳子桐 李艳婷 赵宇 

作者机构：上海交通大学机械与动力工程学院 

出 版 物：《中国机械工程》 (China Mechanical Engineering)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 080801[工学-电机与电器] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金面上项目(72072114 72471139) 

主　　题：风电机组状态监测 卷积神经网络-双向门控循环单元 长鼻浣熊优化算法 稳健检验统计量 

摘      要：在风力发电机组的状态监测中，温度时序数据作为评估其运行是否稳定的关键指标，通常由SCADA(数据采集与监视控制)系统进行收集。本文提出了一种利用温度数据来实现更加稳健的风电机组状态监测的新方法。为了解决传统预测模型存在的收敛速度慢的问题，本研究采用了卷积神经网络(CNN)与双向门控循环单元(BiGRU)相结合的网络结构，并引入了一种新颖的优化算法——长鼻浣熊优化算法(COA)，以改善温度预测模型的训练效果。此外，考虑到在实际操作环境中传统控制图存在较高的假警报率这一问题，本文提出了一种结合中位数估计(MED)与最小正则化加权协方差行列式估计(MRWCD)的策略，用于残差向量的稳健性监测。基于这些改进，本文建立了一个多元指数加权移动平均控制图。该方法在中国华东地区某一风电场的应用案例表明，相较于传统的监测手段，本文提出的新方法能够显著减少误报的情况，并且在风电机组的状态监测过程中提供了更高的可靠性与稳定性。