基于场景判别的风电齿轮箱温度预测及趋势异常预警方法

将齿轮箱温度划分为正常、温升异常和温度异常3种场景，并利用所构建的卷积神经网络（Conventional neural network,CNN）结合双向长短期记忆（Bidirectional long short term memory,Bi LSTM）网络模型对场景进行判别。在此基础上，采用分位数回归（Quantile regression,QR）结合门控循环单元（Gaterecurrentunit,GRU）方法，分别预测不同温度场景下的油温及轴承点预测及温度区间，并根据GRU温度异常诊断模型对2种预测温度进行诊断。算例分析结果表明，用该方法能准确预测各状态下齿轮箱温度，且预测区间可靠，可实现齿轮箱温度异常的高效诊断。依托某风场实测数据对所提方案进行验证，验证结果表明所提方法有效且性能优越。