基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法

风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用;风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一;随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义;针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型;首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的3种常见故障;通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。     

联合采用熵权和灰色系统理论的电力大数据质量综合评估

随着电力系统规模的增大、量测技术的发展与成本下降,电力系统的数据量呈现快速增长趋势,逐步具备了大数据特征。充分利用大数据来改善电力系统的规划、运行与控制已受到越来越广泛的重视,如何评估大数据的质量是一个值得研究的重要问题。在数据质量提高技术如数据清洗、数据整合、相似记录检测等方面,已有相当多的研究报道。然而,在数据质量评估方面的研究还处于起步阶段。在此背景下,针对电力系统特征和电力大数据质量特性,提出一种电力大数据质量综合评估方法。首先,构建电力大数据质量评估指标体系;接着,针对大数据处理的时效性问题,利用MapReduce并行化K-means聚类算法来实现大数据样本集的快速预处理。之后,利用熵权法计算各类数据集的客观权重,采用灰色评估法判断数据质量所属等级,在此基础上实现对样本数据集的综合评价。最后,以某市电力公司所采集的用户用电负荷数据为例对所提出的方法做了说明。