基于长短时记忆—自编码神经网络的风电机组性能评估及异常检测

性能评估及异常检测是风电机组健康状态监测的重要手段。以往风电机组性能评估较少考虑性能监测数据的时序性及多变的运行工况,导致模型评估的准确度低,且未根据整机性能确定与异常相关的功能模块,使得检修成本高。针对上述问题,提出了一种基于长短时记忆—自编码(LSTM-AE)神经网络的风电机组性能评估及异常检测方法。该方法首先采用长短时记忆神经单元与自编码网络构建性能评估模型,以计算用于评估风电机组性能状态异常程度的指标,通过与基于支持向量回归计算的自适应阈值对比,识别性能异常点。然后,利用高斯Copula熵估计不同性能监测参数与该指标的互信息值,来确定关键性能监测参数,并映射至风电机组功能模块。实验结果表明,所提方法能有效处理具有时序特征的性能监测数据,并提高异常检测的准确性。