基于RBM和SVM的风电机组叶片开裂故障预测

发布时间：2021-08-05 20:04

　　针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机（Restricted BoltzmannMachine,RBM）和支持向量机（SupportVectorMachine,SVM）的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。 

【文章来源】：电力系统保护与控制. 2020,48(15)北大核心CSCD

【文章页数】：7 页

【参考文献】：
期刊论文
[1]基于特征选择和XGBoost的风机叶片结冰预测[J]. 曹渝昆,朱萌,王晓飞.  电气自动化. 2019(03)
[2]基于栈式自编码网络的风机叶片结冰预测[J]. 刘娟,黄细霞,刘晓丽.  计算机应用. 2019(05)
[3]基于受限玻尔兹曼机的Web服务质量预测方法[J]. 王兴菲,万健,陈璐,殷昱煜,俞立峰.  中南大学学报(自然科学版). 2018(11)
[4]基于Kmeans-SVM的短期光伏发电功率预测[J]. 张雨金,杨凌帆,葛双冶,周杭霞.  电力系统保护与控制. 2018(21)
[5]结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测[J]. 李若晨,朱帆,朱永利,翟羽佳.  电力系统保护与控制. 2018(17)
[6]Training Restricted Boltzmann Machine Using Gradient Fixing Based Algorithm[J]. LI Fei,GAO Xiaoguang,WAN Kaifang.  Chinese Journal of Electronics. 2018(04)
[7]基于PCA和SPC-动态神经网络的风电机组齿轮箱油温趋势预测[J]. 黄忠山,田凌,向东,韦尧中.  清华大学学报(自然科学版). 2018(06)
[8]基于相空间重构的高压断路器机械故障诊断研究[J]. 李自强,魏磊,韩大鹏,滕文涛.  电力系统保护与控制. 2018(09)
[9]基于小波变异果蝇优化支持向量机短期负荷预测方法研究[J]. 熊军华,牛珂,张春歌,李铎,谢飞.  电力系统保护与控制. 2017(13)
[10]基于多重分形谱和支持向量机的风电机组行星齿轮箱故障诊断与研究[J]. 李东东,周文磊,郑晓霞,王浩.  电力系统保护与控制. 2017(11)



本文编号：3324377