基于双重注意力LSTM神经网络的可解释海上风电出力预测

海上风电面临复杂多变气象和海况条件的深度耦合影响,导致其出力预测精度有待提升。同时,预测模型的“黑盒”结构导致出力预测结果在工程应用中可信度偏低。针对上述问题,提出一种基于双重注意力长短期记忆(DALSTM)网络的超短期海上风电出力预测模型。在长短期记忆神经网络的基础上,引入特征空间和时序双重注意力机制,动态挖掘海上风电出力与输入特征间的潜在相关性,并从特征和时间2个方面获得重要性量度,在一定程度上实现了模型的可解释性。最后,基于中国东海大桥海上风电场数据采集与监控数据进行仿真验证。结果表明,所提DALSTM网络模型能够对海上风电出力进行有效的超短期预测,相比于传统预测模型具有更高的预测精度和稳定性,同时具有合理的可解释性。

基于GRU和注意力机制的海上风机齿轮箱状态监测

海上风电机组齿轮箱运行状态的有效监测和及时预警对海上风机运维工作具有重要意义。为此,提出一种基于门控循环单元(Gated Recurrent Unit,GRU)和注意力机制的海上风电机组齿轮箱状态监测方法。在训练阶段,通过注意力机制自动提取海上风电SCADA数据集输入参量与目标建模参量间的关联关系,同时采用GRU网络提取数据间的时序依赖关系,进而建立风电机组齿轮箱的正常行为模型。在测试阶段,采用指数加权移动平均值(Exponentially Weighted Moving-Average,EWMA)控制图对目标建模参量实际值和模型预测值间的输出残差进行监控,实现海上风机齿轮箱运行状态的实时监测和预警。最后基于东海大桥海上风电场真实数据对所提方法的有效性和优越性进行了验证。结果表明:所提方法对故障和正常运行条件下的海上风电机组齿轮箱状态均可进行有效监测,且相比现有陆上风机状态监测方法具有更高的精度和可解释性,并能更早地揭示故障趋势。