基于改进CNN和BiGRU双通道特征融合的风电机组故障诊断模型

针对风电机组的故障诊断问题,提出一种基于改进卷积神经网络(convolutional neural network,CNN)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)双通道特征融合的风电机组故障诊断模型,该模型有别于传统的串联式结构,采取了并联式结构将改进的CNN和BiGRU进行结合.首先,利用批量归一化(batch normalization,BN)层代替传统CNN中的Dropout层,CNN作为第1个通道提取特征;其次,给传统BiGRU添加1个多层感知机网络,BiGRU作为第2个通道提取特征;最后,通过识别层的特征融合层将两通道连接起来,利用支持向量机代替传统的Softmax层进行故障分类.实验结果表明,相较于其他模型,该模型的准确率更高,整体效果更好.

基于Apriori算法和卷积神经网络的风电机组故障诊断模型

随着风能设备的规模在各国不断增大,风电机组的运行与维护成为研究热点.针对风电机组的故障诊断问题,本文提出了一种基于Apriori算法和卷积神经网络(convolutional neural networks,CNN)的故障诊断模型.该模型将k均值聚类(k-means)与Apriori算法结合进行特征选取并进行验证,以降低对专家经验的依赖性;以卷积神经网络构建故障诊断模型.以真实风电场SCADA(supervisory control and data acquisition)数据进行实验,通过准确率、精准率等指标将本文模型与其他模型进行对比.结果表明,与其他模型相比,本文模型的准确率更高,整体效果更好.