基于动态矩阵与特征相似度的AAKR风电机组状态监测

针对传统自组织核回归(AAKR)模型所选记忆矩阵冗余度较高、无法根据在线数据实时更新、计算相似度时未考虑特征参数权值不一的问题,提出一种基于动态矩阵与特征相似度的自组织核回归(DM-FS-AAKR)风电机组状态监测方法。首先基于样本间距离对原始数据集去冗余以降低运算复杂度,形成待选数据集;其次基于k-最近邻算法选取最符合当前运行条件的历史数据构建动态矩阵;为克服相似度计算时不良参数的偏差污染,提出一种特征相似度计算方法为不同参数分配相应权值进一步提高预测精度;最后以河北某风电场SCADA数据为例,对机组故障停机前工况进行验证实验。结果表明,相比于传统AAKR模型,所提算法平均绝对误差降低约15.6%,故障预警时能够提前35天实现预警,具有较高精度和实时性。