基于MIC-LSTM与CKDE的风电机组机舱温度区间预测

风电安全技术的发展在新能源生产安全中具有重要意义。风力发电机组机舱温度预测可提前发现机舱温度的异常变化,为监测和控制系统提供温度预警信号,从而保障内部设备安全稳定运行。提出基于最大信息系数(MIC)的变量筛选方法,选取与机舱温度相关性较高的变量作为输入变量,然后基于长短时记忆(LSTM)网络建立了多变量机舱温度单点预测模型,通过与其它3类预测模型的性能对比表明了所提方法精度更高;基于LSTM网络模型的预测结果及其误差数据集,采用条件核密度估计(CKDE)法建立了不同置信度下机舱温度预测值的波动区间,依据具体实例验证了不确定性区间预测模型的有效性和可靠性。