【技术实现步骤摘要】
一种基于深度学习的电站风机故障预警方法
[0001]本专利技术涉及风力发电机故障预警的
，具体为一种基于深度学习的电站风机故障预警方法。
技术介绍
[0002]风机作为火电站重要的辅机设备之一，主要职能是维持电力生产所需要的空气循环。风机是大型高速旋转类机械设备，频繁启动及大范围变负荷容易发生轴系振动、叶片疲劳甚至转子断裂、叶片飞出等故障。一旦故障影响到整个机炉循环系统，还可能引发潜在的安全事故。此外，风机故障不仅提高了设备的维护成本，还可能造成机组负荷下降甚至非计划停机，导致并网发电量减少，进一步影响发电企业的经济效益。故障预测与健康管理技术是一种集故障预测、健康评估及维护决策于一体的综合技术，通过运用信息技术与智能算法来监控、管理与评估复杂系统自身的健康状态，并提供一系列维护保障建议，是实现智能发电过程中自学习分析诊断及自恢复故障的一种可行的解决方案。故障预警技术是健康管理的重要内容之一。根据设备监测数据的变化趋势，在故障发生之前或者故障产生初期，及时捕捉到故障的早期征兆并发出预警信息，不仅可以有效减小故障进一步发...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的电站风机故障预警方法，其基于LSTM神经网络与贝叶斯优化的电站风机形成对应方法，其特征在于：其通过离线建模和在线监测两个部分组成；其利用LSTM
‑
BO(贝叶斯优化的长短时神经网络)模型建立风机正常运行状态预测模型，分别取正常数据和故障数据比较验证模型的预测精度；之后根据模型预测偏离度的频率分布，结合滑动时间窗口技术构建健康指数，表征风机实时运行状态，通过确定合理的健康指数阈值识别风机的正常、故障及严重故障状态。2.如权利要求1所述的一种基于深度学习的电站风机故障预警方法，其特征在于，所述离线建模部分具体实施步骤如下：步骤1、收集电站风机特征变量的正常运行数据，对数据进行预处理保证数据的质量，再将其划分为训练集、验证集和测试集；步骤2、利用通过贝叶斯优化算法找到的超参数组合构建LSTM神经网络，训练集数据用于训练LSTM神经网络，验证集用于检验模型的平均预测误差，通过不断优化和调整LSTM神经网络的超参数，使模型得到最佳的预测效果；步骤3、保存...
【专利技术属性】
技术研发人员：麻红波，张澈，徐龙，刘鹏，高嘉乐，孙乐，张志坚，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。