基于K-means和BPNN的风机状态识别

为实现"双碳"目标,必须大力发展风力发电技术.而随着电网规模越来越大,运行越来越复杂,对风机等电力设备的状态实时检测和精确评估也成为一个越来越重要的问题.随着大数据技术的发展以及电力设备数据监测技术的完善使电力设备状态监测使用机器学习等数据驱动技术成为了可能.与传统方法相比,该方法不依赖于准确的经验阈值和定量模型,对数据海量化和复杂化的情况具有更强的适应能力.因此,分别以无监督(K-means)和有监督(BP神经网络)的机器学习方法对风机状态进行识别,并探究对原始数据采用降维算法后风机状态识别的准确性及计算效率的变化.结果显示:2 种机器学习方法在风机状态识别中的应用均具备...

Full description

Saved in:
Bibliographic Details
Published in中国电力 Vol. 56; no. 6; pp. 158 - 175
Main Authors 杨晓峰, 方逸航, 赵鹏臻, 王承民, 谢宁
Format Magazine Article
LanguageChinese
Published 龙源电力集团(上海)风力发电有限公司,上海 200122%上海交通大学电子信息与电气工程学院,上海 200240 2023
Subjects
非机理性建模
神经网络
机器学习
风机状态识别
降维
Online AccessGet full text

Cover

More Information
Summary:为实现"双碳"目标,必须大力发展风力发电技术.而随着电网规模越来越大,运行越来越复杂,对风机等电力设备的状态实时检测和精确评估也成为一个越来越重要的问题.随着大数据技术的发展以及电力设备数据监测技术的完善使电力设备状态监测使用机器学习等数据驱动技术成为了可能.与传统方法相比,该方法不依赖于准确的经验阈值和定量模型,对数据海量化和复杂化的情况具有更强的适应能力.因此,分别以无监督(K-means)和有监督(BP神经网络)的机器学习方法对风机状态进行识别,并探究对原始数据采用降维算法后风机状态识别的准确性及计算效率的变化.结果显示:2 种机器学习方法在风机状态识别中的应用均具备有效性,而降维方法在有限的精度损失下较为明显地提高了计算效率.
ISSN:1004-9649
DOI:10.11930/j.issn.1004-9649.202203070