基于場景判別的風電齒輪箱溫度預測及趨勢異常預警方法

趙宇，王曉東，呂海華，劉穎明，董福杰，王宇

基于場景判別的風電齒輪箱溫度預測及趨勢異常預警方法

趙宇1，王曉東1，呂海華2，劉穎明1，董福杰1，王宇1

（1.沈陽工業大學 電氣工程學院，遼寧 沈陽 110870；2.沈陽工程學院 信息學院，遼寧 沈陽 110136）

將齒輪箱溫度劃分為正常、溫升異常和溫度異常3種場景，并利用所構建的卷積神經網絡（Conventional neural network，CNN）結合雙向長短期記憶（Bidirectional long short term memory，BiLSTM）網絡模型對場景進行判別。在此基礎上，采用分位數回歸（Quantile regression，QR）結合門控循環單元（Gate recurrent unit，GRU）方法，分別預測不同溫度場景下的油溫及軸承點預測及溫度區間，并根據GRU溫度異常診斷模型對2種預測溫度進行診斷。算例分析結果表明，用該方法能準確預測各狀態下齒輪箱溫度，且預測區間可靠，可實現齒輪箱溫度異常的高效診斷。依托某風場實測數據對所提方案進行驗證，驗證結果表明所提方法有效且性能優越。

風力發電機組；齒輪箱；溫度預測；故障診斷；場景判別

0 引言

風能作為一種清潔和可再生的能源，具有一定的經濟和環境優勢[1]。隨著風力發電技術的成熟以及風電裝機容量的不斷增長，風電機組工作狀態的監測問題也變得尤為重要[2]。齒輪箱是風電機組傳動系統中的關鍵部件，其故障極易引發停機事故[3]。因此，有必要對風電機組齒輪箱異常預警進行研究，以提升風力發電的穩定性。

目前，國內外對風電機組齒輪箱異常預警進行了大量研究，主要方法有：分析輸出信號、建立解析模型和人工智能方法。

文獻[4]通過分析時域振動信號來檢測齒輪箱異常。由于在應用過程中狀態監測系統（Condition monitoring system，CMS）運行依賴于高性能傳感器、采集卡等硬件設備，故需要在風機上增加相應的接口，這給實際運行帶來不便。

文獻[5]采用基于解析模型的故障診斷方法來進行故障檢測；但是，風電機組是典型的非線性動力系統且結構復雜，所以該方法難以建立準確的系統機理模型。

文獻[6]使用多路主成分分析（Multiplexed principal component analysis，MPCA）模型對正常單元進行建模以評估故障單元；但是，傳統的模型算法難以解決風電機組數量和觀測變量增加帶來的龐大數據量，所以該方法在應用中存在過擬合、精度低等一系列問題。文獻[7]采用深度學習的方法實現對齒輪箱油池溫度的預測；使用統計學方法分析油池溫度預測值與實際值的誤差；根據實際情況設定預警閾值，使用滑動窗口理論實現齒輪箱故障預警。但是，由于風機運行工況復雜，通過設置預警閾值的方法來對風電機組進行預警，往往可能有誤報或者不報的情況發生，局限性較大[8]；并且這類方法只能預測出齒輪箱正常狀態的溫度，不能預測出齒輪箱非正常狀態的溫度。

綜上，針對故障預警存在的成本高、精度低、設置預警閾值不可靠等問題，本文提出一種基于場景判別的風電機組齒輪箱溫度預測及趨勢異常預警方法：首先用CNN-BiLSTM場景判別模型進行場景判別，再通過QR-GRU溫度預測模型對劃分之后的各場景進行溫度預測，最后基于GRU齒輪箱溫度異常診斷模型進行溫度異常診斷，以實現對齒輪箱溫度異常的預警。

1 基于場景判別的溫度預警流程

本文針對風電齒輪箱溫度異常變化提出一種基于場景判別的風電機組齒輪箱溫度預測及趨勢異常預警方法，可精準地對齒輪箱進行溫度異常診斷，及時發現齒輪箱溫度異?，F象。

本文提出的方法分為3個階段，即基于CNN-BiLSTM溫度場景判別、基于QR-GRU的齒輪箱溫度預測和基于GRU的齒輪箱溫度異常診斷。

1）場景判別。

齒輪箱非正常階段溫度變化較大。為克服所采集的齒輪箱整體溫度數據無規律的問題，避免預測難度加大，首先采集齒輪箱當前時刻及前7 h的油溫和軸承溫度數據，采用CNN深層提取溫度數據特征；然后結合BiLSTM保留溫度數據時間關聯性的特點對溫度數據進行分類預測；最后經過CNN-BiLSTM溫度場景判別，將齒輪箱整體溫度預測劃分為3個場景，即正常、溫升異常和溫度異常場景下的溫度預測。

2）溫度預測。

3）溫度異常診斷。

考慮到單一的溫度數據因受環境溫度等因素影響而易增加錯誤報警的風險，本文將預測出的下一時刻齒輪箱油溫和軸承溫度送入齒輪箱溫度異常診斷模型中，利用GRU能充分提取數據特征信息的能力，根據預測的溫度進行溫度異常診斷，最后得到下一時刻的齒輪箱溫度異常診斷結果。該方法可對齒輪箱進行持續溫度異常診斷，既能判斷齒輪箱是否發生溫度異常，同時也能得到溫度異常原因。

2 基于CNN-BiLSTM場景判別

由于受環境溫度等因素的影響，風電機組齒輪箱穩定運行時的溫度會在某一個正常溫度范圍內上下波動。在風電機組齒輪箱發生溫度異常前，齒輪箱的溫度將會急劇上升，呈現溫升異常的現象。這種現象的發生，易造成齒輪箱整體溫度數據變化無規律的問題。雖然常規機器學習算法能夠實現回歸預測，但對于整體溫度預測精度的提升和泛化能力的提高仍存在一定的困難。針對上述問題，本文提出了基于CNN-BiLSTM的場景判別方法：采用CNN深層提取溫度數據特征[9]，用BiLSTM保留溫度數據時間關聯性[10]。

基于CNN-BiLSTM的場景判別模型結構如圖1所示。

圖1 場景判別模型結構

圖1中，首先以當前時刻及前7 h的齒輪箱油溫和軸承溫度作為輸入，用2層CNN對輸入變量進行卷積運算。為保證第一步特征提取的完整性，2層CNN神經元個數都為10，激活函數都為relu，卷積核尺寸分別為2×1和1×1。然后，3層BiLSTM接收CNN的輸出作為新的輸入變量，對卷積后的特征信息進行學習，并兼顧特征信息的前后輸入，保留溫度數據時間關聯性，進一步提取數據的所有信息。3層BiLSTM神經元個數分別為60、180、60。Dropout層的作用是用來避免模型的過度擬合，同時提高模型的泛化能力。本文dropout取0.2。最后利用Dense層和激活函數softmax輸出場景判別結果，即正常場景、溫升異常場景和溫度異常場景。其中，全連接層神經元個數為19。

3 基于QR-GRU齒輪箱溫度概率預測

準確的齒輪箱溫度預測是齒輪箱溫度異常診斷的關鍵。為使齒輪箱整體的溫度預測更加準確，在用CNN-BiLSTM場景判別模型對齒輪箱溫度進行劃分之后，各場景的預測精度需進一步提升。因此，本文提出基于QR-GRU的齒輪箱溫度概率預測方法。

3.1 GRU神經網絡

GRU在長短期記憶（Long short term memory，LSTM）基礎上做了改進，只包含更新門和重置門，其優勢在于減少了參數的訓練，提升了運算速度。同時，更新門和重置門決定溫度數據中信息的保留和遺忘、學習不同特征的自適應權重，使GRU既能充分挖掘溫度數據中的特征信息和學習溫度數據中的關聯性，又降低了模型過擬合的風險[11]。

3.2 分位數回歸方法

分位數回歸研究的是自變量與因變量的條件分位數之間的關系[12]。與傳統的平均回歸方法不同，由于分位數不需要對響應的分布進行假設，這使其更實用、更穩定[13]。

線性QR回歸模型可表示為：

3.3 基于QR-GRU齒輪箱溫度概率預測方法

QR-GRU模型的工作流程圖如圖2所示。

圖2 QR-GRU模型計算流程

基于QR-GRU的齒輪箱油溫和軸承溫度預測模型參數為：

1）正常場景油溫預測模型的GRU神經元個數都設置為60；溫升異常油溫預測模型的GRU神經元個數分別為60、120、60；溫度異常油溫預測模型的GRU神經元個數分別為64、128、64。

2）正常場景軸承溫度預測模型的GRU神經元個數分別為50、60、30；溫升異常油溫預測模型的GRU神經元個數都為60；溫度異常油溫預測模型的GRU神經元個數分別為60、120、60。

在模型訓練過程中，通過正向傳播獲得對應預測值，通過反向傳播計算每個門的權重損失，并使用Adam算法進行權重優化。

4 基于GRU的齒輪箱溫度異常診斷

利用場景判別QR-GRU模型預測出的齒輪箱油溫和軸承溫度，能為齒輪箱溫度異常診斷提供數據基礎。應用GRU的齒輪箱溫度異常診斷模型可充分利用預測的溫度，對齒輪箱進行準確的溫度異常診斷。

齒輪箱冷卻器故障和局部潤滑油失效是齒輪箱2種常見的故障，其在故障早期會引發溫度異常。針對這2類故障，在基于GRU的齒輪箱溫度異常診斷模型基礎上加入分類功能，可進一步確定引起齒輪箱溫度異常的故障類別。

齒輪箱溫度異常診斷模型訓練流程如圖3所示。

圖3 齒輪箱溫度異常診斷模型訓練流程

在圖3所示訓練過程中，模型以基于場景判別的QR-GRU模型預測的齒輪箱油溫和軸承溫度作為輸入。將輸入的參數送入訓練好的GRU齒輪箱溫度異常診斷模型進行溫度異常診斷，將齒輪箱油溫和軸承溫度作為一個整體來對齒輪箱進行溫度異常診斷，以減少環境溫度等因素帶來的錯誤報警。用3層GRU對溫度時間序列數據中的關聯性進行深度學習。經過大量實驗得出：3層網絡神經元個數分別為64、128、64時，模型精度達到最優。

使用Adam算法進行權重優化，并設置學習率為0.001、訓練批次為32，以加快目標函數的收斂。

最后輸出3類結果，即正常、齒輪箱冷卻器故障和齒輪箱局部潤滑油失效。

5 算例結果及分析

5.1 數據來源

本文模型訓練數據來源于齒輪箱有限元模型。通過調節齒輪摩擦系數和齒輪箱熱傳遞系數，來設置齒輪箱局部潤滑油失效和冷卻器故障。

在正常、齒輪箱局部潤滑油失效和冷卻器故障工況下進行大量仿真并輸出齒輪箱溫度變化數據。每個場景各仿真3個月，時間分辨率為1 h，數據集包括齒輪箱油溫和齒輪軸承溫度。

本文場景判別模型準確性驗證數據來源于某風電場實測數據：隨機選取1 000個風機正常溫度值，1 000個風機溫升異常值和1 000個風機溫度異常值構成場景判別驗證數據集。

本文溫度預測模型驗證數據來源于某風電場的2類實測數據：一類為由齒輪箱冷卻器故障引起齒輪箱溫度異常的部分齒輪箱溫度變化數據，如圖4所示；另一種為由齒輪箱局部潤滑油失效引起齒輪箱溫度異常的部分齒輪箱溫度變化數據，如圖5所示。

（a）部分齒輪箱油溫數據

（b）部分齒輪箱軸承溫度數據

圖4 包含齒輪箱冷卻器故障的部分溫度實測數據

Fig. 4 Partial temperature measurement data including gearbox cooler failure

圖4中，數據時間分辨率為1 h，其中正常數據178 h，溫升異常數據20 h，溫度異常數據125 h，總計323 h。

（a）部分齒輪箱油溫數據

（b）部分齒輪箱軸承溫度數據

圖5 包含齒輪箱局部潤滑油失效的部分溫度實測數據

Fig. 5 Partial temperature measurement data including local lubrication oil failure in the gearbox

圖5中數據時間分辨率為1 h，其中正常數據182 h，溫升異常數據21 h，溫度異常數據120 h，總計323 h。

5.2 仿真實驗條件

將風電機組齒輪箱仿真數據集以9:1的比例分為訓練集和測試集，搭建CNN-BiLSTM場景判別模型；將風電機組齒輪箱仿真數據集以9:1的比例劃分為訓練集和測試集，構建各個場景下的QR-GRU齒輪箱油溫概率預測模型和軸承溫度概率預測模型；將數據集按照9:1的比例劃分成訓練集和測試集，搭建基于GRU的齒輪箱溫度異常診斷模型。

5.3 基于CNN-BiLSTM場景判別

為了驗證CNN-BiLSTM場景判別方法在溫度異常場景判定問題上的有效性，使用場景判別驗證數據集來測試場景判別模型。

表1給出了CNN-BiLSTM場景判別模型在訓練中的混淆矩陣。

表1 場景判別模型判別場景混淆矩陣

由表1可以直觀地看出，經過CNN的特征提取和BiLSTM的學習，在訓練中CNN-BiLSTM場景判別模型可以準確地劃分正常、溫升異常和溫度異常3個場景，準確率達到99.5%。

5.4 針對齒輪箱冷卻器故障的溫度趨勢預警

5.4.1 齒輪箱溫度概率預測

以齒輪箱冷卻器故障引起溫度異常的齒輪箱溫度實測數據進行驗證。

首先對實測數據進行溫度預測，引入QR-GRU、QR-CNN-BiLSTM和QR-BiLSTM齒輪箱溫度概率預測模型進行對比。本文采用平均絕對誤差（Mean absolute error，MAE）和均方根誤差（Root mean square error，RMSE）作為點預測評價指標[14]；采用預測區間覆蓋率（Prediction interval coverage probability，PICP）、預測區間平均寬度（Prediction interval normalized average width，PINAW）作為預測區間評價指標[15]。

PICP定義為置信水平下觀測值落在預測區間上下界內的概率。該值表征了模型預測區間的可靠性。PICP值越接近1，表明模型預測效果越好。

PINAW用來評估預測區間的寬度，以確保區間是有效的。在PICP值相同時，PINAW越小，表明模型的區間預測效果越好。

圖6 針對齒輪箱冷卻器故障的油溫預測結果

圖7 針對齒輪箱冷卻器故障的軸承溫度預測結果

表2 齒輪箱冷卻器故障時齒輪箱油溫預測誤差對比

表3 齒輪箱冷卻器故障時齒輪箱軸承溫度預測誤差對比

由圖6可知，齒輪箱從正常到發生冷卻器故障時，無論是點預測還是區間預測，基于場景判別的QR-GRU的油溫預測模型總體表現比較理想。

由圖7可知，在齒輪箱從正常運行到發生冷卻器故障時，無論是點預測還是區間預測，基于場景判別的QR-GRU的軸承溫度預測模型總體表現都比較理想。

小結：引入場景判別，使模型可以有效應對齒輪箱非正常階段溫度帶來的溫度無規律問題，提高了齒輪箱油溫預測的精度。

由表2可知，基于場景判別的QR-GRU油溫預測模型的點預測和區間預測效果優于其他方法。其中，點預測的RMSE為2.070 5、MAE為1.357 4，均小于其他3種方法的RMSE和MAE值——表明基于場景判別的QR-GRU模型相比之下使點預測精度得到了很大的提升，預測值更接近實際值；區間預測的PICP為0.940 6，保證了預測值極大概率能落在預測區間上；PINAW為0.204 7，說明在控制預測區間寬度方面，基于場景判別的QR-GRU模型優于其他3種方法，避免了預測區間寬度擴大，提升了區間預測性能。

由表3可知，基于場景判別的QR-GRU軸承溫度預測模型的點預測和區間預測效果優于其他方法，其點預測的RMSE、MAE分別為2.469 5、1.61，均小于其他3種方法，這表明模型點預測精度得到了很大的提升；模型區間預測的PICP為0.949 2，保證了預測值極大概率能落在預測區間上；模型的PINAW最小，為0.372 1，表明模型優于其他3種方法，可避免預測區間寬度擴大，從而極大提升了區間預測性能。

5.4.2 齒輪箱溫度異常診斷

將基于場景判別的QR-GRU齒輪箱溫度概率預測模型預測出的齒輪箱油溫和齒輪箱軸承溫度作為輸入，由GRU齒輪箱溫度異常診斷模型進行溫度異常診斷。

為了驗證GRU溫度異常診斷模型的優越性，引入RF（Radom forest）和ELM（Extreme learning machine）模型進行對比。

采用準確率、精確率、召回率和1值作為溫度異常診斷的評價指標[16]。1值屬于綜合評價指標，該指標的使用可以準確地體現出模型的性能。1值越高代表其網絡模型分類性能越優越。

表4示出了不同模型針對齒輪箱冷卻器故障溫度異常診斷結果。

表4 不同模型針對齒輪箱冷卻器故障溫度異常診斷結果

由表4可知，與RF和ELM相比，對于由齒輪箱冷卻器故障引起的齒輪箱溫度異常，GRU的溫度異常診斷效果優于其他方法：準確率達到91.562%，這表明溫度異常診斷總體正確率得到了很大提升；精確率達到91.815%，表明溫度異常診斷現有預測結果大概率不會出錯，錯報概率很??；召回率達到94.572%，表明模型漏報率很??；1值達到92.352%，說明模型綜合性能高。

5.5 針對齒輪箱局部潤滑油失效的溫度趨勢預警

5.5.1 齒輪箱溫度概率預測

對齒輪箱局部潤滑油失效引起溫度異常的齒輪箱溫度實測數據進行驗證。

首先對實測數據進行溫度預測，同樣引入QR-GRU、QR-CNN-BiLSTM和QR-BiLSTM齒輪箱溫度概率預測模型進行對比。

圖8和圖9分別展示了針對齒輪箱局部潤滑油失效故障的油溫預測和軸承溫度預測結果。表5和表6分別示出了不同方法針對齒輪箱局部潤滑油失效的齒輪箱油溫和軸承溫度預測誤差對比結果。

圖8 針對齒輪箱局部潤滑油失效的油溫預測結果

圖9 針對齒輪箱局部潤滑油失效的軸承溫度預測結果

表5 針對齒輪箱局部潤滑油失效的齒輪箱油溫預測誤差結果對比

表6 針對齒輪箱局部潤滑油失效的齒輪箱軸承溫度預測誤差結果對比

由圖8可知，齒輪箱從正常運行到發生冷卻器故障時，無論是點預測還是區間預測，基于場景判別的QR-GRU的油溫預測模型總體預測效果比較理想。引入場景判別，使模型可以有效應對齒輪箱非正常階段溫度帶來的溫度無規律問題，提高了齒輪箱油溫預測的精度。

由圖9可知，齒輪箱從正常運行到發生局部潤滑油失效故障時，無論是點預測還是區間預測，基于場景判別的QR-GRU的軸承溫度預測模型總體預測效果比較理想。引入場景判別，可以使模型有效應對齒輪箱非正常階段溫度帶來的溫度無規律問題，提高了齒輪箱軸承溫度預測的精度。

由表5可知，齒輪箱從正常到發生局部潤滑油失效故障時，基于場景判別的QR-GRU油溫預測模型的點預測和區間預測效果優于其他方法。其中，點預測的RMSE為2.616 0、MAE為1.837 4，均小于其他3種方法的RMSE和MAE值，表明基于場景判別的QR-GRU的模型使點預測精度得到了很大的提升，預測值更接近實際值；區間預測的PICP為0.930 3，說明預測值極大概率能落在預測區間上；PINAW為0.201 9，表明了在控制預測區間寬度方面，基于場景判別的QR-GRU模型優于其他3種方法，避免了預測區間寬度擴大，極大提升了區間預測性能。

由表6可知，齒輪箱從正常到發生局部潤滑油失效故障時，基于場景判別的QR-GRU軸承溫度預測模型的點預測和區間預測效果優于其他方法。其中，點預測的RMSE為2.514、MAE為1.842，均小于其他3種方法的RMSE和MAE值，表明基于場景判別的QR-GRU的模型點預測精度得到了很大的提升，預測值更接近實際值；區間預測的PICP為0.957 5，說明預測值極大概率能落在預測區間上；PINAW為0.295，表明了在控制預測區間寬度方面，基于場景判別的QR-GRU模型優于其他3種方法，避免了預測區間寬度擴大，極大提升了區間預測性能。

5.5.2 齒輪箱溫度異常診斷

將基于場景判別的QR-GRU齒輪箱溫度概率預測模型預測出的齒輪箱油溫和齒輪箱軸承溫度作為輸入，由GRU齒輪箱溫度異常診斷模型進行溫度異常診斷，同樣引入RF和ELM模型進行對比。

表7示出了模型針對齒輪箱局部潤滑油失效的溫度異常診斷指標對比結果。

表7 針對齒輪箱局部潤滑油失效的溫度異常診斷指標對比

由表7可知，與RF和ELM相比，對于由齒輪箱局部潤滑油失效引起的齒輪箱溫度異常診斷，GRU的溫度異常診斷效果優于其他方法：其準確率達到93.231%，表明溫度異常診斷總體正確率得到了很大提升；其精確率達到94.840%，表明了溫度異常診斷現有預測結果大概率不會出錯，錯報概率很??；召回率達到94.572%，表明了模型漏報率很??；1值達到94.654%，說明模型綜合性能優越。

6 結論

本文提出一種基于場景判別的風電機組齒輪箱溫度預測及異常預警方法?；谀筹L電場實測數據和齒輪箱仿真數據的算例分析結果表明：

1）基于CNN-BiLSTM的場景判別模型可以深層提取溫度數據特征，保留溫度數據時間關聯性，有效解決非正常階段溫度帶來的溫度無規律問題，降低風電機組齒輪箱整體溫度預測難度，增加預測的準確性。

2）基于CNN-BiLSTM場景判別的QR-GRU模型在點預測和區間預測方面整體效果優于QR-GRU、CNN-BiLSTM、BiLSTM方法。

3）對于基于CNN-BiLSTM場景判別的齒輪箱油溫和軸承溫度異常診斷，GRU模型的診斷效果優于RF、ELM方法。

[1] LóPEZ-MANRIQUE L M, MACIAS-MELO E V, AGUILAR-CASTRO K M, et al. Review on methodological and normative advances in assessment and estimation of wind energy[J]. Energy & Environment, 2021, 32(1): 25-61.

[2] 馬良玉, 耿妍竹, 梁書源, 等. 基于Stacking多模型融合的風電機組齒輪箱油池溫度異常預警[J]. 中國電機工程學報, 2023, 43(S1): 242-251.MA LIANGYU, GENG YANZHU, LIANG SHUYUAN, et al. Wind turbine gearbox oil pool temperature anomaly warning based on Stacking multiple model fusion[J]. Proceedings of the CSEE, 2023, 43(S1): 242-251(in Chinese).

[3] PLIEGO MARUGáN A, GARCíA MáRQUEZ F P. Advanced analytics for detection and diagnosis of false alarms and faults: a real case study[J]. Wind Energy, 2019, 22(11): 1622-1635.

[4] SON J, KANG D, BOO D, et al. An experimental study on the fault diagnosis of wind turbines through a condition monitoring system[J]. Journal of Mechanical Science and Technology, 2018, 32: 5573-5582.

[5] HABIBI H, HOWARD I, SIMANI S. Reliability improvement of wind turbine power generation using model-based fault detection and fault tolerant control: a review[J]. Renewable Energy, 2019, 135: 877-896.

[6] POZO F, VIDAL Y, SALGADO ó. Wind turbine condition monitoring strategy through multiway PCA and multivariate inference[J]. Energies, 2018, 11(4): 749.

[7] 馬永光, 馮勇升. 基于IICEEMDAN-PCA-GRU的風電機組齒輪箱故障預警方法研究[J]. 太陽能學報, 2023, 44(4): 67-73. MA YONGGUANG, FENG YONGSHENG. Research on fault warning method of wind turbine gearbox based on IICEEMDAN-PCA-GRU[J]. Acta Energiae Solaris Sinica, 2023, 44(4): 67-73(in Chinese).

[8] LIU Y, WU Z, WANG X. Research on fault diagnosis of wind turbine based on SCADA data[J]. IEEE Access, 2020, 8: 185557-185569.

[9] 朱繼洪, 裴繼紅, 趙陽. 卷積神經網絡(CNN)訓練中卷積核初始化方法研究[J]. 信號處理, 2019, 35(4): 641-648. ZHU JIHONG, PEI JIHONG, ZHAO YANG. Research on convolution kernel initialization method in convolutional neural network (CNN) training[J]. Journal of Signal Processing, 2019, 35(4): 641-648(in Chinese).

[10] 王渝紅, 史云翔, 周旭, 等. 基于時間模式注意力機制的BiLSTM多風電機組超短期功率預測[J]. 高電壓技術, 2022, 48(5): 1884-1892. WANG YUHONG, SHI YUNXIANG, ZHOU XU, et al. Ultra-short-term power prediction for BiLSTM multi wind turbines based on temporal pattern attention[J]. High Voltage Engineering, 2022, 48(5): 1884-1892(in Chinese).

[11] YAN J, LIU Y, REN X. An early fault detection method for wind turbine main bearings based on self-attention GRU network and binary segmentation changepoint detection algorithm[J]. Energies, 2023, 16(10): 4123.

[12] BO J, ZHENG Q, HAMIDREZA Z, et al. Wind turbine power curve modelling with logistic functions based on quantile regression[J]. Applied Sciences, 2021, 11(7): 3048.

[13] DAS K, KRZYWINSKI M, ALTMAN N. Quantile regression[J]. Nature Methods, 2019, 16(6): 451-452.

[14] KARTHIK N, ARUL R, PRASAD M J H. Modeling of wind turbine power curves using firefly algorithm[C]//Power Electronics and Renewable Energy Systems: Proceedings of ICPERES 2014. New Delhi, India: Springer India, 2015: 1407-1414.

[15] GENDEEL M, ZHANG Y, QIAN X, et al. Deterministic and probabilistic interval prediction for wind farm based on VMD and weighted LS-SVM[J]. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 2021, 43(7): 800-814.

[16] LI Y, JIANG W, ZHANG G, et al. Wind turbine fault diagnosis based on transfer learning and convolutional autoencoder with small-scale data[J]. Renewable Energy, 2021, 171: 103-115.

Temperature Prediction and Trend Anomaly Warning of Wind Turbine Gearbox Based on Scenario Discrimination

ZHAO Yu1, WANG Xiaodong1, LV Haihua2, LIU Yingming1, DONG Fujie1, WANG Yu1

(1.School of Electrical Engineering, Shenyang University of Technology, Shenyang 110870, China; 2.College of Information, Shenyang Institute of Engineering, Shenyang 110136, China)

The gearbox temperature is divided into three scenarios: normal, abnormal temperature rise and abnormal temperature, the convolutional neural network of the proposed neural network (CNN) is combined with the bidirectional long short term memory (BILSTM) model to identify the scenes. On this basis, quantile regression (QR) combined with gate recurrent unit (GRU) method was used to predict oil temperature, bearing point prediction and temperature interval in different temperature scenarios, and the two predicted temperatures were diagnosed according to the GRU temperature anomaly diagnosis model. The results show that the method can accurately predict the temperature of the gearbox under various conditions, and the prediction interval is reliable thus the efficient diagnosis of gearbox temperature anomaly can be achieved. The proposed scheme is verified by the measured data of a wind field. The results show that the proposed method is effective and has excellent performance.

wind turbine; gearbox; temperature prediction; fault diagnosis; scenario discrimination

10.3969/j.ISSN.1672-0792.2024.02.007

TM614；TP277

A

1672-0792(2024)02-0061-10

國家自然科學基金資助項目（52007124）；遼寧省揭榜掛帥科技攻關專項資助項目（2021JH1/10400009）。

2023-10-07

趙宇（1999—），男，碩士研究生，研究方向為風電機組齒輪箱溫度趨勢預警；

王曉東（1978—），男，教授，研究方向為風電大數據處理與智能功率預測、大型風電機組優化設計與控制、大規模儲能系統及其功率控制；

呂海華（1979—），女，講師，研究方向為機器學習、大數據處理；

董福杰（1997—），男，碩士研究生，研究方向為風電并網仿真建模與參數辨識；

王宇（1998—），男，碩士研究生，研究方向為風電機組的轉矩優化策略。

趙宇