摘要
位于寒冷湿润气候区的风力涡轮机普遍存在的叶片结冰问题,但结冰过程时间关联性强、结冰过程缓慢,导致难以直接精确建模,数据驱动间接检测方法显示出了强大潜力.然而,结冰检测的时间窗口长度、时序特征的提取能力和数据信息冗余等问题,限制了数据驱动模型的性能.为解决这些问题,提出了一种基于斯皮尔曼相关系数的降维算法,对数据特征进行降维,减少数据输入冗余并保证时序特征信息的完整.将降维后的数据划分为15min,30min和60min的时间窗口,研究叶片结冰检测的最佳时间长度;最后将特征数据类型分为三类:温度、电流、其他,分别输入Attention-LSTM网络,利用注意力机制施加不同权重,增强模型对影响叶片结冰特征的提取能力.实验结果表明,与其他数据驱动模型对比,所构建的模型具有更优的性能.
基金项目
国家自然科学基金(61771188)
国家自然科学基金(61961017)
湖北省教育厅科学技术研究计划-青年人才项目(2020)(Q20201902)
湖北民族大学博士启动基金(2019)(MD2020B009)
NETL
NSTL
万方数据