2023年11月第19卷第4期系统仿真技术SystemSimulationTechnologyNov.，2023Vol.19，No.4多时间尺度数据故障诊断方法在风力发电中的应用刘大为1，王承凯1，王巍1，刘敏2*（1.国华能源投资有限公司，北京100007；2.北京理工大学自动化学院，北京100081）摘要：故障诊断是保障系统安全稳定运行的重要途径。在风力发电系统中，深度网络得到广泛应用，其自动特征提取能力得到了更好的发挥。然而，多时间尺度数据的不完备特性使得传统的诊断模型无法直接应用这类数据，因此本研究提出了基于数据融合的改进卷积神经网络/长期短记忆（CNN-LSTM）故障诊断模型。该方法通过统一向量化处理使多时间尺度数据变得一致和完备。同时，通过构造端对端的诊断模型，实现特征提取和故障诊断的同时优化。改进CNN-LSTM模型依靠CNN挖掘数据的隐含特征，然后LSTM基于CNN提取的特征进一步捕捉时间序列的时间依赖性。相比于手工提取特征的方法，该模型能够学习到更有效的数据特征。在风力发电故障诊断任务中，该模型的准确率、精度、召回率、综合分类率均达到了较高水平，准确率为99.41%，精度为99.87%，召回率为97.75%，综合分类率为98.80%。与对比模型相比，该模型取得了更好的效果。关键词:多尺度数据；故障诊断；CNN-LSTM模型；风力发电ApplicationofMulti-TimescaleDataFaultDiagnosisMethodsinWindPowerGenerationLIUDawei1，WANGChengkai1，WANGWei1，LIUMin2*（1.GuohuaEnergyInvestmentCo.，Ltd.，Beijing100007，China；2.SchoolofAutomation，BeijingUniversityofTechnology，Beijing100081，China）Abstract：Faultdiagnosisisanimportantmeanstoensuresafeandstableoperationofsystems.deeplearninghasbeenwidelyappliedinwindpowergenerationwhereitsautomaticfeatureextractioncapabilityisbetterutilized.However，theincompletenatureofmulti-timescaledatamakesitimpossibletodirectlyapplythetraditionaldiagnosismodelstothistypeofdata.Therefore，CNN-LSTMfaultdiagnosismodelisproposedbasedondatafusion.Thismethodusesaunifiedvectorizationprocesstomakemulti-timescaledataconsistentandcomplete.Atthesametime，byconstructinganend-to-enddiagnosismodel，featureextractionandfaultdiagnosisoptimizationsimultaneouslycanbeachieved.TheimprovedCNN-LSTMmodelreliesonCNNtoexcavatethehiddenfeaturesofdata，andthenLSTMfurthercapturesthetim...
