典型文献
基于量子进化在线序贯极限学习机的变桨系统故障检测
文献摘要：
针对复杂工况下风电机组变桨系统故障检测问题,采用在线序贯极限学习机建立变桨系统状态监测模型,利用ReliefF算法进行模型的特征选择,通过量子进化算法优化在线序贯极限学习机的超参数集,并引入马氏距离函数计算变桨系统状态监测模型的残差,判断风电机组变桨系统的异常.以辽宁某风电场1.5 MW双馈风电机组变桨系统为例,将所提出的模型分别与粒子群优化极限学习机、粒子群优化支持向量机、随机权神经网络、极限学习机和反向传播神经网络模型进行对比,结果表明所提出的模型精度优于其他模型,所提方法的故障检测正确率高于3σ阈值法和核主成分分析方法.
文献关键词：
风电机组;故障检测;状态监测;变桨系统;在线序贯极限学习机;量子进化算法
中图分类号：
作者姓名：
李强;张宇献
作者机构：
沈阳工业大学电气工程学院,沈阳 110870
文献出处：
引用格式：
[1]李强;张宇献-.基于量子进化在线序贯极限学习机的变桨系统故障检测)[J].太阳能学报,2022(01):44-51
A类：
在线序贯极限学习机
B类：
变桨系统,系统故障,故障检测,复杂工况,下风,检测问题,系统状态监测,监测模型,ReliefF,特征选择,量子进化算法,算法优化,超参数,参数集,马氏距离,距离函数,风电场,MW,双馈风电机组,粒子群优化极限学习机,粒子群优化支持向量机,反向传播神经网络模型,模型精度,阈值法,核主成分分析方法
AB值：
0.208704
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
