期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于视觉Transformer多模型融合的风电机组异常状态监测
1
作者
向玲
高鑫
+3 位作者
姚青陶
苏浩
胡爱军
程砺锋
《太阳能学报》
北大核心
2025年第4期522-529,共8页
为实现风电机组的异常状态监测并用于其故障诊断和日常维护,提出一种新的监测方法,该方法基于视觉Transformer(ViT)模型与长短期记忆(LSTM)网络融合,能有效识别风电机组的运行状态。首先,利用箱线图法和Spearman相关性分析对原始SCADA...
为实现风电机组的异常状态监测并用于其故障诊断和日常维护,提出一种新的监测方法,该方法基于视觉Transformer(ViT)模型与长短期记忆(LSTM)网络融合,能有效识别风电机组的运行状态。首先,利用箱线图法和Spearman相关性分析对原始SCADA数据进行预处理,去除无效数据并选择输入参数。然后,构建融合LSTM的ViT预测模型,并引入统计学中KL散度作为检测指标,对目标参数预测值与真实值进行计算分析。最后采用核密度估计确定安全阈值,根据检测指标是否越过安全阈值来识别风电机组异常状态。通过将该模型应用于华北某风场进行实例分析,并与其他深度学习模型对比。结果表明:该方法相较于其他模型能更好识别出风电机组异常状态。
展开更多
关键词
风电机组
状态监测
长短期记忆网络
视觉Transformer
KL散度
在线阅读
下载PDF
职称材料
题名
基于视觉Transformer多模型融合的风电机组异常状态监测
1
作者
向玲
高鑫
姚青陶
苏浩
胡爱军
程砺锋
机构
华北电力大学(保定)机械工程系
出处
《太阳能学报》
北大核心
2025年第4期522-529,共8页
基金
国家自然科学基金(52075170,52175092)
河北省自然科学基金(A2022502005)
河北省在读研究生创新能力培养资助项目(CXZZBS2024169)。
文摘
为实现风电机组的异常状态监测并用于其故障诊断和日常维护,提出一种新的监测方法,该方法基于视觉Transformer(ViT)模型与长短期记忆(LSTM)网络融合,能有效识别风电机组的运行状态。首先,利用箱线图法和Spearman相关性分析对原始SCADA数据进行预处理,去除无效数据并选择输入参数。然后,构建融合LSTM的ViT预测模型,并引入统计学中KL散度作为检测指标,对目标参数预测值与真实值进行计算分析。最后采用核密度估计确定安全阈值,根据检测指标是否越过安全阈值来识别风电机组异常状态。通过将该模型应用于华北某风场进行实例分析,并与其他深度学习模型对比。结果表明:该方法相较于其他模型能更好识别出风电机组异常状态。
关键词
风电机组
状态监测
长短期记忆网络
视觉Transformer
KL散度
Keywords
wind turbine
condition monitoring
LSTM
ViT
KL divergence
分类号
TK83 [动力工程及工程热物理—流体机械及工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于视觉Transformer多模型融合的风电机组异常状态监测
向玲
高鑫
姚青陶
苏浩
胡爱军
程砺锋
《太阳能学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
