基于贝叶斯参数学习优化的海上风电机组动态可靠性预测

黄玲玲; 王全德; 应飞祥; 苗育植; 符杨; 刘璐洁

doi:doi:10.19912/j.0254-0096.tynxb.2024-1055

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于贝叶斯参数学习优化的海上风电机组动态可靠性预测

更新时间：2025-12-17

- 基于贝叶斯参数学习优化的海上风电机组动态可靠性预测
- 基于贝叶斯参数学习优化的海上风电机组动态可靠性预测
- 太阳能学报 2025年第10期页码：703-713
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1055
  中图分类号： M614
- 网络出版：2025-10-31，
  
  纸质出版：2025-10-31
- 稿件说明：
移动端阅览
黄玲玲, 王全德, 应飞祥, 等. 基于贝叶斯参数学习优化的海上风电机组动态可靠性预测[J]. 太阳能学报, 2025,(10):703-713.

黄玲玲, 王全德, 应飞祥, et al. 基于贝叶斯参数学习优化的海上风电机组动态可靠性预测[J]. 2025, (10): 703-713.
黄玲玲, 王全德, 应飞祥, 等. 基于贝叶斯参数学习优化的海上风电机组动态可靠性预测[J]. 太阳能学报, 2025,(10):703-713. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1055.

黄玲玲, 王全德, 应飞祥, et al. 基于贝叶斯参数学习优化的海上风电机组动态可靠性预测[J]. 2025, (10): 703-713. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1055.

摘要

为提升风电机组可靠性预测的准确性

构建一种基于贝叶斯参数学习优化的动态可靠性预测模型。首先

提出融合单纯可靠性贝叶斯网络与卷积神经网络的状态信息数据处理方法

以解决“多元异质”状态信息的参数不确定性和提取状态数据特征的问题。其次

提出基于参数学习优化的贝叶斯改进方法处理参数不确定性

提高模型对未来可靠性水平的预测准确性。最终

构建的基于贝叶斯参数学习优化的动态可靠性预测模型能精确预测风电机组在一定时间尺度内的可靠性变化趋势。算例结果表明

与其他基准模型相比

所提的预测模型在预测风电机组可靠性变化趋势方面表现出更高的优越性

进一步验证其有效性。

Abstract

To improve the accuracy of reliability prediction for wind turbines

a dynamic reliability prediction model optimized through Bayesian parameter learning is developed. Firstly

a data processing method that integrates a pure reliability Bayesian network with a convolutional neural network was proposed to address the parameter uncertainty and feature extraction of "multivariate heterogeneous" state information. Secondly

a Bayesian improvement method based on parameter learning optimization was introduced to handle parameter uncertainty

enhancing the model’s accuracy in predicting future reliability levels. Finally

the constructed dynamic reliability prediction model

based on Bayesian parameter learning optimization

can precisely predict the reliability trend of wind turbine units over a certain time scale. Case study results show that

compared to other benchmark models

the proposed prediction model exhibits superior performance in predicting the reliability trend of wind turbine units

further validating its effectiveness.

关键词

Keywords

references

葛畅, 阎洁, 刘永前, 等. 海上风电场运行控制维护关键技术综述[J]. 中国电机工程学报, 2022, 42(12): 4278-4292.

赵琳, 魏澈, 王阳, 等. 海上风电场宏观选址与风能资源储量估算[J]. 太阳能学报, 2024, 45(5): 1-8.

符杨, 张耀楠, 刘璐洁, 等. 海上风电场维护任务动态调度策略[J]. 电力系统自动化, 2021, 45(21): 48-56.

黄玲玲, 符杨, 任浩瀚, 等. 基于状态信息的风电机组维护研究综述[J]. 中国电机工程学报, 2020, 40(21): 7065-7078.

张晓红, 张剑飞, 何于港, 等. 基于多状态空间划分的风电机组非完美维修决策[J]. 太阳能学报, 2022, 43(11): 203-214.

BHARDWAJ U, TEIXEIRA A P, SOARES C G.Reliability prediction of an offshore wind turbine gearbox[J]. Renewable energy, 2019, 141: 693-706.

YAN Y Y.Load characteristic analysis and fatigue reliability prediction of wind turbine gear transmission system[J]. International journal of fatigue, 2020, 130: 105259.

ZHU Y C, ZHU C C, SONG C S, et al.Improvement of reliability and wind power generation based on wind turbine real-time condition assessment[J]. International journal of electrical power & energy systems, 2019, 113: 344-354.

ZHAO Y Y, LI D S, DONG A, et al.Fault prediction and diagnosis of wind turbine generators using SCADA data[J]. Energies, 2017, 10(8): 1210.

HUANG L B, XIN H H, LI Z Y, et al.Identification of generalized short-circuit ratio for on-line stability monitoring of wind farms[J]. IEEE transactions on power systems, 2020, 35(4): 3282-3285.

QIAN P, MA X D, ZHANG D H, et al.Data-driven condition monitoring approaches to improving power output of wind turbines[J]. IEEE transactions on industrial electronics, 2019, 66(8): 6012-6020.

符杨, 苗育植, 黄玲玲, 等. 基于改进贝叶斯网络的风电机组动态可靠性评估[J]. 电力自动化设备, 2022, 42(11): 32-39.

董超跃. 基于动态贝叶斯网络的动车组牵引传动系统可靠性分析[D]. 北京: 北京交通大学, 2020.

高立艾, 霍利民, 黄丽华, 等. 基于贝叶斯网络时序模拟的含微网配电系统可靠性评估[J]. 中国电机工程学报, 2019, 39(7): 2033-2041.

LIU Y, CHEN C J.Dynamic reliability assessment for nonrepairable multistate systems by aggregating multilevel imperfect inspection data[J]. IEEE transactions on reliability, 2017, 66(2): 281-297.

狄鹏, 倪子纯, 尹东亮. 基于云模型和证据理论的多属性决策优化算法[J]. 系统工程理论与实践, 2021, 41(4): 1061-1070.

张哲, 秦博宇, 高鑫, 等. 基于CNN-LSTM网络的电网电压稳定紧急控制策略[J]. 电力系统自动化, 2023, 47(11): 60-68.

ZHANG C, MA H X, HUA L, et al.An evolutionary deep learning model based on TVFEMD, improved sine cosine algorithm, CNN and BiLSTM for wind speed prediction[J]. Energy, 2022, 254: 124250.

白旭, 汤荣铿, 罗小芳, 等. 基于故障树分析和贝叶斯网络方法的半潜式钻井平台系统多状态可靠性分析[J]. 中国造船, 2020, 61(2): 220-228.

张军舰, 马岱君. 考试成绩的混合正态分布分析[J]. 数理统计与管理, 2021, 40(5): 815-821.

MALAHINA E A U, IRIANE G R, BELUTOWE Y S, et al. A grid-search method approach for hyperparameter evaluation and optimization on teachable machine accuracy: a case study of sample size variation[J]. Journal of applied data sciences, 2024, 5(3): 1008-1025.

BAI Y, YANG E, HAN B, et al.Understanding and improving early stopping for learning with noisy labels[J]. Advances in neural information processing systems, 2021, 34: 24392-24403.

FU Y, YING F X, HUANG L L, et al.Multi-step-ahead significant wave height prediction using a hybrid model based on an innovative two-layer decomposition framework and LSTM[J]. Renewable energy, 2023, 203: 455-472.

ZHOU F T, HUANG Z H, ZHANG C H.Carbon price forecasting based on CEEMDAN and LSTM[J]. Applied energy, 2022, 311: 118601.

黄玲玲, 李锁, 符杨, 等. 基于风电机组状态的超短期海上风电功率预测[J]. 太阳能学报, 2022, 43(8): 391-398.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于相似日聚类和WOA-VMD-TCN-Transformer模型的短期光伏功率研究

基于并行架构网络与改进动态FD-KNN的风力发电机轴承故障预警

利用混合深度学习算法的时空风速预测

基于GRU-RF模型的太阳辐照度短时预测

基于Attention-GRU风速修正和Stacking的短期风电功率预测