基于改進(jìn)融合的大型風(fēng)力發(fā)電機(jī)組運(yùn)行狀態(tài)檢測(cè)研究

鄧森 胡從星 梁太陽(yáng) 楊朋雨 馬先松

摘 要：為解決傳統(tǒng)的大型風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)檢測(cè)方法效果不佳的問(wèn)題，設(shè)計(jì)了基于多特征融合的大型風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)檢測(cè)方法。通過(guò)計(jì)算提取出的運(yùn)行狀態(tài)數(shù)據(jù)集的多個(gè)數(shù)據(jù)特征，并計(jì)算不同特征的權(quán)重值，實(shí)現(xiàn)數(shù)據(jù)的多特征融合，并對(duì)其進(jìn)行特征分類。通過(guò)計(jì)算運(yùn)行狀態(tài)數(shù)據(jù)的偏離閾值和檢測(cè)閾值，完成對(duì)設(shè)備運(yùn)行狀態(tài)的檢測(cè)。實(shí)驗(yàn)結(jié)果表明，和以往的大型風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)檢測(cè)方法相比，設(shè)計(jì)的基于多特征融合的大型風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)檢測(cè)方法在實(shí)際應(yīng)用中ROC曲線面積較大，檢測(cè)效果較好。

關(guān)鍵詞：多特征融合；大型風(fēng)力發(fā)電機(jī)設(shè)備；運(yùn)行狀態(tài)；檢測(cè)方法

中圖分類號(hào)：TM614

文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2024）03-0169-04

Research on the detection of the operating state of large-scale wind turbines based on improved fusion

DENG Sen，HU Congxing，LIANG Taiyang，YANG Pengyu，MA Xiansong （State Power Investment Corporation Jiangsu Electric Power Co.，Ltd.，Nanjing 210000，China）

Abstract：In order to solve the problem of poor effect of traditional large-scale wind turbine equipment operation state detection methods，a large-scale wind turbine equipment operation state detection method based on multi-feature fusion was designed.By calculating the multiple data features of the extracted running state dataset and calculating the weight values of different features，the multi-feature fusion of the data is realized and the features are classified.By calculating the deviation threshold and detection threshold of the operating status data，the detection of the device's operating status was completed.The experimental results showed that compared with previous methods for detecting the operating status of large wind turbine equipment，the designed method based on multi feature fusion for detecting the operating status of large wind turbine equipment had a larger ROC curve area and better detection effect in practical applications.

Key words：Multi feature fusion;large scale wind turbine equipment;equipment operating status;status detection;detection method

大型風(fēng)力發(fā)電機(jī)組設(shè)備常用的狀態(tài)檢測(cè)方法往往基于單一特征，難以全面、準(zhǔn)確地反映設(shè)備的工作狀態(tài)。因此，不少學(xué)者針對(duì)此展開(kāi)了研究，如對(duì)醫(yī)療設(shè)備的運(yùn)行數(shù)據(jù)進(jìn)行收集，并從中提取多個(gè)數(shù)據(jù)特征，將多個(gè)數(shù)據(jù)進(jìn)行融合，從中篩選出異常的狀態(tài)數(shù)據(jù)，從而實(shí)現(xiàn)對(duì)異常狀態(tài)數(shù)據(jù)的檢測(cè)［1］。對(duì)獲取的工控設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化計(jì)算，并利用數(shù)據(jù)挖掘和關(guān)聯(lián)分析，確定其關(guān)鍵特征，由此實(shí)現(xiàn)對(duì)異常數(shù)據(jù)的檢測(cè)［2］。將獲取的光伏電站電氣設(shè)備運(yùn)行數(shù)據(jù)作為基礎(chǔ)，構(gòu)建數(shù)據(jù)集，利用數(shù)據(jù)融合技術(shù)整合多種特征數(shù)據(jù)，以便對(duì)運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)［3］。

在上述研究的基礎(chǔ)上，研究設(shè)計(jì)了基于多特征融合的大型風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)檢測(cè)方法。由此實(shí)現(xiàn)對(duì)大型風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)的檢測(cè)。

1 大型風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)檢測(cè)方法設(shè)計(jì)

1.1 構(gòu)建大型風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)集

為實(shí)現(xiàn)對(duì)大型風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)的檢測(cè)，需要先對(duì)大型風(fēng)力發(fā)電機(jī)組設(shè)備的運(yùn)行狀態(tài)進(jìn)行數(shù)據(jù)采集，并由此構(gòu)建相應(yīng)的數(shù)據(jù)集。在進(jìn)行數(shù)據(jù)采集的過(guò)程中，利用傳感器和設(shè)備監(jiān)控系統(tǒng)實(shí)時(shí)監(jiān)測(cè)大型風(fēng)力發(fā)電機(jī)組設(shè)備的運(yùn)行狀態(tài)，并收集必要的數(shù)據(jù)，如風(fēng)速、風(fēng)向、溫度、壓力等多種類型的運(yùn)行狀態(tài)數(shù)據(jù)。將采集的多種運(yùn)行狀態(tài)數(shù)據(jù)作為基礎(chǔ)，針對(duì)不同類型運(yùn)行狀態(tài)數(shù)據(jù)出現(xiàn)的問(wèn)題，對(duì)其進(jìn)行數(shù)據(jù)預(yù)處理，進(jìn)一步提高數(shù)據(jù)的質(zhì)量［6］。在進(jìn)行數(shù)據(jù)預(yù)處理的過(guò)程中，需要先對(duì)其進(jìn)行數(shù)據(jù)清洗。在數(shù)據(jù)清洗的過(guò)程中，需要根據(jù)實(shí)際情況，篩選出和風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)相關(guān)的數(shù)據(jù)，并對(duì)其中不相關(guān)的數(shù)據(jù)進(jìn)行刪除和忽略。同時(shí)，檢查數(shù)據(jù)的完整性，對(duì)于缺失數(shù)據(jù)需要進(jìn)行填充［7］。其具體填充過(guò)程如下所示：

a=xa－1+xa+12×xa－1+xa+1（1）

式中：a表示計(jì)算出的數(shù)據(jù)填充值；xa－1、xa+1分別表示缺失值前后的數(shù)據(jù)值。

通過(guò)上述公式，計(jì)算出對(duì)應(yīng)的數(shù)據(jù)填充值，將該填充值作為基礎(chǔ)，對(duì)缺失的數(shù)據(jù)進(jìn)行填充。同時(shí)在上述基礎(chǔ)上，還需要修正異常值來(lái)提高數(shù)據(jù)質(zhì)量，其修正處理的具體計(jì)算過(guò)程如下所示：

x′=x1×γ1+x2×γ2+…+xn×γnγ1+γ2+…+γn（2）

式中：x′表示數(shù)據(jù)的修正結(jié)果；x1、x2、…、xn表示數(shù)據(jù)的原始值；γ1、γ2、…、γn分別表示對(duì)應(yīng)原始值的權(quán)重值。

考慮到采集的大型風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)類型不一致，所處的維度也不一樣，這會(huì)給后續(xù)的計(jì)算帶來(lái)較大的壓力，因此，對(duì)其進(jìn)行歸一化處理，將不同維度的數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一維度，以便更好地進(jìn)行數(shù)據(jù)優(yōu)化和處理［9］。數(shù)據(jù)歸一化處理的具體過(guò)程如下所示：

y=（ymax－ymin）×（xmax－xmin）xmax－xmin+ymin（3）

式中：y表示數(shù)據(jù)歸一化處理的結(jié)果；xmin表示采集的運(yùn)行狀態(tài)數(shù)據(jù)的最小值；xmax表示采集的運(yùn)行狀態(tài)數(shù)據(jù)最大值；ymin表示同一維度下運(yùn)行狀態(tài)數(shù)據(jù)的最小值；ymax表示同一維度下運(yùn)行狀態(tài)數(shù)據(jù)的最大值。

通過(guò)上述對(duì)運(yùn)行狀態(tài)數(shù)據(jù)的填充、修正和歸一化處理，提高了數(shù)據(jù)的質(zhì)量，并將處理結(jié)果作為基礎(chǔ)，構(gòu)建大型風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)集，為后續(xù)進(jìn)行設(shè)備運(yùn)行狀態(tài)評(píng)估奠定基礎(chǔ)［10］。

1.2 基于多特征融合的設(shè)備運(yùn)行狀態(tài)特征分類

將上述構(gòu)建的運(yùn)行狀態(tài)數(shù)據(jù)集作為基礎(chǔ)，在多特征融合的基礎(chǔ)上，對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行特征分類。多特征融合作為一種有效的識(shí)別方法，能夠綜合利用多種數(shù)據(jù)特征，實(shí)現(xiàn)對(duì)不同特征的優(yōu)勢(shì)互補(bǔ)，從而更好實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)［11］。在設(shè)計(jì)中，利用多特征融合的特征分類的具體過(guò)程如圖1所示。

如圖1所示，在上述分類器的設(shè)計(jì)過(guò)程中，將構(gòu)建的風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)集作為基礎(chǔ)，首先對(duì)其進(jìn)行特征提取，提取的數(shù)據(jù)特征包括但不限于設(shè)備的風(fēng)速和風(fēng)向、設(shè)備溫度、設(shè)備振動(dòng)和聲音、電力參數(shù)等多個(gè)特征。然后將提取的數(shù)據(jù)特征作為基礎(chǔ)，通過(guò)計(jì)算不同數(shù)據(jù)特征的權(quán)重值，將多個(gè)數(shù)據(jù)特征進(jìn)行融合，根據(jù)融合，對(duì)其進(jìn)行分類，由此實(shí)現(xiàn)對(duì)運(yùn)行狀態(tài)特征的分類處理［12］。在上述過(guò)程中，提取風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)特征的具體過(guò)程如下所示：

g=exp（－（pΔr）22σ2（qΔφ））

Δr=2πL

Δφ=πL（4）

式中：g表示提取出的設(shè)備運(yùn)行狀態(tài)特征；p、q分別表示特征參數(shù)；Δr、Δφ分別表示數(shù)據(jù)的特征值；σ表示運(yùn)行狀態(tài)數(shù)據(jù)的方差；L表示數(shù)據(jù)模態(tài)值。

利用上述公式，提取出風(fēng)力發(fā)電機(jī)組多個(gè)數(shù)據(jù)特征，將提取的數(shù)據(jù)特征作為基礎(chǔ)，計(jì)算對(duì)應(yīng)特征的權(quán)重值，由此對(duì)多個(gè)特征進(jìn)行融合［13］。其多特征融合的計(jì)算過(guò)程如下所示：

w（t，d）=w1（t，d）×w2（t）

w（t+1）=w（t）+α×（y－y^）×x×g

G=∑ni=1w（i）×g（i）n

（5）

式中：w（t，d）表示計(jì)算出的初始特征權(quán)重值；w1（t，d）表示當(dāng)前特征出現(xiàn)的頻率；w2（t）表示當(dāng)前特征的激活函數(shù)；w（t+1）表示當(dāng)前計(jì)算出的特征權(quán)重值；w（t）表示上一次迭代中計(jì)算出的特征權(quán)重值；α表示特征權(quán)重值更新的速度；y表示實(shí)際的輸出結(jié)果；y^表示預(yù)測(cè)的輸出結(jié)果；x表示輸入的特征值；G表示多特征融合的結(jié)果；n表示風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)的特征。

在上述的基礎(chǔ)上，對(duì)融合后的特征進(jìn)行分類處理。在分類過(guò)程中，根據(jù)上述計(jì)算出的特征融合結(jié)果的特征值來(lái)進(jìn)行分類。依據(jù)特征值的大小，將運(yùn)行狀態(tài)數(shù)據(jù)劃分為多個(gè)類別，為后續(xù)檢測(cè)大型風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)奠定基礎(chǔ)［14］。

1.3 檢測(cè)大型風(fēng)力發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)

在檢測(cè)過(guò)程中，需要根據(jù)大型風(fēng)力發(fā)電機(jī)設(shè)備的實(shí)際運(yùn)行情況，計(jì)算風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行過(guò)程中的的偏離閾值［15］。其具體計(jì)算過(guò)程如下：

Xi=∑Ni=1εiN

λ=±kiXi（6）

式中：Xi表示風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行過(guò)程中的殘差均值；εi表示風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)評(píng)估值；N表示風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)的數(shù)量；λ表示計(jì)算的偏離閾值；ki表示偏離系數(shù)。

在上述基礎(chǔ)上，計(jì)算對(duì)風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)的檢測(cè)閾值，其具體計(jì)算過(guò)程如下所示：

Sn=∑Ni=0aiyn－1－yn－1^212λ（7）

式中：Sn表示計(jì)算出的檢測(cè)閾值；ai表示對(duì)應(yīng)的檢測(cè)參數(shù)；yn－1表示實(shí)際的檢測(cè)誤差；yn－1^表示預(yù)測(cè)的檢測(cè)誤差。

根據(jù)檢測(cè)閾值的大小，判斷當(dāng)前風(fēng)力發(fā)電機(jī)組設(shè)備的運(yùn)行狀態(tài)。若檢測(cè)閾值的大小遠(yuǎn)超標(biāo)準(zhǔn)值，則說(shuō)明當(dāng)前風(fēng)力發(fā)電機(jī)組設(shè)備的運(yùn)行狀態(tài)出現(xiàn)了異常，需要及時(shí)采取對(duì)應(yīng)的措施，保證風(fēng)力發(fā)電機(jī)組設(shè)備的正常運(yùn)行，由此，實(shí)現(xiàn)對(duì)風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)的檢測(cè)。

2 實(shí)驗(yàn)測(cè)試

為提高實(shí)驗(yàn)結(jié)果的可信度，將本文設(shè)計(jì)的方法與以往的檢測(cè)方法進(jìn)行對(duì)比。所設(shè)計(jì)的基于多特征融合的大型風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)檢測(cè)方法為方法1，基于決策樹(shù)算法的大型風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)檢測(cè)方法為方法2，基于可視化技術(shù)和機(jī)器學(xué)習(xí)的大型風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)檢測(cè)方法為方法3。為對(duì)比上述三種方法在實(shí)際應(yīng)用中的效果，設(shè)計(jì)的實(shí)驗(yàn)具體如下。

2.1 實(shí)驗(yàn)準(zhǔn)備

實(shí)驗(yàn)中，以某大型風(fēng)力發(fā)電場(chǎng)作為實(shí)驗(yàn)場(chǎng)地，以該場(chǎng)地中的風(fēng)力發(fā)電機(jī)組設(shè)備為實(shí)驗(yàn)對(duì)象，利用相關(guān)設(shè)備構(gòu)建對(duì)應(yīng)的實(shí)驗(yàn)環(huán)境，實(shí)驗(yàn)環(huán)境如圖2所示。

由圖2可知，在上述實(shí)驗(yàn)環(huán)境中，利用多個(gè)傳感器和監(jiān)測(cè)器實(shí)時(shí)監(jiān)測(cè)風(fēng)力發(fā)電機(jī)組設(shè)備的運(yùn)行狀態(tài)，這些設(shè)備能夠準(zhǔn)確采集設(shè)備在運(yùn)行過(guò)程中的風(fēng)速、振動(dòng)、噪聲等多種參數(shù)的變化。再利用數(shù)據(jù)存儲(chǔ)器將采集到的運(yùn)行狀態(tài)數(shù)據(jù)存儲(chǔ)起來(lái)，用于后續(xù)實(shí)驗(yàn)測(cè)試。同時(shí)，數(shù)據(jù)存儲(chǔ)器還能對(duì)存儲(chǔ)的數(shù)據(jù)進(jìn)行預(yù)處理，去除數(shù)據(jù)中的干擾，提高數(shù)據(jù)的質(zhì)量，保證實(shí)驗(yàn)效果。在上述過(guò)程中，采集的大型風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)具體如圖3所示。

由圖3可以觀察到，風(fēng)力發(fā)電機(jī)設(shè)備的風(fēng)速和轉(zhuǎn)速基本保持不變，波動(dòng)較小。由此可見(jiàn)，風(fēng)力發(fā)電機(jī)設(shè)備的運(yùn)行狀態(tài)較為穩(wěn)定。同時(shí)，從風(fēng)力發(fā)電機(jī)設(shè)備的溫度變化來(lái)看，風(fēng)力發(fā)電機(jī)設(shè)備所處的環(huán)境溫度會(huì)對(duì)設(shè)備本身的溫度變化造成一定影響。從上述采集的噪聲數(shù)據(jù)來(lái)看，其噪聲變化基本維持在同一范圍內(nèi)。對(duì)上述數(shù)據(jù)進(jìn)行預(yù)處理，并將處理后的數(shù)據(jù)用于后續(xù)實(shí)驗(yàn)測(cè)試。

2.2 實(shí)驗(yàn)結(jié)果討論

為驗(yàn)證上述3種方法在實(shí)際應(yīng)用中的效果，以方法的ROC曲線為評(píng)價(jià)指標(biāo)，對(duì)比3種方法的性能。ROC曲線的面積越大，方法的檢測(cè)效果越好。實(shí)驗(yàn)中，利用3種方法分別對(duì)某風(fēng)力發(fā)電場(chǎng)的多個(gè)風(fēng)力發(fā)電機(jī)組設(shè)備的運(yùn)行狀態(tài)進(jìn)行檢測(cè)，統(tǒng)計(jì)其檢測(cè)結(jié)果。其具體檢測(cè)結(jié)果如圖4所示。

由圖4可知，在上述檢測(cè)結(jié)果中可以看出，方法1的ROC曲線面積遠(yuǎn)大于方法2和方法3。由此可見(jiàn)，方法1的檢測(cè)效果較好。

為進(jìn)一步驗(yàn)證上述3種方法在實(shí)際應(yīng)用中的效果，以方法檢測(cè)閾值與實(shí)際值之間的擬合度為評(píng)價(jià)指標(biāo)，對(duì)比3種方法的性能。其具體的統(tǒng)計(jì)結(jié)果如表1所示。

由表1的結(jié)果可知，方法1的擬合度高于方法2和方法3。由此可知，相對(duì)于方法2和方法3，方法1的檢測(cè)閾值和實(shí)際結(jié)果更為貼近，能夠更為真實(shí)地反映風(fēng)力發(fā)電機(jī)組設(shè)備的運(yùn)行狀態(tài)。

3 結(jié)語(yǔ)

綜上所述，基于多特征融合的大型風(fēng)力發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)檢測(cè)方法是一種有效的手段，通過(guò)對(duì)風(fēng)速、溫度、濕度、振動(dòng)、噪聲和轉(zhuǎn)速等特征的融合和分析，具備精準(zhǔn)檢測(cè)設(shè)備運(yùn)行狀態(tài)的能力，能夠及時(shí)識(shí)別潛在故障和異常情況，為設(shè)備的維護(hù)和管理提供有力的支持。同時(shí)，該方法還具有實(shí)時(shí)性強(qiáng)、可解釋性好、魯棒性高等優(yōu)點(diǎn)，能夠滿足實(shí)際應(yīng)用的需求。

【參考文獻(xiàn)】

［1］

吳昊，林建陽(yáng).基于可視化和數(shù)據(jù)融合的醫(yī)療設(shè)備異常運(yùn)行狀態(tài)檢測(cè)方法［J］.科技通報(bào)，2022，38（11）：37-40+45.

［2］ 趙明明，司紅星，劉潮.基于數(shù)據(jù)挖掘與關(guān)聯(lián)分析的工控設(shè)備異常運(yùn)行狀態(tài)自動(dòng)化檢測(cè)方法分析［J］.信息安全與通信保密，2022（4）：2-10.

［3］ 吳悅，張忠會(huì)，游志剛，等.基于可視化和數(shù)據(jù)融合的光伏電站電氣設(shè)備異常運(yùn)行狀態(tài)檢測(cè)方法［J］.制造業(yè)自動(dòng)化，2021，43（9）：16-19+55.

［4］ 王碩，謝遠(yuǎn)森，張群安，等.Impala快速查詢技術(shù)在配電網(wǎng)設(shè)備運(yùn)行狀態(tài)檢測(cè)中的應(yīng)用［J］.自動(dòng)化技術(shù)與應(yīng)用，2022，41（8）：122-125.

［5］ 劉立，豐洪才，黃清.基于多特征融合的水果病蟲(chóng)害知識(shí)視頻鏡頭檢測(cè)算法［J］.湖北農(nóng)業(yè)科學(xué)，2022，61（20）：195-203.

［6］ 李卓，覃啟銘，林其友，等.基于分層聚類算法的避雷器運(yùn)行狀態(tài)檢測(cè)方法［J］.電子設(shè)計(jì)工程，2022，30（21）：122-126.

［7］ 王方順，張崟.基于能量累積多特征融合的機(jī)場(chǎng)跑道異物檢測(cè)算法研究［J］.新技術(shù)新工藝，2021（11）：71-74.

［8］ 羅思洋，龍華，邵玉斌，等.噪聲環(huán)境下多特征融合的語(yǔ)音端點(diǎn)檢測(cè)方法［J］.云南大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，43（4）：671-680.

［9］ 梁元輝，吳清樂(lè)，曹立佳.基于多特征融合的眼睛狀態(tài)檢測(cè)算法研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2021，31（2）：97-100.

［10］ 黃鶴鳴.基于兩階段數(shù)據(jù)驅(qū)動(dòng)模型的雙饋發(fā)電機(jī)異常運(yùn)行狀態(tài)檢測(cè)方法［J］.直升機(jī)技術(shù)，2023（2）：11-21.

［11］ 楊鵬舉，王濤云，楊恒，等.基于多模型融合的分布式光電儀器突變狀態(tài)智能檢測(cè)方法模型［J］.自動(dòng)化與儀器儀表，2023（5）：106-109.

［12］ 朱振宇，高德欣.基于CNN-BiLSTM網(wǎng)絡(luò)的鋰離子電池健康狀態(tài)檢測(cè)方法［J］.電子測(cè)量技術(shù)，2023，46（3）：128-133.

［13］ 盛劍橋，方圓，張亮，等.粒子群算法優(yōu)化SVM的無(wú)線網(wǎng)絡(luò)安全狀態(tài)檢測(cè)方法［J］.自動(dòng)化技術(shù)與應(yīng)用，2022，41（12）：55-58.

［14］ 王定發(fā).基于線纜狀態(tài)數(shù)據(jù)的特征集成及異常信息自動(dòng)檢測(cè)技術(shù)［J］.粘接，2023，50（5）：188-192.

［15］ 杜濤，王朝龍，朱靖，等.基于聚類算法的變壓設(shè)備運(yùn)行數(shù)據(jù)監(jiān)測(cè)與異常檢測(cè)技術(shù)［J］.粘接，2022，49（12）：137-140.

收稿日期：2023-11-29；修回日期：2024-02-25

作者簡(jiǎn)介：鄧 森（1969-），男，碩士，高級(jí)工程師，主要從事電力系統(tǒng)通訊與電氣工程自動(dòng)化研究；E-mail：913397092@qq.com。

基金項(xiàng)目：浙江省科技廳“尖兵”“領(lǐng)雁”研發(fā)攻關(guān)計(jì)劃項(xiàng)目（項(xiàng)目編號(hào)：2022C01SA371625）。

引文格式：

鄧 森，胡從星，梁太陽(yáng)，等.

基于改進(jìn)融合的大型風(fēng)力發(fā)電機(jī)組運(yùn)行狀態(tài)檢測(cè)研究［J］.粘接，2024，51（3）：169-172.