作为一种分布式能源系统,风电场通常处于恶劣的工作环境和特殊的地理位置。由发电机理带来的随机性与波动性是它与传统发电相比最为独特的地方。作为风电机组的重要部件,齿轮箱的故障率较低,但维修过程复杂,故障导致的停机时间和维护费用在各类故障中最高。因而针对风电机组齿轮箱选择良好的状态监测方法尤为重要。本文基于齿轮箱轴承温度,采用横向对比与纵向建模的方法来实现风电机组状态监测。文中以数据分布检验方法找出机组的齿轮箱轴承温度-功率散点分布用以在线监测机组状态,并使用深度神经网络构造模型预测机组未来状态。可以实时的监控风电场的机组,并预测机组部件的未来发展趋势,便于及早发现风电机组状态异常现象。以下是文章的结构内容:(1)根据数据监控系统采集的风电场历史数据,选择多台台相关性较强的风电机组。选取一台机组作为基准风机,用于与其余机组对比以分析。在绘制齿轮箱温度-功率散点图后,采用统计方法检验散点分布情况。对于不同工作环境下的不同机组的不同参数,散点符合不同的数据分布(正态分布、伽马分布、威布尔分布)。控制图被用来辅助观察实时状态。(2)将合适的风电机组参数代入自适应弹性网络进行变量选择。选定被认为是最合适的参数用于进一步代入模型中特征提取和降维分析。以齿轮箱轴承温度作为输出。利用改良的深度学习模型将历史数据作为样本训练及验证,通过对比实测数据分析建模测试的效果。同时引入动量项以及软权值共享等方法用以解决非凸优化问题,梯度消失和过拟合问题。从而训练出具有最高预测精度和最短训练时长的深度神经网络模型。文中结合实际风电场运行数据验证本文提出的方法。在分析风电机组的运行状态后,有效的预警了齿轮箱轴承的故障及原因。证明了方法的高效性和准确性。