樊盼盼，袁逸萍+，孙文磊，樊小朝，赵 琴，马占伟

(1.新疆大学 机械工程学院，新疆 乌鲁木齐 830047；2.新疆大学 电气工程学院，新疆 乌鲁木齐 830047)

0 引言

大型风力发电机通常所处运行环境恶劣，高故障率和高运维成本的现状已引起风电运营商、制造商和运维公司等机构的关注，因此开展风电机组的状态监测和评估研究，及时准确感知风电机组运行状态，为优化风电场的运行及检修策略提供技术支撑，对规避安全隐患、降低计划外停机、延长机组服役寿命、减轻运维压力、节约运维成本，以保证风电机组安全高效运行有重要的学术意义和工程应用价值[1-2]。

风电机组是多部件互连的机电系统，部件间耦合作用机理复杂、工况频繁切换,故仅依靠风力发电机组数据采集与监控(Supervisory Control and Data Acquisition, SCADA)系统的监控报警功能无法准确感知风电机组的运行状况。充分利用现有SCADA数据是当前提高风电机组运行可靠性最迅速、有效的方式。因此，建立基于SCADA数据的风电机组态势评估算法，实时掌握风电机组的运行状况，对优化维修策略具有重要的工程应用价值。

目前，国内外相关文献主要是基于概率统计[3-4]、可拓理论[5]、集对分析[6]、云模型[7]、证据理论[8]、模糊综合评价[9-11]、贝叶斯网络[12]、支持向量机[13]、神经网络[14-16]等方法的系统状态评估。上述方法主要有以下两种思路：①以确定评估指标体系为基础，以评估指标的合理赋权为关键点，评估指标体系和权重确定的合理与否直接影响评估结果的有效性和准确性[16]；②在缺乏故障数据支撑的场景下，利用SCADA历史数据的连续监测数据作为输入量去预测风电机组某一性能指标，基于残差的思想开展风电机组运行状态评估。

第①种思路，如文献[5]结合机组在线监测信息提出了并网风电机组运行状态的物元评估方法;文献[6]结合集对分析和证据理论提出一种风电机组运行状态评估方法;文献[7]针对当前模糊评价隶属函数的确定具有主观性且未考虑随机性的问题，提出一种基于组合赋权和云模型的风电机组健康状态评估方法;文献[8]提出基于多种类证据体的风电机组健康状态评估方法，解决基于确定权重的评估方法难以适应机组特征量之间相互关系不明确的问题;文献[9]建立风电机组状态评估指标体系，引入变权理论和劣化度指标，提出了基于SCADA监测数据的风电机组运行状态评估方法;文献[10]以预测状态值作为此刻劣化度分析的数值，提出一种基于状态参数趋势预测的风电机组运行状态模糊综合评价策略;文献[11]融合相关系数、多层次模糊综合评判和劣化度分析法等多种方法，自下而上、逐级地对风电机组各个子系统的运行状态进行评价;文献[12]针对电力设备在运行过程中故障程度模糊和全景状态的不确定问题，提出一种融合模糊函数改进的贝叶斯网络状态评估方法。上述思路虽不过多依赖先验数据，但要求具有大量的已发生故障的信息，而不同机型、不同投运时间的机组故障模式不同，对于新投运的风电机组显然不合适，且因评分和赋权使得评估结果易受人为因素影响。

第②种思路，如文献[13]提出用支持向量回归模型预测风电机组有功功率，并与SCADA监控报警功能相结合，组成了鲁棒性更强的风电机组整机评估方法;文献[15]将有功功率的残差作为评估机组运行性能的指标;文献[16]结合神经网络和随机过程理论，考虑风电机组运行外界环境及内部工况综合作用下，建立风电机组运行行为模型，提出了评估风电机组运行性能的指标，以描述机组异常行为。思路②中，基于机组历史SCADA监测数据分析进行整机状态评估，虽可以规避第①种思路的不足，但往往只针对机组当前状态进行评估的。机组实际运行中存在异常状态、故障、弃风限电等各种不确定性因素，使得机组的出力指标易发生波动。假设机组当前状态“良好”，但是往“较差”状态转移趋势明显，则应当引起足够重视；若当前状态“较差”，但有好转的趋势，则不应该立即评定为“较差”，应继续观察，给出准确的评估结果。

各种不确定因素的存在使得风电机组实际性能指标偏离预期出力指标，影响机组可靠稳定运行，造成风电机组运行产生风险，因此运用风险的思想对风电机组运行态势进行评估应运而生。根据风险的定义，即不确定性对目标的影响，通常用事件的后果(包括情形的变化)和事件发生可能性的组合来表示风险[17]。有功功率作为风电机组对外的直接贡献，其运行过程中的异常波动可表征风电机组运行风险。将风电机组风险定义为多不确定因素作用下实际有功功率指标偏离预期指标的严重程度。基于上述分析，本文综合考虑风电机组SCADA系统历史记录、当前状态以及未来劣化趋势信息，提出基于风险的思想对风电机组的态势进行评估。

1 风电机组风险态势预测模型构建

1.1 基于残差思想的风电机组运行风险严重度描述模型

根据风电机组的有功功率实际值与预测值定义其风险严重度R。首先，残差定义为：

d=|Pwm-Pwp|。

(1)

式中：d为有功功率的残差大小;Pwm为有功功率实际值;Pwp为有功功率预测值。

为了消除预测模型误差、随机扰动、弃风限电等因素对风险态势评估准确性的影响，定义风电机组风险严重度R为：

(2)

式中：dt-1为t-1时刻的有功功率残差;dt为t时刻的有功功率残差;dt+1为t+1时刻的有功功率残差;ε为有功功率预测模型精度误差。风险存在的条件是其评估点前后的有功功率残差均超出预测模型精度误差范围。

1.2 风电机组风险态势预测流程

本文以新疆某风场2MW风电机组为研究对象，融合多时段SCADA监测数据，首先利用长短期记忆(Long Short-Term Memory, LSTM)网络预测模型对SCADA系统所监测的多变量时间序列与风电机组有功功率序列之间的非线性关系进行动态时间建模，构建有功功率短期预测模型；其次，由于所得风电机组风险严重度等级界限模糊，且缺乏故障数据标签，采用无监督的模糊C均值(Fuzzy C-Means, FCM)聚类，构建风险状态严重度离群点模型，划分风险状态严重度等级；最后，基于马尔科夫链的状态转移模型预测机组风险态势，并与风场实际情况对比验证所提评估方法的有效性。风险态势预测流程体系如图1所示。

1.3 基于LSTM神经网络的风电机组有功功率预测模型

风电机组风险态势预测的核心之一在于精确预测其有功功率，以提高残差表征风电机组风险严重度的准确性。风电机组有功功率作为典型的非线性、动态时间序列，循环神经网络(Recurrent Neural Network, RNN)是处理本类问题的有效方法。在RNN众多变体中，LSTM模型将隐藏层的RNN细胞替换为LSTM细胞，通过引入“门”机制和记忆单元，有效规避随着RNN结构加深时，因梯度反向传播中的连乘效应致使常规RNN训练过程中存在梯度消失和梯度爆炸、长期记忆能力不足等问题，并拥有保存和获取长时序数据上下文信息的能力，使得RNN能够真正有效地利用长距离的历史时序信息。

1.3.1 LSTM网络的结构

LSTM的隐藏层是具有独特记忆模式的LSTM单元，LSTM的结构中每个时刻的隐藏层包含多个记忆块(memory block)，每个块(block)包含多个记忆细胞(memory cell)，每个记忆细胞包含1个细胞(cell)和3个门(gate)，LSTM时刻t的网络结构如图2所示。图2中：xt为t时刻的输入;ht-1为t-1时刻隐藏层的输出;ct-1为t-1时刻历史信息的输出；ft、it和ot分别为t时刻的遗忘门(forget gate)、输入门(input gate)和输出门(output gate)，一般采用sigmoid或tanh函数进行描述；ct为在t时刻通过变换后更新过的细胞状态，ht为t时刻隐藏层的输出。具体计算流程如下：首先，将t时刻的输入xt和隐藏层的输出ht-1复制4份，并为它们随机初始化不同的权重，计算出遗忘门、输入门和输出门以及变换的细胞状态；其次，使用遗忘门ft和输入门it来控制忘记多少历史信息ct-1和保存多少信息，从而更新内部记忆细胞状态ct；最后，ct通过非线性函数的运算和输出门ot的动态控制形成LSTM单元的输出ht。对于给定序列x=(x1,x2,…,xn)可以通过迭代式(3)～式(7)计算出一个隐藏层序列h=(h1,h2,…,hn)和输出序列y=(y1,y2,…,yn)。其前向算法可以表示为：

it=σ(Wxixt+Whiht-1+Wcict-1+bi);

(3)

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf);

(4)

ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc);

(5)

ot=σ(Wxoxt+Whoht-1+Wcoct+bo);

(6)

ht=ottanh(ct)。

(7)

式中：Wxi、Wxf、Wxc、Wxo分别为输入信号xt与相应门的权重矩阵；Whi、Whf、Whc、Who分别为隐含层输出信号ht与相应门的权重矩阵；Wci、Wcf、Wco为连接神经元激活函数输出矢量ct和门函数的对角矩阵；bi、bf、bc、bo分别为相应门的偏置向量；σ和tanh分别为sigmoid和双曲正切激活函数。

1.3.2 LSTM网络的训练算法

构建LSTM预测模型的整体框架如图3所示。采用文献[18]的反向误差传播算法(Back Propagation Through Time，BPTT)对LSTM网络模型进行训练及优化，基本步骤如下：

(1)按照前向算法(式(5)～式(9))计算每个LSTM细胞的输出值。

(2)反向计算每个LSTM细胞的误差项值，LSTM误差项的反向传播包括两个方向：沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；沿网络层级的反向传播，即将误差项向上一层传播。

(3)用链式求导求解LSTM中每个权重的梯度。

(4)用多层网格搜索对模型参数进行优选。

(5)采用适应性动量估计(Adaptive moment estimation，Adam)算法[19]更新网络权重，网络权重更新优选的依据是损失函数最小，本文选择均方误差定义训练过程的损失函数，如式(8)所示：

(8)

式中：Pwmt和Pwpt分别为时间序列在t时刻的有功功率实际值和预测值，T为训练样本个数。

1.4 基于模糊C-均值的风电机组风险严重度聚类模型

因风电机组风险严重度等级界限模糊，且缺乏故障数据标签，采用无监督的FCM聚类，构建风险严重度离群点模型，将相似度较高的风险严重度进行聚类。FCM聚类算法不断修正聚类中心和隶属度矩阵直至符合终止准则，以达到对风电机组风险影响按照严重程度自动分类的目的[20]。

风电机组风险严重度数据集R={r1,r2,…,ri,…,rn}，n为样本数；聚类中心M=[m1,m2,…,mj,…,mk]T，k为聚类数。FCM聚类将风险严重度数据集R分成k个模糊簇，并求每个簇的聚类中心mj(j=1,2,…,k)，使非相似性指标的目标函数最小，目标函数一般形式如式(9)所示：

‖ri-mj‖2}。

(9)

对于聚类数k的选取问题，设样本的中心向量为：

(10)

聚类数k的自适应函数为：

(11)

式中：分子为类与类之间的距离;分母为类内数据点与该类中心向量之间的距离，对应L(k)值最大的k为最佳聚类值。

引入拉格朗日算子λ=[λ1,λ2,…,λn]，将带有约束条件的极值问题转换为无约束问题：

(12)

分别对mj和μj(ri)求偏导，使式(11)达到最小值的必要条件为：

(13)

(14)

式(13)和式(14)无解析解，用下列步骤确定聚类中心mj和隶属度矩阵U，迭代直至满足收敛条件，来近似得到目标函数最优解，其算法如下所述。

(1)初始化隶属度矩阵U，并设定迭代停止标准φ，初始迭代次数L设置为0。

(2)通过式(13)计算所有样本的模糊聚类中心mj。

(3)通过式(14)式更新隶属度矩阵U。

(4)对于给定迭代停止标准φ，计算Δ=‖UL+1-UL‖。若Δ>φ，则令L=L+1并返回步骤(2)；若Δ≤φ，则迭代停止。根据最佳隶属度和最佳聚类数目选择最优聚类结果，并根据类间分离—类内紧密评价指标I评估聚类结果[20]。

聚类看作是风电机组运行风险影响的严重度集合R={r1,r2,…,ri,…,rn}到风险影响严重度等级集合S={S1,S2,…,Sj,…,Sk}的一个映射。获得风险严重度聚类状态S后，根据机组历史数据建立其马尔科夫模型。

1.5 基于马尔科夫链的风电机组运行风险态势预测模型

马尔可夫链的基本思想：将时间连续的随机过程分为有限多个离散状态，所有离散状态的集合和状态之间转移关系构成一个马尔可夫链[21]。风电机组运行风险态势就是一个时间连续的随机波动的过程，通过建立有限状态空间的离散马尔可夫模型，以描述风电机组运行风险态势变化趋势。通过统计某一机组聚类结果及其在时间序列上的分布情况，可以计算机组风险态势初始状态概率矩阵I和转移概率矩阵T。

I=[q1,q2,…,qn]1×k;

(15)

T=[pij]k×k。

(16)

式中：qi=P(Si)表示机组当前处于某一风险严重度Si的概率；pij=P(Sj|Si)表示机组风险严重度从状态Si转移到Sj的概率。

根据马尔科夫模型的无记忆性，每一条状态转移路径可化简为：

(17)

2 应用算例验证与有效性对比分析

2.1 应用算例验证

为验证本文所提方法的准确性和有效性，本文以新疆某风场25台已投运8.6年的2 MW某机型风电机组的SCADA监测数据和故障日志为例，综合历史记录、当前状态以及未来运行趋势进行分析。数据采样时间为2010年8月1日00：00～2018年8月1日24:00，采集频率为10 min/次，风电机组的额定功率2 MW，切入风速3 m/s，切出风速22 m/s，工作温度[-30，40]℃。

2.1.1 基于LSTM网络的风电机组有功功率预测

从物理本质上来说，影响风力发电机有功功率的因素很多，包括风速、风向、气温、空气密度等[22-24]，将其作为有功功率预测的输入变量。应确保所选训练和测试预测数据样本不包含外界环境异常及因“弃风限电”导致的风电机组“安全停机”，以避免对LSTM预测模型精度的影响。采用风电机组正常运行时的历史SCADA数据训练LSTM预测模型，并用测试样本验证其预测精度；其次采用风电机组发生故障前的SCADA数据作为预测数据样本预测其有功功率。因风电机组正常运行时的历史SCADA数据样本过多，在预测模型的训练与验证阶段，以风速大小作为参考，按风速区间[3，22] m/s将样本群划分为19个子群，每个子群以100∶1系统随机选取样本数据，为便于对比精度，以5∶1的比例选取训练样本和测试样本。此处，以1#机组的有功功率预测为例，采用迭代的方法逐点预测。

首先，根据经验初步确定非关键参数的取值：令网络初始化的随机种子数seed=1，训练次数steps=100；其次，参考文献[25-27]设置3个关键参数的取值范围：分割窗口长度Len∈{50,60，70，…，20 000}，状态向量大小Sstate∈{50,60,70，…，20 000}，学习率ζ∈{0.001,0.003，0.005,0.01,0.03,0.05}，其中Len和Sstate的搜索步长为10，采用网格搜索的方法对其关键参数进行优选，参数优选的依据是损失函数最小；最后，应用Adam优化算法不断更新网络权重，设定损失函数最小为优化目标，进而得到最终的隐藏层网络，训练LSTM模型损失和模型精度。在分割窗口长度Len=300、状态向量大小Sstate=300、学习率ζ=0.001、训练次数steps=50时，获得的损失函数最小，如图4所示。

为了验证本文LSTM预测模型的精度，增加其与支持向量回归(Support Vector Regression, SVR)、反向传播神经网络(Back Propagation Neural Network, BPNN)预测模型及实际有功功率的对比情况，3种模型的训练总次数相同；SVR的惩罚因子C设置为3，核函数采用径向基函数，核函数参数和误差边界分别为0.023、0.258；BPNN选择均方误差定义训练过程的损失函数，激活函数采用Sigmoid函数，用Adam优化算法更新网络权重。测试样本的预测结果如图5所示。

为更好地定量评价模型拟合和预测效果，本文选择均方根误差(RMSE)、平均绝对百分比误差(MAPE)和纳什系数(NSE)作为评价指标，且在模型参数保持不变的条件下，分别重复100次实验，并计算评价指标，对比结果如表1所示。

(18)

(19)

(20)

表1 不同有功功率预测模型的精度对比

2.1.2 基于模糊C均值的风电机组风险严重度聚类

以类间分离—类内紧密评价指标I评估聚类结果，根据最佳隶属度和最佳聚类数目选择的最优聚类结果如图6所示，聚类数的个数为5，在同一列的属于相同簇。

在得到聚类结果后，风电机组的5个风险严重度等级分别记为S1、S2、S3、S4、S5。从每个风险严重度等级中抽取样本，对应实际运行中各参数的监测值及故障日志来明确其所对应对的风电机组实际运行状态。如图7所示为选自风险严重度为S5的监测数据样本，该监测数据样本抽取自1#风电机组2016年11月21号11:00～13:00的SCADA系统部分监测数据。从图7中可以看出，该时段风速(WS)、风向(WD)、环境温度(AT)及环境湿度(AH)都稳定保持在较正常水平，且在正常运行情况下，变桨系统应该小幅度的调节，以保持输出平滑功率。但实际有功功率出现两次骤降，风机启动紧急刹车，叶轮转速骤降，叶尖甩开气动刹车，电机同时脱网。待停机后检查，观察到两次异常停机均为发电机过速所致。据此，基于FCM的风电机组风险影响严重度聚类模型所得到的聚类结果可以有效描述风险影响严重度。为了满足维护策略制定的需要，依据聚类结果将风险严重度等级划分为S1(注意)、S2(轻微)、S3(中度)、S4(较严重)和S5(严重)5个等级。

2.1.3 基于马尔科夫链的风电机组运行风险态势预测

风险严重度状态空间为S=[S1，S2，S3，S4，S5]，统计记录1#风电机组所处状态序列如表2所示。

表2 1#风电机组的状态序列

用MATLAB求解，以得到1#风电机组的马尔科夫模型描述的状态转移矩阵，如表3所示。

表3 1#风电机组状态转移矩阵

续表3

采集整理1#风电机组2018年8月28日的SCADA监测数据和故障日志作为实例对比数据，如表4所示，其中T1～T7为每间隔10 min的采集点。在这组数据中，该机组齿轮箱一级轴承温度R12出现异常升高的情况，其他状态参数保持在正常范围内。

表4 1#风电机组部分监测数据

2018年8月28日22时0分，即T4时刻，按照实时监测的SCADA数据对1#风电机组进行初始风险评估，初始风险评估矩阵为[0.985 6,0.011 0,0.002 7,0.000 57,0.000 13]，表示风电机组当前所处风险严重度等级的概率。如0.985 6表示1#风电机组当前风险严重度为S1(注意)的概率为0.985 6。

根据所定义的风险指数RI，不同的异常指数对应机组实际运行中不同的风险大小级别，如风险指数1中的风险严重度状态转移路径S1～S2，表示风电机组的风险严重度从S1(注意)转移到S2(轻微)，风电机组存在微小风险；风险指数4中的风险严重度状态转移路径S1～S5，表示风电机组的风险严重度从S1(注意)转移到S5(严重)，此时，风电机组存在很高的风险。。

根据式(17)，风险指数1表示为：

(21)

风险指数4表示为：

(22)

假设评估时间步长均为10 min/次，表5即为考虑到风险状态转移的1#风电机组的风险态势评估结果，即经过一个评估时间步长后T5时刻的风险态势。

表5 1#风电机组的风险态势计算结果

对于1#风电机组风险态势评估结果的解读：初始风险评估，初始风险评估矩阵为[0.985 6,0.011 0,0.002 7,0.000 57,0.000 13]，表示风电机组当前所处风险严重度等级的概率，1#机组当前风险严重度的概率排序S1>S2>S3>S4>S5，即1#风电机组当前风险态势为“注意”的概率最大，“严重”的概率最小。但是经过一个评估时间步长后，在22时10分(如表5)其风险指数0>4>>1>2>3，即其往“严重”状态转移的趋势明显，应引起足够重视。建议提前进行预测性维护或安排额外的扩展维护对其进行详细的潜在故障排查，以排除安全隐患。

2.2 1#风电机组运行态势评估结果对比分析

为进一步验证本文方法的有效性，将该方法与文献[10]的基于趋势预测的大型风电机组运行状态模糊综合评估进行比较。为便于对比分析，将本文提出的方法记为M1，文献[10]的方法记为M2。分别采用M1和M2对表5中的数据进行持续分析，分析对比T1～T7持续时间段内评价结果如图8所示。

T2时刻，按该风电机组技术规程，确定所有参数均保持在正常范围内。M1评估为风险严重度为S2(轻微)；采用M2，得到最终隶属度矩阵[1,0,0,0,0]，按照M2所提保守型评估原则“取隶属度大于零的最低等级项”，此时风险严重度评估结果为S1(注意)；而实际风电机组此时已经带病运行，可能已经造成故障。这个结果的主要原因是：M2方法中所评估的只是齿轮箱系统、发电机系统、变流器系统、控制因素及机舱系统中的主要特征状态参数，此时故障可能因为其他特征状态参数异常或故障发生其他功能组件上，导致有功功率异常波动。

T3时刻，M1评估为风险严重度为S1(注意)；采用M2得到最终隶属度矩阵[0.8821,0.1179,0,0,0]，按照M2所提保守型评估原则“取隶属度大于零的最低等级项”，此时风险严重度评估结果为S2(轻微)，发电机驱动端轴承温度R21突升为57.3℃，按照M2文章初步直观判断可能是发电机轴承出现磨损，虽然R21值较高但未超过阈值，所以发电机轴承并未出现严重劣化且报警系统未报警。

在T4时刻，即机组监控报警系统报警前22分钟，M1评估出机组当前状态为S1(注意)的概率为0.985 6，且风险状态转移过程中风险严重度从S1(注意)转移到S5(严重)的风险指数为0.216 852，其往“严重”状态转移的趋势明显，应引起运维人员重视并及时采取必要措施；而因M2考虑的所有特征状态参数均保持在正常范围内，得到最终隶属度矩阵[1,0,0,0,0]，此时风险严重度评估结果为S1(注意)。现场实际调研情况是：1#机组已投运8.6年，在2018年8月28日21时30分～22时22分该风场平均风速10 m/s左右，风电机组正常运行，机组维护人员观测到SCADA监测数据均在正常范围内且监控报警系统未报警。T6时刻后，在22时22分44秒1#机组报AC驱动侧加速度传感器超过限定值、振动传感器故障、变频器通讯复位错误、定子断路器分断超时，22时22分48秒报变频器检测到故障，22时22分49秒报电网故障、急停按钮、UPS供电开关状态，风机停机。由于风机停机过程中振动剧烈，机舱吊车吊臂撞掉UPS电源箱，造成外部电源失去，变桨电池供电5分钟后电量耗尽，22时27分通讯中断。经现场检查，确定为机组主轴与低速轴连接螺栓断裂。

通过以上对比，评估结果与实际情况基本吻合，表明所提风险评估方法能够较为准确地反映风电机组的风险态势，而故障发生前维护人员并未确切掌握风电机组的实际运行状况；且M1考虑到风险态势转移，可提前预判风险态势，相较M2，M1能更早发现潜在故障，足以在故障发生22分钟前预判出1#机组存在的“严重”风险，及时调整维护策略，尽可能避免风资源和运维资源的浪费，以及避免故障劣化对电网安全运行造成的超重大影响。

为了进一步验证本文所提方法的有效性，将其与评估方法M2分别应用于其他25台风电机组90个样本的状态评估中，并对结果进行比较。经统计，本文所提方法的总准确率可达到93%，M2的模糊状态评估方法的总准确率达80%。综上所述，本文所提出的数据驱动的风电机组风险状态动态评估方法具有更高的准确性和实用性。

3 结束语

现有的针对风电机组状态评估的研究主要聚焦于对风电机组当前状态进行评估，未充分考虑风电机组运行风险态势转移的特点。因此，本文融合多时段SCADA监测数据，提出一种数据驱动的风电机组整机运行风险态势动态评估方法。算例验证表明：基于LSTM循环神经网络模型对有功功率预测精度可达到99.74%；基于模糊C均值的风电机组风险影响严重度聚类模型所得到的聚类结果可以有效描述风险影响严重度；基于马尔科夫链的风电机组运行风险态势评估模型准确率可达到93%，对于指导运维人员调整维护策略、降低运维成本、提高风电机组并网运行的实时可靠性具有重要实际工程应用意义。

在后续研究中，针对关键零部件，表征其状态退化特征熵，结合卷积神经网络与LSTM循环神经网络模型预测其状态趋势，并将本评估方法在风电场中进行推广应用，以验证在多工况下的风险态势评估方法的普适性。