《表1 0 风电机组异常辨识结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《采用GA-BPNN与TLS模型的风电机组异常辨识方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从该风电场9起风电机组故障案例中选取78组异常辨识样本（每组样本包含24 h内的SCADA数据），如表9所示，故障案例共涉及8类风电机组状态参数异常。进一步验证所提方法的准确性，并与基于预测残差概率密度函数的阈值判别法（判定阈值选取预测残差99.9%置信区间的上下限）以及基于BPNN的动态阈值诊断方法[18]进行对比，结果如表10所示，可见本文异常辨识模型的准确率达到93.85%，远高于阈值诊断及基于BPNN的动态阈值诊断方法。