CN103323772B - 基于神经网络模型的风力发电机运行状态分析方法 - Google Patents
基于神经网络模型的风力发电机运行状态分析方法 Download PDFInfo
- Publication number
- CN103323772B CN103323772B CN201210076748.0A CN201210076748A CN103323772B CN 103323772 B CN103323772 B CN 103323772B CN 201210076748 A CN201210076748 A CN 201210076748A CN 103323772 B CN103323772 B CN 103323772B
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- output power
- running status
- aerogenerator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013459 approach Methods 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 title claims abstract description 16
- 230000001537 neural effect Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 claims description 4
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 28
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000005611 electricity Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Abstract
本发明涉及一种风力发电机的运行状态分析方法，尤其涉及一种基于神经网络模型的风力发电机运行状态分析方法。(1)读取数据库；(2)数据预处理；(3)神经网络建模；(4)风能转换功率特性曲线模型存储；(5)读取风能转换功率特性曲线模型；(6)获取数据；(7)期望输出功率计算；(8)期望输出功率与实际输出功率偏差统计；(9)风力发电机运行状态判定。本发明可实现更加有效和准确的风力发电机运行状态监测和预测，也即为风力发电机维护维修提供更加有效的和准确的决策支持。
Description
技术领域
本发明涉及一种风力发电机运行状态的分析方法，尤其涉及一种基于神经网络模型的风力发电机运行状态分析方法。
背景技术
随着国家对风电能源产业的大力投入，风电场的规模迅速扩大，致使风电企业的运营管理面临着巨大的压力，尤其是在风力发电机管理和维修方面。同时，风力发电机故障停机时有发生，风电企业担心突发事故的发生。目前，采用的风力发电机运行维护维修手段具有一定滞后性，现场的风力发电机维护维修人员技术水平普遍较低，难以及时有效的对风力发电机进行维护维修。
由于风电场不断建成和投入运营，风力发电机数量迅速增多，及时有效的对风力发电机进行运行维护维修是一个亟待解决的问题。由于风力发电机运行维护维修人员的数量有限，风力发电机运行状态监测技术手段单一等矛盾凸显，由于无法及时对风力发电机进行维护维修造成的风力发电机故障的风险增大。通常，风电场会安装基于数据采集与监视控制系统的报警系统对风力发电机运行状态进行监测，但由于其为故障事后报警，维修人员只能在故障发生后对风力发电机进行维修，无法为维护维修人员提供风力发电机运行状态信息。对于大多数的风电场，其对风力发电机的维护维修还多采用定期巡检和故障事后维修的方式对风力发电机进行维护和维修。由于风力发电机维修资源紧缺和技术条件有限，对风力发电机的维护维修难以达到及时维修，致使在巡检间隔内无法对风力发电机进行及时的维护维修，在巡检间隔内只有当风力发电机发生故障后才会得到维修，不仅会造成维修停机损失，也增加了风力发电机维修成本。
风力发电与火力发电等传统发电方式有着非常大的不同，风力发电具有间歇性和随机性。火力发电等传统发电方式中采用的发电设备运行状态分析方法难于应用到风力发电设备运行状态分析中。针对上述问题，本发明提供了一种基于神经网络模型的风力发电机运行状态分析方法，可对风力发电机运行状态进行实时分析。通过利用风力发电机输出的三相电压数据和三相电流数据内隐含着的风力发电机运行状态信息，实现对风力发电机运行状态进行分析。
发明内容
为了解决上述技术问题本发明提供一种基于神经网络模型的风力发电机运行状态分析方法，目的是对风力发电机运行状态进行分析。
为达上述目的，本发明一种基于神经网络模型的风力发电机运行状态分析方法，包括如下步骤：(1)读取数据库：读取风电场数据采集与监视控制系统数据库中存储的历史数据；(2)数据预处理：对读取的历史数据进行预处理，去除读取数据中的无效数据；(3)神经网络建模：以预处理后的数据作为输入，采用神经网络和机器学习方法建立风力发电机的风能转换功率特性曲线模型；(4)风能转换功率特性曲线模型存储：将获得的风力发电机的风能转换功率特性曲线模型存储到数据库中；(5)读取风能转换功率特性曲线模型：读取数据库中存储的风力发电机的风能转换功率特性曲线模型；(6)获取数据：实时获取风力发电机输出功率、风速、风向、温度和空气密度数据；(7)期望输出功率计算：以获取的风速、风向、温度和空气密度数据作为风能转换功率特性曲线模型输入，计算期望风力发电机输出功率；(8)期望输出功率与实际输出功率偏差统计：对风力发电机实际输出功率与期望风力发电机输出功率进行偏差统计；(9)风力发电机运行状态判定：根据实际输出功率采样点相对于期望输出功率的波动采用多数投票算法对风力发电机运行状态进行判定，当完成风力发电机运行状态判定后，返回至第(6)步重复执行。
所述的读取的历史数据包括风力发电机输出功率、风速、风向、温度和空气密度。
所述的无效数据包括停机时采集的数据，故障时采集的数据，极端天气条件下采集的数据，网络故障时采集的数据，传感器故障时采集的数据和风力发电机调试时采集的数据。
所述的神经网络为径向基神经网络，径向基神经网络的结构为：①核函数为Tansig函数；②输入层节点为4个；③输出层节点为1个；④神经网络层数为1层；采用的机器学习方法为正交最小二乘学习方法，用于对径向神经网络进行训练。
所述的期望输出功率与实际输出功率偏差统计为10分钟内获取的实际输出功率与期望输出功率间的绝对差值同期望输出功率的比值超出偏差限值的次数，其中偏差限值的定义为以期望输出功率为基准，允许围绕其波动的范围，偏差限值为1％和3％，偏差限值的数值是通过对带有风力发电机运行状态标记的输出功率数据进行统计得出的。
当实际输出功率采样点相对于期望输出功率波动多数在1％以内，则判定风力发电机为正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数在1％～3％内，则判定风力发电机非正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数超过3％，则判定风力发电机为故障状态。
读取的历史数据的时间长度为1年，数据的采集时间间隔为1分钟。
对读取的历史数据进行预处理中极端天气条件是指雷击、冰雹、飓风、地震、海啸、洪水、火山喷发。
读取的风能转换功率特性曲线模型为经神经网络建模获得的风能转换功率特性曲线模型。
实时获取风力发电机输出功率、风速、风向、温度和空气密度，数据的采集时间间隔为1分钟。
本发明的优点效果：本发明可实现更加有效和准确的风力发电机运行状态监测和预测，也即为风力发电机维护维修提供更加有效的和准确的决策支持。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，
图1是本发明流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
实施方式
本发明的实施条件为风电场需安装有数据采集与监视控制系统(SCADA)，且SCADA系统至少具有以下功能：
(1)可采集和存储风力发电机传感器数据、环境数据，特别地，SCADA系统可采集和存储的数据包括风力发电机输出功率、风速、风向、温度和空气密度数据，并提供存储有风力发电机输出功率、风速、风向、温度和空气密度数据的数据库的读取接口。
(2)SCADA系统的运行时间不小于1年，特别地，其历史数据库中必须存储有不小于1年的风力发电机输出功率、风速、风向、温度和空气密度历史数据，且数据采集时间间隔不大于1分钟。当数据采集时间间隔小于1分钟时，需对数据进行减采集，以满足本发明对采集时间间隔为1分钟的要求。
(3)SCADA系统还需提供实时采集数据的读取接口。以下所述内容中出现的SCADA系统均须满足上述要求。
除上述外，本发明的实施还需风电场提供以下记录，记录的时间不小于SCADA系统的运行时间，且记录时与SCADA系统运行时间同步：
(1)风力发电机停机记录，包括停机起始时间。
(2)风力发电机故障记录，包括故障发生或发现时间和故障去除时间。
(3)极端天气记录，包括指雷击、冰雹、飓风、地震、海啸、洪水、火山喷发等极端天气现象及其起始时间。
(4)网络故障记录，包括网络发生或发现时间和故障恢复时间。
(5)传感器故障记录，包括传感喊叫或发现时间和故障去除时间。
(6)风力发电机调试记录，包括风力发电机调试起始时间。
如图所示本发明一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于包括如下步骤：(1)读取数据库：读取风电场SCADA系统数据库中存储的历史数据，读取的历史数据包括风力发电机输出功率、风速、风向、温度和空气密度，读取的历史数据的时间长度为1年，数据的采集时间间隔为1分钟；
(2)数据预处理：对读取的历史数据进行预处理，去除读取数据中的无效数据，无效数据包括停机时采集的数据，故障时采集的数据，极端天气条件下采集的数据，网络故障时采集的数据，传感器故障时采集的数据和风力发电机调试时采集的数据，对读取的历史数据进行预处理中极端天气条件是指雷击、冰雹、飓风、地震、海啸、洪水、火山喷发；
(3)神经网络建模：以预处理后的历史数据作为输入，采用神经网络和机器学习方法建立风力发电机的风能转换功率特性曲线模型，神经网络为径向基神经网络(简写为RBF神经网络)，径向基神经网络的结构为：①核函数为Tansig函数；②输入层节点为4个；③输出层节点为1个；④神经网络层数为1层；采用的机器学习方法为正交最小二乘学习方法(简写为OLS方法)，用于对径向神经网络进行训练；采用OLS方法作为训练方法的RBF神经网络简称为OLSRBF神经网络；
(4)风能转换功率特性曲线模型存储：将获得的风力发电机的风能转换功率特性曲线模型存储到数据库中；
(5)读取风能转换功率特性曲线模型：读取数据库中存储的风力发电机的风能转换功率特性曲线模型，读取的风能转换功率特性曲线模型为经神经网络建模获得的风能转换功率特性曲线模型；
(6)获取数据：从风电场SCADA系统实时读取时间长度为10分钟的风力发电机输出功率、风速、风向、温度和空气密度数据，并将实时读取的10分钟数据保存在计算机内存中，供后继步骤使用，实时获取风力发电机输出功率、风速、风向、温度和空气密度数据的采集时间间隔为1分钟，也即1分钟仅获得风力发电机输出功率、风速、风向、温度和空气密度数据的一个采样点；
(7)期望输出功率计算：以实时读取的时间长度为10分钟的风速、风向、温度和空气密度数据作为风能转换功率特性曲线模型输入，计算期望风力发电机输出功率，计算得出的期望风力发电机输出功率为10个功率值，并将计算得出的10个功率值保存到内存中，供后继步骤调用；
(8)期望输出功率与实际输出功率偏差统计：将上一步计算得出的10个期望风力发电机输出功率值与实时采集的10个风力发电机实际输出功率值进行偏差统计，期望输出功率与实际输出功率偏差统计为10分钟内获取的实际输出功率与期望输出功率间的绝对差值同期望输出功率的比值超出偏差限值的次数，其中偏差限值的定义为以期望输出功率为基准，允许围绕其波动的范围，偏差限值为1％和3％，偏差限值的数值是通过对带有风力发电机运行状态标记的输出功率数据进行统计得出的；
(9)风力发电机运行状态判定：根据实际输出功率采样点相对于期望输出功率的波动采用多数投票算法对风力发电机运行状态进行判定，当实际输出功率采样点相对于期望输出功率波动多数在1％以内，则判定风力发电机为正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数在1％～3％内，则判定风力发电机非正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数超过3％，则判定风力发电机为故障状态。当完成风力发电机运行状态判定后，返回至第(6)步重复执行。
利用风力发电机运行状态分析结果，维修人员可对风力发电机进行恰当的、及时的维护和维修。基于以上分析得出的风力发电机三种运行状态，维修人员可实现：
(1)根据风力发电机运行状态对风力发电机的巡检时间间隔进行调整。通常处于正常运行状态的风力发电机的巡检时间间隔可适当延长20％。
(2)根据风力发电机运行状态对风力发电机及时或择时进行维护，并适当缩短巡检时间间隔。如风力发电机属非正常运行状态，则需立即或择时对风力发电机进行维护，并适当缩短巡检时间间隔，通常可缩短50％。
(3)根据风力发电机运行状态对风力发电机及时维修，如风力发电机属故障状态运行，则需立即对风力发电机进行维修。
同国内各风力发电机生产厂家基于SCADA系统设计的风力发电机报警系统所提供的风力发电机运行状态监测功能相比，本发明可实现更加有效和准确的风力发电机运行状态监测和预测，也即为风力发电机维修提供更加有效的和准确的决策支持。
以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化与修改，均应属于本发明保护的范围。
Claims (8)
1.一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于包括如下步骤：(1)读取数据库：读取风电场远程集控中心数据存储的历史数据；
(2)数据预处理：对读取的历史数据进行预处理，去除读取数据中的无效数据；
(3)神经网络建模：以预处理后的数据作为输入，采用神经网络和机器学习方法建立风力发电机的风能转换功率特性曲线模型；
(4)风能转换功率特性曲线模型存储：将获得的风力发电机的风能转换功率特性曲线模型存储到数据库中；
(5)读取风能转换功率特性曲线模型：读取数据库中存储的风力发电机的风能转换功率特性曲线模型；
(6)获取数据：实时获取风力发电机输出功率、风速、风向、温度和空气密度数据；
(7)期望输出功率计算：以获取的风速、风向、温度和空气密度数据作为风能转换功率特性曲线模型输入，计算期望风力发电机输出功率；
(8)期望输出功率与实际输出功率偏差统计：对期望风力发电机输出功率与风力发电机实际输出功率进行偏差统计；
(9)风力发电机运行状态判定：根据实际输出功率采集数据相对于期望输出功率的波动采用多数投票算法对风力发电机运行状态进行判定；
(10)所述的期望输出功率与实际输出功率偏差统计为10分钟内获取的实际输出功率与期望输出功率间的绝对差值同期望输出功率的比值超出偏差限值的次数，其中偏差限值的定义为以期望输出功率为基准，允许围绕其波动的范围，偏差限值为1％和3％，偏差限值的数值是通过对带有风力发电机运行状态标记的输出功率数据进行统计得出的；
(11)当实际输出功率采样点相对于期望输出功率波动多数在1％以内，则判定风力发电机为正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数在1％～3％内，则判定风力发电机非正常运行状态；当实际输出功率采样点相对于期望输出功率波动多数超过3％，则判定风力发电机为故障状态。
2.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于所述的读取的历史数据包括风力发电机输出功率、风速、风向、温度和空气密度。
3.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于所述的无效数据包括停机时采集的数据，故障时采集的数据，极端天气条件下采集的数据，网络故障时采集的数据，传感器故障时采集的数据和风力发电机调试时采集的数据。
4.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于所述的神经网络为径向基神经网络，径向基神经网络的结构为：①核函数为Tansig函数；②输入层节点为4个；③输出层节点为1个；④神经网络层数为1层；采用的机器学习方法为正交最小二乘学习方法，用于对径向神经网络进行训练。
5.根据权利要求2所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于读取的历史数据的时间长度为1年，数据的采集时间间隔为1分钟。
6.根据权利要求3所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于对读取的历史数据进行预处理中极端天气条件是指雷击、冰雹、飓风、地震、海啸、洪水、火山喷发。
7.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于读取的风能转换功率特性曲线模型为经神经网络建模获得的风能转换功率特性曲线模型。
8.根据权利要求1所述的一种基于神经网络模型的风力发电机运行状态分析方法，其特征在于实时获取风力发电机输出功率、风速、风向、温度和空气密度数据的采集时间间隔为1分钟。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210076748.0A CN103323772B (zh) | 2012-03-21 | 2012-03-21 | 基于神经网络模型的风力发电机运行状态分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210076748.0A CN103323772B (zh) | 2012-03-21 | 2012-03-21 | 基于神经网络模型的风力发电机运行状态分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103323772A CN103323772A (zh) | 2013-09-25 |
| CN103323772B true CN103323772B (zh) | 2016-02-10 |
Family
ID=49192637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210076748.0A Expired - Fee Related CN103323772B (zh) | 2012-03-21 | 2012-03-21 | 基于神经网络模型的风力发电机运行状态分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103323772B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016086360A1 (en) * | 2014-12-02 | 2016-06-09 | Abb Technology Ltd | Wind farm condition monitoring method and system |
| CN104819107B (zh) * | 2015-05-13 | 2017-07-28 | 北京天源科创风电技术有限责任公司 | 一种风电机组功率曲线异常漂移的诊断方法及系统 |
| CN106815771B (zh) * | 2015-12-02 | 2023-11-03 | 中国电力科学研究院 | 一种风电场载荷的长期评估方法 |
| CN105677791B (zh) * | 2015-12-31 | 2019-03-08 | 新疆金风科技股份有限公司 | 用于分析风力发电机组的运行数据的方法和系统 |
| CN108205110B (zh) * | 2016-12-20 | 2021-01-26 | 北京金风科创风电设备有限公司 | 风力发电机组发电机故障的检测方法及装置 |
| EP3388910A1 (en) | 2017-04-10 | 2018-10-17 | ABB Schweiz AG | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid |
| CN107588937B (zh) * | 2017-09-06 | 2019-11-05 | 成都大汇物联科技有限公司 | 一种水力发电机组设备健康分析方法 |
| CN109313673A (zh) * | 2018-04-17 | 2019-02-05 | 深圳鲲云信息科技有限公司 | 网络模型的运行方法及相关产品 |
| CN109376801B (zh) * | 2018-12-04 | 2021-07-20 | 西安电子科技大学 | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 |
| CN109490715A (zh) * | 2018-12-25 | 2019-03-19 | 浙江中新电力工程建设有限公司自动化分公司 | 一种极端环境下的电力系统故障判别方法 |
| DE102019112019B4 (de) * | 2019-05-08 | 2021-01-14 | Danfoss Power Electronics A/S | Motorantrieb und Verfahren zur Überwachung von Betriebsmessdaten eines Elektromotors mit mindestens einem Arbeitspunkt |
| CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
| CN112832960A (zh) * | 2020-12-23 | 2021-05-25 | 国电南瑞南京控制系统有限公司 | 一种基于深度学习的风机叶片结冰检测方法和存储介质 |
| CN112613183A (zh) * | 2020-12-29 | 2021-04-06 | 新天绿色能源股份有限公司 | 一种风力发电机组的功率曲线建模和计算方法 |
| CN113343562B (zh) * | 2021-05-26 | 2023-04-07 | 国网天津市电力公司电力科学研究院 | 一种基于混合建模策略的风机功率预测方法及系统 |
| CN114021290B (zh) * | 2022-01-04 | 2022-04-05 | 东北大学 | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 |
| CN114912509A (zh) * | 2022-04-06 | 2022-08-16 | 上海擎测机电工程技术有限公司 | 基于设备历史数据及实时数据的设备评估模型建立方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4345198A (en) * | 1981-02-20 | 1982-08-17 | General Electric Company | Generator air gap electrical torque monitor |
| ES2308918B1 (es) * | 2007-04-11 | 2009-10-23 | Fundacion Circe-Centro De Investigacion De Recurso Y Consumos Energeticos | Equipo generador de huecos de tension. |
| CN101706335B (zh) * | 2009-11-11 | 2012-01-11 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
| CN101976044A (zh) * | 2010-10-22 | 2011-02-16 | 天津理工大学 | 一种基于神经网络的风电系统建模及dsp实现方法 |
| CN102324887A (zh) * | 2011-09-08 | 2012-01-18 | 天津理工大学 | 一种基于混合神经网络的风力发电机稳定控制方法 |
-
2012
- 2012-03-21 CN CN201210076748.0A patent/CN103323772B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN103323772A (zh) | 2013-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103323772B (zh) | 基于神经网络模型的风力发电机运行状态分析方法 | |
| CN103306893B (zh) | 一种风力发电机故障预警及报警方法 | |
| CN101858312B (zh) | 风力发电机组实时运行状态评估系统及评估方法 | |
| CN106815771B (zh) | 一种风电场载荷的长期评估方法 | |
| CN107797063A (zh) | 基于scada的风电机组运行状态评估及故障诊断方法 | |
| CN104019000A (zh) | 风力发电机组的载荷谱测定与前瞻性维护系统 | |
| KR20180049020A (ko) | 시뮬레이션 방법 및 시스템 | |
| CN112115999B (zh) | 一种时空多尺度神经网络的风电机组故障诊断方法 | |
| CN103163841A (zh) | 自动化设备远程监控系统及方法 | |
| CN103364723B (zh) | 基于电压电流平衡性的风力发电机运行状态分析方法 | |
| CN103711645A (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
| CN103670950A (zh) | 移动式风力发电机组状态监控系统 | |
| CN203308655U (zh) | 风力发电机舱远程监控诊断系统 | |
| CN105117591A (zh) | 一种电力设备的运行状态分析方法 | |
| CN111596643A (zh) | 一种基于大数据的可视化动态能耗诊断、分析和预控系统 | |
| CN203879690U (zh) | 风电场故障实时预警智能控制平台 | |
| CN111929579A (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
| Wilson et al. | Modeling the relationship between wind turbine failure modes and the environment | |
| CN103645060B (zh) | 基于状态监控系统的风力发电机组突发故障识别诊断方法 | |
| Ma et al. | A study of fault statistical analysis and maintenance policy of wind turbine system | |
| CN205175690U (zh) | 基于dsp的风力发电机组在线故障诊断系统 | |
| Wang et al. | Reliability assessment of wind farm active power based on sequential monte-carlo method | |
| CN115842408A (zh) | 基于scada的风电场运行状态检测系统及方法 | |
| CN113586336B (zh) | 风力发电机组的控制方法及其控制装置及计算机可读存储介质 | |
| CN115573868A (zh) | 一种基于光纤mems传感的叶片多状态监测系统及其工作方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160210 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |