CN106662072A - 风力发电机状态监控方法与系统 - Google Patents
风力发电机状态监控方法与系统 Download PDFInfo
- Publication number
- CN106662072A CN106662072A CN201480080202.XA CN201480080202A CN106662072A CN 106662072 A CN106662072 A CN 106662072A CN 201480080202 A CN201480080202 A CN 201480080202A CN 106662072 A CN106662072 A CN 106662072A
- Authority
- CN
- China
- Prior art keywords
- wind
- driven generator
- data
- trained
- defective
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000002950 deficient Effects 0.000 claims abstract description 147
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000036541 health Effects 0.000 claims abstract description 5
- 230000003862 health status Effects 0.000 claims description 47
- 238000003745 diagnosis Methods 0.000 claims description 44
- 238000007418 data mining Methods 0.000 claims description 21
- 238000005065 mining Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000009434 installation Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010043458 Thirst Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000035922 thirst Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/83—Testing, e.g. methods, components or tools therefor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种风力发电机状态监控方法与系统。所述方法包括以下步骤：获取历史SCADA数据和对应于历史SCADA数据的风力发电机报告，其中历史SCADA数据包括风力发电机的操作数据，并且其中风力发电机报告包括：被诊断为正常或有缺陷状态的风力发电机的健康状况，以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有相应故障详情的有缺陷部件；模型训练步骤：通过建立历史SCADA数据和风力发电机报告之间的关系，训练整体模型用于整体诊断风力发电机，并且基于历史SCADA数据和对应的风力发电机报告训练不同个体模型用于分析风力发电机的不同部件；整体诊断步骤：获取实时SCADA数据，输入实时SCADA数据至已训练的整体模型，从已训练的整体模型获得风力发电机的健康状况，以及如果已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断步骤；个体诊断步骤：输入实时SCADA数据至与有缺陷的部件对应的已训练的个体模型，以及从对应于有缺陷的部件的已训练的个体模型获得有缺陷的部件的故障详细信息。纯SCADA‑数据‑驱动技术使得所述方法能在节省附加的监控传感器的安装方面使风力发电机运营者受益，并且分层概念结构使得其在加速算法执行效率方面受益。
Description
技术领域
本申请涉及风力发电机状态监控方法与系统。
背景技术
风能因为其丰富的资源、成熟的技术和零排放已经成为有希望取代传统的造成污染的火力发电的最受欢迎的再生能源。到2013年底，全球风力发电机安装已达到318GW。随着风场的快速增长，昂贵的O&M(运行和维护)费用和停机期间电力销售损失已发展成为越来越紧迫的问题。以2MW风力发电机为例，如KTH的硕士论文所估计，每年产生大约24.84万美元的损失，包括24.27万美元的O&M费用和0.57万美元的电力销售损失。
在这种环境下，市场渴望能开发一种状态监控系统(CMS)产品，其能在风力发电机发展成真正失效前实时检测风力发电机的缺陷，分析故障类型，并且定位有缺陷的部件。目前市场上带有此功能的可用的产品都是基于附加的传感器(例如振动、声学等)。这些侵入式传感器不仅大大地增加了资金成本，而且会造成风力发电机的再认证的问题，而这两者对于风场的运营者来说都是不希望的。
发明内容
相应地，本发明一方面提供一种风力发电机状态监控方法，包括如下步骤：
历史数据获取步骤：获取历史SCADA数据和对应于历史SCADA数据的风力发电机报告，其中历史SCADA数据包括风力发电机的操作数据，并且其中风力发电机报告包括：被诊断为正常或有缺陷状态的风力发电机的健康状况，以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件；
模型训练步骤：基于历史SCADA数据和对应的风力发电机报告，通过建立历史SCADA数据和风力发电机报告之间的关系，训练用于整体诊断风力发电机的整体模型并且训练用于分析风力发电机不同部件的不同个体模型；
整体诊断步骤：获取实时SCADA数据，输入实时SCADA数据至已训练的整体模型，从已训练的整体模型获得风力发电机的健康状况，以及如果已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断步骤；
个体诊断步骤：输入实时SCADA数据至对应于有缺陷部件的已训练的个体模型，以及从对应于有缺陷部件的已训练的个体模型获得有缺陷部件的故障详细信息。
优选地，历史数据获取步骤包括：
获取历史SCADA数据和对应于该历史SCADA数据的风力发电机报告，其中历史SCADA数据包括风力发电机的操作数据，并且其中该风力发电机报告包括：诊断为正常或者有缺陷状态的风力发电机的健康状况、以及如果风力发电机的健康状况诊断为有缺陷状态时带有对应故障详细信息的有缺陷部件；
验证该风力发电机报告以确定该历史SCADA数据中哪一数据部分是正常状态以及该历史SCADA数据中哪一数据部分是有缺陷状态。
优选地，该模型训练步骤包括：
选择整体数据挖掘算法；
利用整体数据挖掘算法来训练用于整体诊断风力发电机的整体模型，以建立整体模型的输入和输出之间的关系，整体模型的输入是历史SCADA数据，整体训练模型的输出是风力发电机的健康状况，其包括正常和有缺陷状态，以及如果所述风力发电机的健康状况被诊断为有缺陷的状态时的有缺陷部件；
选择用于风力发电机的不同部件的个体数据挖掘算法；
利用对应的个体数据挖掘算法来训练用于分析风力发电机的不同部件的不同的个体模型，以建立个体模型的输入和输出之间的关系，每一个体模型的输入是历史SCADA数据，如果与个体模型相对应的个体部件是有缺陷的部件，则每个个体模型的输出是对应于个体模型的个体部件的故障详细信息。
便利地，该模型训练步骤包括：
使用历史SCADA数据验证整体模型和个体模型的有效性。
便利地，该整体诊断步骤包括：
获取实时SCADA数据；
输入该实时SCADA数据至已训练的总体模型；
运行已训练的整体模型以实施整体数据挖掘算法；
从该已训练的整体模型获得风力发电机的健康状况；
如果已训练的整体模型确定风力发电机为有缺陷状态，则执行个体诊断步骤。
便利地，该个体诊断步骤包括：
选择与有缺陷部件相对应的已训练的个体模型作为已训练的有缺陷模型；
输入实时SCADA数据至已训练的有缺陷模型；
运行已训练的有缺陷模型以实施对应的个体数据挖掘算法；
从已训练的有缺陷模型获得该有缺陷部件的故障详细信息。
本发明的另一方面提供了一种包括计算机程序代码的计算机程序，所述计算机程序代码适于在计算机上运行时执行上述任何一个的所有步骤。
本发明的另一方面提供了一种在计算机可读介质上实现的根据上述的计算机程序。
本发明的另一方面提供了一种风力发电机状态监控系统，包括以下模块：
历史数据获取模块：用于获取历史SCADA数据和对应于历史SCADA数据的风力发电机报告，其中历史SCADA数据包括风力发电机的操作数据，并且其中风力发电机报告包括：被诊断为正常或有缺陷状态的风力发电机的健康状况，以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件；
模型训练模块：用于基于历史SCADA数据和相应的风力发电机报告，通过建立历史SCADA数据和风力发电机报告之间的关系，训练用于整体诊断风力发电机的整体模型并且训练用于分析风力发电机不同部件的不同个体模型；
整体诊断模块：用于获取实时SCADA数据，输入实时SCADA数据至已训练的整体模型，从已训练的整体模型获得风力发电机的健康状况，以及如果已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断模块；
个体诊断模块：用于输入实时SCADA数据至对应于有缺陷部件的已训练的个体模型，以及从对应于有缺陷部件的已训练的个体模型获得有缺陷部件的故障详细信息。
优选地，历史数据获取模块包括：
用于获取历史SCADA数据和对应于该历史SCADA数据的风力发电机报告的模块，其中历史SCADA数据包括风力发电机的操作数据，并且其中该风力发电机报告包括：诊断为正常或者有缺陷的状态的风力发电机的健康状况、以及如果风力发电机诊断为有缺陷的状态时带有相应故障详细信息的有缺陷的部件；
用于验证该风力发电机报告以确定该历史SCADA数据中哪一数据部分是正常状态以及该历史SCADA数据中哪一数据部分是有缺陷的状态的模块。
优选地，该模型训练模块包括：
用于选择整体数据挖掘算法的模块；
用于利用整体数据挖掘算法来训练用于整体诊断风力发电机的整体模型以建立整体模型的输入和输出之间的关系的模块，整体模型的输入是历史SCADA数据，整体训练模型的输出是风力发电机的健康状况，其包括正常和有缺陷的状态，以及如果所述风力发电机的健康状况被诊断为有缺陷的状态时的有缺陷的部件；
用于选择用于风力发电机的不同部件的个体数据挖掘算法的模块；
用于利用相对应的个体数据挖掘算法来训练用于分析风力发电机的不同部件的不同的个体模型以建立个体模型的输入和输出之间的关系的模块，每一个体模型的输入是历史SCADA数据，如果与个体模型相对应的个体部件是有缺陷的部件，则每个个体模型的输出是对应于个体模型的个体部件的故障详细信息。
便利地，该模型训练模块包括：
用于使用历史SCADA数据验证整体模型和个体模型的有效性的模块。
便利地，该整体诊断模块包括：
用于获取实时SCADA数据的模块；
用于输入该实时SCADA数据至已训练的整体模型的模块；
用于运行已训练的整体模型以实施整体数据挖掘算法的模块；
用于从该已训练的整体模型获得风力发电机的健康状况的模块；
如果已训练的整体模型确定风力发电机为有缺陷状态，则执行个体诊断模块的模块。
便利地，该个体诊断模块包括：
用于选择与有缺陷的部件相对应的已训练的个体模型作为已训练的有缺陷模型的模块；
用于输入实时SCADA数据至已训练的有缺陷模型的模块；
用于运行已训练的有缺陷模型以实施对应的个体数据挖掘算法的模块；
用于从已训练的有缺陷模型获得该有缺陷的部件的故障详细信息的模块。
本发明利用历史SCADA数据和相应的风力发电机故障信息来训练整体模型和个体模型，并且输入实时SCADA数据至已训练的整体模型中用于诊断，而输入至已训练的个体模型中用于分析。本发明提出了一类基于SCADA数据的分级的成本效益好的远程级风力发电机状态监控方法和系统。利用该解决方案，风力发电机运营者能够实时监控设备状况，检测早期故障并预先安排适当的预测性维护活动。与传统的基于侵入式传感器的技术相比，由于采用了纯SCADA数据驱动技术，本发明可以节省额外监控传感器的安装，并且由于采用分级概念结构能够加速算法执行效率，由此使终端客户(风力发电机运营者)受益。
附图说明
图1示出了说明根据本发明的风力发电机状态监控方法的流程图；
图2示出了说明本发明的优选实施例的流程图；
图3示出了风力发电机状态监控系统的结构模块图。
具体实施方式
在下文中，通过结合附图的具体实施例进一步详细介绍本发明。
图1示出了说明根据本发明的风力发电机状态监控方法的流程图，包括如下步骤：
步骤101：获取历史SCADA数据和对应于历史SCADA数据的风力发电机报告，其中历史SCADA数据包括风力发电机的操作数据，并且其中风力发电机报告包括：被诊断为正常或有缺陷状态的风力发电机的健康状况，以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件；
步骤102：基于历史SCADA数据和对应的风力发电机报告，通过建立历史SCADA数据和风力发电机报告之间的关系，训练用于整体诊断风力发电机的整体模型并且，训练用于分析风力发电机不同部件的不同个体模型；
步骤103：获取实时SCADA数据，输入实时SCADA数据至已训练的整体模型，从已训练的整体模型获得风力发电机的健康状况，以及如果已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断步骤；
步骤104：输入实时SCADA数据至对应于有缺陷部件的已训练的个体模型，以及从对应于有缺陷部件的已训练的个体模型获得有缺陷部件的故障详细信息。
SCADA数据是从监测控制与数据采集(SCADA)系统收集的。该SCADA系统是一种电力自动化监控系统。它执行电力系统的数据收集，监测控制和过程控制。
本发明利用步骤101中获得的历史SCADA数据和对应的风力发电机报告来分别训练整体模型和个体模型。训练之后，模型建立了历史SCADA数据和风力发电机报告之间的关系。通过历史SCADA数据和对应的风力发电机报告，整体模型和个体模型可以具有良好的训练性能。由于SCADA数据包括操作数据，该历史SCADA数据可以反映风力发电机的多种历史状态。并且风力发电机报告包括风力发电机的健康状况、有缺陷部件和对应的故障详细信息。健康状况包括正常状态和有缺陷状态。有缺陷部件和对应的故障详细信息仅当风力发电机的健康状况被诊断为有缺陷状态时在风力发电机报告中涉及。在步骤103和104，实时SCADA数据被输入到已训练的整体模型和个体模型中。由于这些模型已经利用历史SCADA数据和对应的风力发电机报告进行训练并且能够基于SCADA数据识别正常状态和有缺陷状态，因此已训练的整体模型和个体模型可以从实时SCADA数据获得精确的健康状况和故障详细信息。本发明利用SCADA数据和训练模型来监控风力发电机的状态，因此其不再需要向风力发电机中安装附加的传感器。另外，分级概念结构可以加速风力发电机控制器的处理效率。
在一个实施例中，步骤101包括：
获取历史SCADA数据和对应于该历史SCADA数据的风力发电机报告，其中历史SCADA数据包括风力发电机的操作数据，并且其中该风力发电机报告包括：诊断为正常或者有缺陷状态的风力发电机的健康状况、以及如果风力发电机的健康状况被诊断为有缺陷状态时带有相应故障详细信息的有缺陷部件；
验证该风力发电机报告以识别该历史SCADA数据中哪一数据部分是正常状态以及该历史SCADA数据中哪一数据部分是有缺陷状态。
将历史SCADA数据划分为正常状态部分和有缺陷状态部分，以便于整体模型和个体模型做出正确的健康状况和故障详细信息。
在一个实施例中，步骤102包括：
选择整体数据挖掘算法；
利用整体数据挖掘算法来训练用于整体诊断风力发电机的整体模型，以建立整体模型的输入和输出之间的关系，整体模型的输入是历史SCADA数据，整体训练模型的输出是风力发电机的健康状况，其包括正常和有缺陷状态，以及如果风力发电机的健康状况被诊断为有缺陷状态时的有缺陷部件；
选择用于风力发电机的不同部件的个体数据挖掘算法；
利用对应的个体数据挖掘算法来训练用于分析风力发电机的不同部件的不同的个体模型，以建立个体模型的输入和输出之间的关系，每一个体模型的输入是历史SCADA数据，如果对应于个体模型的个体部件是有缺陷部件，则每个个体模型的输出是对应于个体模型的个体部件的故障详细信息。
整体数据挖掘算法可以与个体数据挖掘算法相同或者不同。该算法包括神经网络、支持向量机、主成分分析等。
在算法选择期间，个体算法的特点和收集的数据的特征(例如数据丰富度)都应当考虑。对于不同的情况，所选择的算法可以不同。
基于作为样本输入的历史SCADA数据和对应的风力发电机报告，利用合适的算法训练整体模型，该模型可以建立SCADA数据和风力发电机报告之间的关系。随着在模型中建立了关系，将实时SCADA数据输入整体模型中可以获得作为输出的健康状况。并且同样，由于风力发电机报告包括有缺陷部件，所以如果健康状况被诊断为有缺陷状态时输入实时SCADA数据至整体模型可以获得有缺陷部件。
通过利用有缺陷部件的历史SCADA数据归纳风力发电机报告，个体模型将区分出有缺陷部件的具体的故障详细信息，包括故障类型、故障位置和故障严重性。个体模型经过训练最终建立SCADA数据与有缺陷部件的故障详细信息之间的关系。
在一个实施例中，步骤102包括：
使用历史SCADA数据验证整体模型和个体模型的有效性。
该有效性可以是检测定量。该模型可以通过验证有效性进一步优化。
在一个实施例中，步骤103包括：
获取实时SCADA数据；
输入该实时SCADA数据至已训练的整体模型；
运行已训练的整体模型以实现整体数据挖掘算法；
从已训练的整体模型获得风力发电机的健康状况；
如果已训练的整体模型判定风力发电机为有缺陷状态，则执行个体诊断步骤。
在步骤103中实施的整体数据挖掘算法可以与在步骤102中选择的算法一样以保证模型的可靠性。
在一个实施例中，步骤104包括：
选择对应于有缺陷部件的已训练个体模型作为已训练有缺陷模型；
输入实时SCADA数据至已训练的有缺陷模型；
运行已训练的有缺陷模型以实施对应的个体数据挖掘算法；
从已训练的有缺陷模型获得有缺陷部件的故障详细信息。
与步骤103中一样，在步骤104中实施的个体数据挖掘算法可以与在步骤102中选择的用于有缺陷部件的算法一样。
图2示出了说明本发明的优选实施例的流程图。
图2包括两部分。左侧方框代表实时诊断/预测；右侧方框代表使用SCADA数据的模型训练过程。更具体地，整个概念可通过下列步骤实现：
步骤201:从实际风场操作数据库收集SCADA数据和风力发电机报告，包括：
●包括操作数据和风力发电机报告的SCADA数据，所述风力发电机报告包括在典型风场中的典型风力发电机的状态(正常和有缺陷的)。
●已核实的对应于上述SCADA数据的风力发电机报告，指明哪一数据部分是正常状态以及哪一部分是有缺陷状态。
●将数据和故障信息组织成与以下数据处理一致的适当格式。
●注意，这个步骤应该离线完成，而不是在线。
步骤202:基于所收集的历史数据，模型使用特定数据挖掘算法
●选择适当的数据挖掘算法(例如神经网络、支持向量机、主成分分析等)用于模型训练。算法的选择应当同时考虑个体算法的特点和所收集的数据的特征(例如数据丰富度)。对于不同的情况，所选择的算法可以不同。
●使用所选择的数据挖掘算法(例如神经网络)来训练适用于风力发电机级诊断和预测的整体模型。该整体模型的输入是新加入的历史SCADA数据，并且输出是目标风力发电机的健康状况以及哪个部件是有缺陷的(如果风力发电机诊断为有缺陷的)。
●使用相同的或者其它数据挖掘算法来训练适用于诊断和预测风力发电机的不同部件的不同的单一模型。该单一模型的输入是新加入的历史SCADA数据，并且输出是有缺陷部件的特定的故障详细信息，包括故障类型、故障位置和故障严重性。
●使用所收集的历史数据验证所训练的模型(整体模型和单一模型)的有效性(例如检出率)。
●注意，这个步骤应该离线完成，而不是在线。
步骤203：使用已训练的整体模型(适用于风力发电机)来实施风力发电机级诊断/
预测
●输入实时新加入的SCADA数据至已训练的模型。
●运行整体模型来实施为整体模型选择的嵌入式算法。
●输出所检测的风力发电机的健康指数，其具有信息包括：该风力发电机是否是正常的还是有缺陷的，并且如果是有缺陷的，那么哪个部件是有缺陷的。
●注意，这个步骤应该在线完成。
步骤204：使用对应的已训练的单一模型(适合于对应的部件)来分析有缺陷部件
的具体故障详细信息
●从在步骤2中准备好的那些中选择对应于在步骤3中识别的有缺陷部件的已训练的单一模型。
●输入实时新加入的SCADA数据至对应的已训练的单一模型。
●运行单一模型来实施为对应的单一模型而选择的嵌入式算法。
●输出有缺陷部件的具体故障详细信息，其包括信息：故障位置、故障类型和故障严重性。
●注意，这个步骤应该在线完成。
术语“在线”指在线实时监控。术语“离线”指离线模型训练。
图3示出了风力发电机状态监控系统的结构模块图，包括如下模块：
历史数据获取模块301：用于获取历史SCADA数据和对应于历史SCADA数据的风力发电机报告，其中历史SCADA数据包括风力发电机的操作数据，并且其中风力发电机报告包括：被诊断为正常或有缺陷状态的风力发电机的健康状况，以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件；
模型训练模块302：用于基于历史SCADA数据和对应的风力发电机报告，通过建立历史SCADA数据和风力发电机报告之间的关系，训练用于整体诊断风力发电机的整体模型并且训练用于分析风力发电机的不同部件的不同个体模型；
整体诊断模块303：用于获取实时SCADA数据，输入实时SCADA数据至已训练的整体模型，从已训练的整体模型获得风力发电机的健康状况，以及如果已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断模块；
个体诊断模块304：用于输入实时SCADA数据至对应于有缺陷部件的已训练的个体模型，以及从对应于有缺陷部件的已训练的个体模型获得有缺陷部件的故障详细信息。
以上所述实施例仅用于表现进行详细说明的本发明的多个示例，但不应理解为用于限制本发明的保护范围。应当指出的是，对于本领域技术人员而言，在不脱离本发明技术构思的前提下，还可以做出若干修改和/或改进，这些修改和/或改进均落入本发明的保护范围。因此，本发明的保护范围取决于所附权利要求。
Claims (14)
1.一种风力发电机状态监控方法，包括如下步骤：
历史数据获取步骤：获取历史SCADA数据和对应于所述历史SCADA数据的风力发电机报告，其中所述历史SCADA数据包括所述风力发电机的操作数据，并且其中所述风力发电机报告包括：被诊断为正常或有缺陷状态的风力发电机的健康状况，以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件；
模型训练步骤：基于所述历史SCADA数据和对应的风力发电机报告，通过建立所述历史SCADA数据和所述风力发电机报告之间的关系，训练用于整体诊断所述风力发电机的整体模型并且训练用于分析所述风力发电机的不同部件的不同个体模型；
整体诊断步骤：获取实时SCADA数据，输入所述实时SCADA数据至所述已训练的整体模型，从所述已训练的整体模型获得所述风力发电机的健康状况，以及如果所述已训练的整体模型判定风力发电机为有缺陷状态则执行个体诊断步骤；
个体诊断步骤：输入所述实时SCADA数据至对应于所述有缺陷部件的所述已训练的个体模型，以及从对应于所述有缺陷部件的所述已训练的个体模型获得所述有缺陷部件的故障详细信息。
2.根据权利要求1所述的方法，其中，所述历史数据获取步骤包括：
获取历史SCADA数据和对应于所述历史SCADA数据的风力发电机报告，其中所述历史SCADA数据包括所述风力发电机的操作数据，并且其中所述风力发电机报告包括：诊断为正常或者有缺陷状态的风力发电机的健康状况、以及如果风力发电机的健康状况被诊断为有缺陷状态时带有对应的故障详细信息的有缺陷部件；
验证所述风力发电机报告以确定所述历史SCADA数据中哪一数据部分是正常状态以及所述历史SCADA数据中哪一数据部分是有缺陷状态。
3.根据权利要求1所述的方法，其中，所述模型训练步骤包括：
选择整体数据挖掘算法；
利用整体数据挖掘算法来训练用于整体诊断风力发电机的整体模型，以建立所述整体模型的输入和输出之间的关系，所述整体模型的输入是所述历史SCADA数据，整体已训练模型的输出是所述风力发电机的健康状况，其包括正常状态和有缺陷状态，以及如果所述风力发电机的健康状况被诊断为有缺陷状态时的有缺陷部件；
选择用于所述风力发电机的不同部件的个体数据挖掘算法；
利用对应的个体数据挖掘算法来训练用于分析所述风力发电机的不同部件的不同的个体模型，以建立所述个体模型的输入和输出之间的关系，每一个体模型的输入是所述历史SCADA数据，每一个体模型的输出是如果对应于所述个体模型的个体部件是有缺陷部件时对应于所述个体模型的个体部件的故障详细信息。
4.根据权利要求3所述的方法，其中，所述模型训练步骤包括：
使用所述历史SCADA数据验证所述整体模型和个体模型的有效性。
5.根据权利要求3所述的方法，其中，所述整体诊断步骤包括：
获取实时SCADA数据；
输入所述实时SCADA数据至所述已训练的整体模型；
运行所述已训练的整体模型以实施所述整体数据挖掘算法；
从所述已训练的整体模型获得所述风力发电机的健康状况；
如果所述已训练的整体模型判定风力发电机为有缺陷状态，则执行个体诊断步骤。
6.根据权利要求3所述的方法，其中，所述个体诊断步骤包括：
选择对应于所述有缺陷部件的所述已训练的个体模型作为已训练的有缺陷模型；
输入所述实时SCADA数据至所述已训练的有缺陷模型；
运行所述已训练的有缺陷模型以实施对应的个体数据挖掘算法；
从所述已训练的有缺陷模型获得所述有缺陷部件的故障详细信息。
7.一种包括计算机程序代码的计算机程序，所述计算机程序代码适于在计算机上运行时执行前述权利要求中任一项所述的所有步骤。
8.根据权利要求7所述的计算机程序，其中，所述计算机程序在计算机可读介质上实现。
9.一种风力发电机状态监控系统，包括以下模块：
历史数据获取模块，用于获取历史SCADA数据和对应于所述历史SCADA数据的风力发电机报告，其中所述历史SCADA数据包括所述风力发电机的操作数据，并且其中所述风力发电机报告包括：被诊断为正常或有缺陷状态的风力发电机的健康状况，以及如果风力发电机的健康状况被诊断为有缺陷状态时的具有对应的故障详细信息的有缺陷部件；
模型训练模块，用于基于所述历史SCADA数据和对应的风力发电机报告，通过建立所述历史SCADA数据和所述风力发电机报告之间的关系，训练用于整体诊断所述风力发电机的整体模型并且训练用于分析所述风力发电机的不同部件的不同的个体模型；
整体诊断模块，用于获取实时SCADA数据，输入实时SCADA数据至所述已训练的整体模型，从所述已训练的整体模型获得所述风力发电机的健康状况，以及如果所述已训练的整体模型判定所述风力发电机为有缺陷状态则执行个体诊断模块；
个体诊断模块，用于输入所述实时SCADA数据至对应于有缺陷部件的所述已训练的个体模型，以及从对应于有缺陷部件的所述已训练的个体模型获得所述有缺陷部件的故障详细信息。
10.根据权利要求9所述的系统，其中，所述历史数据获取模块包括：
用于获取历史SCADA数据和对应于所述历史SCADA数据的风力发电机报告的模块，其中所述历史SCADA数据包括所述风力发电机的操作数据，并且其中所述风力发电机报告包括：诊断为正常状态或者有缺陷状态的风力发电机的健康状况、以及如果风力发电机的健康状况被诊断为有缺陷状态时带有对应故障详细信息的有缺陷部件；
用于验证所述风力发电机报告以确定所述历史SCADA数据中哪一数据部分是正常状态以及所述历史SCADA数据中哪一数据部分是有缺陷状态的模块。
11.根据权利要求9所述的系统，其中，所述模型训练模块包括：
用于选择整体数据挖掘算法的模块；
用于利用整体数据挖掘算法来训练用于整体诊断风力发电机的整体模型以建立所述整体模型的输入和输出之间的关系的模块，所述整体模型的输入是所述历史SCADA数据，整体已训练模型的输出是所述风力发电机的健康状况，其包括正常状态和有缺陷状态，以及如果所述风力发电机的健康状况被诊断为有缺陷状态时的有缺陷部件；
用于选择用于所述风力发电机的不同部件的个体数据挖掘算法的模块；
用于利用对应的个体数据挖掘算法来训练用于分析所述风力发电机的不同部件的不同的个体模型以建立所述个体模型的输入和输出之间的关系的模块，每一个体模型的输入是所述历史SCADA数据，每一个体模型的输出是如果对应于所述个体模型的所述个体部件是有缺陷部件时对应于所述个体模型的所述个体部件的故障详细信息。
12.根据权利要求11所述的系统，其中，所述模型训练模块包括：
用于使用所述历史SCADA数据验证所述整体模型和个体模型的有效性的模块。
13.根据权利要求11所述的系统，其中，所述整体诊断模块包括：
用于获取实时SCADA数据的模块；
用于输入所述实时SCADA数据至所述已训练的整体模型的模块；
用于运行所述已训练的整体模型以实施所述整体数据挖掘算法的模块；
用于从所述已训练的整体模型获得所述风力发电机的健康状况的模块；
如果所述已训练的整体模型确定风力发电机为有缺陷状态，用于执行个体诊断模块的模块。
14.根据权利要求11所述的系统，其中，所述个体诊断模块包括：
用于选择对应于所述有缺陷部件的所述已训练的个体模型作为已训练的有缺陷模型的模块；
用于输入所述实时SCADA数据至所述已训练的有缺陷模型的模块；
用于运行所述已训练的有缺陷模型以实施对应的个体数据挖掘算法的模块；
用于从所述已训练的有缺陷模型获得所述有缺陷部件的故障详细信息的模块。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2014/091425 WO2016077997A1 (en) | 2014-11-18 | 2014-11-18 | Wind turbine condition monitoring method and system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106662072A true CN106662072A (zh) | 2017-05-10 |
| CN106662072B CN106662072B (zh) | 2019-10-25 |
Family
ID=56013046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201480080202.XA Active CN106662072B (zh) | 2014-11-18 | 2014-11-18 | 风力发电机状态监控方法与系统 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US10288043B2 (zh) |
| EP (1) | EP3221579B1 (zh) |
| CN (1) | CN106662072B (zh) |
| BR (1) | BR112017001082A8 (zh) |
| ES (1) | ES2947817T3 (zh) |
| FI (1) | FI3221579T3 (zh) |
| WO (1) | WO2016077997A1 (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107178477A (zh) * | 2017-07-10 | 2017-09-19 | 龙源（北京）风电工程技术有限公司 | 基于深度自编码模型的风电机组叶片故障监控方法及系统 |
| CN107704933A (zh) * | 2017-09-01 | 2018-02-16 | 新疆金风科技股份有限公司 | 风力发电机组故障诊断系统和方法 |
| CN109164784A (zh) * | 2018-08-22 | 2019-01-08 | 重庆海装风电工程技术有限公司 | 基于大数据云服务的风力发电机运维方法、装置及系统 |
| CN109253048A (zh) * | 2018-08-31 | 2019-01-22 | 北京金风科创风电设备有限公司 | 风力发电机组的运行控制方法、装置、设备及存储介质 |
| CN109657982A (zh) * | 2018-12-20 | 2019-04-19 | 三重能有限公司 | 一种故障预警方法及装置 |
| CN110675086A (zh) * | 2019-10-09 | 2020-01-10 | 东方电气风电有限公司 | 一种风力发电机组部件健康状态评估装置及方法 |
| CN110990768A (zh) * | 2019-11-07 | 2020-04-10 | 湖北省电力勘测设计院有限公司 | 基于互信息值的发电机组性能各参数数据类型确定方法 |
| CN112459970A (zh) * | 2020-04-29 | 2021-03-09 | 华北电力大学 | 一种运用数据对抗学习的风电机组异常检测方法 |
| CN113982850A (zh) * | 2021-09-10 | 2022-01-28 | 大唐国信滨海海上风力发电有限公司 | 融合高低频信号的风机综合健康分析方法及系统 |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3452720B1 (en) * | 2016-05-03 | 2024-03-27 | Vestas Wind Systems A/S | Status monitoring for wind turbines |
| KR101768810B1 (ko) * | 2016-06-02 | 2017-08-30 | 두산중공업 주식회사 | 풍력단지 통합 제어 모니터링 시스템 |
| DE102016117190A1 (de) * | 2016-09-13 | 2018-03-15 | fos4X GmbH | Verfahren und Vorrichtung zum Überwachen eines Zustands wenigstens einer Windkraftanlage und Computerprogrammprodukt |
| DE102016011005A1 (de) * | 2016-09-14 | 2018-03-15 | Senvion Gmbh | Verfahren und System zum Analysieren eines Zustands einer Windenergieanlage |
| WO2018076236A1 (en) * | 2016-10-27 | 2018-05-03 | Abb Schweiz Ag | Wind farm and method and controller for feeding the same |
| 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 |
| CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
| CN108376298B (zh) * | 2018-02-12 | 2023-11-10 | 湘潭大学 | 一种风电机组发动机温度故障预警诊断方法 |
| CN108764567A (zh) * | 2018-05-28 | 2018-11-06 | 中国科学院自动化研究所 | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 |
| CN109372704B (zh) * | 2018-09-18 | 2020-08-18 | 国电联合动力技术有限公司 | 发电机组智能故障诊断分析及运维操作机器系统及发电场 |
| US10984154B2 (en) * | 2018-12-27 | 2021-04-20 | Utopus Insights, Inc. | System and method for evaluating models for predictive failure of renewable energy assets |
| US10956632B2 (en) | 2018-12-27 | 2021-03-23 | Utopus Insights, Inc. | Scalable system and engine for forecasting wind turbine failure |
| US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
| CN109611288B (zh) * | 2018-12-29 | 2021-03-30 | 南京安维士传动技术股份有限公司 | 一种基于大数据的风电运维平台 |
| CN111637023A (zh) * | 2019-03-01 | 2020-09-08 | 武汉朗立创科技有限公司 | 海上风力发电机齿轮振动监测大数据云平台系统 |
| CN110259646B (zh) * | 2019-05-06 | 2020-07-14 | 明阳智慧能源集团股份公司 | 一种基于历史数据的风力发电机组部件状态预警方法 |
| US11041650B2 (en) * | 2019-05-20 | 2021-06-22 | Honeywell International Inc. | Cloud and edge integrated energy optimizer |
| CN110442833B (zh) * | 2019-06-10 | 2022-09-09 | 内蒙古工业大学 | 一种基于多维度scada数据评估风电机组健康状态评估方法 |
| US11509136B2 (en) * | 2019-12-30 | 2022-11-22 | Utopus Insights, Inc. | Scalable systems and methods for assessing healthy condition scores in renewable asset management |
| AT523586A1 (de) * | 2020-02-27 | 2021-09-15 | I4See Tech Gmbh | Verfahren zur zumindest teilweise dezentralen Berechnung des Gesundheitszustandes von mindestens einer Windkraftanlage |
| CN111322206B (zh) * | 2020-02-28 | 2021-05-04 | 唐智科技湖南发展有限公司 | 一种风电机组机械大部件的智慧运维系统及方法 |
| US11661919B2 (en) | 2021-01-20 | 2023-05-30 | General Electric Company | Odometer-based control of a wind turbine power system |
| US11635060B2 (en) | 2021-01-20 | 2023-04-25 | General Electric Company | System for operating a wind turbine using cumulative load histograms based on actual operation thereof |
| US11728654B2 (en) | 2021-03-19 | 2023-08-15 | General Electric Renovables Espana, S.L. | Systems and methods for operating power generating assets |
| CN113408199A (zh) * | 2021-06-16 | 2021-09-17 | 华电山东新能源有限公司 | 一种基于多层感知神经网络的齿轮箱油温故障预警方法 |
| US11761427B2 (en) | 2021-06-29 | 2023-09-19 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
| CN114893360B (zh) * | 2022-05-23 | 2023-03-24 | 国家电投集团科学技术研究院有限公司 | 风电机组塔筒异常振动识别和运行状态监测方法及系统 |
| CN115013261B (zh) * | 2022-08-08 | 2022-12-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及系统 |
| CN115498660B (zh) * | 2022-11-17 | 2023-04-07 | 华北电力大学 | 风电场调频动态建模方法、装置及电子设备 |
| CN117312807B (zh) * | 2023-11-29 | 2024-02-06 | 浙江万胜智能科技股份有限公司 | 一种断路器的控制状态分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313726A1 (en) * | 2009-03-05 | 2011-12-22 | Honeywell International Inc. | Condition-based maintenance system for wind turbines |
| US20120166000A1 (en) * | 2010-12-28 | 2012-06-28 | Inventus Holdings, Llc | Remote wind turbine reset system and method |
| CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
| CN103306893A (zh) * | 2012-03-09 | 2013-09-18 | 北京光耀能源技术股份有限公司 | 一种风力发电机故障预警及报警方法 |
| CN103645052A (zh) * | 2013-12-11 | 2014-03-19 | 北京航空航天大学 | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 |
| CN103761569A (zh) * | 2013-12-20 | 2014-04-30 | 上海电机学院 | 一种风力发电机故障诊断方法及装置 |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10044096A1 (de) | 2000-09-07 | 2002-04-04 | Aloys Wobben | Inselnetz und Verfahren zum Betrieb eines Inselnetzes |
| DE102005038558A1 (de) | 2005-08-12 | 2007-02-15 | Repower Systems Ag | Verfahren zum Betrieb eines Windenergieanlagenparks sowie Windenergieanlagenpark |
| WO2009016020A1 (en) | 2007-07-31 | 2009-02-05 | Vestas Wind Systems A/S | Wind turbine monitoring system |
| EP2236821B1 (en) | 2009-04-03 | 2016-12-21 | XEMC Darwind B.V. | Wind farm island operation |
| ES2562253T3 (es) * | 2009-06-24 | 2016-03-03 | Vestas Wind Systems A/S | Un procedimiento y un sistema para controlar el funcionamiento de una turbina eólica |
| US8451134B2 (en) | 2009-07-24 | 2013-05-28 | Honeywell International Inc. | Wind turbine generator fault diagnostic and prognostic device and method |
| US20110091321A1 (en) * | 2009-10-13 | 2011-04-21 | Baker Myles L | Systems and methods for monitoring wind turbine operation |
| KR100954090B1 (ko) * | 2009-10-27 | 2010-04-23 | 주식회사 위다스 | 풍력발전설비 상태감시시스템 |
| EP2502174B1 (en) | 2009-11-16 | 2018-06-13 | Simmonds Precision Products, Inc. | Data acquisition system for condition-based maintenance |
| CN101825893A (zh) | 2010-05-05 | 2010-09-08 | 湖州师范学院 | 风电机组集中和远程监控、故障诊断系统 |
| CN201820121U (zh) | 2010-05-28 | 2011-05-04 | 湖州师范学院 | 一种风电机组集中和远程监控、故障诊断系统 |
| CN101872165A (zh) | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
| CN102156043B (zh) | 2010-12-31 | 2013-01-16 | 北京四方继保自动化股份有限公司 | 风力发电机组在线状态监测与故障诊断系统 |
| ES2642670T3 (es) | 2011-01-20 | 2017-11-17 | Vestas Wind Systems A/S | Un método para supervisión de diagnóstico de un sistema de generador de turbina eólica |
| DK2503146T3 (da) | 2011-03-21 | 2014-02-10 | Siemens Ag | Fremgangsmåde og indretning til styring af driften af et elektrisk energiproduktionsanlæg under en afbrydelse fra et forsyningsnet |
| US20120271593A1 (en) | 2011-04-21 | 2012-10-25 | Honeywell International Inc. | Monitoring wind turbine performance |
| US9249781B2 (en) | 2011-12-30 | 2016-02-02 | Robert Bosch Gmbh | Method for robust wireless wind turbine condition monitoring |
| CN102768115B (zh) * | 2012-06-27 | 2016-04-20 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
| CN102878023A (zh) | 2012-09-18 | 2013-01-16 | 毛振刚 | 大兆瓦风力发电机组实时状态监控系统 |
| CN103226651A (zh) | 2013-03-23 | 2013-07-31 | 中国水利电力物资有限公司 | 基于相似度统计的风电机组状态评估预警方法和系统 |
| CN103439091B (zh) * | 2013-06-25 | 2015-11-18 | 国电大渡河检修安装有限公司 | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 |
| CN103835882A (zh) * | 2014-03-18 | 2014-06-04 | 上海电机学院 | 大型风力发电机组状态监测与故障诊断系统 |
-
2014
- 2014-11-18 FI FIEP14906626.8T patent/FI3221579T3/fi active
- 2014-11-18 CN CN201480080202.XA patent/CN106662072B/zh active Active
- 2014-11-18 ES ES14906626T patent/ES2947817T3/es active Active
- 2014-11-18 EP EP14906626.8A patent/EP3221579B1/en active Active
- 2014-11-18 WO PCT/CN2014/091425 patent/WO2016077997A1/en active Application Filing
- 2014-11-18 BR BR112017001082A patent/BR112017001082A8/pt active IP Right Grant
-
2016
- 2016-11-23 US US15/359,976 patent/US10288043B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110313726A1 (en) * | 2009-03-05 | 2011-12-22 | Honeywell International Inc. | Condition-based maintenance system for wind turbines |
| US20120166000A1 (en) * | 2010-12-28 | 2012-06-28 | Inventus Holdings, Llc | Remote wind turbine reset system and method |
| CN103306893A (zh) * | 2012-03-09 | 2013-09-18 | 北京光耀能源技术股份有限公司 | 一种风力发电机故障预警及报警方法 |
| CN103234753A (zh) * | 2013-04-11 | 2013-08-07 | 华北电力大学 | 基于高斯过程建模的风电机组轴系状态监测方法 |
| CN103645052A (zh) * | 2013-12-11 | 2014-03-19 | 北京航空航天大学 | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 |
| CN103761569A (zh) * | 2013-12-20 | 2014-04-30 | 上海电机学院 | 一种风力发电机故障诊断方法及装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107178477A (zh) * | 2017-07-10 | 2017-09-19 | 龙源（北京）风电工程技术有限公司 | 基于深度自编码模型的风电机组叶片故障监控方法及系统 |
| CN107704933A (zh) * | 2017-09-01 | 2018-02-16 | 新疆金风科技股份有限公司 | 风力发电机组故障诊断系统和方法 |
| CN109164784A (zh) * | 2018-08-22 | 2019-01-08 | 重庆海装风电工程技术有限公司 | 基于大数据云服务的风力发电机运维方法、装置及系统 |
| CN109253048A (zh) * | 2018-08-31 | 2019-01-22 | 北京金风科创风电设备有限公司 | 风力发电机组的运行控制方法、装置、设备及存储介质 |
| CN109253048B (zh) * | 2018-08-31 | 2020-06-05 | 北京金风科创风电设备有限公司 | 风力发电机组的运行控制方法、装置、设备及存储介质 |
| CN109657982B (zh) * | 2018-12-20 | 2022-02-11 | 三一重能有限公司 | 一种故障预警方法及装置 |
| CN109657982A (zh) * | 2018-12-20 | 2019-04-19 | 三重能有限公司 | 一种故障预警方法及装置 |
| CN110675086A (zh) * | 2019-10-09 | 2020-01-10 | 东方电气风电有限公司 | 一种风力发电机组部件健康状态评估装置及方法 |
| CN110990768A (zh) * | 2019-11-07 | 2020-04-10 | 湖北省电力勘测设计院有限公司 | 基于互信息值的发电机组性能各参数数据类型确定方法 |
| CN112459970A (zh) * | 2020-04-29 | 2021-03-09 | 华北电力大学 | 一种运用数据对抗学习的风电机组异常检测方法 |
| CN112459970B (zh) * | 2020-04-29 | 2022-04-26 | 华北电力大学 | 一种运用数据对抗学习的风电机组异常检测方法 |
| CN113982850A (zh) * | 2021-09-10 | 2022-01-28 | 大唐国信滨海海上风力发电有限公司 | 融合高低频信号的风机综合健康分析方法及系统 |
| CN113982850B (zh) * | 2021-09-10 | 2023-11-10 | 大唐国信滨海海上风力发电有限公司 | 融合高低频信号的风机综合健康分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| FI3221579T3 (fi) | 2023-06-21 |
| EP3221579A1 (en) | 2017-09-27 |
| EP3221579B1 (en) | 2023-03-29 |
| US20170074250A1 (en) | 2017-03-16 |
| EP3221579A4 (en) | 2018-07-11 |
| CN106662072B (zh) | 2019-10-25 |
| ES2947817T3 (es) | 2023-08-21 |
| WO2016077997A1 (en) | 2016-05-26 |
| BR112017001082A2 (pt) | 2017-11-21 |
| BR112017001082A8 (pt) | 2022-12-27 |
| US10288043B2 (en) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106662072B (zh) | 风力发电机状态监控方法与系统 | |
| CN104200396B (zh) | 一种风力发电机部件故障预警方法 | |
| CN107220469B (zh) | 一种风机状态估计的方法及系统 | |
| WO2016086360A1 (en) | Wind farm condition monitoring method and system | |
| CN106525415B (zh) | 一种风电机组传动链健康状态评价系统及方法 | |
| ATE450830T1 (de) | Sensor-fehlerdiagnose und -prognose unter verwendung eines komponentenmodells und zeitskalenorthogonaler entwicklungen | |
| CN105955233B (zh) | 一种基于数据挖掘的车辆故障诊断方法及系统 | |
| CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
| CN109297689A (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
| CN102352824B (zh) | 一种基于电气信息的风力发电机健康状态监测系统和方法 | |
| CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
| CN110196365A (zh) | 一种车辆电驱动系统故障诊断方法 | |
| CN103439091A (zh) | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 | |
| CN104182623A (zh) | 一种基于当量变化率计算的热工过程数据检测方法 | |
| CN112036581A (zh) | 交通工具空调系统的性能检测方法及装置、存储介质、终端 | |
| CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
| CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
| CN108506171A (zh) | 一种大型半直驱机组齿轮箱冷却系统故障预警方法 | |
| CN104574221B9 (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
| CN102096770A (zh) | 基于网络实现的旋转机械性能退化评估方法 | |
| CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN112083275A (zh) | 一种配网故障类型识别方法及系统 | |
| CN116840658A (zh) | 一种针对芯片固件的故障预测和诊断方法 | |
| US11339763B2 (en) | Method for windmill farm monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210514 Address after: Baden, Switzerland Patentee after: ABB grid Switzerland AG Address before: Baden, Switzerland Patentee before: ABB Switzerland Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Swiss Baden Patentee after: Hitachi energy Switzerland AG Address before: Swiss Baden Patentee before: ABB grid Switzerland AG |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240119 Address after: Zurich, SUI Patentee after: Hitachi Energy Co.,Ltd. Address before: Swiss Baden Patentee before: Hitachi energy Switzerland AG |
|
| TR01 | Transfer of patent right |