CN106991508A - 一种基于dbscan的风电机组运行状态识别方法 - Google Patents
一种基于dbscan的风电机组运行状态识别方法 Download PDFInfo
- Publication number
- CN106991508A CN106991508A CN201710379781.3A CN201710379781A CN106991508A CN 106991508 A CN106991508 A CN 106991508A CN 201710379781 A CN201710379781 A CN 201710379781A CN 106991508 A CN106991508 A CN 106991508A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- wind
- dbscan
- running
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于DBSCAN的风电机组运行状态识别方法,该方法包括以下步骤,步骤1:采集风电机组运行数据和风电机组的基本参数;步骤2:机组运行数据归一化处理;步骤3:根据风速、功率数据筛选运行数据中的停机数据;步骤4:将步骤2归一化处理得到的风速、功率、桨距角数据作为DBSCAN模型的输入数据,并对DBSCAN聚类的模型参数进行优化;步骤5:根据步骤3和步骤4的数据分类结果,得到风电机组的运行状态识别结果。
Description
技术领域
本发明属于风力发电技术领域,涉及风电机组运行状态识别方法,特别涉及一种基于DBSCAN的风电机组运行状态识别方法。
背景技术
风电机组运行环境复杂、运行工况多样,从大量、多维、复杂的风电场运行历史数据中识别正常运行数据、限功率运行数据、故障停机数据和其他异常原因造成的欠功率运行数据,对风电机组理论发电量的计算、故障诊断、风电功率预测的准确性等具有重要意义。现有的风电机组运行状态识别方法,主要集中在对风电机组弃风数据的识别上,包括利用粘滞区间法剔除弃风数据、四分位和K-means聚类算法结合的弃风数据识别方法等。但此类方法在识别过程中人为设定数据区间,忽略了数据本身的分布特征,识别结果受到人为设定区间的影响,无法根据机组出力情况对实际的运行状态进行区分,风电机组运行数据分类单一化、运行状态识别不准确。
发明内容
本发明的目的是解决现有技术中对风电机组运行数据分类单一化、运行状态识别不准确的问题。提出一种基于DBSCAN的风电机组运行状态识别方法,根据机组运行数据自身特征,对机组运行状态识别分类。有利于提高风电机组功率预测、风电机组功率曲线建模、理论发电量计算、机组电量损失评估的准确性,并且为风电机组故障诊断提供数据支持。
本发明的技术方案是:一种基于DBSCAN的风电机组运行状态识别方法,包括以下步骤:
步骤1:采集风电机组运行数据和风电机组的基本参数。
其中运行数据包括风速、功率、桨距角;基本参数包括风电机组的切入风速、额定风速、额定功率等。
步骤2:机组运行数据归一化处理。
其中
式中x*——归一化处理后的数据;
x——原始数据;
max——待处理数据的最大值;
min——待处理数据的最小值。
其中,针对风速、功率、桨距角的最大最小值设定见表1。
表1归一化参数选择
步骤3:根据风速、功率数据,筛选运行数据中的停机数据。
若风速v和功率p满足:vin<v<vout且p=0时,将其判定为停机数据。
步骤4:将归一化处理得到的风速、功率、桨距角数据(除已确定为停机的数据)作为DBSCAN模型的输入数据,并对DBSCAN聚类的模型参数进行优化。DBSCAN聚类算法使用Eps邻域半径和MinPts来控制簇的生成,直接影响聚类效果。通过调整Eps和MinPts邻域包含的最小数目,识别原始数据集中的内在特征与类别。
步骤5:根据步骤3和步骤4的数据分类结果,得到风电机组的运行状态识别结果。
根据数据的分布特征,识别得到不同状态下的运行数据。可将其分为正常运行数据、限功率运行数据、停机数据、其他非正常运行数据等。
其中采用DBSCAN聚类模型得到的分组中,限功率运行数据会受到实际中限功率程度不同分为几类,可将其归为一类作为限功率运行数据。
发明的效果
本发明采用了基于密度的聚类模型(DBSCAN)对风电机组运行状态进行识别,DBSCAN模型根据输入数据的分布特征将机组不同运行状态下的数据进行分类,得到正常运行状态、限功率运行状态、停机状态、其他非正常运行状态下的数据集。该方法可将风电机组不同运行状态下数据(正常运行数据、限功率数据、停机数据、非正常运行数据等)进行区分,有利于准确筛选风电机组功率预测的训练样本,有利于提高风电机组功率曲线建模、机组电量损失评估的准确性,并且该方法得到的非正常运行状态数据有利于风电机组健康管理和故障诊断。
附图说明
图1为本发明基于DBSCAN的风电机组运行状态识别方法的流程图。
图2为本发明具体实施例的原始数据功率-桨距角散点图。
图3为本发明具体实施例中识别得到的正常运行状态下风速-功率散点图。
图4为本发明具体实施例中的功率-桨距角数据聚类结果。
图5为本发明具体实施例的风速-功率数据聚类结果。
具体实施方式
以北方地区某风电场为例,全场共有24台2MW机组,弃风现象较为严重。任意选择其中一台风电机组,提取2013年3月15日到2013年5月26日的运行数据进行算例分析。
步骤1:采集风电机组运行数据和风电机组的基本参数。
其中运行数据包括风速、功率、桨距角;风电机组的切入风速为3.5m/s、额定风速为12m/s、额定功率为2MW。
步骤2:机组运行数据归一化处理。
数据主要包括SCADA系统采集的风速、功率、桨距角等信息,数据间隔为10分钟。
其中
式中x*——归一化处理后的数据;
x——原始数据;
max——待处理数据的最大值;
min——待处理数据的最小值。
其中,针对风速、功率、桨距角的最大最小值设定见表2。
表2归一化参数选择
步骤3:根据风速、功率数据筛选运行数据中的停机数据。
若风速v和功率p满足:3.5m/s<v<25m/s且p=0时,将其判定为停机数据。
步骤4:将归一化得到的风速、功率、桨距角数据(除已确定为停机的数据)作为DBSCAN模型的输入数据,并对DBSCAN聚类的模型参数进行优化。
(1)确定Eps邻域半径。
首先根据数据的实际分布情况、数据量进行调试选择。若Eps过小,将导致模型效率低,聚类结果过于分散,可能将大量正常运行数据分类为多个数据量较小的簇,而本应该同属于一类的数据被误识别为异常数据;若Eps过大,则对异常数据的识别能力降低。注意:当Eps取值小于0.01时,需要综合考虑归一化后数据的分辨率,如:数据的间隔距离等;选定的Eps应能保证模型在效率和准确性方面得到较好的平衡。
(2)确定MinPts数值。
MinPts取值过大会导致核心点数量减少,使包含对象数量较少的自然簇被丢弃;若MinPts过小则无法起到识别“噪点”的目的。
采用遍历平面网格结点处Eps和MinPts数据的组合(根据数据量及分布情况,Eps取值为0-0.1;MinPts取值为1-10),统计正常运行数据簇的数据量k和分类个数m,通过观察k和m值对MinPts的敏感性,确定参数Eps和MinPts数值的可选范围,并进一步将该区域网格细化,最终选择到最合适的Eps-MinPts数值的组合。
步骤5:根据步骤3和步骤4的数据分类结果,得到风电机组不同运行状态下的数据分组。
图2为该时间段内功率-桨距角分布图,由图可以看出,原始数据中桨距角大部分都分布5°以下;但在此桨距角范围之外,功率值呈现出两个分布范围(分别是功率值在300kW附近和500kW附近),此时桨距角数据多分布在0-20°的范围内。在功率值达到额定功率附近时,图中出现了功率值为2000kW和2100kW两个数据带,该情况可能是由于控制策略的不同造成输出功率的差异。
采用DBSCAN聚类算法对功率-桨距角进行聚类分析,图3为该方法识别出的核心点数据在风速-功率图中的表示,图4为聚类分析结果。图4中显示功率-桨距角数据集明显被划分为了五个主要部分:正常运行数据、三个不同程度的限功率数据、故障停机数据。图5为该聚类结果在风速-功率散点图中的展示。图中所示,大部分数据都集中于功率曲线附近(黑色),识别为正常运行工况;限功率数据主要分为三个部分,在风速-功率散点图中均呈横向排布(紫色、绿色、浅蓝色),本算例中限电主要将机组出力限定在100kW-500kW区域。
此外,图5中还有部分由于故障停机导致出力为零的数据落在横坐标上,利用故障时间来帮助区分工况类型,并评判机组的可靠性。除了识别出的主要运行工况外,DBSCAN将散落无规则分布的数据当做噪点识别出来。通过分析可知,该部分数据是由于控制不稳定或其他异常原因造成的。
对算例中数据集分类结果进行统计,该风电机组在所选时段的数据分类结果如表3所示。77.4%的时间机组处于“正常运行工况”,机组的出力水平达到理论值,输出功率的情况体现了风电机组运行中能达到理论功率水平;2.22%处于“主动限电运行工况”,此时功率值被限定在某一水平,当风速增大时,通过控制桨距角使输出功率维持在设定值附近;17.07%的时间风电机组处于“故障停机工况”,该风电机组在所选时间段内故障频率较高,实际工作中对该机组运维效率有待提高;除此之外,由于桨距角控制不稳定、偏航等“性能异常工况”造成功率损失的时间达到3.31%。
表3聚类结果汇总
上述实施例对本发明的技术方案进行了详细说明。显然,本发明并不局限于所描述的实施例。基于本发明中的实施例,熟悉本技术领域的人员还可据此做出多种变化,但任何与本发明等同或相类似的变化都属于本发明保护的范围。
Claims (6)
1.一种基于DBSCAN的风电机组运行状态识别方法,其特征在于,包括以下步骤:
步骤1:采集风电机组运行数据和风电机组的基本参数;
步骤2:机组运行数据归一化处理;
步骤3:根据风速、功率数据筛选运行数据中的停机数据;
步骤4:将步骤2归一化处理得到的风速、功率、桨距角数据作为DBSCAN模型的输入数据,并对DBSCAN聚类的模型参数进行优化;
步骤5:根据步骤3和步骤4的数据分类结果,得到风电机组的运行状态识别结果。
2.根据权利要求1所述方法,其特征在于,步骤1所述运行数据包括风速、功率、桨距角;所述基本参数包括风电机组的切入风速、额定风速、额定功率。
3.根据权利要求1所述方法,其特征在于,步骤2所述归一化处理包括
式中:x*——归一化处理后的数据;
x——原始数据;
max——待处理数据的最大值;
min——待处理数据的最小值。
4.根据权利要求1所述方法,其特征在于,步骤3中若风速v和功率p满足:vin<v<vout且p=0时,将其判定为停机数据。
5.根据权利要求1所述方法,其特征在于,步骤4中所述DBSCAN聚类的算法使用Eps邻域半径和MinPts数据的组合来控制簇的生成。
6.根据权利要求1所述方法,其特征在于,步骤5中所述数据分类包括正常运行状态、限功率运行状态、停机状态、其他非正常运行状态下的数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379781.3A CN106991508A (zh) | 2017-05-25 | 2017-05-25 | 一种基于dbscan的风电机组运行状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710379781.3A CN106991508A (zh) | 2017-05-25 | 2017-05-25 | 一种基于dbscan的风电机组运行状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991508A true CN106991508A (zh) | 2017-07-28 |
Family
ID=59419767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710379781.3A Pending CN106991508A (zh) | 2017-05-25 | 2017-05-25 | 一种基于dbscan的风电机组运行状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991508A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063930A (zh) * | 2018-08-30 | 2018-12-21 | 上海电力学院 | 一种基于聚类分析的动态风电场总功率预测方法 |
CN109298225A (zh) * | 2018-09-29 | 2019-02-01 | 国网四川省电力公司电力科学研究院 | 一种电压量测数据异常状态自动识别模型及方法 |
CN109409783A (zh) * | 2018-11-23 | 2019-03-01 | 华北电力科学研究院有限责任公司 | 确定风电机组限功率数据的方法、装置、设备及存储介质 |
CN109858519A (zh) * | 2018-12-27 | 2019-06-07 | 国网青海省电力公司 | 数据分类方法及装置 |
CN110533314A (zh) * | 2019-08-23 | 2019-12-03 | 西安交通大学 | 一种基于概率密度分布的风电场异常机组识别方法 |
CN111121803A (zh) * | 2019-11-27 | 2020-05-08 | 北京中交兴路信息科技有限公司 | 获取道路常用停靠点的方法及装置 |
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN112288561A (zh) * | 2020-05-25 | 2021-01-29 | 百维金科(上海)信息科技有限公司 | 基于dbscan算法的互联网金融欺诈行为检测方法 |
CN112557047A (zh) * | 2020-12-09 | 2021-03-26 | 中国船舶工业系统工程研究院 | 一种船用燃气轮机稳定运行工况识别方法及系统 |
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 |
EP3839250A1 (en) * | 2019-12-16 | 2021-06-23 | Siemens Gamesa Renewable Energy A/S | Method and an apparatus for computer-implemented monitoring of a wind turbine |
CN113159601A (zh) * | 2021-04-30 | 2021-07-23 | 国网湖北省电力有限公司武汉供电公司 | 一种基于dbscan聚类算法的光伏电站运行状态分析方法 |
CN113554055A (zh) * | 2021-06-11 | 2021-10-26 | 杭州玖欣物联科技有限公司 | 一种基于聚类算法的加工工况识别方法 |
CN114091354A (zh) * | 2022-01-07 | 2022-02-25 | 国能日新科技股份有限公司 | 风电机组功率预测模型样本集的获取方法及装置 |
WO2023278942A1 (en) * | 2021-06-29 | 2023-01-05 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2233736A2 (en) * | 2009-03-23 | 2010-09-29 | Acciona Windpower S.a. | Control method of a wind turbine and wind trubine |
CN105736253A (zh) * | 2016-02-04 | 2016-07-06 | 华电电力科学研究院 | 基于风速和功率判断风机状态及计算能量利用率的方法 |
CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学(保定) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
CN106014858A (zh) * | 2016-07-21 | 2016-10-12 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
-
2017
- 2017-05-25 CN CN201710379781.3A patent/CN106991508A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2233736A2 (en) * | 2009-03-23 | 2010-09-29 | Acciona Windpower S.a. | Control method of a wind turbine and wind trubine |
CN105736253A (zh) * | 2016-02-04 | 2016-07-06 | 华电电力科学研究院 | 基于风速和功率判断风机状态及计算能量利用率的方法 |
CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学(保定) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
CN106014858A (zh) * | 2016-07-21 | 2016-10-12 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063930A (zh) * | 2018-08-30 | 2018-12-21 | 上海电力学院 | 一种基于聚类分析的动态风电场总功率预测方法 |
CN109298225B (zh) * | 2018-09-29 | 2020-10-09 | 国网四川省电力公司电力科学研究院 | 一种电压量测数据异常状态自动识别模型系统及方法 |
CN109298225A (zh) * | 2018-09-29 | 2019-02-01 | 国网四川省电力公司电力科学研究院 | 一种电压量测数据异常状态自动识别模型及方法 |
CN109409783A (zh) * | 2018-11-23 | 2019-03-01 | 华北电力科学研究院有限责任公司 | 确定风电机组限功率数据的方法、装置、设备及存储介质 |
CN109858519A (zh) * | 2018-12-27 | 2019-06-07 | 国网青海省电力公司 | 数据分类方法及装置 |
CN110533314A (zh) * | 2019-08-23 | 2019-12-03 | 西安交通大学 | 一种基于概率密度分布的风电场异常机组识别方法 |
CN111121803B (zh) * | 2019-11-27 | 2021-12-03 | 北京中交兴路信息科技有限公司 | 获取道路常用停靠点的方法及装置 |
CN111121803A (zh) * | 2019-11-27 | 2020-05-08 | 北京中交兴路信息科技有限公司 | 获取道路常用停靠点的方法及装置 |
EP3839250A1 (en) * | 2019-12-16 | 2021-06-23 | Siemens Gamesa Renewable Energy A/S | Method and an apparatus for computer-implemented monitoring of a wind turbine |
WO2021122194A1 (en) * | 2019-12-16 | 2021-06-24 | Siemens Gamesa Renewable Energy A/S | Method and an apparatus for computer-implemented monitoring of a wind turbine |
CN112288561A (zh) * | 2020-05-25 | 2021-01-29 | 百维金科(上海)信息科技有限公司 | 基于dbscan算法的互联网金融欺诈行为检测方法 |
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN112557047A (zh) * | 2020-12-09 | 2021-03-26 | 中国船舶工业系统工程研究院 | 一种船用燃气轮机稳定运行工况识别方法及系统 |
CN112557047B (zh) * | 2020-12-09 | 2022-08-02 | 中国船舶工业系统工程研究院 | 一种船用燃气轮机稳定运行工况识别方法及系统 |
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 |
CN113159601A (zh) * | 2021-04-30 | 2021-07-23 | 国网湖北省电力有限公司武汉供电公司 | 一种基于dbscan聚类算法的光伏电站运行状态分析方法 |
CN113554055A (zh) * | 2021-06-11 | 2021-10-26 | 杭州玖欣物联科技有限公司 | 一种基于聚类算法的加工工况识别方法 |
WO2023278942A1 (en) * | 2021-06-29 | 2023-01-05 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
US11761427B2 (en) | 2021-06-29 | 2023-09-19 | Aspentech Corporation | Method and system for building prescriptive analytics to prevent wind turbine failures |
CN114091354A (zh) * | 2022-01-07 | 2022-02-25 | 国能日新科技股份有限公司 | 风电机组功率预测模型样本集的获取方法及装置 |
CN114091354B (zh) * | 2022-01-07 | 2022-05-17 | 国能日新科技股份有限公司 | 风电机组功率预测模型样本集的获取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991508A (zh) | 一种基于dbscan的风电机组运行状态识别方法 | |
US20160223600A1 (en) | Power generation performance evaluation method and apparatus for power generator set | |
CN104632521B (zh) | 一种基于偏航校正的风电功率优化系统及其方法 | |
CN107394809B (zh) | 基于风速时间周期特征的风电并网系统风险评估方法 | |
CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
CN113361186B (zh) | 一种基于完全数据风电机组故障诊断方法 | |
CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
CN103808509A (zh) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 | |
CN111091298B (zh) | 一种风电场流场耦合特性评估与智能分群方法及系统 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN107392304A (zh) | 一种风电机组异常数据识别方法及装置 | |
CN109800931A (zh) | 基于风机scada数据的风电场发电量损失测量方法及系统 | |
CN111539553A (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN111881617A (zh) | 数据处理方法、风力发电机组的性能评估方法及系统 | |
CN111125895B (zh) | 一种风力发电机整机服役功率特性在线评估方法 | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
CN104218571B (zh) | 一种风力发电设备的运行状态评估方法 | |
CN109779848A (zh) | 全场风速修正函数的获得方法、装置及风电场 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
CN113357098A (zh) | 一种风机变桨子系统故障预警方法 | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
Hosseini et al. | Multi-objective Optimization of Savonius Wind Turbine | |
CN111950131B (zh) | 一种考虑限电因素的风电场出力等值聚合模型构建方法 | |
Li et al. | Wind power forecasting based on time series and neural network | |
CN111651910B (zh) | 一种面向磨煤机的分段概率性状态监测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |
|
RJ01 | Rejection of invention patent application after publication |