CN107527093B - 一种风电机组运行状态诊断方法及装置 - Google Patents

一种风电机组运行状态诊断方法及装置 Download PDF

Info

Publication number
CN107527093B
CN107527093B CN201710575536.XA CN201710575536A CN107527093B CN 107527093 B CN107527093 B CN 107527093B CN 201710575536 A CN201710575536 A CN 201710575536A CN 107527093 B CN107527093 B CN 107527093B
Authority
CN
China
Prior art keywords
state
wind turbine
turbine generator
data
wind
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.)
Active
Application number
CN201710575536.XA
Other languages
English (en)
Other versions
CN107527093A (zh
Inventor
王铮
王勃
冯双磊
刘纯
王伟胜
赵艳青
姜文玲
车建峰
杨红英
张菲
靳双龙
胡菊
马振强
宋宗鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shandong Electric Power Co Ltd
State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shandong Electric Power Co Ltd
State Grid Liaoning Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Shandong Electric Power Co Ltd, State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710575536.XA priority Critical patent/CN107527093B/zh
Publication of CN107527093A publication Critical patent/CN107527093A/zh
Application granted granted Critical
Publication of CN107527093B publication Critical patent/CN107527093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明涉及一种风电机组运行状态诊断方法及装置，所述方法包括：利用相同风速下不同风电机组的运行状态数据构建训练样本，结合多种因素，并将风电机组运行状态划分为5类，分别为：最佳状态、较佳状态、一般状态、较差状态和最差状态，基于这5类状态，根据风电机组的运行状态的各种影响因素，利用BP神经网络模型对风电机组的运行状态进行诊断，本发明提供的技术方案，能够准确的评判获取风电机组的运行状态，从而为计算风电机组和风电场理论功率提供支撑。

Description

一种风电机组运行状态诊断方法及装置
技术领域
本发明涉及新能源发电领域，具体涉及一种风电机组运行状态诊断方法及装置。
背景技术
近年来，全球可再生能源利用年增长率达到25％.可再生能源的利用将以电力行业为主导，非水力可再生能源的发电比例将扩大两倍。据统计，2002年可再生能源的消费虽约14亿t油当量，2030年将超过22亿t油当量。风能发电作为除水力发电外技术最成熟的一种可再生能源发电，风力发电机是将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备。风力发电机的工作原理比较简单，风轮在风力的作用下旋转，它把风的动能转变为风轮轴的机械能，发电机在风轮轴的带动下旋转发电。
风电机组发电的直接能量来源是风能，因而目前的风电理论功率计算主要以风速作为输入数据，通过构建风电场物理模型实现风电场理论功率计算。但实际工程中发现，采用该方法所得的结果存在一定的计算偏差，通过分析风电机组风速与实际功率关系发现，在相同风速水平下，风电机组出力存在差异，说明风电机组的运行状态除受风速影响外，还受其它因素影响，各因素综合作用，使风电机组呈现不同的运行状态，即不同的发电能力。
发明内容
本发明提供一种风电机组运行状态诊断方法及装置，其目的是将风电机组运行状态划分为5类，分别为：最佳状态、较佳状态、一般状态、较差状态和最差状态，基于这5类状态，根据风电机组的运行状态的影响因素，利用BP神经网络模型对风电机组的运行状态进行诊断，为准确计算风电机组和风电场理论功率提供支撑。
本发明的目的是采用下述技术方案实现的：
一种风电机组运行状态诊断方法，其改进之处在于，包括：
将风速、风向和环境温度数据输入至BP神经网络模型；其中，所述BP神经网络模型是根据历史风速、风向、环境温度数据和对应的风电机组的运行状态类型构建的；
根据所述BP神经网络模型输出的目标参量，判断风电机组的运行状态类型。
优选的，根据历史风速、风向、环境温度数据和对应的风电机组的运行状态类型构建所述BP神经网络模型，包括：
根据风速水平对风电机组运行状态数据进行划分，获取分类数据集；
定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比；
根据风电机组的运行状态类型的数据占比确定所述分类数据集中转速对应的运行状态类型的数据占比，并确定所述分类数据集中转速对应的运行状态类型的划分阈值；
根据所述划分阈值建立所述分类数据集的运行状态类型数据样本集；
选择所述分类数据集中的输入参量，并对所述分类数据集的运行状态类型数据样本集中的输入参量进行归一化处理，构建训练样本；
定义风电机组的运行状态类型的目标参量，并对其进行归一化处理；
以所述输入参量为风电机组的运行状态类型的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组的运行状态类型的BP神经网络模型。
优选的，所述根据风速水平对风电机组运行状态数据进行划分，获取分类数据集，包括：
选择风速水平在切入风速与额定风速之间的风速wI对应的风电机组运行状态数据作为第一分类数据集SI；
选择风速水平在额定风速与切除风速之间的风速wC对应的风电机组运行状态数据作为第二分类数据集SC。
进一步的，所述定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比，包括：
定义风电机组的运行状态类型为：最佳状态、较佳状态、一般状态、较差状态和最差状态；
将标准正态分布规律中的±3σ范围平均分为5个区间，分别对应5种风电机组的运行状态类型，其中，标准正态分布中σ＝1，则：
Figure BDA0001350851780000021
上式中，x1,x2,x3,x4,x5分别为±3σ范围的第1、2、3、4、5个区间；
将x1,x2,x3,x4,x5对应的概率占比作为风电机组的运行状态类型的数据占比，公式为：
Figure BDA0001350851780000031
上式中，P(x1),P(x2),P(x3),P(x4),P(x5)分别为风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的数据占比。
进一步的，所述根据风电机组的运行状态类型的数据占比确定所述分类数据集中转速对应的运行状态类型的数据占比，并确定所述分类数据集中转速对应的运行状态类型的划分阈值，包括：
将风电机组的运行状态类型的数据占比作为所述分类数据集中转速对应的运行状态类型的数据占比，并按下式确定所述分类数据集中转速对应的运行状态类型的划分阈值：
Figure BDA0001350851780000032
上式中，R为所述分类数据集中转速数据，f(R)为所述分类数据集中转速数据的概率密度分布函数，max(R)为所述分类数据集中转速数据最大值，min(R)为所述分类数据集中转速数据最小值，R1,R2,R3,R4分别为所述分类数据集中转速对应的运行状态类型的划分阈值。
进一步的，所述根据所述划分阈值建立所述分类数据集的运行状态类型数据样本集，包括：
按下式建立所述分类数据集的运行状态类型数据样本集：
Figure BDA0001350851780000033
上式中，S1,S2,S3,S4,S5分别为所述分类数据集中最佳状态、较佳状态、一般状态、较差状态和最差状态的数据样本集。
进一步的，所述选择所述分类数据集中的输入参量，并对所述分类数据集的运行状态类型数据样本集中的输入参量进行归一化处理，构建训练样本，包括：
按下式构建训练样本：
S1′＝{(w1,d1,t1)}；w1,d1,t1∈{S1}
S2′＝{(w2,d2,t2)}；w2,d2,t2∈{S2}
S3′＝{(w3,d3,t3)}；w3,d3,t3∈{S3}
S4′＝{(w4,d4,t4)}；w4,d4,t4∈{S4}
S5′＝{(w5,d5,t5)}；w5,d5,t5∈{S,5}
上式中，S1′,S2′,S3′,S4′,S5′分别为所述分类数据集中输入参量的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据集，即训练样本，w1,w2,w3,w4,w5分别为所述分类数据集中输入参量的风速数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据，d1,d2,d3,d4,d5分别为所述分类数据集中输入参量的风向数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据，t1,t2,t3,t4,t5分别为所述分类数据集中输入参量的环境温度数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据。
进一步的，所述定义风电机组的运行状态类型的目标参量，并对其进行归一化处理，包括：
定义风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量分别为1、2、3、4和5；
以5对风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量进行归一化处理，获取风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量归一化值分别为0.2、0.4、0.6、0.8和1。
进一步的，所述根据所述BP神经网络模型输出的目标参量，判断风电机组的运行状态类型，包括：
所述BP神经网络模型输出的目标参量分别为0.2、0.4、0.6、0.8和1时，风电机组的运行状态类型分别为最佳状态、较佳状态、一般状态、较差状态和最差状态。
优选的，所述BP神经网络模型的隐含层选取17个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，表现函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用learngdm。
一种风电机组运行状态诊断装置，其改进之处在于，所述装置包括：
输入单元，用于将风速、风向和环境温度数据输入至BP神经网络模型；其中，所述BP神经网络模型是根据历史风速、风向、环境温度数据和对应的风电机组的运行状态类型构建的；
诊断单元，用于根据所述BP神经网络模型输出的目标参量，判断风电机组的运行状态类型。
本发明的有益效果：
在实际工程中分析风电机组风速与实际功率关系发现，在相同风速水平下，风电机组出力存在差异，说明风电机组的运行状态除受风速影响外，还受其它因素影响，各因素综合作用，使风电机组呈现不同的运行状态，因此，本发明提供的技术方案，利用相同风速下不同风电机组的运行状态数据构建训练样本，结合多种因素，并将风电机组运行状态划分为5类，分别为：最佳状态、较佳状态、一般状态、较差状态和最差状态，基于这5类状态，根据风电机组的运行状态的各种影响因素，利用BP神经网络模型对风电机组的运行状态进行诊断，能够准确的评判获取风电机组的运行状态，从而为计算风电机组和风电场理论功率提供支撑。
附图说明
图1是本发明一种风电机组运行状态诊断方法的流程图；
图2是本发明实施例中风电机组转速与风速的关系示意图；
图3是本发明实施例中风向坐标系示意图；
图4是本发明实施例中BP神经网络一般结构示意图；
图5是本发明实施例中BP神经网络的完整训练流程图；
图6是本发明一种风电机组运行状态诊断装置的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供的一种风电机组运行状态诊断方法，如图1所示，包括：
101.将风速、风向和环境温度数据输入至BP神经网络模型；其中，所述BP神经网络模型是根据历史风速、风向、环境温度数据和对应的风电机组的运行状态类型构建的；
102.根据所述BP神经网络模型输出的目标参量，判断风电机组的运行状态类型。
具体的，根据历史风速、风向、环境温度数据和对应的风电机组的运行状态类型构建所述BP神经网络模型，包括：
根据风速水平对风电机组运行状态数据进行划分，获取分类数据集；
定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比；
根据风电机组的运行状态类型的数据占比确定所述分类数据集中转速对应的运行状态类型的数据占比，并确定所述分类数据集中转速对应的运行状态类型的划分阈值；
根据所述划分阈值建立所述分类数据集的运行状态类型数据样本集；
选择所述分类数据集中的输入参量，并对所述分类数据集的运行状态类型数据样本集中的输入参量进行归一化处理，构建训练样本；
定义风电机组的运行状态类型的目标参量，并对其进行归一化处理；
以所述输入参量为风电机组的运行状态类型的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组的运行状态类型的BP神经网络模型。
具体的，风电机组运行状态可通过相同风速水平下的转速大小进行判断，如图2所示，本发明提供的技术方案，将风电机组主要运行在3种区间内，一是切入风速以下，风电机组无转速；二是切入风速与额定风速之间，转速随风速的增加而线性增大；三是额定风速与切除风速之间，转速保持稳定，不再随风速的增大而增大。因而需对切入风速与额定风速之间和额定风速与切除风速之间的风电机组运行状态分别进行划分，在切入风速与额定风速之间，需综合考虑样本容量和数据异常问题，恰当选取合适的风速水平对风电机组运行状态的判断提取分析数据；在额定风速与切除风速之间，恰当选取的风速水平对风电机组运行状态的判断提取分析数据，因此，所述根据风速水平对风电机组运行状态数据进行划分，获取分类数据集，包括：
选择风速水平在切入风速与额定风速之间的风速wI对应的风电机组运行状态数据作为第一分类数据集SI；
选择风速水平在额定风速与切除风速之间的风速wC对应的风电机组运行状态数据作为第二分类数据集SC。
一般而言，风电机组最佳和最差运行状态相对较少，一般运行状态相对较多，如以正态分布来进行表征，最佳和最差运行状态应处于正态分布的两端，一般运行状态应处于正态分布的中间。本申请中将风电机组运行状态定义为5类，分别为“1”最佳状态，“2”较佳状态，“3”一般状态，“4”较差状态，“5”最差状态，按照标准正态分布规律确定各状态划分阈值，根据标准正态分布规律，在±3σ范围内累积概率分布达到99.74％，±3σ之外的累积概率仅为0.26％，本模型中忽略该小概率事件。标准正态分布中σ＝1，则有：
P(|x|≤3)＝0.9974
进一步，所述定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比，包括：
定义风电机组的运行状态类型为：最佳状态、较佳状态、一般状态、较差状态和最差状态；
将标准正态分布规律中的±3σ范围平均分为5个区间，分别对应5种风电机组的运行状态类型，其中，标准正态分布中σ＝1，则：
Figure BDA0001350851780000071
上式中，x1,x2,x3,x4,x5分别为±3σ范围的第1、2、3、4、5个区间；
将x1,x2,x3,x4,x5对应的概率占比作为风电机组的运行状态类型的数据占比，公式为：
Figure BDA0001350851780000072
上式中，P(x1),P(x2),P(x3),P(x4),P(x5)分别为风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的数据占比。
按照上述风电机组的运行状态类型的数据占比确定各状态的划分阈值，所述根据风电机组的运行状态类型的数据占比确定所述分类数据集中转速对应的运行状态类型的数据占比，并确定所述分类数据集中转速对应的运行状态类型的划分阈值，包括：
将风电机组的运行状态类型的数据占比作为所述分类数据集中转速对应的运行状态类型的数据占比，并按下式确定所述分类数据集中转速对应的运行状态类型的划分阈值：
Figure BDA0001350851780000081
上式中，R为所述分类数据集中转速数据，f(R)为所述分类数据集中转速数据的概率密度分布函数，max(R)为所述分类数据集中转速数据最大值，min(R)为所述分类数据集中转速数据最小值，R1,R2,R3,R4分别为所述分类数据集中转速对应的运行状态类型的划分阈值。
确定各状态的划分阈值后，需利用该划分阈值获得不同状态下的样本数据，所述根据所述划分阈值建立所述分类数据集的运行状态类型数据样本集，包括：
按下式建立所述分类数据集的运行状态类型数据样本集：
Figure BDA0001350851780000082
上式中，S1,S2,S3,S4,S5分别为所述分类数据集中最佳状态、较佳状态、一般状态、较差状态和最差状态的数据样本集。
进一步的，在非限电情况下，风电机组运行状态可直接通过出力或转速进行判断，因而本方法主要用于限电等非正常发电情况下的风电机组运行状态判断，为事后判断。由前文分析可知，状态判断的输入量为风速、风向和环境温度，为自变量，不受风电机组运行状态的影响，令风电机组最佳状态目标量为1、较佳状态目标量为2、一般状态目标量为3、较差状态目标量为4、最差状态目标量为5。以风速、风向和环境温度为输入参量，于是所述选择所述分类数据集中的输入参量，并对所述分类数据集的运行状态类型数据样本集中的输入参量进行归一化处理，构建训练样本，包括：
按下式构建训练样本：
S1′＝{(w1,d1,t1)}；w1,d1,t1∈{S1}
S2′＝{(w2,d2,t2)}；w2,d2,t2∈{S2}
S3′＝{(w3,d3,t3)}；w3,d3,t3∈{S3}
S4′＝{(w4,d4,t4)}；w4,d4,t4∈{S4}
S5′＝{(w5,d5,t5)}；w5,d5,t5∈{S,5}
上式中，S1′,S2′,S3′,S4′,S5′分别为所述分类数据集中输入参量的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据集，即训练样本，w1,w2,w3,w4,w5分别为所述分类数据集中输入参量的风速数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据，d1,d2,d3,d4,d5分别为所述分类数据集中输入参量的风向数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据，t1,t2,t3,t4,t5分别为所述分类数据集中输入参量的环境温度数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据。
其中，本申请中采用BP神经网络对风电机组运行状态进行诊断，为了保障神经网络模型的稳定性、提高模型的泛化性能，用于模型训练的参数需进行归一化。风电机组运行状态的诊断中，风速、风向、环境温度和目标参量均需进行归一化的过程为常规手段，通常可以按下式对所述分类数据集的运行状态类型数据样本集中的输入参量中风速数据进行归一化处理：
Figure BDA0001350851780000091
上式中，wg为所述分类数据集的运行状态类型数据样本集中的输入参量中风速数据的归一化值，wt为所述分类数据集的运行状态类型数据样本集中风速数据值，wmax为最大风速值；
风向归一化方法如图3所示，取正北方为x轴的方向，取正东为y轴方向。风向的正弦值在0°～180°为正值，在180°～360°为负值；风向的余弦值在0°～90°和270°～360°之间为正值，在90°～270°之间为负值。因此，风向的正弦值和余弦值结合在一起可以区分所有的风向。
按下式对所述分类数据集的运行状态类型数据样本集中的输入参量中环境温度数据进行归一化处理：
Figure BDA0001350851780000101
上式中，tg为所述分类数据集的运行状态类型数据样本集中的输入参量中环境温度数据的归一化值，tt为所述分类数据集的运行状态类型数据样本集中的输入参量中环境温度数据值，|tt|max为最大环境温度值；
本发明提供的技术方案，还需对风电机组的运行状态类型的目标参量进行归一化，所述定义风电机组的运行状态类型的目标参量，并对其进行归一化处理，包括：
定义风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量分别为1、2、3、4和5；
以5对风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量进行归一化处理，获取风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量归一化值分别为0.2、0.4、0.6、0.8和1。最后利用上述构建的训练样本训练BP神经网络模型，以归一化后的数据作为神经网络诊断模型的训练数据，输入数据为风速、风向和环境温度，目标值为风电机组状态赋值。
所述102，包括：
所述BP神经网络模型输出的目标参量分别为0.2、0.4、0.6、0.8和1时，风电机组的运行状态类型分别为最佳状态、较佳状态、一般状态、较差状态和最差状态。
神经元个数对结果有很大的影响，神经元个数少了，会导致不收敛；而神经元个数多了，一方面会导致训练时间的增大，很难收敛，还可能导致建立“祖辈网”，即网络能回忆起过去的每件事，但对新样本的推理能力变差。但就目前来说，还没有快速确定最优神经元个数的方法，隐层神经元个数的确定仍然带有很大的主观性。本方法中，采取类似于遍历的方法，分别建立不同神经元的网络模型，以测试数据选取最佳的网络模型。
隐层层数增加，一方面会造成训练时间急剧增加，另一方面易陷入局部极小点。关于网络层数的选择，Robert Hecht-Nielsen曾经证明以下定理：假定BP网络中隐层神经元个数可以根据需要自由设定，那么一个三层网络可以实现以任意精度逼近任何连续函数。因此，选用一个隐层，即三层网络，就能完成非线性映射。
其中，所述BP神经网络模型的隐含层选取17个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，表现函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用learngdm。
现有技术中，BP神经网络(Back Propagation Neural Network)是指基于误差反向传播算法的多层前向神经网络，采用有导师的训练方式。它是D.E.Rumelhart和J.L.McCelland及其研究小组在1986年研究并设计出来的。BP神经网络具有如下特点：(1)能够以任意精度逼近任何非线性映射，实现对复杂系统建模；(2)可以学习和自适应未知信息，如果系统发生了变化可以通过修改网络的联接值而改变预测效果；(3)分布式信息存储与处理结构，具有一定的容错性，因此构造出来的系统具有较好的鲁棒性；(4)多输入、多输出的模型结构，适合处理复杂问题。
BP网络除输入输出节点外，还有一层或多层隐含节点，同层节点中没有任何连接。输入信号从输入层节点依次传过各隐含节点，然后传到输出层节点，每层节点的输出只影响下一层节点的输出。BP网络整体算法成熟，其信息处理能力来自于对简单非线性函数的多次复合。BP神经网络一般结构如图4所示，BP算法的数学模型是求解如下函数的最优解问题：
Figure BDA0001350851780000111
其中，x为训练样本，
Figure BDA0001350851780000112
为网络的实际输出，yk(t)为网络的期望输出，wij为输入层节点i到隐含层节点j的权值，vjk为隐含层节点j到输出层节点k的权值，θj为隐含层节点j处的阈值，γt为输出节点t处的阈值，f(x)为激活函数。要实现全局误差函数E在曲面上按梯度下降，采用梯度规则，求E对输出层和隐含层的连接权和阈值的负梯度：
Figure BDA0001350851780000121
按梯度下降原则，即连接权和阈值的变化正比于负梯度，故有：
Figure BDA0001350851780000122
其中，η为学习率，且0＜η＜1，i＝1,2,…,m，t＝1,2,…,n，j＝1,2,…,p，bj为中间层各神经元的输出，sj为神经元运算的中间结果。
调整后的网络连接权值和阈值如下：
Figure BDA0001350851780000123
其中，l表示训练次数。
BP神经网络的完整训练过程如如图5所示，只要隐含层神经元的个数充分多，则隐含层神经元激活函数为线性函数的三层神经网络可以逼近任何函数。BP神经网络通过简单非线性处理单元的复合映射，可以获得复杂的非线性处理能力。
神经网络的训练过程实际上是网络对训练样本内在规律的学习过程，而对网络进行训练的目的主要是为了让网络对训练样本以外的数据具有正确的映射能力。神经网络的泛化能力是指神经网络对训练样本以外的新样本的适应能力，也称为神经网络的推广能力，被认为是衡量神经网络性能的重要指标，具有泛化能力的神经网络可以在实际中应用，否则不具备应用价值。
神经网络的泛化能力由以下几个因素影响：
1)样本的特性
只有当训练样本足以表征所研究的问题的主要特征时，网络通过合理的学习机制可以使其具有泛化能力，合理的采样结构是神经网络具有泛化能力的必要条件。
2)网络自身的因素
如网络的结构、初始值及网络的学习算法等。网络的结构主要包括网络的隐层数、隐层节点的个数和隐层节点的激活函数。
当隐层节点函数有界，三层前向网络具有以任意精度逼近定义在紧致子集上的任意非线性函数的能力。这说明采用三层BP神经网络，隐层节点函数为Sigmoid函数，输出节点函数采用线性函数，完全可以达到网络逼近的要求。“过拟合”现象是网络隐层节点过多的必然结果，影响网络的泛化能力，同时认为在满足精度的要求下，逼近函数的阶数越少越好，低阶逼近可以有效防止“过拟合现象”，从而提高网络的预测能力。
神经网络初始值的选择也影响网络的泛化能力。一般随机给定一组权值，然后采用一定的学习规则，在训练中逐步调整，最终得到一组较好的权值分布。由于BP算法是基于梯度下降方法，不同的初始权值可能会导致不同的结果。如果取值不当，可能引起震荡不收敛，即使收敛也会导致训练时间增长，或陷入局部极值点，得不到合适的权值分布，影响网络的泛化能力。
本发明提供一种风电机组运行状态诊断装置，如图6所示，所述装置包括：
输入单元，用于将风速、风向和环境温度数据输入至BP神经网络模型；其中，所述BP神经网络模型是根据历史风速、风向、环境温度数据和对应的风电机组的运行状态类型构建的；
诊断单元，用于根据所述BP神经网络模型输出的目标参量，判断风电机组的运行状态类型。
其中，根据历史风速、风向、环境温度数据和对应的风电机组的运行状态类型构建所述BP神经网络模型，包括：
根据风速水平对风电机组运行状态数据进行划分，获取分类数据集；
定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比；
根据风电机组的运行状态类型的数据占比确定所述分类数据集中转速对应的运行状态类型的数据占比，并确定所述分类数据集中转速对应的运行状态类型的划分阈值；
根据所述划分阈值建立所述分类数据集的运行状态类型数据样本集；
选择所述分类数据集中的输入参量，并对所述分类数据集的运行状态类型数据样本集中的输入参量进行归一化处理，构建训练样本；
定义风电机组的运行状态类型的目标参量，并对其进行归一化处理；
以所述输入参量为风电机组的运行状态类型的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组的运行状态类型的BP神经网络模型。
其中，所述根据风速水平对风电机组运行状态数据进行划分，获取分类数据集，包括：
选择风速水平在切入风速与额定风速之间的风速wI对应的风电机组运行状态数据作为第一分类数据集SI；
选择风速水平在额定风速与切除风速之间的风速wC对应的风电机组运行状态数据作为第二分类数据集SC。
所述定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比，包括：
定义风电机组的运行状态类型为：最佳状态、较佳状态、一般状态、较差状态和最差状态；
将标准正态分布规律中的±3σ范围平均分为5个区间，分别对应5种风电机组的运行状态类型，其中，标准正态分布中σ＝1，则：
Figure BDA0001350851780000141
上式中，x1,x2,x3,x4,x5分别为±3σ范围的第1、2、3、4、5个区间；
将x1,x2,x3,x4,x5对应的概率占比作为风电机组的运行状态类型的数据占比，公式为：
Figure BDA0001350851780000151
上式中，P(x1),P(x2),P(x3),P(x4),P(x5)分别为风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的数据占比。
所述根据风电机组的运行状态类型的数据占比确定所述分类数据集中转速对应的运行状态类型的数据占比，并确定所述分类数据集中转速对应的运行状态类型的划分阈值，包括：
将风电机组的运行状态类型的数据占比作为所述分类数据集中转速对应的运行状态类型的数据占比，并按下式确定所述分类数据集中转速对应的运行状态类型的划分阈值：
Figure BDA0001350851780000152
上式中，R为所述分类数据集中转速数据，f(R)为所述分类数据集中转速数据的概率密度分布函数，max(R)为所述分类数据集中转速数据最大值，min(R)为所述分类数据集中转速数据最小值，R1,R2,R3,R4分别为所述分类数据集中转速对应的运行状态类型的划分阈值。
所述根据所述划分阈值建立所述分类数据集的运行状态类型数据样本集，包括：
按下式建立所述分类数据集的运行状态类型数据样本集：
Figure BDA0001350851780000153
上式中，S1,S2,S3,S4,S5分别为所述分类数据集中最佳状态、较佳状态、一般状态、较差状态和最差状态的数据样本集。
所述选择所述分类数据集中的输入参量，并对所述分类数据集的运行状态类型数据样本集中的输入参量进行归一化处理，构建训练样本，包括：
按下式构建训练样本：
S1′＝{(w1,d1,t1)}；w1,d1,t1∈{S1}
S2′＝{(w2,d2,t2)}；w2,d2,t2∈{S2}
S3′＝{(w3,d3,t3)}；w3,d3,t3∈{S3}
S4′＝{(w4,d4,t4)}；w4,d4,t4∈{S4}
S5′＝{(w5,d5,t5)}；w5,d5,t5∈{S,5}
上式中，S1′,S2′,S3′,S4′,S5′分别为所述分类数据集中输入参量的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据集，即训练样本，w1,w2,w3,w4,w5分别为所述分类数据集中输入参量的风速数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据，d1,d2,d3,d4,d5分别为所述分类数据集中输入参量的风向数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据，t1,t2,t3,t4,t5分别为所述分类数据集中输入参量的环境温度数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据。
所述定义风电机组的运行状态类型的目标参量，并对其进行归一化处理，包括：
定义风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量分别为1、2、3、4和5；
以5对风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量进行归一化处理，获取风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量归一化值分别为0.2、0.4、0.6、0.8和1。
所述诊断单元，还用于所述BP神经网络模型输出的目标参量分别为0.2、0.4、0.6、0.8和1时，风电机组的运行状态类型分别为最佳状态、较佳状态、一般状态、较差状态和最差状态。
所述BP神经网络模型的隐含层选取17个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，表现函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用learngdm。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种风电机组运行状态诊断方法，其特征在于，所述方法包括：
将风速、风向和环境温度数据输入至BP神经网络模型；其中，所述BP神经网络模型是根据历史风速、风向、环境温度数据和对应的风电机组的运行状态类型构建的；
根据所述BP神经网络模型输出的目标参量，判断风电机组的运行状态类型；
所述根据历史风速、风向、环境温度数据和定义的风电机组的运行状态类型构建所述BP神经网络模型，包括：
根据风速水平对风电机组运行状态数据进行划分，获取分类数据集；
定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比；
根据风电机组的运行状态类型的数据占比确定所述分类数据集中转速对应的运行状态类型的数据占比，并确定所述分类数据集中转速对应的运行状态类型的划分阈值；
根据所述划分阈值建立所述分类数据集的运行状态类型数据样本集；
选择所述分类数据集中的输入参量，并对所述分类数据集的运行状态类型数据样本集中的输入参量进行归一化处理，构建训练样本；
定义风电机组的运行状态类型的目标参量，并对其进行归一化处理；
以所述输入参量为风电机组的运行状态类型的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组的运行状态类型的BP神经网络模型；
所述定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比，包括：
定义风电机组的运行状态类型为：最佳状态、较佳状态、一般状态、较差状态和最差状态；
将标准正态分布规律中的±3σ范围平均分为5个区间，分别对应5种风电机组的运行状态类型，其中，标准正态分布中σ＝1，则：
Figure FDA0003887898200000011
上式中，x1,x2,x3,x4,x5分别为±3σ范围的第1、2、3、4、5个区间；
将x1,x2,x3,x4,x5对应的概率占比作为风电机组的运行状态类型的数据占比，公式为：
Figure FDA0003887898200000021
上式中，P(x1),P(x2),P(x3),P(x4),P(x5)分别为风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的数据占比。
2.如权利要求1所述的方法，其特征在于，所述根据风速水平对风电机组运行状态数据进行划分，获取分类数据集，包括：
选择风速水平在切入风速与额定风速之间的风速wI对应的风电机组运行状态数据作为第一分类数据集SI；
选择风速水平在额定风速与切除风速之间的风速wC对应的风电机组运行状态数据作为第二分类数据集SC。
3.如权利要求2所述的方法，其特征在于，所述根据风电机组的运行状态类型的数据占比确定所述分类数据集中转速对应的运行状态类型的数据占比，并确定所述分类数据集中转速对应的运行状态类型的划分阈值，包括：
将风电机组的运行状态类型的数据占比作为所述分类数据集中转速对应的运行状态类型的数据占比，并按下式确定所述分类数据集中转速对应的运行状态类型的划分阈值：
Figure FDA0003887898200000022
上式中，R为所述分类数据集中转速数据，f(R)为所述分类数据集中转速数据的概率密度分布函数，max(R)为所述分类数据集中转速数据最大值，min(R)为所述分类数据集中转速数据最小值，R1,R2,R3,R4分别为所述分类数据集中转速对应的运行状态类型的划分阈值。
4.如权利要求3所述的方法，其特征在于，所述根据所述划分阈值建立所述分类数据集的运行状态类型数据样本集，包括：
按下式建立所述分类数据集的运行状态类型数据样本集：
Figure FDA0003887898200000031
上式中，S1,S2,S3,S4,S5分别为所述分类数据集中最佳状态、较佳状态、一般状态、较差状态和最差状态的数据样本集。
5.如权利要求4所述的方法，其特征在于，所述选择所述分类数据集中的输入参量，并对所述分类数据集的运行状态类型数据样本集中的输入参量进行归一化处理，构建训练样本，包括：
按下式构建训练样本：
S1′＝{(w1,d1,t1)}；w1,d1,t1∈{S1}
S2′＝{(w2,d2,t2)}；w2,d2,t2∈{S2}
S3′＝{(w3,d3,t3)}；w3,d3,t3∈{S3}
S4′＝{(w4,d4,t4)}；w4,d4,t4∈{S4}
S5′＝{(w5,d5,t5)}；w5,d5,t5∈{S,5}
上式中，S1′,S2′,S3′,S4′,S5′分别为所述分类数据集中输入参量的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据集，即训练样本，w1,w2,w3,w4,w5分别为所述分类数据集中输入参量的风速数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据，d1,d2,d3,d4,d5分别为所述分类数据集中输入参量的风向数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据，t1,t2,t3,t4,t5分别为所述分类数据集中输入参量的环境温度数据的最佳状态、较佳状态、一般状态、较差状态和最差状态归一化后的数据。
6.如权利要求5所述的方法，其特征在于，所述定义风电机组的运行状态类型的目标参量，并对其进行归一化处理，包括：
定义风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量分别为1、2、3、4和5；
以5对风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量进行归一化处理，获取风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的目标参量归一化值分别为0.2、0.4、0.6、0.8和1。
7.如权利要求6所述的方法，其特征在于，所述根据所述BP神经网络模型输出的目标参量，判断风电机组的运行状态类型，包括：
所述BP神经网络模型输出的目标参量分别为0.2、0.4、0.6、0.8和1时，风电机组的运行状态类型分别为最佳状态、较佳状态、一般状态、较差状态和最差状态。
8.如权利要求1所述的方法，其特征在于，所述BP神经网络模型的隐含层选取17个神经元，输入层与隐含层传递函数选取tansig函数，隐含层与输出层之间选取logsig函数，表现函数选取mse，模型训练方法采用trainlm，权值和阈值学习方法选用learngdm。
9.一种风电机组运行状态诊断装置，其特征在于，所述装置包括：
输入单元，用于将风速、风向和环境温度数据输入至BP神经网络模型；其中，所述BP神经网络模型是根据历史风速、风向、环境温度数据和对应的风电机组的运行状态类型构建的；
诊断单元，用于根据所述BP神经网络模型输出的目标参量，判断风电机组的运行状态类型；
所述根据历史风速、风向、环境温度数据和定义的风电机组的运行状态类型构建所述BP神经网络模型，包括：
根据风速水平对风电机组运行状态数据进行划分，获取分类数据集；
定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比；
根据风电机组的运行状态类型的数据占比确定所述分类数据集中转速对应的运行状态类型的数据占比，并确定所述分类数据集中转速对应的运行状态类型的划分阈值；
根据所述划分阈值建立所述分类数据集的运行状态类型数据样本集；
选择所述分类数据集中的输入参量，并对所述分类数据集的运行状态类型数据样本集中的输入参量进行归一化处理，构建训练样本；
定义风电机组的运行状态类型的目标参量，并对其进行归一化处理；
以所述输入参量为风电机组的运行状态类型的判断输入参数，以所述目标参量为目标数据建立BP神经网络模型，并利用所述训练样本对所述BP神经网络模型进行训练，获取判断风电机组的运行状态类型的BP神经网络模型；
所述定义风电机组的运行状态类型，并按照标准正态分布规律确定风电机组的运行状态类型的数据占比，包括：
定义风电机组的运行状态类型为：最佳状态、较佳状态、一般状态、较差状态和最差状态；
将标准正态分布规律中的±3σ范围平均分为5个区间，分别对应5种风电机组的运行状态类型，其中，标准正态分布中σ＝1，则：
Figure FDA0003887898200000051
上式中，x1,x2,x3,x4,x5分别为±3σ范围的第1、2、3、4、5个区间；
将x1,x2,x3,x4,x5对应的概率占比作为风电机组的运行状态类型的数据占比，公式为：
Figure FDA0003887898200000052
上式中，P(x1),P(x2),P(x3),P(x4),P(x5)分别为风电机组的运行状态类型中最佳状态、较佳状态、一般状态、较差状态和最差状态的数据占比。
CN201710575536.XA 2017-07-14 2017-07-14 一种风电机组运行状态诊断方法及装置 Active CN107527093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710575536.XA CN107527093B (zh) 2017-07-14 2017-07-14 一种风电机组运行状态诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710575536.XA CN107527093B (zh) 2017-07-14 2017-07-14 一种风电机组运行状态诊断方法及装置

Publications (2)

Publication Number Publication Date
CN107527093A CN107527093A (zh) 2017-12-29
CN107527093B true CN107527093B (zh) 2023-01-24

Family

ID=60748286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710575536.XA Active CN107527093B (zh) 2017-07-14 2017-07-14 一种风电机组运行状态诊断方法及装置

Country Status (1)

Country Link
CN (1) CN107527093B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107587982B (zh) * 2017-07-17 2021-04-16 中国电力科学研究院 一种风电机组运行状态划分方法及装置
CN109783881A (zh) * 2018-12-21 2019-05-21 中国电力科学研究院有限公司 一种风电机组发电功率确定方法及装置
CN116447089B (zh) * 2023-06-19 2023-08-25 华电电力科学研究院有限公司 一种风电机组的运行状态检测方法、装置及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294891A (zh) * 2013-03-23 2013-09-11 中国水利电力物资有限公司 一种基于历史故障数据的风电机组状态评估方法和系统
CN103758696A (zh) * 2014-01-09 2014-04-30 华北电力大学 基于scada温度参数的风电机组安全状况评价方法
CN104731955A (zh) * 2015-04-02 2015-06-24 龙源（北京）风电工程技术有限公司 风电机组油液监测诊断标准建立及智能诊断方法及系统
CN106446540A (zh) * 2016-09-20 2017-02-22 华北电力大学（保定） 一种风电机组健康状态实时评估方法
CN106762452A (zh) * 2016-12-08 2017-05-31 东北大学 基于数据驱动的风机主控系统故障诊断和在线监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294891A (zh) * 2013-03-23 2013-09-11 中国水利电力物资有限公司 一种基于历史故障数据的风电机组状态评估方法和系统
CN103758696A (zh) * 2014-01-09 2014-04-30 华北电力大学 基于scada温度参数的风电机组安全状况评价方法
CN104731955A (zh) * 2015-04-02 2015-06-24 龙源（北京）风电工程技术有限公司 风电机组油液监测诊断标准建立及智能诊断方法及系统
CN106446540A (zh) * 2016-09-20 2017-02-22 华北电力大学（保定） 一种风电机组健康状态实时评估方法
CN106762452A (zh) * 2016-12-08 2017-05-31 东北大学 基于数据驱动的风机主控系统故障诊断和在线监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An artificial neural network-based condition monitoring method for wind turbines, with application to the monitoring of the gearbox;P. Bangalore,et al.;《wind energy》;20170310;全文 *
基于BP神经网络的风力发电运行状态预测;赵海琦等;《装备机械》;20100531(第01期);正文第1-6节 *
赵海琦等.基于BP神经网络的风力发电运行状态预测.《装备机械》.2010,(第01期),正文第1-6节. *

Also Published As

Publication number Publication date
CN107527093A (zh) 2017-12-29

Similar Documents

Publication Publication Date Title
Liao et al. Uncertainty prediction of remaining useful life using long short-term memory network based on bootstrap method
Li et al. Self-attention ConvLSTM and its application in RUL prediction of rolling bearings
Chatterjee et al. Deep learning with knowledge transfer for explainable anomaly prediction in wind turbines
Kassa et al. Short term wind power prediction using ANFIS
Wang et al. A new wind power prediction method based on chaotic theory and Bernstein Neural Network
CN107392304A (zh) 一种风电机组异常数据识别方法及装置
CN105590144A (zh) 一种基于narx神经网络的风速预测方法及装置
CN107527093B (zh) 一种风电机组运行状态诊断方法及装置
Li et al. Fuzzy neural network technique for system state forecasting
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、系统及介质
CN113659565B (zh) 一种新能源电力系统频率态势的在线预测方法
Xiuli et al. Fault diagnosis method of wind turbine gearbox based on deep belief network and vibration signal
Chen et al. Comparison of three methods for short-term wind power forecasting
CN107045659A (zh) 预测光伏发电功率的方法及装置
Vera-Tudela et al. On the selection of input variables for a wind turbine load monitoring system
Zhang et al. Fuzzy rule-based classification system using multi-population quantum evolutionary algorithm with contradictory rule reconstruction
Çevik et al. Day ahead wind power forecasting using complex valued neural network
Wang et al. Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis
CN116629137B (zh) 风电机组能效管理方法、装置及变桨通讯控制系统
Che et al. Semi-supervised multitask deep convolutional generative adversarial network for unbalanced fault diagnosis of rolling bearing
CN112418504A (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
Cui et al. Triplet attention-enhanced residual tree-inspired decision network: A hierarchical fault diagnosis model for unbalanced bearing datasets
Zhong et al. Intelligent fault diagnosis scheme for rotating machinery based on momentum contrastive bi-tuning framework
Ansari et al. Wind power forecasting using artificial neural network
Satapathy et al. Optimised class point approach for software effort estimation using adaptive neuro-fuzzy inference system model

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