CN108074045A - 风电机组整机脆弱性分析与故障排序方法及电子终端 - Google Patents
风电机组整机脆弱性分析与故障排序方法及电子终端 Download PDFInfo
- Publication number
- CN108074045A CN108074045A CN201810088093.6A CN201810088093A CN108074045A CN 108074045 A CN108074045 A CN 108074045A CN 201810088093 A CN201810088093 A CN 201810088093A CN 108074045 A CN108074045 A CN 108074045A
- Authority
- CN
- China
- Prior art keywords
- mrow
- wind turbines
- failure
- msub
- major error
- 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
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
- G06Q10/06—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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Abstract
本发明提供一种风电机组整机脆弱性分析与故障排序方法及电子终端,所述方法包括:获取风电机组的故障序列,从故障序列中提取风电机组故障触发后预设时间内的故障序列并标记主故障;计算主故障类先验概率和主故障类条件概率并对主故障类先验概率和主故障类条件概率进行拉普拉斯平滑化处理;提取风电机组连续预设第一周期的故障序列和风电机组故障触发后预设第二周期的故障序列并去除重复故障;获取第二周期的主故障,根据第一周期的故障序列获取体现风电机组脆弱性的主故障的发生概率;根据主故障的类条件概率建立链接矩阵,并通过对链接矩阵进行迭代计算,获取各主故障的重要性的排序结果。本发明可进行风电机组的脆弱性分析,对主故障进行排序。
Description
技术领域
本发明涉及风电设备技术领域,特别是涉及风电制造的脆弱环节状况分析与故障重要性评估领域,具体为一种风电机组整机脆弱性分析与故障排序方法及电子终端。
背景技术
风力发电,是一种应用前景广阔的清洁可再生能源技术。在当前节能减排和减少污染的发展趋势下,风电设备得到大规模的使用。风电机组可运用在海上,也可运用在山区,总体上位于人烟稀少和风能资源丰富的地区。各国对风力发电的重视程度不断提升,风电并网容量也不断提高。进入21世纪,全球风力发电行业正进入快速发展的扩张时期,保持年平均20%的增速。我国的风力发电应用始于20世纪50年代后期,并网建设在70年代末期起步,2010年左右达到了发展的高峰期。目前,我国的风电产业正处于稳步增长阶段,基本遏制了行业的过热,发展模式也从重规模、重速度逐步向重效益、重质量进行转变
与传统发电厂的蒸汽机、水轮机和燃气轮机相比,风电机组通常在更加严酷的环境下运行。因此,风电机组有相对较高的故障率。风电机组中的故障可以分成两类:老化故障和临时随机故障。老化故障是由器件的老化导致的,这部分故障可以通过实时数据的监控加以识别;临时随机故障是由系统状态的突然改变所导致的,例如风轮超速和底部保险丝断开[4]。短暂随机故障难以提前预测,诊断短暂随机需要综合多方面的传感器数据并加以分析。风机故障诊断的主要目的是尽快恢复机组的正常运行。针对上述两类故障,准确而又快速的故障诊断方法有利于缩短检修时间。
近年来,基于模型的方法、基于人工智能技术的方法和基于知识的方法在故障诊断领域取得了一定的进展。目前,这些研究大多针对单一部件进行研究,没有实现风电机组整机的诊断研究。当前发展趋势下,整机的故障诊断可以综合考虑风电机组的整体状态,定位导致风机处于异常状态的主故障,有助于后续检修维护的决策支持,相对于单一部件的故障诊断更具有研究的潜力。本章提出了一种新型的双层PSDG故障诊断方法,目的在于充分利用传感器数据层和故障序列层进行快速准确的故障,减少发电量的损失,并提高经济效益。。
在风电机组的日常监控中,系统内部的故障序列,故障序列收集了风机进入异常状态后的故障报警。通过故障序列数据,可以运用朴素贝叶斯算法和PageRank算法,实现风电机组脆弱性分析与故障排序。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种风电机组整机脆弱性分析与故障排序方法及电子终端,用于解决现有技术中对风电机组正常运行状态缺乏定量化描述的问题。
为实现上述目的及他相关目的,本发明一种风电机组整机脆弱性分析与故障排序方法,所述风电机组整机脆弱性分析与故障排序方法包括:获取风电机组的故障序列,从所述故障序列中提取风电机组故障触发后预设时间内的故障序列并标记所述故障序列的主故障;计算主故障类先验概率和主故障类条件概率并对所述主故障类先验概率和所述主故障类条件概率进行拉普拉斯平滑化处理;提取风电机组连续预设第一周期的故障序列和风电机组故障触发后预设第二周期的故障序列并去除重复故障;获取所述第二周期的主故障,根据所述第一周期的故障序列获取体现风电机组脆弱性的所述主故障的发生概率;根据所述主故障的所述类条件概率建立链接矩阵,并通过对所述链接矩阵进行迭代计算,获取各所述主故障的重要性的排序结果。
于本发明的一实施例中,所述预设时间为3分钟~10分钟;所述预设第一周期为2周~4周;所述预设第二周期为1周~2周。
于本发明的一实施例中,所述标记所述故障序列的主故障中,一个所述主故障对应一个故障序列。
于本发明的一实施例中,所述类先验概率P(c)为:所述类条件概率P(xi|c)为:其中:D表示为训练集中元素的个数,Dc表示为训练集D中属于类别c的样本集合,Dc,xi表示为训练集D中包含属性xi且属于类别c的样本集合。
于本发明的一实施例中,所述拉普拉斯平滑化处理采用如下公式: 其中:N表示为在训练集中故障类别的数量,Ni表示在训练集中xi所属类别的数量。
于本发明的一实施例中,根据所述第一周期的故障序列获取体现风电机组脆弱性的所述主故障的发生概率中包括获取后验概率分布,所述后验概率分布为:其中:P(c|x)表示为后验概率,x表示为机组异常时间范围的故障序列,P(c)表示为是类先验概率,P(x)表示为归一化因子,P(x|c)表示为故障序列x对应于类别c的类条件概率。
于本发明的一实施例中,根据贝叶斯原理,将变形为
所述主故障的发生概率为:其中:hnb(x)表示为贝叶斯概率指标,P(c)表示为是类先验概率,P(xi|c)表示为类条件概率,i表示为序列中故障的序号,d表示为序列中含有的故障类别数量。
于本发明的一实施例中,定义所述主故障的重要性的故障重要性向量b为:
b=[b1,b2,...,bn]T;其中:b1,b2,...,bn分别为第1个、第2个……第n个网页的排名向量;定义网页链接矩阵A为:其中:矩阵元素a11表示为第1个网页指向第1个网页的链接数,矩阵元素a1n表示为第1个网页指向第n个网页的链接数,矩阵元素am1表示为第m个网页指向第1个网页的链接数,矩阵元素amn表示为第m个网页指向第n个网页的链接数;所述通过对所述链接矩阵进行迭代计算包括:将故障重要性向量b与网页链接矩阵A进行迭代计算:bi=A·bi-1;其中:bi表示为第i次迭代运算的结果,bi-1表示为第i-1次迭代运算的结果。
于本发明的一实施例中,所述获取各所述主故障的重要性的排序结果包括:假设各所述主故障的初始排名均为即:通过迭代运算,可以得到b1,b2,...,bn,最终故障重要性向量b会收敛,即bn≈A·bn-1,停止迭代。
本发明的实施例还提供一种电子终端,包括处理器和存储器,所述存储器存储有程序指令,所述处理器运行程序指令实现如上所述的方法。
如上所述,本发明的一种风电机组整机脆弱性分析与故障排序方法及电子终端,具有以下有益效果:
本发明通过运用朴素贝叶斯算法计算各主故障发生的概率,预测了为来一周可能发生的主故障,以此进行风电机组的脆弱性分析,根据主故障类条件概率建立链接矩阵,由加权的网页排名(PageRank)算法迭代计算,对所有的主故障进行排序,获得故障重要性排序结果。
附图说明
图1显示为本发明的一种风电机组整机脆弱性分析与故障排序方法的流程示意图。
图2显示为本发明的一种风电机组整机脆弱性分析与故障排序方法中故障排序结果的网络示意图。
图3显示为本发明的一种风电机组整机脆弱性分析与故障排序方法中故障节点重要性变化趋势的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
本实施例的目的在于提供一种风电机组整机脆弱性分析与故障排序方法及电子终端,于解决现有技术中对风电机组正常运行状态缺乏定量化描述的问题。
以下将详细阐述本发明的一种风电机组整机脆弱性分析与故障排序方法及电子终端的原理及实施方式,使本领域技术人员不需要创造性劳动即可理解本发明的一种风电机组整机脆弱性分析与故障排序方法及电子终端。
具体地,本实施例运用朴素贝叶斯算法计算各主故障发生的概率,预测了为来一周可能发生的主故障,以此进行风电机组的脆弱性分析,根据主故障类条件概率建立链接矩阵,由加权的网页排名(PageRank)算法迭代计算,对所有的主故障进行排序,获得故障重要性排序结果。以下对本实施例的风电机组整机脆弱性分析与故障排序方法及电子终端进行详细说明。
如图1所示,本实施例提供一种风电机组整机脆弱性分析与故障排序方法,所述风电机组整机脆弱性分析与故障排序方法包括以下步骤:
步骤S110,获取风电机组的故障序列,从所述故障序列中提取风电机组故障触发后预设时间内的故障序列并标记所述故障序列的主故障;
步骤S120,计算主故障类先验概率和主故障类条件概率并对所述主故障类先验概率和所述主故障类条件概率进行拉普拉斯平滑化处理;
步骤S130,提取风电机组连续预设第一周期的故障序列和风电机组故障触发后预设第二周期的故障序列并去除重复故障;
步骤S140,获取所述第二周期的主故障,根据所述第一周期的故障序列获取体现风电机组脆弱性的所述主故障的发生概率;
步骤S150,根据所述主故障的所述类条件概率建立链接矩阵,并通过对所述链接矩阵进行迭代计算,获取各所述主故障的重要性的排序结果。
以下对本实施例的风电机组整机脆弱性分析与故障排序方法中的步骤S110至步骤S150进行详细说明。
步骤S110,获取风电机组的故障序列,从所述故障序列中提取风电机组故障触发后预设时间内的故障序列并标记所述故障序列的主故障。
其中,于本实施例中,所述预设时间为3分钟~10分钟。
例如,获取风电机组的故障列表并提取机组故障触发后的5分钟之内的故障序列,由工程人员标记历史故障记录中故障序列的主故障。
其中,所述标记所述故障序列的主故障中,一个所述主故障对应一个故障序列。
例如,获取风电机组的故障列表,在历史故障列表中,提取所有的在风电机组故障触发后的5分钟之内的故障序列,这一连串故障序列包含最主要的故障信息,根据故障序列包含的信息,由工程技术人员对故障序列的主故障进行标记,使得一个主故障对应一个故障序列,作为风电机组故障发生的原因。
步骤S120,计算主故障类先验概率和主故障类条件概率并对所述主故障类先验概率和所述主故障类条件概率进行拉普拉斯平滑化处理。
具体地,于本实施例中,所述类先验概率P(c)为:所述类条件概率P(xi|c)为:其中:D表示为训练集中元素的个数,Dc表示为训练集D中属于类别c的样本集合,Dc,xi表示为训练集D中包含属性xi且属于类别c的样本集合。
其中,所述拉普拉斯平滑化处理采用如下公式:其中:N表示为在训练集中故障类别的数量,Ni表示在训练集中xi所属类别的数量。
步骤S130,提取风电机组连续预设第一周期的故障序列和风电机组故障触发后预设第二周期的故障序列并去除重复故障。
其中,所述预设第一周期为2周~4周;所述预设第二周期为1周~2周。例如,提取风电机组连续3周的故障列表和之后1周的故障列表并去除重复故障。
步骤S140,获取所述第二周期的主故障,根据所述第一周期的故障序列获取体现风电机组脆弱性的所述主故障的发生概率。
例如,统计风电机组故障触发后一周发生的主故障,在进行脆弱性分析时,可使用最近三周的故障列表,运用朴素贝叶斯算法计算各主故障发生的概率,以此进行风电机组的脆弱性分析。
具体地,于本实施例中,根据所述第一周期的故障序列获取体现风电机组脆弱性的所述主故障的发生概率中包括获取后验概率分布,所述后验概率分布为:其中:P(c|x)表示为后验概率,x表示为机组异常时间范围的故障序列,P(c)表示为是类先验概率,P(x)表示为归一化因子,P(x|c)表示为故障序列x对应于类别c的类条件概率。
故障列表的故障报警记录本质上也是由传感器数据决定的,但是故障报警还包含了风电机组的运行原理和相关的人工经验。在早期的风电故障诊断中,工程师是依据故障列表而进行故障检修的。后验概率来描述系统发生异常状况时候的故障列表。
假设所述各主故障类别之间彼此独立,则可以进一步展开公式。于本实施例中,根据贝叶斯原理,将变形为对于每个类别而言,P(x)是相同的。
所述主故障的发生概率为:其中:hnb(x)表示为贝叶斯概率指标,P(c)表示为是类先验概率,P(xi|c)表示为类条件概率,i表示为序列中故障的序号,d表示为序列中含有的故障类别数量。
步骤S150,根据所述主故障的所述类条件概率建立链接矩阵,并通过对所述链接矩阵进行迭代计算,获取各所述主故障的重要性的排序结果。
于本实施例中,根据主故障类条件概率建立链接矩阵,由加权网页排名(PageRank)算法迭代计算,对所有的主故障进行排序,获得故障重要性排序结果。
具体地,于本实施例中,定义所述主故障的重要性的故障重要性向量b为:
b=[b1,b2,...,bn]T;其中:b1,b2,...,bn分别为第1个、第2个……第n个网页的排名向量;
定义网页链接矩阵A为:其中:矩阵元素a11表示为第1个网页指向第1个网页的链接数,矩阵元素a1n表示为第1个网页指向第n个网页的链接数,矩阵元素am1表示为第m个网页指向第1个网页的链接数,矩阵元素amn表示为第m个网页指向第n个网页的链接数。
网页链接矩阵A可以通过网页链接数据统计得出,所述通过对所述链接矩阵进行迭代计算包括:将故障重要性向量b与网页链接矩阵A进行迭代计算:bi=A·bi-1;其中:bi表示为第i次迭代运算的结果,bi-1表示为第i-1次迭代运算的结果。
对于风电机组的脆弱性分析而言,本发明立足风电机组的整机进行分析,实现对风电机组的整机故障预测。风电机组的故障并非孤立存在,不同的部件之间存在相互的影响。从风机整体考察,有利于获取各子系统的健康状况。
于本实施例中,所述获取各所述主故障的重要性的排序结果包括:假设各所述主故障的初始排名均为即通过迭代运算,可以得到b1,b2,...,bn,最终故障重要性向量b会收敛,即bn≈A·bn-1,此时,bn和bn-1的差非常小,近似为0向量,可以停止迭代。实际运用过程中,一般只需10次左右即可收敛并停止迭代。
如图2所示,于本实施例中,每个故障用圆形表示,故障的排序结果越高,其相应半径越大,颜色越深。可以看到位于图形正中央的故障代码的60004、30205、30071的故障颜色最深,半径最大,表示其故障排序结果较高。故障代码为60004的故障是自动解缆,故障代码为30205的故障是变流器系统故障,30071的故障是变流器通讯心跳超时。
通过实际经验可知,变流器系统故障是风电机组经常发生的故障,并且故障等级较高,符合实际情况。由于风电机组需要时刻对准风向,获取最大的风能,以保证最大的发电效率,因此常常会不断旋转,导致风机的缆绳处于极限位置。通过自动解缆,可以将风机偏航转至机组的初始状态,保证风电机组的正常运行。自动解缆是风电机组经常报出的故障状态,是风电机组必须停机进行重新调整的重要故障。
如图3所示,运用网页排名(PageRank)算法评估故障节点的重要性程度,目标是明显区分节点相对重要性,突出关键节点的重要性,同时弱化非关键节点的影响。网页排名(PageRank)算法故障节点的相对重要性分布范围比较广,相对重要性变化趋势比较剧烈,关键节点与非关键节点的区别较为明显。
故障节点加权入度分布和加权出度分布也可以作为区分不同的故障节点标准。为了衡量节点重要性排序的有效性,这里使用历史故障数据,直接使用故障排序的结果进行故障预诊断,比较不同的排序标准在故障预诊断方面的性能。
表1表示不同的排序标准故障预诊断性能对比
如表1所示,可以比较不同排序标准在故障预诊断方面的性能。在故障发生的时候,不依赖任何其他的经验与知识,仅仅依靠故障的重要性排序,就可以粗略地进行主故障的定位。在表1中,改进后的网页排名(PageRank)算法具有最高的故障预诊断准确率和最低的故障诊断平均搜索次数。实验结果充分说明,故障重要性排序的结果能够突出关键的故障节点,削弱非关键节点的影响,在实际风电机组的保养维护中具有一定的参考价值,可以应用在故障尚未发生时的定期或不定期的检修中
本发明的实施例还提供一种电子终端,所述电子终端例如为服务器,所述电子终端包括处理器和存储器,所述存储器存储有程序指令,所述处理器运行程序指令实现如上所述的风电机组整机脆弱性分析与故障排序方法。上述已经对风电机组整机脆弱性分析与故障排序方法进行了详细说明,在此不再赘述。
综上所述,本发明通过运用朴素贝叶斯算法计算各主故障发生的概率,预测了为来一周可能发生的主故障,以此进行风电机组的脆弱性分析,根据主故障类条件概率建立链接矩阵,由加权的网页排名(PageRank)算法迭代计算,对所有的主故障进行排序,获得故障重要性排序结果。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种风电机组整机脆弱性分析与故障排序方法,其特征在于,所述风电机组整机脆弱性分析与故障排序方法包括:
获取风电机组的故障序列,从所述故障序列中提取风电机组故障触发后预设时间内的故障序列并标记所述故障序列的主故障;
计算主故障类先验概率和主故障类条件概率并对所述主故障类先验概率和所述主故障类条件概率进行拉普拉斯平滑化处理;
提取风电机组连续预设第一周期的故障序列和风电机组故障触发后预设第二周期的故障序列并去除重复故障;
获取所述第二周期的主故障,根据所述第一周期的故障序列获取体现风电机组脆弱性的所述主故障的发生概率;
根据所述主故障的所述类条件概率建立链接矩阵,并通过对所述链接矩阵进行迭代计算,获取各所述主故障的重要性的排序结果。
2.根据权利要求1所述的风电机组整机脆弱性分析与故障排序方法,其特征在于,所述预设时间为3分钟~10分钟;所述预设第一周期为2周~4周;所述预设第二周期为1周~2周。
3.根据权利要求1所述的风电机组整机脆弱性分析与故障排序方法,其特征在于,所述标记所述故障序列的主故障中,一个所述主故障对应一个故障序列。
4.根据权利要求2所述的风电机组整机脆弱性分析与故障排序方法,其特征在于,所述类先验概率P(c)为:所述类条件概率P(xi|c)为:
其中:D表示为训练集中元素的个数,Dc表示为训练集D中属于类别c的样本集合,表示为训练集D中包含属性xi且属于类别c的样本集合。
5.根据权利要求4所述的风电机组整机脆弱性分析与故障排序方法,其特征在于,所述拉普拉斯平滑化处理采用如下公式:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>D</mi>
<mi>c</mi>
</msub>
<mo>|</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mrow>
<mo>|</mo>
<mi>D</mi>
<mo>|</mo>
</mrow>
<mo>+</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mrow>
<mo>|</mo>
<mi>D</mi>
<mo>|</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中:N表示为在训练集中故障类别的数量,Ni表示在训练集中xi所属类别的数量。
6.根据权利要求4或5所述的风电机组整机脆弱性分析与故障排序方法,其特征在于根据所述第一周期的故障序列获取体现风电机组脆弱性的所述主故障的发生概率中包括获取后验概率分布,所述后验概率分布为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>|</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中:P(c|x)表示为后验概率,x表示为机组异常时间范围的故障序列,P(c)表示为是类先验概率,P(x)表示为归一化因子,P(x|c)表示为故障序列x对应于类别c的类条件概率。
7.根据权利要求6所述的风电机组整机脆弱性分析与故障排序方法,其特征在于,根据贝叶斯原理,将变形为
所述主故障的发生概率为:
<mrow>
<msub>
<mi>h</mi>
<mrow>
<mi>n</mi>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>arg</mi>
<mi>max</mi>
<mi> </mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>d</mi>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中:hnb(x)表示为贝叶斯概率指标,P(c)表示为是类先验概率,P(xi|c)表示为类条件概率,i表示为序列中故障的序号,d表示为序列中含有的故障类别数量。
8.根据权利要求1所述的风电机组整机脆弱性分析与故障排序方法,其特征在于,定义所述主故障的重要性的故障重要性向量b为:
b=[b1,b2,...,bn]T;
其中:b1,b2,...,bn分别为第1个、第2个……第n个网页的排名向量;
定义网页链接矩阵A为:
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中:矩阵元素a11表示为第1个网页指向第1个网页的链接数,矩阵元素a1n表示为第1个网页指向第n个网页的链接数,矩阵元素am1表示为第m个网页指向第1个网页的链接数,矩阵元素amn表示为第m个网页指向第n个网页的链接数;
所述通过对所述链接矩阵进行迭代计算包括:将故障重要性向量b与网页链接矩阵A进行迭代计算:
bi=A·bi-1;
其中:bi表示为第i次迭代运算的结果,bi-1表示为第i-1次迭代运算的结果。
9.根据权利要求8所述的风电机组整机脆弱性分析与故障排序方法,其特征在于,所述获取各所述主故障的重要性的排序结果包括:
假设各所述主故障的初始排名均为即:
<mrow>
<msub>
<mi>b</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>,</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>;</mo>
</mrow>
通过迭代运算,可以得到b1,b2,...,bn,最终故障重要性向量b会收敛,即bn≈A·bn-1,停止迭代。
10.一种电子终端,包括处理器和存储器,所述存储器存储有程序指令,所述处理器运行程序指令实现如权利要求1至权利要求9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810088093.6A CN108074045B (zh) | 2018-01-30 | 2018-01-30 | 风电机组整机脆弱性分析与故障排序方法及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810088093.6A CN108074045B (zh) | 2018-01-30 | 2018-01-30 | 风电机组整机脆弱性分析与故障排序方法及电子终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108074045A true CN108074045A (zh) | 2018-05-25 |
CN108074045B CN108074045B (zh) | 2022-03-15 |
Family
ID=62156992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810088093.6A Active CN108074045B (zh) | 2018-01-30 | 2018-01-30 | 风电机组整机脆弱性分析与故障排序方法及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108074045B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351120A (zh) * | 2019-06-06 | 2019-10-18 | 武汉烽火技术服务有限公司 | 一种通信设备故障判断方法及系统 |
CN111240871A (zh) * | 2019-12-30 | 2020-06-05 | 潍柴动力股份有限公司 | 发动机故障报出方法及装置 |
CN112699048A (zh) * | 2021-01-13 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 基于人工智能的程序故障处理方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103840967A (zh) * | 2013-12-23 | 2014-06-04 | 北京邮电大学 | 一种电力通信网中故障定位的方法 |
CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN107330519A (zh) * | 2017-06-26 | 2017-11-07 | 西北工业大学 | 基于深度神经网络的故障定位方法 |
-
2018
- 2018-01-30 CN CN201810088093.6A patent/CN108074045B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103840967A (zh) * | 2013-12-23 | 2014-06-04 | 北京邮电大学 | 一种电力通信网中故障定位的方法 |
CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN107330519A (zh) * | 2017-06-26 | 2017-11-07 | 西北工业大学 | 基于深度神经网络的故障定位方法 |
Non-Patent Citations (1)
Title |
---|
YANGJING: "Two_layer PSDG Based fault diagnosis for Wind Turbines", 《PROCEEDING OF THE 36TH CHINESE CONTROL CONFERENCE》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351120A (zh) * | 2019-06-06 | 2019-10-18 | 武汉烽火技术服务有限公司 | 一种通信设备故障判断方法及系统 |
CN111240871A (zh) * | 2019-12-30 | 2020-06-05 | 潍柴动力股份有限公司 | 发动机故障报出方法及装置 |
CN111240871B (zh) * | 2019-12-30 | 2023-07-18 | 潍柴动力股份有限公司 | 发动机故障报出方法及装置 |
CN112699048A (zh) * | 2021-01-13 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 基于人工智能的程序故障处理方法、装置、设备及存储介质 |
CN112699048B (zh) * | 2021-01-13 | 2023-11-17 | 腾讯科技(深圳)有限公司 | 基于人工智能的程序故障处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108074045B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
Zhang et al. | A hierarchical self-adaptive data-analytics method for real-time power system short-term voltage stability assessment | |
Li et al. | Wind turbine fault diagnosis based on Gaussian process classifiers applied to operational data | |
Zhang et al. | Intelligent early warning of power system dynamic insecurity risk: Toward optimal accuracy-earliness tradeoff | |
Li et al. | A hierarchical data-driven method for event-based load shedding against fault-induced delayed voltage recovery in power systems | |
Xu et al. | Assessing short-term voltage stability of electric power systems by a hierarchical intelligent system | |
CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
CN104700321B (zh) | 一种输变电设备状态运行趋势分析方法 | |
Kamruzzaman et al. | A convolutional neural network-based approach to composite power system reliability evaluation | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
CN110135064B (zh) | 一种发电机后轴承温度故障预测方法、系统及控制器 | |
CN108074045A (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN110530650A (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
Chen et al. | Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism | |
CN114370380A (zh) | 一种计及气象因素的风电机组故障诊断方法 | |
Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
CN117354171B (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
CN109325553A (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
Wang et al. | Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis | |
Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
Fahim et al. | An Integration of Genetic Feature Selector, Histogram-Based Outlier Score, and Deep Learning for Wind Turbine Power Prediction |
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 |