CN108205110A - 风力发电机组发电机故障的检测方法及装置 - Google Patents
风力发电机组发电机故障的检测方法及装置 Download PDFInfo
- Publication number
- CN108205110A CN108205110A CN201611187837.7A CN201611187837A CN108205110A CN 108205110 A CN108205110 A CN 108205110A CN 201611187837 A CN201611187837 A CN 201611187837A CN 108205110 A CN108205110 A CN 108205110A
- Authority
- CN
- China
- Prior art keywords
- generating set
- value
- desired value
- average
- generator
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Abstract
本发明实施例提供一种风力发电机组发电机故障的检测方法及装置,其中,该方法包括:获取风力发电机组的状态数据;根据预设的神经网络模型,确定所述状态数据对应的目标值;根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态。本发明实施例提供的风力发电机组发电机故障的检测方法及装置,能够实现发电机故障的自动化检测,提高发电机故障的检测效率,降低发电机故障检测的人力成本。
Description
技术领域
本发明实施例涉及风力发电技术领域,尤其涉及一种风力发电机组发电机故障的检测方法及装置。
背景技术
当前,以煤、石油、天然气为主的常规能源不仅资源有限,而且造成了严重的大气污染。随着世界工业化进程的不断加快,使得能源消耗逐渐增加,全球工业有害物质的排放量与日俱增,从而造成了气候异常、灾害增多、恶性疾病多发等问题。因此,对可再生清洁能源的开发利用,特别是风能的开发利用,已经受到世界各国的高度重视。
目前,在风力发电技术领域中,永磁直驱风力发电机组是风力发电的主要设备。在实际运行中,为了确保机组的运行安全以及运行故障的及时排除,需要定期对机组进行故障检测。目前,永磁直驱风力发电机组发电机的故障主要包括发电机绝缘低、轴承卡死等问题,针对此问题现阶段主要通过现场排查的方式进行定期检查,效率较低,且人力成本较高。
发明内容
本发明实施例提供一种风力发电机组发电机故障的检测方法及装置,用以实现发电机故障的自动化检测,提高发电机故障的检测效率,降低发电机故障检测的人力成本。
本发明实施例第一方面提供一种风力发电机组发电机故障的检测方法,该方法包括:
获取风力发电机组的状态数据;
根据预设的神经网络模型,确定所述状态数据对应的目标值;
根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态。
本发明实施例第二方面提供一种风力发电机组的发电机故障检测装置,该装置包括:
获取模块,获取风力发电机组的状态数据;
第一确定模块,根据预设的神经网络模型,确定所述状态数据对应的目标值;
第二确定模块,根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态。
本发明实施例,通过建立故障检测的神经网络模型,并将风力发电机组的状态数据作为该模型的输入数据,从而根据该模型的输出数据与预设的经验参数之间的偏差值,实现对风力发电机组发电机故障状态的自动化判断。提高了故障检测的智能化程度和检测效率,且不需要人工参与,节约了人力成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的风力发电机组发电机故障的检测方法的流程图;
图2为本发明一实施例提供的神经网络的结构示意图;
图3为本发明一实施例提供的风力发电机组发电机故障的检测方法的流程图;
图4为本发明一实施例提供的风力发电机组的发电机故障检测装置的结构示意图;
图5为本发明一实施例提供的风力发电机组的发电机故障检测装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅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他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤的过程或结构的装置不必限于清楚地列出的那些结构或步骤而是可包括没有清楚地列出的或对于这些过程或装置固有的其它步骤或结构。
图1为本发明一实施例提供的风力发电机组发电机故障的检测方法的流程图,该方法能够由一故障检测装置来执行,该故障检测装置可以是设置在风力发电机组上的设备实体,也可以是集成在风力发电机组控制器中的可执行程序。如图1所示,该方法包括:
步骤101、获取风力发电机组的状态数据。
本实施例中,风力发电机组的状态数据包括风力发电机组的转速数据、功率数据、绝缘值数据、绕组温度数据以及轴承间隙数据。在实际的操作中,上述状态数据可以通过相应的传感器或检测模块进行采集。例如,上述状态数据中的绕组温度数据可以通过相应的温度传感器进行采集获取。采集周期以及单位采集周期内的采集次数可以根据具体需要进行具体设定,本实施例中不做具体限定。本实施例中,优选的,以秒为单位对状态数据进行采集,采集的单位周期长度为10分钟。当然此处仅为示例说明,而不是对本发明的唯一限定。
进一步的,本实施例在获得单位周期长度内的采集数据后,还包括数据的预处理步骤。具体的在获得采集数据后,先对采集数据进行归一化处理,再根据归一化的结果进行求均值处理,即步骤101中所要获取的状态数据包括风力发电机组在单位周期内的平均转速数据、平均功率数据、平均绝缘值数据、平均绕组温度数据、轴承间隙数据。
以转速数据为例,在实际处理过程中转速数据的归一化处理,和求均值处理可以根据如下表达式实现:
其中,Vi为在i时刻采集获得的瞬时转速值,Vg1为瞬时转速值V1所对应的归一化结果。i为单位周期内采集瞬时转速的预设个数。X1为风力发电机组在单位周期内的平均转速。其他状态数据的处理过程与此类似,在这里不再赘述。
在图1中,还包括步骤102、根据预设的神经网络模型,确定所述状态数据对应的目标值。
在实际应用中,本实施例所涉及的神经网络模型可以根据如下方法进行训练,并确定神经网络模型的网络权值:
a,神经网络的构建:
图2为本发明一实施例提供的神经网络的结构示意图,如图2所示。假设获取到的状态数据为Xi,(比如,平均转速X1、平均功率X2、平均绝缘值X3、平均轴承间隙X4、平均绕组温度X5),隐含层节点的输出为Yj,输出结果Zl(比如,正常Z1、绝缘值异常Z2、轴承间距异常Z3、功率异常Z4、绕组温度异常Z5)。输入层与隐含层间的网络权值为Wji,隐含层与输出层之间的网络权值为Vij,隐含层各神经元的阈值为Qj(j=1……p,p为正整数),输出层与各神经元的阈值为Qi(i=1…n,n为正整数)。激活函数为当输出节点的目标值为ti(i=1…n,n为正整数)时,模型的计算公式如下:
隐含层节点的输出:
输出层节点的输出:
输出层节点的误差:
全局误差:
b、神经网络的训练:
可选的,本实施例采用误差反向传播算法来对神经网络进行训练。具体来说,就是根据计算出的实际输出与目标输出之间的差值,判断其差值是否小于预先设定的误差。如果小于预先设定的误差,则从样本集合中选取下一个样本进行新一轮的训练。否则,转入误差反向传播过程,采用梯度下降法求出权值的变换,输出层的连接权值修正公式可表示为:
其中η为学习速率,则代入可得:
故:
又因为误差反向传播网络的激活函数为S型函数,由S型函数的导函数可知:
故:ΔVlj=-η(Zl-tl)Zl(1-Zl)Yj;
同理,隐含层的连接权值修正公式可表示为:
从而根据ΔVlj和ΔWji的值对神经网络模型的网络权值进行修正,得到需要的神经网络模型。
进一步的,在获得准确的神经网络模型后,将步骤101中获得的状态数据输入所述神经网络模型,并根据神经网络输出的相应的变量获得相应的目标值,比如,将步骤101中获得的平均转速值输入上述获得的神经网络模型,神经网络输出相应的变量为Z1……Zi,根据变量Z1……Zi获得相应的第一目标值。
与此类似的,在平均状态数据包括所述风力发电机组的平均功率数据的情况下,根据预设的神经网络模型,确定所述平均功率数据对应的第二目标值;
在平均状态数据包括所述风力发电机组的平均绝缘值数据的情况下,根据预设的神经网络模型,确定所述平均绝缘值数据对应的第三目标值;
在平均状态数据包括所述风力发电机组轴承间隙的平均值的情况下,根据预设的神经网络模型,确定所述轴承间隙的平均值对应的第四目标值;
在平均状态数据包括所述风力发电机组发电机绕组温度的平均值的情况下,根据预设的神经网络模型,确定所述风力发电机组发电机绕组温度的平均值对应的第五目标值。
可选的,本实施例中,目标值可以依据如下算法获得:
Ci=b0+b1Z1+..+biZi..+ei
式中:Ci为计算获得的目标值,Zi为神经网络输出的各个变量,即b0表示回归常数,bi表示回归系数。ei为回归余项,ei呈正态分布,i为正整数。
在图1中,还包括步骤103、根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态。
实际应用中,在获得平均转速、平均功率、平均绝缘值、平均轴承间隙、以及平均绕组温度等状态数据对应的目标值后,将每个目标值与对应的经验参数进行逻辑判断,确定每个目标值与对应经验参数之间的偏差值,再根据每个偏差值与预设阈值范围之间的关系,确定风力发电机组的发电机是否处于故障状态。比如,当平均转速对应的目标值与预设的转速经验参数之间的偏差值超过预设阈值范围,则确定发电机处于转速过速的故障状态,与此类似的,还可以分别根据平均绝缘值、平均轴承间隙、以及平均绕组温度对应的偏差值,对发电机由绝缘值过低、轴承间隙过小或绕组温度过高时引发的故障进行检测,其具体过程类似,在这里不再赘述。
可选的,本实施例中,目标值与对应的经验参数之间的偏差值可以根据如下表达式计算:
确定每个目标值与对应的经验参数之间的偏差值;
其中,L为目标值与对应经验参数之间的偏差,C为所述目标值,E为所述目标值对应的经验值。
本实施例,通过建立故障检测的神经网络模型,并将风力发电机组的状态数据作为该模型的输入数据,从而根据该模型的输出数据与预设的经验参数之间的偏差值,实现对风力发电机组发电机故障状态的自动化判断。提高了故障检测的智能化程度和检测效率,且不需要人工参与,节约了人力成本。
图3为本发明一实施例提供的风力发电机组发电机故障的检测方法的流程图,如图3所示,该方法在图1实施例的基础上,包括以下步骤:
步骤201、获取风力发电机组的状态数据。
步骤202、根据预设的神经网络模型,确定所述状态数据对应的目标值
步骤203、根据预设的神经网络模型,确定所述状态数据对应的回归估计值。
可选的,本实施例中,状态参数对应的回归估计值可以根据如下表达式进行计算:
其中,为目标值Ci的估计值,Zi为神经网络输出的各个变量,即b0表示回归常数,bi表示回归系数。i为正整数。目标值Ci的确定方法与图1实施例类似在这里不再赘述。
步骤204、根据所述回归估计值和所述目标值,确定判定系数。
可选的,本实施例中,可以根据如下表达式:
计算判定系数R2。
步骤205、确定所述判定系数是否超过预设阈值,如是,则执行步骤206,否则执行步骤201。
步骤206、根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态。
本实施例中,通过对目标值和回归估计值对应的判定系数进行求解,能够对状态数据的可用性进行判断,只有当状态数据可用时,即判定系数大于预设阈值时,才基于该状态数据进行相应的故障判断,提高了故障检测的准确性。
图4为本发明一实施例提供的风力发电机组的发电机故障检测装置的结构示意图,如图4所示,该装置包括:
获取模块11,获取风力发电机组的状态数据;
第一确定模块12,根据预设的神经网络模型,确定所述状态数据对应的目标值;
第二确定模块13,根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态。
可选的,所述获取模块11,包括:
采集子模块111,采集风力发电机组在单位周期内的预设个数的瞬时状态数据;
处理子模块112,对所述预设个数的瞬时状态数据进行归一化处理和求均值处理,获得所述风力发电机组在所述单位周期内的平均状态数据。
可选的,在平均状态数据包括所述风力发电机的平均转速数据的情况下,
所述第一确定模块12,包括:
第一确定子模块121,根据预设的神经网络模型,确定所述平均转速数据对应的第一目标值;和/或,
在平均状态数据包括所述风力发电机组的平均功率数据的情况下;
所述第一确定模块12,包括:
第二确定子模块122,根据预设的神经网络模型,确定所述平均功率数据对应的第二目标值;和/或,
在平均状态数据包括所述风力发电机组的平均绝缘值数据的情况下;
所述第一确定模块12,包括:
第三确定子模块123,根据预设的神经网络模型,确定所述平均绝缘值数据对应的第三目标值;和/或,
在平均状态数据包括所述风力发电机组轴承间隙的平均值的情况下;
所述第一确定模块12,包括:
第四确定子模块124,根据预设的神经网络模型,确定所述轴承间隙的平均值对应的第四目标值;和/或,
在平均状态数据包括所述风力发电机组发电机绕组温度的平均值的情况下;
所述第一确定模块12,包括:
第五确定子模块125,根据预设的神经网络模型,确定所述风力发电机组发电机绕组温度的平均值对应的第五目标值。
可选的,所述第二确定模块13,包括:
第六确定子模块131,确定每个目标值与对应的经验参数之间的偏差值;
第七确定子模块132,确定各所述偏差值是否属于相应的预设阈值范围;
其中,若是,则确定所述风力发电机组发电机的运行状态正常;
若不是,则确定所述风力发电机组发电机的运行状态为故障。
本实施例提供的装置能够用于执行图1所示的方法,其执行方式和有益效果类似,在这里不再赘述。
图5为本发明一实施例提供的风力发电机组的发电机故障检测装置的结构示意图,如图5所示,在图4的基础上,该装置还包括:
第三确定模块14,根据预设的神经网络模型,确定所述状态数据对应的回归估计值;
第四确定模块15,根据所述回归估计值和所述目标值,确定判定系数;
第五确定模块16,确定所述判定系数是否超过预设阈值;
其中,若是,则调用第二确定模块13;若不是,则调用获取模块11。
本实施例提供的装置能够用于执行图3所示的方法,其执行方式和有益效果类似,在这里不再赘述。
最后需要说明的是,本领域普通技术人员可以理解上述实施例方法中的全部或者部分流程,是可以通过计算机程序来指令相关的硬件完成,所述的程序可存储于一计算机可读存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可以为磁盘、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。
本发明实施例中的各个功能单元可以集成在一个处理模块中,也可以是各个单元单独的物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现,并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。上述提到的存储介质可以是只读存储器、磁盘或光盘等。
以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种风力发电机组发电机故障的检测方法,其特征在于,包括:
获取风力发电机组的状态数据;
根据预设的神经网络模型,确定所述状态数据对应的目标值;
根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态。
2.根据权利要求1所述的方法,其特征在于,所述获取风力发电机组的状态数据,包括:
采集风力发电机组在单位周期内的预设个数的瞬时状态数据;
对所述预设个数的瞬时状态数据进行归一化处理和求均值处理,获得所述风力发电机组在所述单位周期内的平均状态数据。
3.根据权利要求2所述的方法,其特征在于,所述根据预设的神经网络模型,确定所述状态数据对应的目标值的步骤,包括:
在所述平均状态数据包括所述风力发电机的平均转速数据的情况下,根据预设的神经网络模型,确定所述平均转速数据对应的第一目标值;
在所述平均状态数据包括所述风力发电机组的平均功率数据的情况下,根据预设的神经网络模型,确定所述平均功率数据对应的第二目标值;
在所述平均状态数据包括所述风力发电机组的平均绝缘值数据的情况下,根据预设的神经网络模型,确定所述平均绝缘值数据对应的第三目标值;
在所述平均状态数据包括所述风力发电机组轴承间隙的平均值的情况下,根据预设的神经网络模型,确定所述轴承间隙的平均值对应的第四目标值;
在所述平均状态数据包括所述风力发电机组发电机绕组温度的平均值的情况下,根据预设的神经网络模型,确定所述风力发电机组发电机绕组温度的平均值对应的第五目标值。
4.根据权利要求3所述的方法,其特征在于,根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态,包括:
确定每个目标值与对应的经验参数之间的偏差值;
确定各所述偏差值是否属于相应的预设阈值范围;
若是,则确定所述风力发电机组发电机的运行状态正常;
若不是,则确定所述风力发电机组发电机的运行状态为故障。
5.根据权利要求4所述的方法,其特征在于,所述确定每个目标值与对应的经验参数之间的偏差值,包括:
根据表达式:
确定每个目标值与对应的经验参数之间的偏差值;
其中,L为目标值与对应经验参数之间的偏差,C为所述目标值,E为所述目标值对应的经验值。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述根据预设的神经网络模型,确定所述状态数据对应的目标值之后,所述方法还包括:
根据预设的神经网络模型,确定所述状态数据对应的回归估计值;
根据所述回归估计值和所述目标值,确定判定系数;
确定所述判定系数是否超过预设阈值;
若是,则执行所述根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态的步骤,
若不是,则执行所述获取风力发电机组的状态数据的步骤。
7.一种风力发电机组的发电机故障检测装置,其特征在于,包括:
获取模块,获取风力发电机组的状态数据;
第一确定模块,根据预设的神经网络模型,确定所述状态数据对应的目标值;
第二确定模块,根据所述目标值和预设的经验参数,确定所述风力发电机组发电机的故障状态。
8.根据权利要求7所述的装置,其特征在于,所述获取模块,包括:
采集子模块,采集风力发电机组在单位周期内的预设个数的瞬时状态数据;
处理子模块,对所述预设个数的瞬时状态数据进行归一化处理和求均值处理,获得所述风力发电机组在所述单位周期内的平均状态数据。
9.根据权利要求8所述的装置,其特征在于,
在所述平均状态数据包括所述风力发电机的平均转速数据的情况下,所述第一确定模块包括:第一确定子模块,根据预设的神经网络模型,确定所述平均转速数据对应的第一目标值;
在所述平均状态数据包括所述风力发电机组的平均功率数据的情况下,所述第一确定模块,包括:第二确定子模块,根据预设的神经网络模型,确定所述平均功率数据对应的第二目标值;
在所述平均状态数据包括所述风力发电机组的平均绝缘值数据的情况下,所述第一确定模块,包括:第三确定子模块,根据预设的神经网络模型,确定所述平均绝缘值数据对应的第三目标值;
在所述平均状态数据包括所述风力发电机组轴承间隙的平均值的情况下,所述第一确定模块,包括:第四确定子模块,根据预设的神经网络模型,确定所述轴承间隙的平均值对应的第四目标值;
在所述平均状态数据包括所述风力发电机组发电机绕组温度的平均值的情况下,所述第一确定模块,包括:第五确定子模块,根据预设的神经网络模型,确定所述风力发电机组发电机绕组温度的平均值对应的第五目标值。
10.根据权利要求9所述的装置,其特征在于,所述第二确定模块,包括:
第六确定子模块,确定每个目标值与对应的经验参数之间的偏差值;
第七确定子模块,确定各所述偏差值是否属于相应的预设阈值范围;
其中,若是,则确定所述风力发电机组发电机的运行状态正常;
若不是,则确定所述风力发电机组发电机的运行状态为故障。
11.根据权利要求10所述的装置,其特征在于,所述第六确定子模块,根据表达式:
确定每个目标值与对应的经验参数之间的偏差值;
其中,η为目标值与对应经验参数之间的偏差,C为所述目标值,E为所述目标值对应的经验值。
12.根据权利要求7-11中任一项所述的装置,其特征在于,还包括:
第三确定模块,根据预设的神经网络模型,确定所述状态数据对应的回归估计值;
第四确定模块,根据所述回归估计值和所述目标值,确定判定系数;
第五确定模块,确定所述判定系数是否超过预设阈值;
其中,若是,则调用所述第二确定模块;
若不是,则调用所述获取模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611187837.7A CN108205110B (zh) | 2016-12-20 | 2016-12-20 | 风力发电机组发电机故障的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611187837.7A CN108205110B (zh) | 2016-12-20 | 2016-12-20 | 风力发电机组发电机故障的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108205110A true CN108205110A (zh) | 2018-06-26 |
CN108205110B CN108205110B (zh) | 2021-01-26 |
Family
ID=62604318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611187837.7A Active CN108205110B (zh) | 2016-12-20 | 2016-12-20 | 风力发电机组发电机故障的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108205110B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007232A (zh) * | 2019-05-23 | 2019-07-12 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
CN112541160A (zh) * | 2020-11-05 | 2021-03-23 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
CN115015757A (zh) * | 2022-08-09 | 2022-09-06 | 天津九信科技有限公司 | 一种电机运行状态的风险评估方法及系统 |
CN112541160B (zh) * | 2020-11-05 | 2024-04-26 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
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 |
CN103150473A (zh) * | 2013-03-01 | 2013-06-12 | 风脉(武汉)可再生能源技术有限责任公司 | 一种风电机组发电效率实时监控诊断方法及装置 |
CN103323772A (zh) * | 2012-03-21 | 2013-09-25 | 北京光耀能源技术股份有限公司 | 基于神经网络模型的风力发电机运行状态分析方法 |
CN103343728A (zh) * | 2013-06-09 | 2013-10-09 | 上海乾祺电子科技有限公司 | 风力发电机组远程在线多模式健康状态监测与故障诊断系统 |
CN103473618A (zh) * | 2013-09-18 | 2013-12-25 | 上海电机学院 | 一种风电场短期风功率预测系统及方法 |
CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN204788494U (zh) * | 2015-07-22 | 2015-11-18 | 中国长江三峡集团公司 | 基于振动和油液的风电机组在线状态监测与健康评估系统 |
WO2015172810A1 (en) * | 2014-05-12 | 2015-11-19 | Siemens Aktiengesellschaft | Fault level estimation method for power converters |
CN105117591A (zh) * | 2015-08-15 | 2015-12-02 | 国家电网公司 | 一种电力设备的运行状态分析方法 |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
-
2016
- 2016-12-20 CN CN201611187837.7A patent/CN108205110B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
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 |
CN103323772A (zh) * | 2012-03-21 | 2013-09-25 | 北京光耀能源技术股份有限公司 | 基于神经网络模型的风力发电机运行状态分析方法 |
CN103150473A (zh) * | 2013-03-01 | 2013-06-12 | 风脉(武汉)可再生能源技术有限责任公司 | 一种风电机组发电效率实时监控诊断方法及装置 |
CN103343728A (zh) * | 2013-06-09 | 2013-10-09 | 上海乾祺电子科技有限公司 | 风力发电机组远程在线多模式健康状态监测与故障诊断系统 |
CN103473618A (zh) * | 2013-09-18 | 2013-12-25 | 上海电机学院 | 一种风电场短期风功率预测系统及方法 |
CN103852255A (zh) * | 2013-11-15 | 2014-06-11 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
WO2015172810A1 (en) * | 2014-05-12 | 2015-11-19 | Siemens Aktiengesellschaft | Fault level estimation method for power converters |
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN204788494U (zh) * | 2015-07-22 | 2015-11-18 | 中国长江三峡集团公司 | 基于振动和油液的风电机组在线状态监测与健康评估系统 |
CN105117591A (zh) * | 2015-08-15 | 2015-12-02 | 国家电网公司 | 一种电力设备的运行状态分析方法 |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
CN105787561A (zh) * | 2016-03-22 | 2016-07-20 | 新疆金风科技股份有限公司 | 循环神经网络模型构建方法、齿轮箱故障检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
周昆鹏: "直驱型同步风力发电机组故障诊断系统的研究和设计", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
李伟: "风电机组状态监测与故障诊断系统的设计与实现", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007232A (zh) * | 2019-05-23 | 2019-07-12 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
CN110007232B (zh) * | 2019-05-23 | 2021-09-03 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
CN112541160A (zh) * | 2020-11-05 | 2021-03-23 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
CN112541160B (zh) * | 2020-11-05 | 2024-04-26 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
CN115015757A (zh) * | 2022-08-09 | 2022-09-06 | 天津九信科技有限公司 | 一种电机运行状态的风险评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108205110B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
Farag et al. | A two ways communication-based distributed control for voltage regulation in smart distribution feeders | |
CN107317334B (zh) | 一种电力系统网架重构方法和装置 | |
CN107846014B (zh) | 一种基于随机特征和级数计算的电网概率脆弱性评估方法 | |
CN105826944B (zh) | 一种微电网群的功率预测方法和系统 | |
CN104732300B (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN114006413B (zh) | 一种基于图神经网络的电力系统暂态稳定控制方法及系统 | |
CN101919134A (zh) | 用于风力涡轮发电机的基于事件的控制系统 | |
CN104065168B (zh) | 一种风光储联合发电状态监测的动态变频数据采集方法 | |
CN107395121A (zh) | 基于格拉布斯准则及离群点检测光伏阵列故障检测方法 | |
CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
Li et al. | A novel coordinated optimization strategy for high utilization of renewable energy sources and reduction of coal costs and emissions in hybrid hydro-thermal-wind power systems | |
CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
Dongmei et al. | Research on wind power forecasting in wind farms | |
CN108205110A (zh) | 风力发电机组发电机故障的检测方法及装置 | |
Liu et al. | Review of grid stability assessment based on AI and a new concept of converter-dominated power system state of stability assessment | |
CN110086170A (zh) | 基于故障影响下成本最小的海岛微电网电源配置方法 | |
CN113537646B (zh) | 电网设备停电检修方案制定方法、系统、设备及存储介质 | |
Karlsson | Wind turbine performance monitoring using artificial neural networks with a multi-dimensional data filtering approach | |
CN115313510A (zh) | 一种自适应无功补偿的光伏逆变器控制方法与系统 | |
Vakil-Baghmisheh et al. | Dynamic voltage stability assessment of power transmission systems using neural networks | |
CN104376386A (zh) | 一种风电场中风电机功率预测方法 | |
Răzuşi et al. | Prediction of wind power by artificial intelligence techniques | |
Hou et al. | Cable connection scheme optimization for offshore wind farm considering wake effect | |
CN109494707B (zh) | 用于监视和控制电网的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |