CN109697210B - 一种风电机组关联故障在线诊断方法 - Google Patents
一种风电机组关联故障在线诊断方法 Download PDFInfo
- Publication number
- CN109697210B CN109697210B CN201811603246.2A CN201811603246A CN109697210B CN 109697210 B CN109697210 B CN 109697210B CN 201811603246 A CN201811603246 A CN 201811603246A CN 109697210 B CN109697210 B CN 109697210B
- Authority
- CN
- China
- Prior art keywords
- fault
- faults
- node
- frequent
- wind turbine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种风电机组关联故障在线诊断方法,包括按顺序进行的下列步骤:实时检测风电机组在运行过程中是否发生故障,若发生故障,采集风电机组运行故障信息,并将该故障信息发送到专家系统中进行解析,找出该故障可能诱发的其它故障,并将解析结果发送到人机交互界面进行显示;该风电机组关联故障在线诊断方法借助专家系统对故障信息做出诊断,预测出由当前故障可能引发的其它故障,可以通过人为干涉避免其它故障的发生,为风电机组的安全可靠运行提供了保障,从而可以优化电网调度,实现电网的安全、稳定和经济运行。
Description
技术领域
本发明涉及风电故障诊断技术领域,特别涉及一种风电机组关联故障在线诊断方法。
背景技术
风力发电机组结构的复杂性、运行条件的严酷性和相关因素的多样性导致其故障率不断增长;如何降低风力发电机组故障率和故障停机时间,降低运维成本,提高发电率和经济效益,已成为风力发电投资、建设、运营维护最为关心的问题。
目前,风电机组故障诊断研究方向主要集中在对叶片、主轴承、发电机、风机塔架、齿轮箱以及变频器等单一故障进行研究,忽略了各故障之间的关联性,导致专家系统中的关联故障库不健全,影响专家系统评判的精度。
发明内容
本发明的目的是提供一种风电机组关联故障在线诊断方法。
为此,本发明技术方案如下:
一种风电机组关联故障在线诊断方法,包括按顺序进行的下列步骤:
一)实时检测风电机组在运行过程中是否发生故障,若发生故障,则进入下一步,若不发生故障,则继续执行步骤一);
二)采集风电机组运行故障信息,并将该故障信息发送到专家系统中进行解析,找出该故障可能诱发的其它故障,并将解析结果发送到人机交互界面进行显示;该专家系统包括故障信息库、推理机、知识库和解析器;其中,知识库是通过如下步骤建立的:
1)获取风电机组运行过程中的故障日志数据;
2)统计故障日志数据中的频繁故障信息,并利用FP-Growth算法构建频繁故障信息的FP树;
3)利用FP树的关联故障链信息构建贝叶斯网络模型;
4)将贝叶斯网络模型发送到推理机,并将推理机的推理结果进行存储,形成知识库。
进一步的,所述的步骤2)中构建频繁故障信息的FP树时,包括按顺序进行的下列步骤:
2.1)进行初始化设置,给定最小支撑度、最小置信度与提升度;
2.2)扫描故障日志数据库D一次,收集故障频繁项的集合F和各故障频繁项的支持度计数,各故障频繁项在集合F中按支持度计数降序排序,选定大于最小支撑度的故障频繁项组成列表L;
2.3)创建FP树的根结点,以“null”标记它;
2.4)故障日志数据库D按一定的时间间隔划分为若干个事务集,对于故障日志数据库D中每个事务集,执行如下操作:
选择事务集中的故障频繁项,并按列表L中的次序排序,设事务集排序后的故障频繁项列表为P,其中pi是故障频繁项列表P中第i个元素,i的初始值设为1;
2.5)将根节点null作为当前节点Node,定义当前节点Node的子女为child,调用函数insert_tree(pi,T),判断故障频繁项列表P中是否存在pi使得pi.item-name=child.item-name,且pi的支撑度、置信度与提升度是否均大于最小支撑度、最小置信度与提升度,若判断结果为“是”,则进入下一步,否则,判断i是否小于故障频繁项列表P中故障频繁项的个数,若判断结果为“是”,则i值加1后继续执行步骤2.5);
2.6)将当前节点Node的计数增加1,该子女节点作为当前节点Node;否则,创建一个新结点N,将其计数设置为1,并将新结点N链接到节点Node作为新的子女节点,然后将新节点N作为当前节点Node,继续执行步骤2.5)。
进一步的,所述的步骤3)中包括按顺序进行的下列步骤:
3.1)对FP树中的每个关联故障链,在贝叶斯网络中建立一个父结点或子结点,并根据该事件名称进行命名,对于重复事件只建立一个结点;
3.2)按照故障树FP中各事件之间的连接关系建立贝叶斯网络中各结点之间的连接;
3.3)按照故障树FP中相应底事件的失效概率确定贝叶斯网络中父结点的先验概率;
3.4)按照故障树FP中的逻辑门确定贝叶斯网络中各结点的条件概率。
进一步的,所述的知识库还包括现场经验和专家知识。
进一步的,所述的故障信息发送到专家系统中进行解析时,包括如下步骤:
4.1)将风机发生的故障送入到故障信息库保存;
4.3)专家系统对故障信息库的故障进行推理分析,反复匹配知识库中的规则,从而得到相应的故障原因以及该故障可能诱发的其它故障;
4.4)将故障原因送入到解释器中,根据推理的路线和结论给出相应的解释并呈现在人机交互界面上,使用户可以清楚的看到推理过程。
与现有技术相比,该风电机组关联故障在线诊断方法采用FP-Growth算法挖掘故障日志数据中关联故障,并将统计结果送入贝叶斯网络,结合领域内知识构建贝叶斯网络推理模型,同时借助了专家系统对做出诊断,预测出由当前故障可能引发的其它故障,可以通过人为干涉避免其它故障的发生,为风电机组的安全可靠运行提供了保障,从而可以优化电网调度,实现电网的安全、稳定和经济运行。
附图说明
图1为本发明提供的风电机组关联故障在线诊断方法的流程图。
图2为FP-Growth算法结构图。
图3为贝叶斯网络拓扑图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明,但下述实施例绝非对本发明有任何限制。
一种风电机组关联故障在线诊断方法,如图1所示,包括按顺序进行的下列步骤:
一)实时检测风电机组在运行过程中是否发生故障,若发生故障,则进入下一步,若不发生故障,则继续执行步骤一);
二)采集风电机组运行故障信息,并将该故障信息发送到专家系统中进行解析,找出该故障可能诱发的其它故障,并将解析结果发送到人机交互界面进行显示;该专家系统包括故障信息库、推理机、知识库和解析器;其中,知识库是通过如下步骤建立的:
1)获取风电机组运行过程中的故障日志数据;
2)对故障日志数据进行清洗,统计故障日志数据中的频繁故障信息,并利用FP-Growth算法构建频繁故障信息的FP树,FP树的模型如图2所示,在图2中,实线箭头表示的是一条关联故障链,虚线箭头指的是同一个故障;
故障链1:FC2:7—FC1:4—FC5:1
故障链1中故障FC1是由故障FC2触发引起的;
故障链2:FC1:2—FC3:2
故障链2中的故障FC1是单独发生,FC1发生触发FC3;
其中,构建频繁故障信息的FP树时,包括按顺序进行的下列步骤:
2.1)进行初始化设置,给定最小支撑度、最小置信度与提升度;
2.2)扫描故障日志数据库D一次,收集故障频繁项的集合F和各故障频繁项的支持度计数,各故障频繁项在集合F中按支持度计数降序排序,选定大于最小支撑度的故障频繁项组成列表L;
2.3)创建FP树的根结点,以“null”标记它;
2.4)故障日志数据库D按一定的时间间隔划分为若干个事务集,对于故障日志数据库D中每个事务集,执行如下操作:
选择事务集中的故障频繁项,并按列表L中的次序排序,设事务集排序后的故障频繁项列表为P,其中pi是故障频繁项列表P中第i个元素,i的初始值设为1;
2.5)将根节点null作为当前节点Node,定义当前节点Node的子女为child,调用函数insert_tree(pi,T),判断故障频繁项列表P中是否存在pi使得pi.item-name=child.item-name,且pi的支撑度、置信度与提升度是否均大于最小支撑度、最小置信度与提升度,若判断结果为“是”,则进入下一步,否则,判断i是否小于故障频繁项列表P中故障频繁项的个数,若判断结果为“是”,则i值加1后继续执行步骤2.5);
2.6)将当前节点Node的计数增加1,该子女节点作为当前节点Node;否则,创建一个新结点N,将其计数设置为1,并将新结点N链接到节点Node作为新的子女节点,然后将新节点N作为当前节点Node,继续执行步骤2.5)。
3)利用FP树的关联故障链信息构建贝叶斯网络模型,如图3所示,贝叶斯网络,由一个有向无环图(DAG)和条件概率表(CPT)组成,贝叶斯网络通过一个有向无环图来表示一组随机变量跟它们的条件依赖关系,它通过条件概率分布来参数化;
贝叶斯网络模型具体搭建步骤如下:
3.1)对FP树中的每个关联故障链,在贝叶斯网络中建立一个父结点或子结点,并根据该事件名称进行命名,对于重复事件只建立一个结点;
3.2)按照故障树FP中各事件之间的连接关系建立贝叶斯网络中各结点之间的连接;
3.3)按照故障树FP中相应底事件的失效概率确定贝叶斯网络中父结点的先验概率;
3.4)按照故障树FP中的逻辑门确定贝叶斯网络中各结点的条件概率。
4)将贝叶斯网络模型发送到推理机,并将推理机的推理结果进行存储,形成知识库,其中,所述的知识库还包括现场经验和专家知识。
所述的故障信息发送到专家系统中进行解析时,包括如下步骤:
4.1)将风机发生的故障送入到故障信息库保存;
4.3)专家系统对故障信息库的故障进行推理分析,反复匹配知识库中的规则,从而得到相应的故障原因以及该故障可能诱发的其它故障;
4.4)将故障原因送入到解释器中,根据推理的路线和结论给出相应的解释并呈现在人机交互界面上,使用户及时了解该故障可能诱发的其它故障,对其它故障的发生提前做出有效地预防。
Claims (3)
1.一种风电机组关联故障在线诊断方法,其特征在于,包括按顺序进行的下列步骤:
一)实时检测风电机组在运行过程中是否发生故障,若发生故障,则进入下一步,若不发生故障,则继续执行步骤一);
二)采集风电机组运行故障信息,并将该故障信息发送到专家系统中进行解析,找出该故障可能诱发的其它故障,并将解析结果发送到人机交互界面进行显示;该专家系统包括故障信息库、推理机、知识库和解析器;
其中,知识库是通过如下步骤建立的:
1)获取风电机组运行过程中的故障日志数据;
2)统计故障日志数据中的频繁故障信息,并利用FP-Growth算法构建频繁故障信息的FP树;
2.1)进行初始化设置,给定最小支撑度、最小置信度与提升度;
2.2)扫描故障日志数据库D一次,收集故障频繁项的集合F和各故障频繁项的支持度计数,各故障频繁项在集合F中按支持度计数降序排序,选定大于最小支撑度的故障频繁项组成列表L;
2.3)创建FP树的根结点,以“null”标记它;
2.4)故障日志数据库D按一定的时间间隔划分为若干个事务集,对于故障日志数据库D中每个事务集,执行如下操作:选择事务集中的故障频繁项,并按列表L中的次序排序,设事务集排序后的故障频繁项列表为P,其中pi是故障频繁项列表P中第i个元素,i的初始值设为1;
2.5)将根节点null作为当前节点Node,定义当前节点Node的子女为child,调用函数insert_tree(pi,T),判断故障频繁项列表P中是否存在pi使得pi.item-name=child.item-name,且pi的支撑度、置信度与提升度是否均大于最小支撑度、最小置信度与提升度,若判断结果为“是”,则进入下一步,否则,判断i是否小于故障频繁项列表P中故障频繁项的个数,若判断结果为“是”,则i值加1后继续执行步骤2.5);
2.6)将当前节点Node的计数增加1,子女节点作为当前节点Node;否则,创建一个新结点N,将其计数设置为1,并将新结点N链接到节点Node作为新的子女节点,然后将新节点N作为当前节点Node,继续执行步骤2.5);
3)利用FP树的关联故障链信息构建贝叶斯网络模型;
3.1)对FP树中的每个关联故障链,在贝叶斯网络中建立一个父结点或子结点,并根据该故障事件名称进行命名,对于重复事件只建立一个结点;
3.2)按照故障树FP中各事件之间的连接关系建立贝叶斯网络中各结点之间的连接;
3.3)按照故障树FP中相应底事件的失效概率确定贝叶斯网络中父结点的先验概率;
3.4)按照故障树FP中的逻辑门确定贝叶斯网络中各结点的条件概率
4)将贝叶斯网络模型发送到推理机,并将推理机的推理结果进行存储,形成知识库。
2.根据权利要求1所述的风电机组关联故障在线诊断方法,其特征在于,所述的知识库还包括现场经验和专家知识。
3.根据权利要求1所述的风电机组关联故障在线诊断方法,其特征在于,所述的故障信息发送到专家系统中进行解析时,包括如下步骤:
4.1)将风机发生的故障送入到故障信息库保存;
4.2)专家系统对故障信息库的故障进行推理分析,反复匹配知识库中的规则,从而得到相应的故障原因以及该故障可能诱发的其它故障;
4.3)将故障原因送入到解释器中,根据推理的路线和结论给出相应的解释并呈现在人机交互界面上,使用户及时了解该故障可能诱发的其它故障,对其它故障的发生提前做出有效地预防。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603246.2A CN109697210B (zh) | 2018-12-26 | 2018-12-26 | 一种风电机组关联故障在线诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811603246.2A CN109697210B (zh) | 2018-12-26 | 2018-12-26 | 一种风电机组关联故障在线诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697210A CN109697210A (zh) | 2019-04-30 |
CN109697210B true CN109697210B (zh) | 2023-09-05 |
Family
ID=66232218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811603246.2A Active CN109697210B (zh) | 2018-12-26 | 2018-12-26 | 一种风电机组关联故障在线诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697210B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045211A (zh) * | 2019-05-16 | 2019-07-23 | 集美大学 | 一种无人船艇故障诊断与处理方法 |
CN110594097A (zh) * | 2019-09-10 | 2019-12-20 | 许昌许继风电科技有限公司 | 一种风电机组的控制方法及控制系统 |
CN111506568A (zh) * | 2020-01-17 | 2020-08-07 | 上饶市维斯顿数字科技有限公司 | 一种故障信息智能筛选方法 |
CN113296485A (zh) * | 2020-02-24 | 2021-08-24 | 北京国电智深控制技术有限公司 | 一种故障根源获取方法及装置 |
CN112415331B (zh) * | 2020-10-27 | 2024-04-09 | 中国南方电网有限责任公司 | 基于多源故障信息的电网二次系统故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950382A (zh) * | 2010-09-01 | 2011-01-19 | 燕山大学 | 一种带有风险控制的液压设备最优维修决策方法 |
CN104679828A (zh) * | 2015-01-19 | 2015-06-03 | 云南电力调度控制中心 | 一种基于规则的电网故障诊断智能系统 |
CN106050580A (zh) * | 2016-08-17 | 2016-10-26 | 国电联合动力技术有限公司 | 一种风力发电机组传动链故障诊断方法及系统 |
CN106056221A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘和故障码分类的车辆远程诊断与备件检索的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10019302B2 (en) * | 2016-02-16 | 2018-07-10 | T-Mobile Usa, Inc. | Workflow engine for troubleshooting user device issues |
-
2018
- 2018-12-26 CN CN201811603246.2A patent/CN109697210B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950382A (zh) * | 2010-09-01 | 2011-01-19 | 燕山大学 | 一种带有风险控制的液压设备最优维修决策方法 |
CN104679828A (zh) * | 2015-01-19 | 2015-06-03 | 云南电力调度控制中心 | 一种基于规则的电网故障诊断智能系统 |
CN106056221A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘和故障码分类的车辆远程诊断与备件检索的方法 |
CN106050580A (zh) * | 2016-08-17 | 2016-10-26 | 国电联合动力技术有限公司 | 一种风力发电机组传动链故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
风电机组齿轮箱故障评价方法研究现状;胡志红等;《设备管理与维修》;20180125(第02期);33-37 * |
Also Published As
Publication number | Publication date |
---|---|
CN109697210A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697210B (zh) | 一种风电机组关联故障在线诊断方法 | |
US11493911B2 (en) | System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets | |
El-Sharkh et al. | Maintenance scheduling of generation and transmission systems using fuzzy evolutionary programming | |
Zhou et al. | Short-term prediction of wind power and its ramp events based on semi-supervised generative adversarial network | |
CN103699489B (zh) | 一种基于知识库的软件远程故障诊断与修复方法 | |
CN110032463B (zh) | 一种基于贝叶斯网络的系统故障定位方法和系统 | |
CN106844826A (zh) | 一种用于风电机组齿轮箱故障预测诊断的方法 | |
Sun et al. | An online generator start-up algorithm for transmission system self-healing based on MCTS and sparse autoencoder | |
CN111237134A (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 | |
CN109004679B (zh) | 一种可再生能源接入的电网安全稳定监控方法 | |
CN116304928A (zh) | 供电设备故障预测方法、装置、设备及存储介质 | |
CN112183656A (zh) | 一种电网故障中scada数据频繁项集挖掘方法 | |
Helsen et al. | Wind farm operation and maintenance optimization using big data | |
Makhloufi et al. | Long-term forecasting of intermittent wind and photovoltaic resources by using Adaptive Neuro Fuzzy Inference System (ANFIS) | |
CN104820869A (zh) | 一种含模型切换机制的风电功率爬坡事件预测方法 | |
CN110489852A (zh) | 提高风电系统数据质量的方法及装置 | |
Sun et al. | An on-line generator start-up strategy based on deep learning and tree search | |
CN116187508A (zh) | 一种融合知识图谱和深度学习的风电机组故障预测方法 | |
CN115237091A (zh) | 一种机电装备故障溯源方法及系统 | |
CN114239976A (zh) | 一种计及台风天气影响的配电网分布式储能规划方法 | |
CN111950765A (zh) | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 | |
Ma et al. | Frequent itemsets mining of SCADA data based on FP-growth algorithm | |
Aksvonov et al. | Development of a hybrid decision-making method based on a simulation-genetic algorithm in a web-oriented metallurgical enterprise information system | |
Ning | Comparison of several common intelligent fault diagnosis knowledge-based method under nonlinear small sample conditions | |
Chang et al. | Combining SOM and GA-CBR for flow time prediction in semiconductor manufacturing factory |
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 |