CN109919199A - 基于图像处理的风电机组异常数据的检测方法 - Google Patents
基于图像处理的风电机组异常数据的检测方法 Download PDFInfo
- Publication number
- CN109919199A CN109919199A CN201910113422.2A CN201910113422A CN109919199A CN 109919199 A CN109919199 A CN 109919199A CN 201910113422 A CN201910113422 A CN 201910113422A CN 109919199 A CN109919199 A CN 109919199A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- data
- wind
- wind turbines
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000000877 morphologic effect Effects 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 11
- 239000003550 marker Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013506 data mapping Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 9
- 238000000418 atomic force spectrum Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 201000009482 yaws Diseases 0.000 description 1
Abstract
本发明公开了一种基于图像处理的风电机组异常数据的检测方法。该方法将风电机组异常数据分成负功率点、离散点和堆积点三类；然后采用图像处理中的数学形态学运算方法，利用Hu矩确定最佳参数，提取风电出力曲线的二值图像主要区域部分，并且标记正常点数据。本发明所述方法通过识别正常风电机组数据点，有效的检测出各异常数据点类型，为风电机组提供更有效的数据预处理方法以及风机运行状态分析提供更充足信息。
Description
技术领域
本发明属于风力发电机异常数据检测技术，具体涉及一种基于图像处理的风电机组异常数据的检测方法。
背景技术
几十年来，风力涡轮机迅速安装在世界各地。随着风力发电机组设计和施工技术的成熟，风电场运行和维护逐渐受到越来越多的关注。风力曲线，反映风力涡轮机的性能，广泛用于风力发电机的条件监测，风力发电预测和其他应用。由于异常数据存在，实际风力曲线通常不同于理想风力曲线。
导致风电出力曲线异常的因素是多种多样的，包括风力涡轮机故障，风力限制，极端天气条件等。风力涡轮机故障也具有不同类型，例如俯仰故障，低齿轮箱油，偏航问题，磨损的发电机刷。不同类型的故障会带来不同的异常数据。在中国，限电已成为进一步发展风电的一个严重问题，2017年全国平均削减率为17.1％。风力削减命令使风力曲线的异常曲率，影响风力机的运行和维护计划。因此，检测和清除风力曲线的异常数据对于风力曲线应用是至关重要的。
发明内容
发明目的：针对上述问题，本发明提供一种基于图像处理的风电机组异常数据的检测方法。
技术方案：一种基于图像处理的风电机组异常数据的检测方法，包括以下步骤：
(1)异常数据点分类：将风电机组异常数据点分为三类，分别为负功率点，离散点和堆积点；
(2)负功率点检测：获取风电机组的数据采集与监视控制系统数据，设定负功率数据标记条件，将筛选出的点标记为负功率点；
(3)离散点区域检测：删除负功率点，将剩余数据绘制为风电出力曲线，并将其转化为二值图像，编码为图像I，利用边缘检测算法，基于图像像素值的一阶和二阶导数，识别图像I的最大边缘轮廓，并将边缘外的区域标记为离散点区域；
(4)堆积点区域检测：删除图像I中的离散点区域，删除后的图像编码为图像II，基于数学形态学运算算法，提取图像II的主要区域，标记为正常数据区域，剩余的区域标记为堆积点区域；
(5)实际数据映射标记：建立图像I和II像素点和实际数据点的映射关系，基于图像I和II中标记出的离散点区域和堆积点区域，在实际SCADA数据中标记出对应的离散点和堆积点异常数据。
进一步的，步骤(1)所述的异常数据点分类具体如下：
所述负功率点为风速大于切入速度且功率低于零的负异常数据；
所述离散点为离散分布的异常数据，其围绕正常风电机组曲线随机分布，包括传感器噪声和不受控制的随机因素所产生的异常数据；
所述堆积点为堆叠的异常数据，包括由风力削减命令或通信故障所产生的数据。
步骤(2)所述负功率点检测将数据筛选条件设定为输出功率小于零且风速大于风电机组切入速度，且将筛选出来的数据标记为负功率点。
步骤(4)中图像II的主要区域提取基于数学形态学运算中的开运算，利用Hu矩，确定最优的数学形态学运算参数，最小化提取部分与参考风电出力曲线的差异，将图像II提取的主要区域标记为正常数据区域，剩余的区域标记为堆积点区域。
更进一步的，步骤(4)通过Hu矩选择数学形态学运算中结构元素的最优大小，其计算过程如下：
(41)计算图像的p+q阶中心矩μpq，其计算表达式如下：
其中，f(x,y)表示图像II，取值为0或者1，x和y为图像II横坐标与纵坐标的像素值，M和N分别为图像II横坐标与纵坐标的最大像素值；
和
(42)将p+q阶中心矩μpq归一化为ηpq：
(43)将二阶、三阶归一化中心矩组合成七个不变矩，I1，…,I7，得到Hu矩，其表达式如下：
I1＝η20+η02
I2＝(η20-η02)2+4η1 2 1
I3＝(η30-3η12)2+(3η21-η03)2
I4＝(η30+η12)2+(η21+η03)2
I5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
I6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
I7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]
-(η30-3η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
(44)通过不同结构元素大小的数学形态学运算提取的风电出力曲线的主要区域，利用Hu矩计算其和理想功率曲线的差异性，计算表达式如下：
mi＝sign(Ii)·log(Ii),i＝1,...,7
其中A，B分别指两张图像，mi是图像第i阶Hu矩的转化参数，D(A,B)代表A，B图像间的差异性；
(45)最小化风电出力曲线提取的主要区域和理想功率曲线图像的差异性，确定结构元素大小，对应数学形态学运算提取结果作为最终结果。
步骤(5)包括建立一种数据映射模型来表示数据点和图像像素点之间的关系，所述的数据映射模型建立如下：
(51)确定数据点的到像素点的缩放系数Δx和Δy：
Δx＝(xmax-xmin)/(vmax-vmin)
Δy＝(ymax-ymin)/(Pmax-Pmin)
其中，xmax和xmin分别表示图像I和II最左和最右的像素点横坐标，ymax和ymin分别表示图像I和II最上和最下的像素点纵坐标，vmin和vmax为风速最小值和最大值，Pmin和Pmax为风电输出最小值和最大值；
(52)构建映射关系，第i个风电输出点(vi,Pi)对应的像素点(xi,yi)其关系式表示如下：
xi＝xmin+(vi-vmin)×Δx
yi＝ymax-(Pi-Pmin)×Δy。
有益效果：与现有技术相比，本发明是基于图像处理的方法检测风电机组的异常数据，具有良好的直观性能，能够比较好的保持正常数据区域的完整性；其次，针对传统风电异常数据清洗方法一般基于统计学和实际物理模型，缺乏较好的泛化性和稳定性，处理过程不直观，处理结果仍需要通过图像判断其算法的有效性等问题，本发明由于采用基于图像的处理方法，图像处理算法的运行基于图像大小，运行效率较高，算法机理符合相关技术人员对于异常点的人工识别，具有更好的泛化能力，计算效率和有效性，实际应用潜力更大；最后，本发明可以清楚地为风电场运营商提供额外和有价值的异常数据类别的信息。
附图说明：
图1为本发明的方法流程示意图。
图2为风电出力曲线异常点三种数据类型。
图3为数据检测和清洗的图像化过程。
图4为数据标记的图像化过程。
图5为风力发电机的图像处理结果展示一。
图6为风力发电机的图像处理结果展示二。
图7为风力发电机的图像处理结果展示三。
图8为风力发电机的图像处理结果展示四。
具体实施方式：
为了详细的说明本发明所公开的技术方案，下面结合说明书附图及具体实施例做进一步的阐述。
本发明公开了一种基于图像处理的风电机组异常数据的检测方法，其方法流程如附图1所示，该方法把包括了对于异常数据的清洗，具体步骤如下：
(1)异常数据点分类：将风电机组异常数据点分为三类，分别是负功率点，离散点和堆积点；
(2)负功率点检测：获取风电机组的数据采集与监视控制系统数据，设定负功率数据标记条件，将筛选出的点标记为负功率点；
(3)离散点区域检测：删除负功率点，将剩余数据绘制为风电出力曲线，并将其转化为二值图像，编码为图像I，利用边缘检测算法，基于图像像素值的一阶和二阶导数，识别图像I的最大边缘轮廓，并将边缘外的区域标记为离散点区域；
(4)堆积点区域检测：删除图像I中的离散点区域，编码为图像II，基于数学形态学运算算法，提取图像II的主要区域，标记为正常数据区域，剩余的区域标记为堆积点区域；
(5)实际数据映射标记：建立图像I和图像II像素点和实际数据点的映射关系，基于图像I和II中标记出的离散点区域和堆积点区域，在实际SCADA数据中标记出对应的离散点和堆积点异常数据。
具体的，步骤(1)中异常数据点分类，即负功率点、离散点和堆积点：负功率点为风速大于切入速度且功率低于零的负异常数据；当风力涡轮机吸收来自电网的功率时，功率输出将被记录为负值。大多数负面异常数据接近于零。产生此异常数据的主要原因包括计划外维护，风力涡轮机故障和风力削减。
离散点是离散分布的异常数据，围绕正常风电机组曲线随机分布，包括传感器故障所产生的数据，传感器噪声和一些不受控制的随机因素将会产生这些异常数据。因此，它们遵循随意分布并且看起来不可预测且不连续；
堆积点是堆叠的异常数据；这些异常数据通常出现在连续的时间段内，并在功率曲线中平行排成一行。因此，当堆积点数量很大时，很容易被识别为正常数据。它们通常由风力削减命令或通信故障引起，尤其是风力削减命令。目前，限电已成为制约中国风电大规模发展的主要问题之一。
步骤(2)中异常数据点中负功率点检测，将数据筛选条件设定为输出功率小于零且风速大于风电机组切入速度，筛选出来的数据标记为负功率点。
步骤(3)中异常数据点中离散点区域检测，删除负功率异常点，将剩余的数据绘制为风电出力曲线，并将其转化为二值图像，编码为图像I，采用边缘检测的算法，基于图像像素值的一阶和二阶导数，提取图像I中的最大边缘轮廓，将最大边缘轮廓之外的区域标记为离散点区域。
步骤(4)中异常数据点中堆积点区域检测，删除图像I中标记的离散点区域，新的图像编码为图像II，采用数学形态学运算中的开运算，提取图像II的主要区域，利用Hu矩，确定最优的数学形态学运算参数，最小化提取部分与参考风电出力曲线的差异，将图像II提取的主要区域标记为正常数据区域，剩余的区域标记为堆积点区域。
步骤(4)中通过Hu矩选择数学形态学运算中结构元素的最优大小，其计算过程如下：
(41)计算图像的p+q阶中心矩，μpq，其计算表达式如下：
其中，f(x,y)表示图像II，取值为0或者1，x和y为图像II横坐标与纵坐标的像素值，M和N分别为图像II横坐标与纵坐标的最大像素值， 和
(42)将p+q阶中心矩μpq归一化为ηpq：
(43)将二阶、三阶归一化中心矩组合成七个不变矩，I1，…,I7，得到Hu矩，其表达式如下：
I1＝η20+η02
I2＝(η20-η02)2+4η1 2 1
I3＝(η30-3η12)2+(3η21-η03)2
I4＝(η30+η12)2+(η21+η03)2
I5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
I6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
I7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]
-(η30-3η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
(44)利用不同结构元素大小的数学形态学运算提取的风电出力曲线的主要区域，利用Hu矩计算其和理想功率曲线的差异性：
mi＝sign(Ii)·log(Ii),i＝1,...,7
其中A，B分别指两张图像，mi是图像第i阶Hu矩的转化参数，D(A,B)代表A，B图像间的差异性。
(45)最小化风电出力曲线提取的主要区域和理想功率曲线图像的差异性，确定结构元素大小，对应数学形态学运算提取结果作为最终结果。
步骤(5)中实际数据映射标记，建立图像I和II像素点和实际数据点的映射关系，基于图像I和II中标记出的离散点区域和堆积点区域，在实际SCADA数据中标记出对应的离散点和堆积点异常数据。
步骤(5)中建立一种数据映射模型来表示数据点和图像像素点之间的关系，具体步骤如下：
(51)确定数据点的到像素点的缩放系数Δx和Δy：
Δx＝(xmax-xmin)/(vmax-vmin)
Δy＝(ymax-ymin)/(Pmax-Pmin)
其中，xmax和xmin分别表示图像I和II最左和最右的像素点横坐标，ymax和ymin分别表示图像I和II最上和最下的像素点纵坐标，vmin和vmax为风速最小值和最大值，Pmin和Pmax为风电输出最小值和最大值；
(32)构建映射关系，第i个风电输出点(vi,Pi)对应的像素点(xi,yi)其关系式表示如下：
xi＝xmin+(vi-vmin)×Δx
yi＝ymax-(Pi-Pmin)×Δy。
基于上述计算过程，本实施例采用17台风力发电机的风电出力数据(从2014年1月1日到2014年8月31日，每十分钟采样一个点)，详细展示本发明所提出的基于图像处理的风电机组异常数据的检测方法。图2展示了风电出力曲线异常点数据类型，主要分为负功率点，离散点，堆积点三种类型。
首先，基于数据筛选条件，大于切入速度3.5m/s且功率小于0，标记并筛除负功率数据点，然后，利用剩余数据点生成风电出力曲线的二值图像。识别二值图像最大边缘，滤除位于图像边缘外的区域，并标记为离散点区域，具体图像化过程如图3所示。
最优的数学形态学运算参数指在数学形态学运算处理中最优的结构元素大小，利用不同大小结构元素的数学形态学运算提取不同从风电出力曲线的二值图像中提取不同的主要部分区域，通过Hu矩计算它们与参考功率曲线图像的差异性，选择差异性最小的结果为提取的正常数据区域，其余部分被标记被堆积点区域。
建立图像像素点与实际数据点之间的映射关系，应用于标记实际SCADA数据，标记出正常和三种异常数据，图像化的标记过程如图4所示。
图5～图8展示了不同风机的风电出力曲线的应用该方法的处理结果，可以看出，针对不同运行状态的风机，该方法都能有效提取正常数据区域，检测不同的异常数据区域。
该方法应用于17台风力发电机的数据清洗结果，主要包括数据筛除率和程序运行时间，具体如下表所示。
基于图5-图8和上表的结果，可以看出，本发明所述方法具有较高的运行效率，较好的泛化能力。
Claims (6)
1.一种基于图像处理的风电机组异常数据的检测方法，其特征在于：包括以下步骤：
(1)异常数据点分类：将风电机组异常数据点分为三类，分别为负功率点，离散点和堆积点；
(2)负功率点检测：获取风电机组的数据采集与监视控制系统数据，设定负功率数据标记条件，将筛选出的点标记为负功率点；
(3)离散点区域检测：删除负功率点，将剩余数据绘制为风电出力曲线，并将其转化为二值图像，编码为图像I，利用边缘检测算法，基于图像像素值的一阶和二阶导数，识别图像I的最大边缘轮廓，并将边缘外的区域标记为离散点区域；
(4)堆积点区域检测：删除图像I中的离散点区域，删除后的图像编码为图像II，基于数学形态学运算算法，提取图像II的主要区域，标记为正常数据区域，剩余的区域标记为堆积点区域；
(5)实际数据映射标记：建立图像I和图像II像素点和实际数据点的映射关系，基于图像I和图像II中标记出的离散点区域和堆积点区域，在实际SCADA数据中标记出对应的离散点和堆积点异常数据。
2.根据权利要求1所述的基于图像处理的风电机组异常数据的检测方法，其特征在于：步骤(1)所述的异常数据点分类具体如下：
所述负功率点为风速大于切入速度且功率低于零的负异常数据；
所述离散点为离散分布的异常数据，其围绕正常风电机组曲线随机分布，包括传感器噪声和不受控制的随机因素所产生的异常数据；
所述堆积点为堆叠的异常数据，包括由风力削减命令或通信故障所产生的数据。
3.根据权利要求1所述的基于图像处理的风电机组异常数据的检测方法，其特征在于：步骤(2)所述负功率点检测将数据筛选条件设定为输出功率小于零，且风速大于风电机组切入速度，将筛选出来的数据标记为负功率点。
4.根据权利要求1所述的基于图像处理的风电机组异常数据的检测方法，其特征在于：步骤(4)中图像II的主要区域提取基于数学形态学运算中的开运算，利用Hu矩，确定最优的数学形态学运算参数，最小化提取部分与参考风电出力曲线的差异，将图像II提取的主要区域标记为正常数据区域，剩余的区域标记为堆积点区域。
5.根据权利要求1或4所述的基于图像处理的风电机组异常数据的检测方法，其特征在于：步骤(4)通过Hu矩选择数学形态学运算中结构元素的最优大小，其计算过程如下：
(41)计算图像的p+q阶中心矩μpq，其计算表达式如下：
其中，f(x,y)表示图像II，取值为0或1，x和y为图像II横坐标与纵坐标的像素值，M和N分别为图像II横坐标与纵坐标的最大像素值；
和
(42)将p+q阶中心矩μpq归一化为ηpq：
(43)将二阶、三阶归一化中心矩组合成七个不变矩，I1，…,I7，得到Hu矩，其表达式如下：
I1＝η20+η02
I2＝(η20-η02)2+4η1 2 1
I3＝(η30-3η12)2+(3η21-η03)2
I4＝(η30+η12)2+(η21+η03)2
I5＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
I6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
I7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]-(η30-3η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]
(44)通过不同结构元素大小的数学形态学运算提取的风电出力曲线的主要区域，利用Hu矩计算其和理想功率曲线的差异性，计算表达式如下：
mi＝sign(Ii)·log(Ii),i＝1,...,7
其中A，B分别指两张图像，mi是图像第i阶Hu矩的转化参数，D(A,B)代表A，B图像间的差异性；
(45)最小化风电出力曲线提取的主要区域和理想功率曲线图像的差异性，确定结构元素大小，对应数学形态学运算提取结果作为最终结果。
6.根据权利要求1所述的基于图像处理的风电机组异常数据的检测方法，其特征在于：所述步骤(5)包括建立一种数据映射模型来表示数据点和图像像素点之间的关系，所述的数据映射模型建立如下：
(51)确定数据点的到像素点的缩放系数Δx和Δy：
Δx＝(xmax-xmin)/(vmax-vmin)
Δy＝(ymax-ymin)/(Pmax-Pmin)
其中，xmax和xmin分别表示图像I和II最左和最右的像素点横坐标，ymax和ymin分别表示图像I和II最上和最下的像素点纵坐标，vmin和vmax为风速最小值和最大值，Pmin和Pmax为风电输出最小值和最大值；
(52)构建映射关系，第i个风电输出点(vi,Pi)对应的像素点(xi,yi)其关系式表示如下：
xi＝xmin+(vi-vmin)×Δx
yi＝ymax-(Pi-Pmin)×Δy。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910113422.2A CN109919199A (zh) | 2019-02-13 | 2019-02-13 | 基于图像处理的风电机组异常数据的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910113422.2A CN109919199A (zh) | 2019-02-13 | 2019-02-13 | 基于图像处理的风电机组异常数据的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109919199A true CN109919199A (zh) | 2019-06-21 |
Family
ID=66961544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910113422.2A Pending CN109919199A (zh) | 2019-02-13 | 2019-02-13 | 基于图像处理的风电机组异常数据的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109919199A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079861A (zh) * | 2019-12-31 | 2020-04-28 | 国网北京市电力公司 | 一种基于图像快速处理技术的配电网电压异常诊断方法 |
| CN111145109A (zh) * | 2019-12-09 | 2020-05-12 | 深圳先进技术研究院 | 基于图像的风力发电功率曲线异常数据识别与清洗方法 |
| CN111178397A (zh) * | 2019-12-13 | 2020-05-19 | 南京松数科技有限公司 | 基于风力曲线图像的异常数据检测与清洗方法 |
| CN113688166A (zh) * | 2021-08-16 | 2021-11-23 | 远景智能国际私人投资有限公司 | 电量获取系统和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102252611A (zh) * | 2011-05-09 | 2011-11-23 | 深圳市澎湃图像技术有限公司 | 几何定位方法 |
| 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 |
| CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
| CN108412710A (zh) * | 2018-01-30 | 2018-08-17 | 同济大学 | 一种风电机组风功率数据清洗方法 |
-
2019
- 2019-02-13 CN CN201910113422.2A patent/CN109919199A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102252611A (zh) * | 2011-05-09 | 2011-11-23 | 深圳市澎湃图像技术有限公司 | 几何定位方法 |
| 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 |
| CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
| CN108412710A (zh) * | 2018-01-30 | 2018-08-17 | 同济大学 | 一种风电机组风功率数据清洗方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145109A (zh) * | 2019-12-09 | 2020-05-12 | 深圳先进技术研究院 | 基于图像的风力发电功率曲线异常数据识别与清洗方法 |
| CN111145109B (zh) * | 2019-12-09 | 2023-03-31 | 深圳先进技术研究院 | 基于图像的风力发电功率曲线异常数据识别与清洗方法 |
| CN111178397A (zh) * | 2019-12-13 | 2020-05-19 | 南京松数科技有限公司 | 基于风力曲线图像的异常数据检测与清洗方法 |
| CN111178397B (zh) * | 2019-12-13 | 2023-06-16 | 南京松数科技有限公司 | 基于风力曲线图像的异常数据检测与清洗方法 |
| CN111079861A (zh) * | 2019-12-31 | 2020-04-28 | 国网北京市电力公司 | 一种基于图像快速处理技术的配电网电压异常诊断方法 |
| CN113688166A (zh) * | 2021-08-16 | 2021-11-23 | 远景智能国际私人投资有限公司 | 电量获取系统和方法 |
| CN113688166B (zh) * | 2021-08-16 | 2023-09-12 | 远景智能国际私人投资有限公司 | 电量获取系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919199A (zh) | 基于图像处理的风电机组异常数据的检测方法 | |
| CA2539647C (en) | Method and installation for extracting energy from a flowing fluid | |
| CN107798462A (zh) | 一种风电场风力发电机组运行异常监测与性能评估系统 | |
| CN103475021B (zh) | 一种基于统计模型的风电场弃风电量确定方法 | |
| CN104917204B (zh) | 一种风电场有功功率优化控制方法 | |
| CN109751206A (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
| CN106762452B (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
| CN104182803B (zh) | 风电数据预处理方法及风电功率预测方法和系统 | |
| CN109685371A (zh) | 基于贝叶斯网的动态概权风电机组运行状态综合评估方法 | |
| Bao et al. | A data-mining compensation approach for yaw misalignment on wind turbine | |
| CN109118057A (zh) | 一种基于实时功率曲线的风电机组出力评价方法 | |
| CN202117850U (zh) | 一种流体能量提升和转换装置 | |
| CN111737923A (zh) | 一种风机叶片结冰预测方法 | |
| CN111178397B (zh) | 基于风力曲线图像的异常数据检测与清洗方法 | |
| CN110273818B (zh) | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 | |
| CN110608133B (zh) | 一种海上风力发电控制系统及方法 | |
| CN110245866A (zh) | 一种风电功率爬坡事件检测方法 | |
| CN107798463A (zh) | 一种基于模糊识别的电网山火风险等级评估的方法 | |
| CN114607571A (zh) | 一种运用润滑系统监测的海上风电齿轮箱故障识别方法及系统 | |
| Belu | Wind energy conversion and analysis | |
| CN113850337A (zh) | 一种基于加权knn的光伏组件遮挡面积分类方法 | |
| Bao et al. | A data-driven approach for identification and compensation of wind turbine inherent yaw misalignment | |
| Reiszadeh et al. | The wind energy potential in the coasts of Persian Gulf used in design and analysis of a horizontal axis wind turbine | |
| Lou et al. | A new condition monitoring method for wind turbines based on power curve model | |
| CN113417809B (zh) | 一种视觉雷击监测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |