CN110259646B - 一种基于历史数据的风力发电机组部件状态预警方法 - Google Patents

一种基于历史数据的风力发电机组部件状态预警方法 Download PDF

Info

Publication number
CN110259646B
CN110259646B CN201910370217.4A CN201910370217A CN110259646B CN 110259646 B CN110259646 B CN 110259646B CN 201910370217 A CN201910370217 A CN 201910370217A CN 110259646 B CN110259646 B CN 110259646B
Authority
CN
China
Prior art keywords
data
model
matrix
hidden
value
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
CN201910370217.4A
Other languages
English (en)
Other versions
CN110259646A (zh
Inventor
兰志杰
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.)
MingYang Smart Energy Group Co Ltd
Original Assignee
MingYang Smart Energy Group 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 MingYang Smart Energy Group Co Ltd filed Critical MingYang Smart Energy Group Co Ltd
Priority to CN201910370217.4A priority Critical patent/CN110259646B/zh
Publication of CN110259646A publication Critical patent/CN110259646A/zh
Application granted granted Critical
Publication of CN110259646B publication Critical patent/CN110259646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Sustainable Development (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种基于历史数据的风力发电机组部件状态预警方法，首先，收集风力发电机组的主要运行特征数据；对运行特征数据进行关键部件运行特征数据相关性分析，通过相关性分析提取出与部件运行特征数据敏感度高的特征运行数据；对筛选后的特征数据进行数据清洗；将清洗后的数据输入训练模块建立预测模型，并对模型进行测试、参数整定，通过训练学习算法最终得到预测模型；将预测模型部署到风力发电机组上，再运行预测模型得到关键部件运行特征数据预测值，当模型预测值与实际值偏差大于预先设定的阀值时，报警输出，从而实现风力发电机组预警保护停机。本发明具有预测精确、可靠性高、经济性好等优点。

Description

一种基于历史数据的风力发电机组部件状态预警方法
技术领域
本发明涉及风力发电机组故障诊断预警的技术领域，尤其是指一种基于历史数据的风力发电机组部件状态预警方法。
背景技术
“互联网+智慧能源”时代背景下，数字化、智能化与传统风电产业的深度融合成为风能技术发展新趋势。通过风电场智能化来提高风电机组运行稳定性，降低运维成本，成为行业内公认提高市场竞争力的必然选择。兆瓦级双馈型风力发电机组投运我国市场已超10年，运行涵盖平原、高原、山地、近海等不同复杂地理环境，大部分投运机组逐步进入磨损老化期，项目故障率逐年攀升，尤其发电机、齿轮箱这类大型部件，一旦发生重大故障其更换、维修费用高昂。传统的预防性维修方式不能有效地预测故障发生的时间、有效遏制风电事故的频繁发生。如何利用数字化、智能化技术对关键部件状态预警的意义重大。
发明内容
本发明的目的在于降低风电机组事故发生率，提高风机的运行效率，实现风电机组出力的最大化，提出了一种基于历史数据的风力发电机组部件状态预警方法，通过风机运行时产生的功率、温度、转速等关键信号历史数据，应用现代信息技术和人工神经网络建立预测模型，该模型可实时预测部件运行关键特征数据，当预测值超过阀值时代表系统部件运行存在异常，从而达到预警停机保护的目的，通过对风机运行状态的趋势预测，逐步从预防性维修过渡到故障预测和健康管理，以此降低机组事故发生率，降低维修费用，减少维修时间，提高机组运行效率和可靠性利用。
为实现上述目的，本发明所提供的技术方案为：一种基于历史数据的风力发电机组部件状态预警方法，包括以下步骤：
1)收集风力发电机组的主要运行特征数据；
2)对收集到的运行特征数据进行关键部件运行特征数据相关性分析，通过相关性分析提取出与部件运行特征数据敏感度高的特征运行数据；
3)对筛选后的特征数据进行数据清洗，把异常点和无效点这些影响模型建立的数据点剔除；
4)将清洗后的数据输入训练模块建立预测模型，并对模型进行测试、参数整定，通过训练学习算法最终得到预测模型；
5)将预测模型部署到风力发电机组上，再运行预测模型得到关键部件运行特征数据预测值，当模型预测值与实际值偏差大于预先设定的阀值时，报警输出，从而实现风力发电机组预警保护停机。
在步骤1)中，通过SCADA系统获取风力发电机组的关键运行历史数据，选择10min平均值标签点，选择数据时间段1年作为一个完整历史数据训练跨度周期。
在步骤3)中，把异常点和无效点这些干扰影响模型建立的数据点剔除，包括停机数据、限功率数据和异常数据点。
在步骤4)中，首先假设清洗后与预测目标相关的特征数据个数为R，样本采样数为W，将输入数据序列、输出数据序列转化为矩阵，输入矩阵inputs维数为R×W，输出矩阵targets维数为1×W；
样本输入矩阵、输出矩阵在输入到模型前需要进行归一化处理，即把样本的数值范围变换至[0.01,1]；根据每个特征标量的物理意义确定其标称最大值，归一化公式为：归一化值＝0.01+(0.99×实际值)/物理意义标称最大值；
将归一化后的输入矩阵与权值矩阵wih做点运算，wih矩阵维数为hnodes×R，得到hidden_inputs变量，维数为hnodes×W，其中hnodes为训练维数，它大小决定了训练的复杂度：
Hidden_inputs＝wih·inputs
把得到的Hidden_inputs输入对数-s形函数得到Hidden_outputs，对数-s形函数表达式为：
Figure GDA0002408650720000031
式中，a为函数输出，e为自然常数，n为整数；该函数的输入在(∞,∞)之间取值，输出在0到1之间取值；
将Hidden_outputs与who权值矩阵进行点运算得到final_inputs变量，who矩阵维数为1×hnodes，得到的final_inputs变量维数为1×W：
final_inputs＝who·Hidden_outputs
把得到的final_inputs输入对数-s形函数得到final_outputs，维数为1×W；
随机生成wih、who权值矩阵值初使值，并利用随机矩阵生成算法将随机值限定在±1之间，训练学习算法如下：
①计算输出偏差与目标之前的偏差output_errors＝targets-final_outputs，更新who，更新规则为：
who+＝L×output_errors×final_outputs*(1.0-final_outputs)·Hidden_outputsT
其中，L为学习率，取0.1，T为矩阵转置；
②计算隐含偏差hidden_errors＝whoT·output_errors，更新wih，更新规则为：
wih+＝L*hidden_errors*Hidden_outputs*(1.0-Hidden_outputs)·inputsT；
通过重复①、②过程直到模型输出与目标误差精度达到要求，最终确定wih、who权值矩阵参数，完成模型训练学习；
完成模型训练以后，在测试模型时需要将模型输出矩阵数据进行逆归一化，即把模型输出数值转换到其实际值，逆归一化公式如下：
逆归一化值＝物理意义标称最大值×(预测值–0.01)/0.99。
本发明与现有技术相比，具有如下优点与有益效果：
1、利用风电机组的温度、油压、转速、风速等各项指标数据，来建立预测模型，来对风机发生故障时的异常数据进行预警，它与传统的建模技术不同，不依赖于物理数学模型的建立精准度，也不需要对模型进行参数辨识整定，而是通过历史特征数据间的多变量特定关联来反向逆推系统模型，对系统状态进行预测，且经仿真分析回归率高达97％以上，如图2所示。机组运行历史数据可从传统的SCADA系统获取，具有很强的可行性，而且不增加硬件成本。
2、利用滚动式窗口计算，可实现预测模型参数定期自动更新，以适应不同运行工况下各种变化，即通过自学习迭代来保证模型参数的最优化，可有效避免局部最优陷阱。通过在兆瓦级风力发电机组上部署实施，模型预测输出与实测数据间的偏差在0.09％-1.7％范围内，平均预测偏差为0.87％，如图3所示。
总之，本发明方法具有预测精确、可靠性高、方便推广、经济性好等优点。
附图说明
图1为本发明方法的逻辑流程示意图。
图2为回归率分析示意图。
图3为温度预测偏差分布示意图。
图4为部署实测界面图。
图5为部署预测偏差趋势图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示，本实施例所提供的基于历史数据的风力发电机组部件状态预警方法，具体是以某南方项目实施为例对转子轴承A温度实施预警，首先，通过SCADA系统获取该项目风力发电机组的关键运行历史数据，选择10min平均值标签点，样本数据是该风电场1#机组2017年6月30日00:00至2018年6月30日00:00数据，数据是10分钟一组。
经过相关性分析，选择样本数据包括：(1)室外温度10分钟平均值，(2)轮毂温度10分钟平均值，(3)机舱温度10分钟平均值，(4)转子轴承B温度10分钟平均值，(5)发电机功率10分钟平均值，(6)发电机转速10分钟平均值，(7)风速10分钟平均值，(8)有功功率设定值，(9)转子轴承A温度10分钟平均值。其中，(1)-(8)是输入样本数据，(9)是输出样本数据(目标样本数据)。
把异常点和无效点等这些干扰影响模型建立的数据点剔除，如停机数据(含正常停机、故障停机、维护停机)、限功率数据、异常数据点等；将清洗后的数据输入训练模块建立预测模型，并对模型进行测试、参数整定，最终得到预测模型：
与预测目标转子轴承A温度相关的特征数据个数为8，样本采样数为418990，将输入数据序列、输出数据序列转化为矩阵，输入矩阵inputs维数为8×418990，输出矩阵targets维数为1×418990；
样本输入矩阵、输出矩阵在输入到模型前需要进行归一化处理，即把样本的数值范围变换至[0.01,1]。根据每个特征标量的物理意义确定其标称最大值，归一化公式如下：归一化值＝0.01+(0.99×实际值)/物理意义标称最大值。
将归一化后的输入矩阵与权值矩阵wih做点运算，wih矩阵维数为10×8，得到hidden_inputs变量，维数为10×418890：
Hidden_inputs＝wih·inputs
把得到的Hidden_inputs输入对数-s形函数得到Hidden_outputs，维数为10×418890，对数-s形函数表达式为：
Figure GDA0002408650720000061
式中，a为函数输出，e为自然常数，其值约为2.71828，n为整数；该函数的输入在(∞,∞)之间取值，输出在0到1之间取值。
将Hidden_outputs与who权值矩阵进行点运算得到final_inputs变量，who矩阵维数为1×10，得到的final_inputs变量维数为1×418890：
final_inputs＝who·Hidden_outputs
把得到的final_inputs输入对数-s形函数得到final_outputs，维数为1×418890，对数-s形函数表达式为：
Figure GDA0002408650720000062
该函数的输入在(∞,∞)之间取值，输出在0到1之间取值。
随机生成wih、who权值矩阵值初使值，并利用随机矩阵生成算法将随机值限定在±1之间，训练学习算法如下：
①计算输出偏差与目标之前的偏差output_errors＝targets-final_outputs，更新who，更新规则为：
who+＝L×output_errors×final_outputs*(1.0-final_outputs)·Hidden_outputsT
其中，L为学习率，取0.1，T为矩阵转置。
②计算隐含偏差hidden_errors＝whoT·output_errors，更新wih，更新规则为：wih+＝L*hidden_errors*Hidden_outputs*(1.0-Hidden_outputs)·inputsT
其中，L为学习率，取0.1，T为矩阵转置。
通过重复①、②过程最终可确定wih、who权值矩阵参数，完成模型训练学习。
完成模型训练以后，在测试模型时需要将模型输出矩阵数据进行逆归一化，即把模型输出数值转换到其实际值。逆归一化公式如下：
逆归一化值＝物理意义标称最大值×(预测值–0.01)/0.99
得到wih、who权值矩阵：
Wih＝[-1.5961501286006281042 0.0263034016182911618840.19954709161630218572 0.027511489343909865946 0.208428173554501772191.9109642487980591508 -0.025974490477664907012-0.33753618830230025516；-1.332269530905881405 0.07380035364764689354 0.365100903886518279860.025951698960348816569 0.21217071330241960014 1.5664666291405522358 -0.021131383952706049578 -0.44385165149712701993；-13.063513304546139793 -2.2775877599143847796 1.7756620984409641206 0.473353047690640238440.78067808608141775473 13.125913505336097131-0.03271418299757128389510.024073010031255393；0.97618710416163734234 -0.095285517854706361374 -0.39367780554757414446 -0.021970091436979002214 -0.19232508477357454502 -1.1133013575275587659 0.016047551428412062946 0.51944669257251074868；-17.187363263141925529 4.6851711312023267553 0.190644165247545044340.57348788697685015858 -2.224046823262575856 21.742711869937703995 -0.0077515575299158014089 -14.888684630233758099；2.6768455841866023448 -1.1399792568304729645 0.96120416132024977252 -2.9292785748984622174 -0.045715017056382631355 0.3721141632371607888 0.3150825303548369094 -2.744940904016836658；18.619424874687233284 -5.2408557713406302981.9881351955543662413 -0.61987419327643999978 2.3691455423688849713 -23.293600086288186901 -0.0076102862547994046261 15.927635457462750779；-15.51072427305360435 -2.5376093041795941829 1.13369450821111428240.44219743143862416668 0.86424665036096393056 15.580000909228770567 -0.037475355691738848618 11.710747131043289571；-91.5752988610905447332.7082844039956746052 -6.3016675910104824609 0.94204048598082512633 -0.86582416729980327119 104.70007037369020964 -0.080580997045924487865 -2.2021563173222107324；14.233443446116281095 2.4098532454922616534.8353497112907675159 -0.45815523002362340543 -0.82273772118583488044 -14.301032998146945729 0.035082216483279964059 -10.848888223501347738]；
Who＝[-17.173669800370689131 35.423946944806502302 -12.403773855756350386 20.325141997266825911 -0.75575815278426516919 -0.074412078464383635268 -0.70943104954653879446 -11.221995352688409753 -0.05177138299769248192 -23.500341960357612692]；
回归率分析及预测温度偏差如图2、3所示。将预测模型部署到风力发电机组上，如图4所示。在风力发电机组正常运行工况下，由模型得到关键部件运行特征数据预测值及偏差趋势，如图5所示。当模型预测值与实际值偏差大于预先设定的阀值时，模型发出预警实现设备保护停机。
在采用以上方案后，本发明方法与现有技术相比，具有如下优点：
1、预测准确度高
本发明方法主要原理是利用历史数据来建立预测模型，通过预测目标相关性分析来筛选训练输入特征变量，再进行数据清洗得到训练所需求数据，通过训练算法来建立数据预测模型，部署实测预测精度高达98％以上。
2、可靠性高、方便推广
预测算法根据项目前一年运行历史数据进行离线训练得到预测模型，不占用设备资源进行实时训练，整个过程易于实现推广，在稳定性、时效性上容易被客户和工程技术人员所认可和接受。
本发明方法原理简单实用，较为方便地移植到MY2.0MW、SCD3.0MW、MYSE5.5等机型，同时也可以适用于市场上大部分水平轴风力发电机机型。
3、经济性好
本发明属于软件算法，无硬件成本，具有极高的性价比。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.一种基于历史数据的风力发电机组部件状态预警方法，其特征在于，包括以下步骤：
1)收集风力发电机组的主要运行特征数据；
2)对收集到的运行特征数据进行关键部件运行特征数据相关性分析，通过相关性分析提取出与部件运行特征数据敏感度高的特征运行数据；
3)对筛选后的特征数据进行数据清洗，把异常点和无效点这些影响模型建立的数据点剔除；
4)将清洗后的数据输入训练模块建立预测模型，并对模型进行测试、参数整定，通过训练学习算法最终得到预测模型，具体如下：
首先假设清洗后与预测目标相关的特征数据个数为R，样本采样数为W，将输入数据序列、输出数据序列转化为矩阵，输入矩阵inputs维数为R×W，输出矩阵targets维数为1×W；
样本输入矩阵、输出矩阵在输入到模型前需要进行归一化处理，即把样本的数值范围变换至[0.01,1]；根据每个特征标量的物理意义确定其标称最大值，归一化公式为：归一化值＝0.01+(0.99×实际值)/物理意义标称最大值；
将归一化后的输入矩阵与权值矩阵wih做点运算，wih矩阵维数为hnodes×R，得到hidden_inputs变量，维数为hnodes×W，其中hnodes为训练维数，它大小决定了训练的复杂度：
Hidden_inputs＝wih·inputs
把得到的Hidden_inputs输入对数-s形函数得到Hidden_outputs，对数-s形函数表达式为：
Figure FDA0002408650710000011
式中，a为函数输出，e为自然常数，n为整数；该函数的输入在(∞,∞)之间取值，输出在0到1之间取值；
将Hidden_outputs与who权值矩阵进行点运算得到final_inputs变量，who矩阵维数为1×hnodes，得到的final_inputs变量维数为1×W：
final_inputs＝who·Hidden_outputs
把得到的final_inputs输入对数-s形函数得到final_outputs，维数为1×W；
随机生成wih、who权值矩阵值初使值，并利用随机矩阵生成算法将随机值限定在±1之间，训练学习算法如下：
①计算输出偏差与目标之前的偏差output_errors＝targets-final_outputs，更新who，更新规则为：
who+＝L×output_errors×final_outputs*(1.0-final_outputs)·Hidden_outputsT
其中，L为学习率，取0.1，T为矩阵转置；
②计算隐含偏差hidden_errors＝whoT·output_errors，更新wih，更新规则为：
wih+＝L*hidden_errors*Hidden_outputs*(1.0-Hidden_outputs)·inputsT；
通过重复①、②过程直到模型输出与目标误差精度达到要求，最终确定wih、who权值矩阵参数，完成模型训练学习；
完成模型训练以后，在测试模型时需要将模型输出矩阵数据进行逆归一化，即把模型输出数值转换到其实际值，逆归一化公式如下：
逆归一化值＝物理意义标称最大值×(预测值–0.01)/0.99；
5)将预测模型部署到风力发电机组上，再运行预测模型得到关键部件运行特征数据预测值，当模型预测值与实际值偏差大于预先设定的阀值时，报警输出，从而实现风力发电机组预警保护停机。
2.根据权利要求1所述的一种基于历史数据的风力发电机组部件状态预警方法，其特征在于：在步骤1)中，通过SCADA系统获取风力发电机组的关键运行历史数据，选择10min平均值标签点，选择数据时间段1年作为一个完整历史数据训练跨度周期。
3.根据权利要求1所述的一种基于历史数据的风力发电机组部件状态预警方法，其特征在于：在步骤3)中，把异常点和无效点这些干扰影响模型建立的数据点剔除，包括停机数据、限功率数据和异常数据点。
CN201910370217.4A 2019-05-06 2019-05-06 一种基于历史数据的风力发电机组部件状态预警方法 Active CN110259646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910370217.4A CN110259646B (zh) 2019-05-06 2019-05-06 一种基于历史数据的风力发电机组部件状态预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910370217.4A CN110259646B (zh) 2019-05-06 2019-05-06 一种基于历史数据的风力发电机组部件状态预警方法

Publications (2)

Publication Number Publication Date
CN110259646A CN110259646A (zh) 2019-09-20
CN110259646B true CN110259646B (zh) 2020-07-14

Family

ID=67914202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910370217.4A Active CN110259646B (zh) 2019-05-06 2019-05-06 一种基于历史数据的风力发电机组部件状态预警方法

Country Status (1)

Country Link
CN (1) CN110259646B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110704946B (zh) * 2019-09-22 2023-04-07 中国航空工业集团公司沈阳飞机设计研究所 一种飞机舱温计算方法
CN110688617B (zh) * 2019-10-09 2020-07-03 北京天泽智云科技有限公司 风机振动异常检测方法及装置
CN110991666B (zh) * 2019-11-25 2023-09-15 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN112664410B (zh) * 2020-12-30 2022-05-24 苏州绿科智能机器人研究院有限公司 一种基于大数据的机组在线监测系统建模方法
CN112814854B (zh) * 2020-12-31 2022-04-29 新智数字科技有限公司 基于联合学习的涡轮风机维护方法和装置
CN112836867A (zh) * 2021-01-21 2021-05-25 上海电机学院 一种海上风力发电机组制动闸磨损量的检测方法及系统
CN113268851B (zh) * 2021-04-09 2024-06-28 大唐可再生能源试验研究院有限公司 基于风电场前中后期数据的风电场系统优化系统
CN113107785B (zh) * 2021-05-12 2022-05-31 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
EP4341858A1 (en) * 2021-06-29 2024-03-27 Siemens Aktiengesellschaft Anomaly detection method and apparatus for industrial equipment, electronic device, and storage medium
CN115013261B (zh) * 2022-08-08 2022-12-06 国网浙江省电力有限公司舟山供电公司 一种用于海上风电场的状态监测方法及系统
CN118088394B (zh) * 2024-03-18 2024-09-17 青岛安特翔天信息工程有限公司 一种风力发电机组状态在线监测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106662072B (zh) * 2014-11-18 2019-10-25 Abb瑞士股份有限公司 风力发电机状态监控方法与系统
DE102015206539A1 (de) * 2015-04-13 2016-10-13 Wobben Properties Gmbh Verfahren zum Bestimmen einer Restlebensdauer einer Windenergieanlage
CN104807644B (zh) * 2015-04-14 2019-04-05 北京中恒博瑞数字电力科技有限公司 一种风电机组变桨系统的故障预警方法及系统
CN108376298B (zh) * 2018-02-12 2023-11-10 湘潭大学 一种风电机组发动机温度故障预警诊断方法
CN109118384A (zh) * 2018-07-16 2019-01-01 湖南优利泰克自动化系统有限公司 一种风电机组健康预警方法

Also Published As

Publication number Publication date
CN110259646A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110259646B (zh) 一种基于历史数据的风力发电机组部件状态预警方法
CN106815771B (zh) 一种风电场载荷的长期评估方法
CN107742053B (zh) 风电机组异常识别方法及装置
CN108133311A (zh) 一种风电机组故障模式风险评估及可靠性分析方法
CN104915747A (zh) 一种发电机组的发电性能评估方法及设备
CN111931331B (zh) 一种适用于配电网机组组合的分布鲁棒优化方法
CN111878322B (zh) 风力发电机装置
CN105207272A (zh) 基于通用分布的电力系统动态随机经济调度方法及装置
CN110544184A (zh) 一种基于运行参数的风机性能分析方法
CN104574221B (zh) 一种基于损失电量特征参数的光伏电站运行状态辨识方法
CN108268963B (zh) 一种自修正检验的光伏功率短期预测方法
CN111062516A (zh) 一种基于gmdh多变量处理的风机出力预测的方法
Mahmoud et al. Designing and prototyping the architecture of a digital twin for wind turbine
CN117893058A (zh) 光伏场站性能综合评估的方法及系统
CN106022594B (zh) 基于极值理论的电力系统在线运行安全风险评估方法
CN116909165A (zh) 一种大型发电装备部件物理场实时仿真方法
Veena et al. Parametric models for predicting the performance of wind turbines
CN115456041A (zh) 设备故障预警方法及装置、计算设备和存储介质
Guo et al. Early fault detection of wind turbine gearbox based on Adam-trained LSTM
CN114239920A (zh) 一种风电功率短期预测方法
CN114320773A (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
CN110334951B (zh) 一种风电机组高温降容状态的智能评估方法及系统
CN113153657A (zh) 风机发电率损失预测方法、系统、设备及介质
Zhao et al. Direct-Drive Wind Turbine Fault Diagnosis Based on Logistic Regression
CN111027816A (zh) 一种基于数据包络分析的光伏发电效率计算方法

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