CN110259647B - 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 - Google Patents
一种基于正多胞体滤波的风电机组缓变型故障诊断方法 Download PDFInfo
- Publication number
- CN110259647B CN110259647B CN201910541498.5A CN201910541498A CN110259647B CN 110259647 B CN110259647 B CN 110259647B CN 201910541498 A CN201910541498 A CN 201910541498A CN 110259647 B CN110259647 B CN 110259647B
- Authority
- CN
- China
- Prior art keywords
- time
- moment
- parameter
- positive
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 title claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 208000020584 Polyploidy Diseases 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种基于正多胞体滤波的风电机组缓变型故障诊断方法,属于故障诊断领域。该方法包括根据发电机和变流器系统的输入输出数据,建立发电机和变流器系统的回归模型,获取用于包含待估计参数的可行参数集的正多胞体,检测k‑1时刻的正多胞体与k时刻的测量集合的交集是否为空,若检测到k‑1时刻的正多胞体与k时刻的测量集合的交集不为空集,则确定k时刻发电机和变流器系统未发生故障,若检测到k‑1时刻的正多胞体与k时刻的测量集合的交集为空集,则确定k时刻发电机和变流器系统已经发生故障;解决了目前大多数故障诊断方法不适用于诊断缓变型故障的问题;达到了减小故障诊断时的计算量,提高诊断缓变型故障的准确性的效果。
Description
技术领域
本发明实施例涉及故障诊断领域,特别涉及一种基于正多胞体滤波的风电机组缓变型故障诊断方法。
背景技术
风力发电机是将风能转化为机械能,再将机械能转化为电能的电力设备。风力发电机中控制发电机转矩的变流器具有约束的一阶系统模型,该一阶系统模型涵盖了发电机和变流器的电气特性。当发电机和变流器系统工作时,因为某些不可控因素的影响会使系统参数发生缓慢变化,这种缓变型故障往往不易察觉,但是系统一旦发生故障,就会影响到其运行的安全可靠性。
目前的故障诊断方法大都是针对突变型故障,不适用于缓变型故障的诊断。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种基于正多胞体滤波的风电机组缓变型故障诊断方法。该技术方案如下:
第一方面,提供了一种基于正多胞体滤波的风电机组缓变型故障诊断方法,该方法包括:
根据发电机和变流器系统的输入输出数据,建立发电机和变流器系统的回归模型,回归模型如下:
获取用于包含发电机和变流器系统的待估计参数的可行参数集的正多胞体;
检测k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集是否为空集;
若检测到k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集不为空集,则确定k时刻发电机和变流器系统未发生故障;
若检测到k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集为空集,则确定k时刻发电机和变流器系统已经发生故障;
θ*=[a,b,c]T,a、b、c为发电机和变流器系统的待估计参数,θ表示所有待估计参数的有效值,e(k)表示概率分布未知但有界的系统噪声,|e(k)|≤δ,δ表示已知的噪声边界;
可选的,获取用于包含发电机和变流器系统的待估计参数的可行参数集的正多胞体,包括:
在k-1时刻,根据约束条件按如下公式确定正多胞体O(k-1):
根据k-1时刻的正多胞体O(k-1),更新k时刻的正多胞体O(k);
其中,k时刻发电机和变流器系统的待估计参数的可行参数集Θ(k)为:
k为整数,k的初始值为1,初始正多胞体O(0)已知,初始正多胞体O(0)包含已知的先验集合Θ(0),先验集合Θ(0)包含可行参数集Θ(k);
i=1,2,...,n,Ai(k-1)和Ai+n(k-1)为已知的k-1时刻的约束条件,ei表示单位矩阵的第i列,表示在k-1时刻第i个参数的估计值,di(k-1)表示k-1时刻第i个参数的参数估计的区间长度,表示在k-1时刻第i个参数的估计范围中的最大值,表示在k-1时刻第i个参数的估计范围中的最小值;
可选的,根据k-1时刻的正多胞体O(k-1),更新k时刻的正多胞体O(k),包括:
若检测到vi (i)(k-1)∈S(k),则令vi (i)(k)=vi (i)(k-1),Ci(k)=Ci(k-1);
若检测到vi (i+n)(k-1)∈S(k),则令vi (i+n)(k)=vi (i+n)(k-1),Ci+n(k)=Ci+n(k-1);
根据Ci(k)和Ci+n(k)按如下公式,更新k时刻的C(k):
可选的,检测k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集是否为空集,包括:
检测正多胞体O(k-1)的顶点Vj(k-1)是否满足第一判断条件,以及检测正多胞体O(k-1)的顶点Vj(k-1)是否满足第二判断条件;
若检测到存在顶点Vj(k-1)满足第一判断条件,或者,检测到存在顶点Vj(k-1)满足第二判断条件,则确定k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集不为空集;
若检测到所有顶点Vj(k-1)都同时不满足第一判断条件和第二判断条件,则确定k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集为空集;
其中,第一判断条件为:Bj,1≥0;第二判断条件为:Bj,2≥0,j=1,…,2n;
可选的,该方法还包括:
当确定k时刻发电机和变流器系统发生故障时,对k-1时刻的正多胞体O(k-1)进行参数全局扩展,得到Oe(k-1);
根据输出的待估计参数的估计值得到参数估计曲线,根据参数估计曲线判断出发电机和变流器系统发生的缓变型故障的故障类型;故障类型包括系统参数缓慢增加、系统参数缓慢减小、系统参数缓慢波动变化;
β1,…,βn已知。
可选的,该方法还包括:
根据输出的待估计参数的估计值得到参数估计曲线,根据参数估计曲线判断出发电机和变流器系统发生的缓变型故障的故障类型;故障类型包括系统参数缓慢增加、系统参数缓慢减小、系统参数缓慢波动变化;
本发明实施例提供的技术方案带来的有益效果是:
通过根据发电机和变流器系统的输入输出数据,建立发电机和变流器系统的回归模型,获取用于包含发电机和变流器系统的待估计参数的可行参数集的正多胞体,检测k-1时刻的正多胞体与k时刻的测量集合的交集是否为空,若检测到k-1时刻的正多胞体与k时刻的测量集合的交集不为空集,则确定k时刻发电机和变流器系统未发生故障,若检测到k-1时刻的正多胞体与k时刻的测量集合的交集为空集,则确定k时刻发电机和变流器系统已经发生故障;检测到系统发生故障后,可以采用参数全局扩展滤波故障诊断方法实现故障类型的识别,同时为了减小计算量,提高故障诊断效率,还可以采用参数定向扩展滤波故障诊断方法实现故障类型的识别;解决了目前大多数故障诊断方法不适用于诊断缓变型故障的问题;达到了减小故障诊断时的计算量,提高诊断缓变型故障的准确性的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种基于正多胞体滤波的风电机组缓变型故障诊断方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
请参考图1,其示出了一种基于正多胞体滤波的风电机组缓变型故障诊断方法,该检测方法可以包括以下步骤:
步骤101,根据发电机和变流器系统的输入输出数据,建立发电机和变流器系统的回归模型。
发电机和变流器系统的系统模型固定且已知,发电机和变流器系统的系统模型如下:
其中,τg表示发电机转矩,τg,r表示发电机转矩的参考值,αgc表示给定的发电机和变流器模型系数,s为复变量。
取采样时间为Ts=0.01,采用双线性变换的方法对公式(1)进行离散化,得到:
使用正则化方法处理即令b0=1,并考虑系统噪声e(k),得到:
u(k)表示k时刻的输入数据,y(k)表示k时刻的输出数据。
系统噪声e(k)的概率分布未知但有界的,|e(k)|≤δ,δ表示已知的噪声边界。
根据发电机和变流器系统的输入输出数据,建立发电机和变流器系统的回归模型:
θ表示所有待估计参数的有效值。
步骤102,获取用于包含发电机和变流器系统的待估计参数的可行集的正多胞体。
为了检测k时刻的发电机和变流器系统是否发生故障,需要获取正多胞体。
正多胞体的定义为:
初始正多胞体O(0)已知。
k时刻发电机和变流器系统的待估计参数的可行参数集Θ(k)为:
k为整数,k的初始值为1。
初始正多胞体O(0)包含已知的先验集合Θ(0),先验集合Θ(0)包含可行参数集Θ(k)。
在k-1时刻,由于正多胞体O(k-1)可以根据2(k-1)个约束条件确定,约束条件是已知的,所以要得到正多胞体O(k-1)需要计算2n个线性规划方程。
n为待估计的参数的个数。在风电机组中发电机和变流器系统中,n=3。
Ai(k-1)和Ai+n(k-1)为2n个线性规划方程的绑定约束集合,即Ai(k-1)和Ai+n(k-1)为已知的k-1时刻的约束条件;i=1,2,...,n。
按如下公式确定k-1时刻的正多胞体O(k-1):
ei表示单位矩阵的第i列;s.t.为英文subject to的缩写,译为:受约束于。
应用线性规划的方法,递归计算得到k时刻的正多胞体O(k),在递归计算时,从k=1开始,即从初始正多胞体O(0)开始,正多胞体的递归方法如下:
即根据k-1时刻的正多胞体O(k-1),更新k时刻的正多胞体O(k)。在更新k时刻的正多胞体O(k)时,k-1时刻的正多胞体O(k-1)已知,根据正多胞体递归的一些性质:
1、O(Θ(k))=O(Α(k));
3、如果存在v(i)(k)∈S(k+1),i=1,2,…,2a,则v(i)(k+1)=v(i)(k);
4、如果任意v(i)(k)∈S(k+1),i=1,2,…,2a,则O(Θ(k+1))=O(Θ(k));
a为整数。
得到递归过程具体如下:
检测结果有如下几种情况:
Ci(k)=Ai(k) (13)
(2)若检测到vi (i)(k-1)∈S(k),则令:
vi (i)(k)=vi (i)(k-1) (14)
Ci(k)=Ci(k-1) (15)
Ci+n(k)=Ai+n(k) (17)
(4)若检测到vi (i+n)(k-1)∈S(k),则令:
vi (i+n)(k)=vi (i+n)(k-1) (18)
Ci+n(k)=Ci+n(k-1) (19)
s3、根据Ci(k)和Ci+n(k)按如下公式更新k时刻的C(k):
步骤103,检测k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集是否为空集。
若检测到k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集不为空集,则确定k时刻发电机和变流器系统未发生故障。
检测k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集是否为空集,是为了检测k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)是否一致,可以通过判断正多胞体O(k-1)的顶点Vj(k-1)是否在两条平行线H1(k)和H1(k)之间来实现,j=1,…,2n;顶点在两条平行线之间表示一致。
定义第一判断条件为:Bj,1≥0,定义第二判断条件为:Bj,2≥0。
检测正多胞体O(k-1)的顶点Vj(k-1)是否满足第一判断条件,以及检测正多胞体O(k-1)的顶点Vj(k-1)是否满足第二判断条件。
若检测到存在顶点Vj(k-1)满足第一判断条件,或者,检测到存在顶点Vj(k-1)满足第二判断条件,则确定k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集不为空集。
若检测到所有顶点Vj(k-1)都同时不满足第一判断条件和第二判断条件,则确定k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集为空集。
综上所述,本申请通过根据发电机和变流器系统的输入输出数据,建立发电机和变流器系统的回归模型,获取用于包含发电机和变流器系统的待估计参数的可行参数集的正多胞体,检测k-1时刻的正多胞体与k时刻的测量集合的交集是否为空,若检测到k-1时刻的正多胞体与k时刻的测量集合的交集不为空集,则确定k时刻发电机和变流器系统未发生故障,若检测到k-1时刻的正多胞体与k时刻的测量集合的交集为空集,则确定k时刻发电机和变流器系统已经发生故障;解决了目前大多数故障诊断方法不适用于诊断缓变型故障的问题;达到了减小故障诊断时的计算量,提高诊断缓变型故障的准确性的效果。
对于公式(4)中所示的发电机和变流器系统的真实参数向量θ*=[a,b,c]T,若检测到系统参数在k时刻已经发生缓变型故障,将故障的表现形式记为:
其中,i=1,2,...,n,θi *表示发电机和变流器系统在无故障时的真实参数向量的第i个分量,表示发电机和变流器系统在k时刻发生故障时的真实参数向量的第i个分量,αi表示第i个分量发生故障时的参数漂移率,f'(·)为关于θi *、k、αi的作用函数。
根据参数漂移率的不同,缓变型故障又可以分为不同的故障类型,故障类型包括系统参数缓慢增加、系统参数缓慢减小、系统参数缓慢波动变化。
根据k-1时刻的正多胞体O(k-1)和k时刻的测量集合S(k),可以得到k时刻待估计参数的估计值,以及根据故障情况下得到的待估计参数的输出参数估计值判断发电机和变流器系统发生的缓变型故障的故障类型。
在一种情况下,当检测到发电机和变流器系统发生故障后,应用参数全局扩展方法对k-1时刻的正多胞体O(k-1)进行扩展,完成故障环境下的参数估计,并按预定时间间隔L输出参数估计值,根据输出参数估计值确定参数估计曲线,根据参数估计曲线的斜率或变化趋势,确定出具体的故障类型。可以通过如下步骤实现:
步骤201,当确定k时刻发电机和变流器系统已经发生故障时,对k-1时刻的正多胞体O(k-1)进行参数全局扩展,得到Oe(k-1)。
其中,|θi,f *(k)-θi,f *(k-1)|≤βi,β1,…,βn为各个参数变化量的最大值,β1,…,βn的值已知。
Ci(k)=Ai(k),
Ci(k)=Ci(k-1),
Ci+n(k)=Ai+n(k),
Ci+n(k)=Ci+n(k-1),
在故障情况下输出待估计参数的估计值的时刻分别为:k+L、k+2L、……、k+λL,λ∈Z+。
步骤204,根据输出的参数估计值得到参数估计曲线,根据参数估计曲线判断出发电机和变流器系统发生的缓变型故障的故障类型。
可选的,根据参数估计曲线的斜率或变化趋势判断出发电机和变流器系统发生的缓变型故障的故障类型。
根据上述内容可知,当检测到k+1时刻发电机和变流器系统没有发生故障时,根据公式(12)-(23)得到的可以确定k+1时刻的待估计参数的估计值;当检测到k+1时刻发电机和变流器系统发生故障时,还需要再对k时刻的正多胞体O(k)进行参数全局扩展,然后再参照公式(12)-(23)得到根据确定k+1时刻的待估计参数的估计值。
为了减小计算量,提高故障诊断的效率,在另一种情况下,当检测到发电机和变流器系统发生故障后,应用参数定向扩展方法对k-1时刻的正多胞体O(k-1)进行扩展,完成故障环境下的参数估计,并按预定时间间隔L输出参数估计值,根据输出参数估计值确定参数估计曲线,根据参数估计曲线的斜率或变化趋势,确定出具体的故障类型。可以通过如下步骤实现:
g=1,…,m,m表示发电机和变流器系统可能发生的故障组合数。
在发电机和变流器系统中,由于有3个待估计参数a、b、c,不考虑全部参数同时发生故障的情况,故可能发生的故障组合数m=6,可能发生故障的参数组合为:{a}、{b}、{c}、{a,b}、{a,c}、{b,c}。
其中,
|θi,f *(k)-θi,f *(k-1)|≤γi,g;
kf表示故障发生的时刻。
kf表示故障发生的时刻。
该步骤与上述步骤202相同,这里不再赘述。
在故障情况下输出待估计参数的估计值的时刻分别为:k+L、k+2L、……、k+λL,λ∈Z+。
步骤307,根据输出的参数估计值得到参数估计曲线,根据所述参数估计曲线判断出发电机和变流器系统发生的缓变型故障的故障类型。
可选的,根据参数估计曲线的斜率或变化趋势判断出发电机和变流器系统发生的缓变型故障的故障类型。
根据上述内容可知,当检测到k+1时刻发电机和变流器系统没有发生故障时,根据公式(12)-(23)得到的可以确定k+1时刻的待估计参数的估计值;当检测到k+1时刻发电机和变流器系统发生故障时,先按照步骤301至步骤303对k时刻的正多胞体O(k)进行故障隔离,然后按照步骤304进行参数定向扩展,然后再参照公式(12)-(23)得到根据确定k+1时刻的待估计参数的估计值。
需要说明的是:上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于正多胞体滤波的风电机组缓变型故障诊断方法,其特征在于,所述方法包括:
根据发电机和变流器系统的输入输出数据,建立发电机和变流器系统的回归模型,所述回归模型如下:
获取用于包含发电机和变流器系统的待估计参数的可行参数集的正多胞体;
检测k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集是否为空集;
若检测到k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集不为空集,则确定k时刻发电机和变流器系统未发生故障;
若检测到k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集为空集,则确定k时刻发电机和变流器系统已经发生故障;
θ*=[a,b,c]T,a、b、c为发电机和变流器系统的待估计参数,θ表示所有待估计参数的有效值,e(k)表示概率分布未知但有界的系统噪声,|e(k)|≤δ,δ表示已知的噪声边界;
2.根据权利要求1所述的方法,其特征在于,所述获取用于包含发电机和变流器系统的待估计参数的可行参数集的正多胞体,包括:
在k-1时刻,根据约束条件按如下公式确定正多胞体O(k-1):
根据k-1时刻的正多胞体O(k-1),更新k时刻的正多胞体O(k);
其中,k时刻发电机和变流器系统的待估计参数的可行参数集Θ(k)为:
k为整数,k的初始值为1,初始正多胞体O(0)已知,初始正多胞体O(0)包含已知的先验集合Θ(0),先验集合Θ(0)包含可行参数集Θ(k);
i=1,2,...,n,Ai(k-1)和Ai+n(k-1)为已知的k-1时刻的约束条件,ei表示单位矩阵的第i列,表示在k-1时刻第i个参数的估计值,di(k-1)表示k-1时刻第i个参数的参数估计的区间长度,表示在k-1时刻第i个参数的估计范围中的最大值,表示在k-1时刻第i个参数的估计范围中的最小值;
4.根据权利要求1所述的方法,其特征在于,所述检测k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集是否为空集,包括:
检测正多胞体O(k-1)的顶点Vj(k-1)是否满足第一判断条件,以及检测正多胞体O(k-1)的顶点Vj(k-1)是否满足第二判断条件;
若检测到存在顶点Vj(k-1)满足第一判断条件,或者,检测到存在顶点Vj(k-1)满足第二判断条件,则确定k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集不为空集;
若检测到所有顶点Vj(k-1)都同时不满足第一判断条件和第二判断条件,则确定k-1时刻的正多胞体O(k-1)与k时刻的测量集合S(k)的交集为空集;
其中,第一判断条件为:Bj,1≥0;第二判断条件为:Bj,2≥0,j=1,…,2n;
6.根据权利要求1至4任一所述的方法,其特征在于,所述方法还包括:
根据输出的待估计参数的估计值得到参数估计曲线,根据所述参数估计曲线判断出发电机和变流器系统发生的缓变型故障的故障类型;所述故障类型包括系统参数缓慢增加、系统参数缓慢减小、系统参数缓慢波动变化;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541498.5A CN110259647B (zh) | 2019-06-21 | 2019-06-21 | 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541498.5A CN110259647B (zh) | 2019-06-21 | 2019-06-21 | 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110259647A CN110259647A (zh) | 2019-09-20 |
CN110259647B true CN110259647B (zh) | 2020-05-22 |
Family
ID=67920249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910541498.5A Active CN110259647B (zh) | 2019-06-21 | 2019-06-21 | 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110259647B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110634198B (zh) * | 2019-09-24 | 2020-12-01 | 江南大学 | 一种基于正多胞体滤波的工业系统分层故障诊断方法 |
CN111597647B (zh) * | 2020-04-09 | 2023-04-25 | 江南大学 | 一种面向工业生产过程的弹簧阻尼系统滤波故障诊断方法 |
CN111664062B (zh) * | 2020-06-16 | 2021-05-11 | 湖南科技大学 | 基于可切换滑模趋近率的双馈感应发电机故障检测方法 |
CN111881587B (zh) * | 2020-07-30 | 2023-08-25 | 江南大学 | 一种基于滤波的永磁直流电动机故障检测方法 |
CN112149886B (zh) * | 2020-09-07 | 2023-10-31 | 江南大学 | 一种基于多维空间滤波的四容水箱系统状态估计方法 |
CN112305418B (zh) * | 2020-10-13 | 2021-09-28 | 江南大学 | 一种基于混合噪声双重滤波的电机系统故障诊断方法 |
CN112682271A (zh) * | 2020-12-25 | 2021-04-20 | 重庆大学 | 一种风电机组测控系统故障检测与故障容错方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102588211A (zh) * | 2012-02-29 | 2012-07-18 | 沈阳华人风电科技有限公司 | 一种风力发电机组全工况模型预测控制方法及系统 |
CN108683214A (zh) * | 2018-05-24 | 2018-10-19 | 华北电力大学 | 基于多重凸多胞体的风电并网系统自适应阻尼控制方法 |
CN108700492A (zh) * | 2016-02-23 | 2018-10-23 | Ntn株式会社 | 异常诊断装置和异常诊断方法 |
CN108799012A (zh) * | 2018-06-11 | 2018-11-13 | 江南大学 | 基于改进多胞型观测方法的风力机桨距执行器故障诊断方法 |
CN109474472A (zh) * | 2018-12-03 | 2019-03-15 | 江南大学 | 一种基于全对称多胞体滤波的故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8719790B2 (en) * | 2011-03-23 | 2014-05-06 | Nec Laboratories America, Inc. | Donut domains—efficient non-convex domains for abstract interpretation |
-
2019
- 2019-06-21 CN CN201910541498.5A patent/CN110259647B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102588211A (zh) * | 2012-02-29 | 2012-07-18 | 沈阳华人风电科技有限公司 | 一种风力发电机组全工况模型预测控制方法及系统 |
CN108700492A (zh) * | 2016-02-23 | 2018-10-23 | Ntn株式会社 | 异常诊断装置和异常诊断方法 |
CN108683214A (zh) * | 2018-05-24 | 2018-10-19 | 华北电力大学 | 基于多重凸多胞体的风电并网系统自适应阻尼控制方法 |
CN108799012A (zh) * | 2018-06-11 | 2018-11-13 | 江南大学 | 基于改进多胞型观测方法的风力机桨距执行器故障诊断方法 |
CN109474472A (zh) * | 2018-12-03 | 2019-03-15 | 江南大学 | 一种基于全对称多胞体滤波的故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110259647A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110259647B (zh) | 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 | |
Naseri et al. | Online parameter estimation for supercapacitor state-of-energy and state-of-health determination in vehicular applications | |
CN111965547B (zh) | 一种基于参数辨识法的电池系统传感器故障诊断方法 | |
JP4587306B2 (ja) | 二次電池の残存容量演算方法 | |
JP4331210B2 (ja) | 神経網を用いたバッテリ残存量推定装置及び方法 | |
CN103003709B (zh) | 电池状态估计装置以及电池状态估计方法 | |
EP1213562A2 (en) | Sensor fault detection, isolation and accomodation | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN109325293B (zh) | 一种基于相关性模型的多故障诊断方法 | |
Ondel et al. | Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis | |
Alfi et al. | Hybrid state of charge estimation for lithium‐ion batteries: design and implementation | |
KR20220011461A (ko) | 디지털 트윈 가상 모델을 이용한 발전 설비 고장 진단 장치 및 방법 | |
CN110377921A (zh) | 一种基于中心对称多胞体的故障检测阈值计算方法 | |
CN112285569A (zh) | 一种基于动态阈值模型的电动汽车故障诊断方法 | |
CN106227964B (zh) | 基于扩张状态观测器的迟滞非线性系统参数辨识方法 | |
CN112748665A (zh) | 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置 | |
Pannala et al. | Consistently Tuned Battery Lifetime Predictive Model of Capacity Loss, Resistance Increase, and Irreversible Thickness Growth | |
CN117969094A (zh) | 一种滚动轴承故障诊断方法、装置及系统 | |
CN111308327B (zh) | 模拟电路故障定位与故障元件参数辨识方法 | |
Bennouna et al. | Diagnosis and fault signature analysis of a wind turbine at a variable speed | |
CN113574398A (zh) | 用于监视铁路轨道设备的道岔的方法 | |
JP2006300692A (ja) | 二次電池の残存容量演算方式 | |
CN105068529B (zh) | 一种基于加权残差分量比较的故障分离方法及系统 | |
JP4582583B2 (ja) | 二次電池の残存容量演算方法 | |
Nadarajan et al. | Comparing extended Kalman filter and particle filter for estimating field and damper bar currents in brushless wound field synchronous generator for stator winding fault detection and diagnosis |
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 |