CN110796281A - 基于改进深度信念网络的风电机组状态参数预测方法 - Google Patents
基于改进深度信念网络的风电机组状态参数预测方法 Download PDFInfo
- Publication number
- CN110796281A CN110796281A CN201910790196.1A CN201910790196A CN110796281A CN 110796281 A CN110796281 A CN 110796281A CN 201910790196 A CN201910790196 A CN 201910790196A CN 110796281 A CN110796281 A CN 110796281A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- state parameter
- parameters
- deep belief
- belief network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 7
- 230000035772 mutation Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明属于电气设备故障诊断方法技术领域,具体涉及基于改进深度信念网络的风电机组状态参数预测方法,本发明首先对数据样本与输入参数选择进行了优化,利用遗传算法改进了深度信念网络的参数训练过程,以状态参数预测模型的预测精度为目标构建了基于改进深度信念网络的状态参数预测模型,本发明构建的模型可以有效预测发电机后端轴承温度,验证了基于遗传优化深度信念网络的状态参数预测模型有效性,说明该模型可以及时发现状态参数的异常信息,有助于及时感知风电机组的异常运行状态,从而避免风电机组严重故障的发生,这对于风电机组的安全稳定运行具有重要意义。
Description
技术领域
本发明属于电气设备故障诊断方法技术领域,具体涉及基于改进深度信念网络的风电机 组状态参数预测方法。
背景技术
风电机组是风电场最主要的关键设备,避免设备严重故障的发生是风电场安全经济运行 的基础。在风电场内,气象条件多变,风能也呈现出典型的随机性,因此风电机组的运行状 态会随风向、风速、轴承温度等多种状态因素的不同而产生变化。风电机组状态参数可以有 效反映出运行状态的变化,进而达到故障诊断的目的。通过设定阈值对风电机组实行状态监 测的传统方法不能有效体现状态参数的变化,在工程应用中效果不佳。因此,有必要建立风 电机组状态参数的预测模型,这有利于在故障潜伏期及时发现机组异常,避免故障的持续发 展导致严重事故发生。
目前,针对风速、风功率预测的研究较多,但这些研究主要是从电力系统调度、并网控 制等层面开展的,从风电机组运行的安全性与可靠性的角度开展的状态参数预测研究较少。 通过建立SCADA状态监测参数的预测模型,可实现状态参数的准确预测,降低外部环境和工 况因素对风电机组实时状态参数的影响。为达到在风机故障的早期实现故障预警目的,大多 数研究通过构建预测模型来辨识风机状态参数的异常。
传统的设定阈值方法对风电机组实行状态监测不能准确反映出非正常运行状态对于风电 机组状态参数的影响,因此建立一个准确的预测模型对风机的异常运行状态进行辨识具有十 分必要的意义。
发明内容
为了解决上述问题,本发明提供了一种基于改进深度信念网络的风电机组状态参数预测 方法,具体技术方案如下:
基于改进深度信念网络的风电机组状态参数预测方法,包括以下步骤:
S1:选取风电机组状态参数的预测样本数据和输入参数;
S2:选择sigmoid函数作为隐含层的激活函数,构建基于深度信念网络的风电机组状态参数 预测模型;
S3:采用遗传算法改进神经网络的训练过程,完成逐层预训练,得到预测模型中所有神经元 的权重矩阵参数变量w和偏置变量b;
S4:完成步骤S3的预训练后采用BP算法对所有参数进行统一训练,调整参数得到输出层的 最终参数;
S5:完成步骤S4的参数训练之后,依次计算预测样本的每一层神经元的输出,得到输出层神 经元的输出,即为待预测样本的状态参数预测值;
S6:计算状态参数预测的均方根误差、平均绝对误差、平均相对误差,验证风电机组状态参 数预测的准确度。
优选地,所述步骤S1中选取风电机组状态参数的预测样本数据和输入参数具体为: 将风速3~25m/s区间划分为Wx个取值区间,将主轴承叶轮侧温度5~50℃划分为Wy个取值 区间,构成的每一个区间均为对应状态参数的子样本,所有的子样本共同构成对应状态参数 的样本数;选取发电机后端轴承温度、风速作为状态参数的输入参数。
优选地,所述步骤S2中隐含层的激活函数如下所示:
优选地,所述步骤S2中构建的基于深度信念网络的风电机组状态参数预测模型的隐含层 数量设置为6层,每层隐含层的神经元数量分别为100、80、60、40、30、20。
优选地,所述步骤S3中神经网络的训练优化模型为:
式中:w1、b1为该输入层的权重矩阵参数和偏置,w1'和b1'为该输出层的权重矩阵参数和 偏置;dj和yj分别表示第j个样本的输入变量和输出变量;S是训练样本总量;Loss表示训 练误差;Lossj表示第j个样本的训练误差。
优选地,所述步骤S6中均方根误差、平均绝对误差、平均相对误差的计算方式如下: 均方根误差为:
平均绝对误差为:
平均相对误差为:
式中,yt’为时刻t的预测值,yt为时刻t的实测值,n为序列的长度。
本发明的有益效果为:本发明首先对数据样本与输入参数选择进行了优化,利用遗传算 法改进了深度信念网络的参数训练过程,以状态参数预测模型的预测精度为目标构建了基于 改进深度信念网络的状态参数预测模型,本发明构建的模型可以有效预测发电机后端轴承温 度,验证了基于遗传优化深度信念网络的状态参数预测模型有效性,说明该模型可以及时发 现状态参数的异常信息,有助于及时感知风电机组的异常运行状态,从而避免风电机组严重 故障的发生,这对于风电机组的安全稳定运行具有重要意义。本发明为判断风电机组运行状 态、评估风电机的故障情况、降低风电机组的故障风险、保障电力系统稳定运行提供了新思 路。
附图说明
图1是本发明状态参数数据样本划分图;
图2是本发明基于改进深度信念网络的状态参数预测结构图;
图3是本发明一天内的预测结果图;
图4是本发明两个月内的预测结果图。
具体实施方式
为了更好的理解本发明,下面结合附图和具体实施例对本发明作进一步说明:
基于改进深度信念网络的风电机组状态参数预测方法,包括以下步骤:
S1:选取风电机组状态参数的预测样本数据和输入参数;以齿轮箱输入轴温度为例,风速取 值为3~4m/s、4~5m/s时,各风速段内齿轮箱温度的取值范围均为20~80℃,无法对取值区 间进行划分。根据运行数据可知与齿轮箱输入轴温度相关性最高的是齿轮箱输出轴温度。因 此,根据风速和主轴承叶轮侧齿轮箱温度对齿轮箱输入轴温度进行样本数据取值区间划分。 风电场SCADA系统中机组状态参数多,其中风速是状态参数变化的主要原因,首先分析风速 的取值分布。由风电场运行数据可知,风电机组风速的取值广泛分布在5~10m/s,风速高于 15m/s的取值较少。将风速3~25m/s区间划分为Wx个取值区间,将主轴承叶轮侧温度5~50℃ 划分为Wy个取值区间,构成的每一个区间均为对应状态参数的子样本,所有的子样本共同构 成对应状态参数的样本数。状态参数数据样本划分图如图1所示。
状态参数预测模型中,输入参数的选择是影响预测精度另一主要因素。风电场SCADA系 统中状态参数间存在复杂的关联性,预测模型的输入参数选择方式较多。本文根据状态参数 间的关联性,依据状态参数间的关联序对输入参数选择。同时为避免信息的冗余,排除同一 部件相同类型的状态参数,如以风电机组绕组U1温度为预测目标时,虽然绕组U1温度和绕组 U2温度关联性极大,以发电机绕组U2为输入可提高预测模型的精度,但信息重复,不利于异 常信息辨识,因此选取发电机后端轴承温度为输入参数。此外,选取风速作为状态参数的输 入参数。
S2:选择sigmoid函数作为隐含层的激活函数,构建基于深度信念网络的风电机组状态参数 预测模型;如图2所示,构建的基于深度信念网络的风电机组状态参数预测模型的隐含层数 量设置为6层,每层隐含层的神经元数量分别为100、80、60、40、30、20。隐含层的激活 函数如下所示:
S3:采用遗传算法改进神经网络的训练过程,完成逐层预训练,得到预测模型中所有神经元 的权重矩阵参数变量w和偏置变量b。
以风机状态参数预测模型第1层隐含层神经元参数w1、b1为例,对第一步的预训练的过 程进行说明:
首先构建6层神经网络,w1'和b1'为该输出层的权重矩阵参数和偏置。
神经网络的训练优化模型为:
式中:w1、b1为该输入层的权重矩阵参数和偏置,w1'和b1'为该输出层的权重矩阵参数和 偏置;dj和yj分别表示第j个样本的输入变量和输出变量;S是训练样本总量;Loss表示训 练误差;Lossj表示第j个样本的训练误差。
为了避免传统的梯度下降方法容易陷入局部最优以及迭代过程耗时太长的缺点,需要采 用启发式算法进行改进,以迅速优化初值提高效率。在启发式算法中,遗传算法具有收敛性 好、计算精度高而耗时少等优点,本文选取其改进训练过程训练,可得到满足目标的参数。 再根据上式进行计算,即可得到第1层隐含层神经元输出l1。具体实现步骤如下:
(1)确定编码方式
编码方式采用浮点数编码方法,因为二进制的编码方式编码串过长,影响运算精度与运 算速度,而浮点数编码可以降低计算复杂性,提高运算效率。
(2)参数初始化
初始化种群P,包括种群规模、交叉概率Pc、突变概率Pm以及隐含层神经元参数(w1、b1)。 经过多次计算,在种群数为50、最大迭代数为200时算法的收敛性较好,因此将遗传算法的 种群数设为50、最大迭代数设为200。交叉概率Pc设为0.25,突变概率Pm设为0.05。
(3)构造适应度函数
预训练的目标是实现训练误差最小,因此适应度函数fi设置为训练误差之和。适应度函 数为:
fi=min Loss(w1,w1',b1,b1');
(4)选择操作
根据个体适应度值的不同对其进行排序,选择其中某一代的任意一个个体i的概率Pi为:
按照以上概率在种群中选择2个个体xi与xj,计算xi与yi的适应度f(xi)与f(xj)。
(5)交叉操作
将选择的xi与xj进行交叉操作,交叉后产生新个体x'i和x'j,计算交叉后的新个体的适应 度f(x'i)与f(x'j)。得到交叉前后四个个体适应度的平均值favera并与f(x'i)比较,若 f(x'i)≤favera,则用x'i替换xi。
(6)变异操作
对交叉后的个体利用突变概率Pm进行编译并按照步骤(5)的方法判断是否接受新的个 体。
(7)若多代迭代后满足训练误差最小或者达到最大遗传代数,结束算法,否则返回第(4) 步
完成w1、b1的预训练之后,按照以上步骤(1)-(7)依次完成第2-6层隐含层神经元参数的预训练。
S4:完成步骤S3的预训练后采用BP算法对所有参数进行统一训练,调整参数得到输出层的 最终参数,即得到所有神经元的权重矩阵参数变量w和偏置变量b。
S5:完成步骤S4的参数训练之后,依次计算预测样本的每一层神经元的输出,得到输出层神 经元的输出,即为待预测样本的状态参数预测值;
S6:计算状态参数预测的均方根误差、平均绝对误差、平均相对误差,验证风电机组状态参 数预测的准确度。均方根误差、平均绝对误差、平均相对误差的计算方式如下:
均方根误差为:
平均绝对误差为:
平均相对误差为:
式中,yt’为时刻t的预测值,yt为时刻t的实测值,n为序列的长度。
本实例以某风电场SCADA数据为基础,验证本文所构建的状态参数预测模型有效性。2018 年5月30日,17号机组发电机后端轴承温度发生过热故障导致机组停机。为对故障前发电 机后端轴承温度参数变化进行分析,以故障发生前两个月为分析时段,即分析时段为2018年 4月1日至2018年5月30日。
采集该风电场SCADA系统中17号机组的状态参数数据,综合考虑样本的区分度和样本数 量对其数据样本进行划分。表1为该风电场17号机组后端轴承温度样本的划分区间,共有 10个子样本组成。
表1不同风速下的温度样本划分
按照本发明所述方法划分后的数据训练样本后,样本中第一关联量为风速,第二关联量 为发电机后端轴承温度,以此建立发电机后端轴承温度训练数据样本,预测时对应不同风速 区间,以“切换样本”的方式更换预测模型。
采用本发明所述方法对分析时段内发电机后端轴承温度进行预测。分析时段约60天, 设定预测时间间隔10分钟。
图3展示了2018年4月1日采用改进深度信念网络模型预测发电机后端轴承温度时的 预测值,预测精度评估指标分别为:MSE为0.91℃,MAE为0.49℃,MAPE为1.23%。
按照上述预测过程,采用滚动式建模预测方法,获取4月1日至5月30日的残差序列。 图4为分析时段内发电机后端轴承温度的监测数据和分析时段内发电机后端轴承温度残差序 列。
在4月1日-5月30日两个月的范围内,发电机后端轴承温度预测结果误差基本在±2℃ 之间,预测精度评估指标分别为:MSE为1.47℃,MAE为0.86℃,MAPE为1.73%。在时间点6500左右残差较大,最高达到7.4℃和-4.23℃,在这个时间点内,后端轴承温度偏离正常值较多,但是风电机组的SCADA系统没有出现状态参数越限报警记录,说明此时风电机组内部存在过热的潜伏性故障,温度的变化值并未超过报警阈值,因此导致潜伏性故障难以发 现。利用本文模型得到的预测结果可以发现某个时间点内风电机组状态参数的突变,从而有 效辨识出风电机组的异常运行状态。
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已, 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、等同替换和改进等, 均应包含在本发明的保护范围之内。
Claims (6)
1.基于改进深度信念网络的风电机组状态参数预测方法,其特征在于:包括以下步骤:
S1:选取风电机组状态参数的预测样本数据和输入参数;
S2:选择sigmoid函数作为隐含层的激活函数,构建基于深度信念网络的风电机组状态参数预测模型;
S3:采用遗传算法改进神经网络的训练过程,完成逐层预训练,得到预测模型中所有神经元的权重矩阵参数变量w和偏置变量b;
S4:完成步骤S3的预训练后采用BP算法对所有参数进行统一训练,调整参数得到输出层的最终参数;
S5:完成步骤S4的参数训练之后,依次计算预测样本的每一层神经元的输出,得到输出层神经元的输出,即为待预测样本的状态参数预测值;
S6:计算状态参数预测的均方根误差、平均绝对误差、平均相对误差,验证风电机组状态参数预测的准确度。
2.根据权利要求1所述的基于改进深度信念网络的风电机组状态参数预测方法,其特征在于:所述步骤S1中选取风电机组状态参数的预测样本数据和输入参数具体为:
将风速3~25m/s区间划分为Wx个取值区间,将主轴承叶轮侧温度5~50℃划分为Wy个取值区间,构成的每一个区间均为对应状态参数的子样本,所有的子样本共同构成对应状态参数的样本数;选取发电机后端轴承温度、风速作为状态参数的输入参数。
3.根据权利要求1所述的基于改进深度信念网络的风电机组状态参数预测方法,其特征在于:所述步骤S2中隐含层的激活函数如下所示:
4.根据权利要求1所述的基于改进深度信念网络的风电机组状态参数预测方法,其特征在于:所述步骤S2中构建的基于深度信念网络的风电机组状态参数预测模型的隐含层数量设置为6层,每层隐含层的神经元数量分别为100、80、60、40、30、20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910790196.1A CN110796281B (zh) | 2019-08-26 | 2019-08-26 | 基于改进深度信念网络的风电机组状态参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910790196.1A CN110796281B (zh) | 2019-08-26 | 2019-08-26 | 基于改进深度信念网络的风电机组状态参数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796281A true CN110796281A (zh) | 2020-02-14 |
CN110796281B CN110796281B (zh) | 2022-07-08 |
Family
ID=69427049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910790196.1A Active CN110796281B (zh) | 2019-08-26 | 2019-08-26 | 基于改进深度信念网络的风电机组状态参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796281B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN112270336A (zh) * | 2020-09-07 | 2021-01-26 | 河北工业大学 | 一种ga-bp工况识别方法及系统 |
CN112418504A (zh) * | 2020-11-17 | 2021-02-26 | 西安热工研究院有限公司 | 一种基于混合变量选择优化深度信念网络风速预测方法 |
CN113158535A (zh) * | 2020-12-24 | 2021-07-23 | 湖南科技大学 | 一种基于深度学习的风电机组主轴承温度预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107292458A (zh) * | 2017-08-07 | 2017-10-24 | 北京中星微电子有限公司 | 一种应用于神经网络芯片的预测方法和预测装置 |
CN107633511A (zh) * | 2017-09-14 | 2018-01-26 | 南通大学 | 一种基于自编码神经网络的风机视觉检测系统 |
WO2018107414A1 (zh) * | 2016-12-15 | 2018-06-21 | 上海寒武纪信息科技有限公司 | 压缩/解压缩神经网络模型的装置、设备和方法 |
CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
-
2019
- 2019-08-26 CN CN201910790196.1A patent/CN110796281B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2018107414A1 (zh) * | 2016-12-15 | 2018-06-21 | 上海寒武纪信息科技有限公司 | 压缩/解压缩神经网络模型的装置、设备和方法 |
CN107292458A (zh) * | 2017-08-07 | 2017-10-24 | 北京中星微电子有限公司 | 一种应用于神经网络芯片的预测方法和预测装置 |
CN107633511A (zh) * | 2017-09-14 | 2018-01-26 | 南通大学 | 一种基于自编码神经网络的风机视觉检测系统 |
CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
Non-Patent Citations (2)
Title |
---|
M.ALAM 等: "Novel deep generative simultaneous recurrent model for efficient representation learning", 《NEURAL NETWORKS》 * |
刘秀丽 等: "基于深度信念网络的风电机组齿轮箱故障诊断方法", 《可再生能源》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN111080039B (zh) * | 2020-03-17 | 2023-10-20 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN112270336A (zh) * | 2020-09-07 | 2021-01-26 | 河北工业大学 | 一种ga-bp工况识别方法及系统 |
CN112418504A (zh) * | 2020-11-17 | 2021-02-26 | 西安热工研究院有限公司 | 一种基于混合变量选择优化深度信念网络风速预测方法 |
CN112418504B (zh) * | 2020-11-17 | 2023-02-28 | 西安热工研究院有限公司 | 一种基于混合变量选择优化深度信念网络风速预测方法 |
CN113158535A (zh) * | 2020-12-24 | 2021-07-23 | 湖南科技大学 | 一种基于深度学习的风电机组主轴承温度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110796281B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796281B (zh) | 基于改进深度信念网络的风电机组状态参数预测方法 | |
CN111237134B (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 | |
CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN109444740B (zh) | 一种风电机组的故障状态智能监测与诊断方法 | |
Li et al. | A novel wind speed-sensing methodology for wind turbines based on digital twin technology | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
CN111415010B (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN106991212B (zh) | 基于ga_pso优化grnn网络算法的叶根强度预测方法 | |
CN112746934B (zh) | 一种自联想神经网络诊断风机故障方法 | |
CN107563251A (zh) | 基于极限学习机的风机故障诊断方法 | |
CN109242200B (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
Shang et al. | Research on intelligent pest prediction of based on improved artificial neural network | |
CN118188342A (zh) | 一种面向风机的故障预警与寿命预测方法 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
Jiangxia et al. | A combination prediction model for wind farm output power | |
Najar et al. | Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
CN114049014A (zh) | 海上风电机组运行状态评估方法、装置及系统 | |
Tan et al. | Study of smart condition monitoring using deep neural networks with dropouts and cross-validation | |
CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 | |
Ou et al. | Fault Prediction Model of Wind Power Pitch System Based on BP Neural Network | |
CN112380041B (zh) | 一种基于xgboost的指控通信装备故障预测方法 |
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 |