CN110796281B - 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 PDF

Info

Publication number
CN110796281B
CN110796281B CN201910790196.1A CN201910790196A CN110796281B CN 110796281 B CN110796281 B CN 110796281B CN 201910790196 A CN201910790196 A CN 201910790196A CN 110796281 B CN110796281 B CN 110796281B
Authority
CN
China
Prior art keywords
wind turbine
state parameter
parameters
training
deep belief
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
CN201910790196.1A
Other languages
English (en)
Other versions
CN110796281A (zh
Inventor
焦健
黎大健
张磊
张玉波
陈梁远
赵坚
余长厅
颜海俊
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN201910790196.1A priority Critical patent/CN110796281B/zh
Publication of CN110796281A publication Critical patent/CN110796281A/zh
Application granted granted Critical
Publication of CN110796281B publication Critical patent/CN110796281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (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

基于改进深度信念网络的风电机组状态参数预测方法
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：
Figure GDA0002337268660000021
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：
Figure GDA0002337268660000022
Figure GDA0002337268660000023
Figure GDA0002337268660000024
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：
Figure GDA0002337268660000025
平均绝对误差为：
Figure GDA0002337268660000026
平均相对误差为：
Figure GDA0002337268660000031
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：
Figure GDA0002337268660000041
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：
Figure GDA0002337268660000042
Figure GDA0002337268660000043
Figure GDA0002337268660000044
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：
Figure GDA0002337268660000051
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faverage并与f(x’i)比较，若f(x’i)≤faverage，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：
Figure GDA0002337268660000061
平均绝对误差为：
Figure GDA0002337268660000062
平均相对误差为：
Figure GDA0002337268660000063
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
Figure GDA0002337268660000064
Figure GDA0002337268660000071
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 (4)

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；所述神经网络的训练优化模型为：
Figure FDA0003563321890000011
Figure FDA0003563321890000012
Figure FDA0003563321890000013
式中：w1、b1为输入层的权重矩阵参数和偏置，w1'和b1'为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；
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；所述均方根误差、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：
Figure FDA0003563321890000014
平均绝对误差为：
Figure FDA0003563321890000015
平均相对误差为：
Figure FDA0003563321890000016
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。
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：
Figure FDA0003563321890000021
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。
CN201910790196.1A 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 Active CN110796281B (zh)

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 CN110796281A (zh) 2020-02-14
CN110796281B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
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
CN107292458B (zh) * 2017-08-07 2021-09-10 北京中星微人工智能芯片技术有限公司 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
CN109444740B (zh) * 2018-11-14 2020-10-02 湖南大学 一种风电机组的故障状态智能监测与诊断方法

Also Published As

Publication number Publication date
CN110796281A (zh) 2020-02-14

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
CN109444740B (zh) 一种风电机组的故障状态智能监测与诊断方法
CN110689171A (zh) 一种基于e-lstm的汽轮机健康状态预测方法
CN112926273A (zh) 一种多元退化设备剩余寿命预测方法
Li et al. A novel wind speed-sensing methodology for wind turbines based on digital twin technology
CN105550943A (zh) 一种基于模糊综合评判的风电机组状态参数异常辨识方法
CN112746934B (zh) 一种自联想神经网络诊断风机故障方法
CN111950505A (zh) 一种ssa-aann的风力发电机传感器状态评估方法
CN114861533A (zh) 基于时间卷积网络的风功率超短期预测方法
CN115809405A (zh) 基于多特征融合的风机主轴齿轮箱温度异常检测方法
Zhang et al. A hybrid forecasting system with complexity identification and improved optimization for short-term wind speed prediction
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
CN113344288A (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN116341613A (zh) 一种基于Informer encoder和LSTM的超短期光伏功率预测方法
Shang et al. Research on intelligent pest prediction of based on improved artificial neural network
Liang et al. Multi-running state health assessment of wind turbines drive system based on BiLSTM and GMM
CN109242200B (zh) 一种贝叶斯网络预测模型的风电功率区间预测方法
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
CN114066068A (zh) 一种短期电力负荷预测方法、装置、设备和存储介质
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
Jiangxia et al. A combination prediction model for wind farm output power
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

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