CN110992205A - 风电机组发电机绕组的状态检测方法、系统及相关组件 - Google Patents
风电机组发电机绕组的状态检测方法、系统及相关组件 Download PDFInfo
- Publication number
- CN110992205A CN110992205A CN201911191614.1A CN201911191614A CN110992205A CN 110992205 A CN110992205 A CN 110992205A CN 201911191614 A CN201911191614 A CN 201911191614A CN 110992205 A CN110992205 A CN 110992205A
- Authority
- CN
- China
- Prior art keywords
- winding
- score
- actual
- early warning
- numerical 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.)
- Pending
Links
- 238000004804 winding Methods 0.000 title claims abstract description 110
- 238000001514 detection method Methods 0.000 title claims description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 21
- 230000008859 change Effects 0.000 abstract description 8
- 239000000306 component Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012360 testing method 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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种风电机组发电机绕组的状态检测方法、系统、装置及可读存储介质,包括:获取与绕组系统相关的多个目标变量的第一实际数值;根据理想分布模型,确定每个第一实际数值的分值;将第一实际数值的分值导入神经网络预警模型中,得到神经网络预警模型的输出结果,输出结果包括绕组系统的当前状态判定结果和/或目标变量预判结果。本申请对获取的第一实际数值进行分值确定后输入神经网络预警模型,通过训练好的神经网络预警模型的分析,输出绕组系统的当前状态判定结果、目标变量预判结果,实际上完成了绕组当前状态、运行趋势的变化分析,分析结果具有前瞻性,从而能够提前察觉异常并及时处理,避免造成重大安全事故。
Description
技术领域
本发明涉及风电机组领域,特别涉及一种风电机组发电机绕组的状态检测方法、系统及相关组件。
背景技术
发电机作为风电机组的核心组成部分,其运行的可靠性直接影响机组的安全与发电量,而绕组系统更是发电机的关键零部件,所以对绕组系统进行状态评估及预警有着重要的意义。由于风电机组安装在雷电、风暴、盐雾等恶劣环境中,发电机绕组系统的运行状态无法通过单一观测指标进行表征,且绕组系统未加装其他传感器,仅能通过温度及其他电信号侧面反映其运行状态。目前,在发生重大故障之前现场运维人员无法知晓情况,即使专业工程师也无法通过经验对其运行状态进行评估,也无法对异常情况进行提前预判或预警,提前采取断电或其它方式应急处理,杜绝安全事故发生。
因此,如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种风电机组发电机绕组的状态检测方法、系统及相关组件,以便对发电机绕组的运行状态进行准确评估和趋势判断,从而在发生异常情况时提前预警避免更为严重的情况发生。其具体方案如下:
一种风电机组发电机绕组的状态检测方法,包括:
获取与绕组系统相关的多个目标变量的第一实际数值;
根据理想分布模型,确定每个所述第一实际数值的分值;
将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。
优选的,所述理想分布模型具体为正态分布模型。
优选的,所述根据理想分布模型,确定每个所述第一实际数值的分值的过程,具体包括:
根据分值确定公式,确定每个所述第一实际数值的分值;
所述分值确定公式具体为:
其中,score为任一所述第一实际数值的分值,X为任一所述目标变量的理论预设值与第一实际数值的残差,X符合标准正态分布模型。
优选的,所述根据理想分布模型,确定每个所述第一实际数值的分值之前,还包括:
对每个所述目标变量的第一实际数值进行预处理;
所述预处理包括填补缺失值、和/或剔除异常值、和/或数据标准化。
优选的,所述输出结果还包括:
故障类型预判结果、和/或故障时刻预判结果、和/或故障概率预判结果、和/或预警指令。
优选的,所述状态检测方法还包括:
获取所述目标变量预判结果的时刻相对应的第二实际数值;
将所述第一实际数值的分值、所述输出结果、第二实际数值作为训练依据,训练所述神经网络预警模型。
优选的,多个所述目标变量包括:
机舱温度、和/或发电机转速、和/或绕组有功功率、和/或绕组温度、和/或绕组电压、和/或绕组电流、和/或冷却系统进出风口温度。
相应的,本发明还公开了一种风电机组发电机绕组的状态检测系统,包括:
获取模块,用于获取与绕组系统相关的多个目标变量的第一实际数值;
确定模块,用于根据理想分布模型,确定每个所述第一实际数值的分值;
判定模块,用于将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。
相应的,本发明还公开了一种风电机组发电机绕组的状态检测装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任一项所述风电机组发电机绕组的状态检测方法的步骤。
相应的,本发明还公开了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任一项所述风电机组发电机绕组的状态检测方法的步骤。
本发明公开了一种风电机组发电机绕组的状态检测方法,包括:获取与绕组系统相关的多个目标变量的第一实际数值;根据理想分布模型,确定每个所述第一实际数值的分值;将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。本发明对获取的第一实际数值进行分值确定后输入神经网络预警模型,通过训练好的神经网络预警模型的分析,输出绕组系统的当前状态判定结果、目标变量预判结果,实际上完成了绕组当前状态、运行趋势的变化分析,分析结果具有前瞻性,从而能够提前察觉异常并及时处理,避免造成重大安全事故。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种风电机组发电机绕组的状态检测方法的步骤流程图;
图2为本发明实施例中一种具体的风电机组发电机绕组的状态检测方法的步骤流程图;
图3为本发明实施例中一种风电机组发电机绕组的状态检测系统的结构分布图;
图4为本发明实施例中一种风电机组发电机绕组的状态检测装置的结构分布图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于风电机组安装在雷电、风暴、盐雾等恶劣环境中,发电机绕组系统的运行状态无法通过单一观测指标进行表征,且绕组系统未加装其他传感器,仅能通过温度及其他电信号侧面反映其运行状态。目前,在发生重大故障之前现场运维人员无法知晓情况,即使专业工程师也无法通过经验对其运行状态进行评估,也无法对异常情况进行提前预判或预警,提前采取断电或其它方式应急处理,杜绝安全事故发生。
本发明对获取的第一实际数值进行分值确定后输入神经网络预警模型,通过训练好的神经网络预警模型的分析,输出绕组系统的当前状态判定结果、目标变量预判结果,实际上完成了绕组当前状态、运行趋势的变化分析,分析结果具有前瞻性,从而能够提前察觉异常并及时处理,避免造成重大安全事故。
本发明实施例公开了一种风电机组发电机绕组的状态检测方法,参见图1所示,包括:
S11:获取与绕组系统相关的多个目标变量的第一实际数值;
具体的,这里多个目标变量具体包括机舱温度、和/或发电机转速、和/或绕组有功功率、和/或绕组温度、和/或绕组电压、和/或绕组电流、和/或冷却系统进出风口温度,这些目标变量的第一实际数值通过机组SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制系统)监测系统得到。
S12:根据理想分布模型,确定每个所述第一实际数值的分值;
可以理解的是,每个目标变量的理想分布模型可通过统计大量的测试数据确定,一般为正态分布模型,根据第一实际数值在理想分布模型中的分布位置,从而确定其分值。
S13:将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。
具体的,神经网络预警模型为预先利用训练样本进行机器学习生成的神经网络模型,训练样本为目标变量在一段时间内的实际数值和对应的绕组系统的实际状态,将第一时刻的实际数值作为输入,将此时的绕组系统的实际状态、第一时刻后的实际数值及绕组系统的实际状态作为输出,调整神经网络模型中网络结构参数,直至训练误差满足精度为止。其中神经网络模型通常为构造的BP神经网络。
实际上,神经网络预警模型通过机器学习对当前的第一实际数值进行了两方面的分析,一方面是判断了第一实际数值反映出的绕组系统的当前状态;另一方面是通过持续获取目标状态的实际数值,分析了此时目标变量的变化趋势,并预测了发电机绕组的状态变化。
其中,绕组系统的系统温度是状态的重要影响因素之一。绕组系统温度有发电机绕组发热和内外循环风路散热共同决定,绕组系统发热的主要原因是绕组系统电流过大或环境温度过高,需要关注有功功率和环境温度;散热不良则是由内外循环风路导致。
进一步的,为了得到对工作人员友好、更明确易读的输出结果,本实施例还可以设置输出结果包括:
故障类型预判结果、和/或故障时刻预判结果、和/或故障概率预判结果、和/或预警指令。
可以理解的是,在神经网络预警模型内,得出的目标变量预判结果也就是目标变量的预测变化趋势,可以对应确定预测状态判定结果,如果预测状态判定结果为故障,则还可以进一步确定该故障对应的故障类型预判结果、和/或故障时刻预判结果、和/或故障概率预判结果,如果由故障概率预判结果,也即预判得到故障发生的概率超过概率阈值,则发出预警指令告知工作人员该故障的可能的故障类型以及可能的故障发生时间,由现场的工作人员采取断电或计划性检修的方式消除该故障隐患,避免重大事故发生。
本发明公开了一种风电机组发电机绕组的状态检测方法,包括:获取与绕组系统相关的多个目标变量的第一实际数值;根据理想分布模型,确定每个所述第一实际数值的分值;将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。本发明对获取的第一实际数值进行分值确定后输入神经网络预警模型,通过训练好的神经网络预警模型的分析,输出绕组系统的当前状态判定结果、目标变量预判结果,实际上完成了绕组当前状态、运行趋势的变化分析,分析结果具有前瞻性,从而能够提前察觉异常并及时处理,避免造成重大安全事故。
本发明实施例公开了一种具体的风电机组发电机绕组的状态检测方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。
具体的,所述理想分布模型具体为正态分布模型。
在实际运算时,所述根据理想分布模型,确定每个所述第一实际数值的分值的过程,具体包括:
根据分值确定公式,确定每个所述第一实际数值的分值;
所述分值确定公式具体为:
其中,所述score为任一所述第一实际数值的分值,所述X为任一所述目标变量的理论预设值与第一实际数值的残差,所述X符合标准正态分布模型,也即X~N(0,1)。
以表1为例,神经网络预警模型输入的目标变量包括绕组温度、内外循环的进出风口温度、强迫风机运行状态等,综合得分为对各目标变量记性加权计算后得到的数值,其余各分值为由对应的理想分布模型确定第一实际数值的分值。
表1
以表2为例,神经网络预警模型的输出结果如表2中所示,当前状态判定结果根据综合得分分级确定,是否预警通过最直观且重要的目标变量——绕组温度确定,具体的,当(|实际温度-理论温度|-μ)/δ≥3时,输出预警指令,以降低绕组系统的超温率,其中μ和δ的取值为(实际温度-理论温度)的期望值与方差。当然,除了这种判定方法外,还可选择其他标准来规定预警指令是否输出,此处不作限定。
表2
本发明实施例公开了一种具体的风电机组发电机绕组的状态检测方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。
具体的,参见图2所示:
S21:获取与绕组系统相关的多个目标变量的第一实际数值;
S22:对每个所述目标变量的第一实际数值进行预处理;
其中,所述预处理包括填补缺失值、和/或剔除异常值、和/或数据标准化。
可以理解的是,填补缺失值是指,当数据存在缺失值“NULL”且目标变量为连续量,取缺失值前后的平均值作为缺失值;数据标准化是为了消除不同数据变量的不同量纲造成的影响,因此按照公式进行标准化处理,其中A为变量数值,μ和δ分别为该变量的均值与方差,A*为标准化后的变量数值。
S23:根据理想分布模型,确定每个所述第一实际数值的分值;
S24:将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果;
S25:获取所述目标变量预判结果的时刻相对应的第二实际数值;
S26:将所述第一实际数值的分值、所述输出结果、第二实际数值作为训练依据,训练所述神经网络预警模型。
可以理解的是,在状态检测方法实行的过程中,神经网络预警模型并没有停止学习,依然在对照预测结果和实际数值进行神经网络的参数调整,以提高神经网络预警模型的准确度。
相应的,本发明实施例还公开了一种风电机组发电机绕组的状态检测系统,参见图3所示,包括:
获取模块01,用于获取与绕组系统相关的多个目标变量的第一实际数值;
确定模块02,用于根据理想分布模型,确定每个所述第一实际数值的分值;
判定模块03,用于将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。
本发明实施例对获取的第一实际数值进行分值确定后输入神经网络预警模型,通过训练好的神经网络预警模型的分析,输出绕组系统的当前状态判定结果、目标变量预判结果,实际上完成了绕组当前状态、运行趋势的变化分析,分析结果具有前瞻性,从而能够提前察觉异常并及时处理,避免造成重大安全事故。
在一些具体的实施例中,所述理想分布模型具体为正态分布模型。
在一些具体的实施例中,所述确定模块02具体用于:
根据分值确定公式,确定每个所述第一实际数值的分值;
所述分值确定公式具体为:
其中,所述score为任一所述第一实际数值的分值,所述X为任一所述目标变量的理论预设值与第一实际数值的残差,所述X符合标准正态分布模型。
在一些具体的实施例中,所述确定模块02具体还用于:
对每个所述目标变量的第一实际数值进行预处理;
所述预处理包括填补缺失值、和/或剔除异常值、和/或数据标准化。
在一些具体的实施例中,所述输出结果还包括:
故障类型预判结果、和/或故障时刻预判结果、和/或故障概率预判结果、和/或预警指令。
在一些具体的实施例中,所述状态监测系统还包括更新模块04,用于:
获取所述目标变量预判结果的时刻相对应的第二实际数值;
将所述第一实际数值的分值、所述输出结果、第二实际数值作为训练依据,训练所述神经网络预警模型。
在一些具体的实施例中,多个所述目标变量包括:
机舱温度、和/或发电机转速、和/或绕组有功功率、和/或绕组温度、和/或绕组电压、和/或绕组电流、和/或冷却系统进出风口温度。
相应的,本发明实施例还公开了一种风电机组发电机绕组的状态检测装置,参见图4所示,包括处理器11和存储器12;其中,所述处理11执行所述存储器12中保存的计算机程序时实现以下步骤:
获取与绕组系统相关的多个目标变量的第一实际数值;
根据理想分布模型,确定每个所述第一实际数值的分值;
将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。
本发明实施例对获取的第一实际数值进行分值确定后输入神经网络预警模型,通过训练好的神经网络预警模型的分析,输出绕组系统的当前状态判定结果、目标变量预判结果,实际上完成了绕组当前状态、运行趋势的变化分析,分析结果具有前瞻性,从而能够提前察觉异常并及时处理,避免造成重大安全事故。
在一些具体的实施例中,所述理想分布模型具体为正态分布模型。
在一些具体的实施例中,所述处理器11执行所述存储器12中保存的计算机子程序时,具体可以实现以下步骤:
根据分值确定公式,确定每个所述第一实际数值的分值;
所述分值确定公式具体为:
其中,所述score为任一所述第一实际数值的分值,所述X为任一所述目标变量的理论预设值与第一实际数值的残差,所述X符合标准正态分布模型。
在一些具体的实施例中,所述处理器11执行所述存储器12中保存的计算机子程序时,具体可以实现以下步骤:
对每个所述目标变量的第一实际数值进行预处理;
所述预处理包括填补缺失值、和/或剔除异常值、和/或数据标准化。
在一些具体的实施例中,所述输出结果还包括:
故障类型预判结果、和/或故障时刻预判结果、和/或故障概率预判结果、和/或预警指令。
在一些具体的实施例中,所述处理器11执行所述存储器12中保存的计算机子程序时,具体可以实现以下步骤:
获取所述目标变量预判结果的时刻相对应的第二实际数值;
将所述第一实际数值的分值、所述输出结果、第二实际数值作为训练依据,训练所述神经网络预警模型。
在一些具体的实施例中,多个所述目标变量包括:
机舱温度、和/或发电机转速、和/或绕组有功功率、和/或绕组温度、和/或绕组电压、和/或绕组电流、和/或冷却系统进出风口温度。
进一步的,本实施例中的状态监测装置,还可以包括:
输入接口13,用于获取外界导入的计算机程序,并将获取到的计算机程序保存至所述存储器12中,还可以用于获取外界终端设备传输的各种指令和参数,并传输至处理器11中,以便处理器11利用上述各种指令和参数展开相应的处理。本实施例中,所述输入接口13具体可以包括但不限于USB接口、串行接口、语音输入接口、指纹输入接口、硬盘读取接口等。
输出接口14,用于将处理器11产生的各种数据输出至与其相连的终端设备,以便于与输出接口14相连的其他终端设备能够获取到处理器11产生的各种数据。本实施例中,所述输出接口14具体可以包括但不限于USB接口、串行接口等。
通讯单元15,用于在状态检测装置和外部服务器之间建立远程通讯连接,以便于状态检测装置能够将镜像文件挂载到外部服务器中。本实施例中,通讯单元15具体可以包括但不限于基于无线通讯技术或有线通讯技术的远程通讯单元。
键盘16,用于获取用户通过实时敲击键帽而输入的各种参数数据或指令。
显示器17,用于状态检测过程的相关信息进行实时显示,以便于用户及时地了解当前状态检测过程。
鼠标18,可以用于协助用户输入数据并简化用户的操作。
进一步的,本申请实施例还公开了一种计算机可读存储介质,这里所说的计算机可读存储介质包括随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动硬盘、CD-ROM或技术领域内所公知的任意其他形式的存储介质。计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取与绕组系统相关的多个目标变量的第一实际数值;
根据理想分布模型,确定每个所述第一实际数值的分值;
将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。
本发明实施例对获取的第一实际数值进行分值确定后输入神经网络预警模型,通过训练好的神经网络预警模型的分析,输出绕组系统的当前状态判定结果、目标变量预判结果,实际上完成了绕组当前状态、运行趋势的变化分析,分析结果具有前瞻性,从而能够提前察觉异常并及时处理,避免造成重大安全事故。
在一些具体的实施例中,所述理想分布模型具体为正态分布模型。
在一些具体的实施例中,所述计算机可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:
根据分值确定公式,确定每个所述第一实际数值的分值;
所述分值确定公式具体为:
其中,所述score为任一所述第一实际数值的分值,所述X为任一所述目标变量的理论预设值与第一实际数值的残差,所述X符合标准正态分布模型。
在一些具体的实施例中,所述计算机可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:
对每个所述目标变量的第一实际数值进行预处理;
所述预处理包括填补缺失值、和/或剔除异常值、和/或数据标准化。
在一些具体的实施例中,所述输出结果还包括:
故障类型预判结果、和/或故障时刻预判结果、和/或故障概率预判结果、和/或预警指令。
在一些具体的实施例中,所述计算机可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:
获取所述目标变量预判结果的时刻相对应的第二实际数值;
将所述第一实际数值的分值、所述输出结果、第二实际数值作为训练依据,训练所述神经网络预警模型。
在一些具体的实施例中,多个所述目标变量包括:
机舱温度、和/或发电机转速、和/或绕组有功功率、和/或绕组温度、和/或绕组电压、和/或绕组电流、和/或冷却系统进出风口温度。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种风电机组发电机绕组的状态检测方法、系统及相关组件进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种风电机组发电机绕组的状态检测方法,其特征在于,包括:
获取与绕组系统相关的多个目标变量的第一实际数值;
根据理想分布模型,确定每个所述第一实际数值的分值;
将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。
2.根据权利要求1所述状态检测方法,其特征在于,所述理想分布模型具体为正态分布模型。
4.根据权利要求1所述状态检测方法,其特征在于,所述根据理想分布模型,确定每个所述第一实际数值的分值之前,还包括:
对每个所述目标变量的第一实际数值进行预处理;
所述预处理包括填补缺失值、和/或剔除异常值、和/或数据标准化。
5.根据权利要求1所述状态检测方法,其特征在于,所述输出结果还包括:
故障类型预判结果、和/或故障时刻预判结果、和/或故障概率预判结果、和/或预警指令。
6.根据权利要求1至5任一项所述状态检测方法,其特征在于,还包括:
获取所述目标变量预判结果的时刻相对应的第二实际数值;
将所述第一实际数值的分值、所述输出结果、第二实际数值作为训练依据,训练所述神经网络预警模型。
7.根据权利要求6所述状态检测方法,其特征在于,多个所述目标变量包括:
机舱温度、和/或发电机转速、和/或绕组有功功率、和/或绕组温度、和/或绕组电压、和/或绕组电流、和/或冷却系统进出风口温度。
8.一种风电机组发电机绕组的状态检测系统,其特征在于,包括:
获取模块,用于获取与绕组系统相关的多个目标变量的第一实际数值;
确定模块,用于根据理想分布模型,确定每个所述第一实际数值的分值;
判定模块,用于将所述第一实际数值的分值导入神经网络预警模型中,得到所述神经网络预警模型的输出结果,所述输出结果包括所述绕组系统的当前状态判定结果和/或目标变量预判结果。
9.一种风电机组发电机绕组的状态检测装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述风电机组发电机绕组的状态检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述风电机组发电机绕组的状态检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911191614.1A CN110992205A (zh) | 2019-11-28 | 2019-11-28 | 风电机组发电机绕组的状态检测方法、系统及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911191614.1A CN110992205A (zh) | 2019-11-28 | 2019-11-28 | 风电机组发电机绕组的状态检测方法、系统及相关组件 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110992205A true CN110992205A (zh) | 2020-04-10 |
Family
ID=70087984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911191614.1A Pending CN110992205A (zh) | 2019-11-28 | 2019-11-28 | 风电机组发电机绕组的状态检测方法、系统及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992205A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881980A (zh) * | 2020-07-29 | 2020-11-03 | 上海钧正网络科技有限公司 | 一种车辆故障检测方法、装置、计算机设备和存储介质 |
CN112084661A (zh) * | 2020-09-10 | 2020-12-15 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组变流器水冷系统冷却状态评估预警方法 |
CN112326255A (zh) * | 2020-11-02 | 2021-02-05 | 重庆大学 | 一种发动机远程健康监护系统及监护方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106762452A (zh) * | 2016-12-08 | 2017-05-31 | 东北大学 | 基于数据驱动的风机主控系统故障诊断和在线监测方法 |
CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
CN108491990A (zh) * | 2018-01-27 | 2018-09-04 | 北京天润新能投资有限公司 | 一种风电场设备状态评价及检修决策支持检测方法及系统 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
US20190137985A1 (en) * | 2016-05-09 | 2019-05-09 | Strong Force Iot Portfolio 2016, Llc | Methods and systems of diagnosing machine components using neural networks and having bandwidth allocation |
CN109995281A (zh) * | 2017-12-30 | 2019-07-09 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组故障恢复的控制方法、设备及可读存储介质 |
CN110414155A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
-
2019
- 2019-11-28 CN CN201911191614.1A patent/CN110992205A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190137985A1 (en) * | 2016-05-09 | 2019-05-09 | Strong Force Iot Portfolio 2016, Llc | Methods and systems of diagnosing machine components using neural networks and having bandwidth allocation |
CN106762452A (zh) * | 2016-12-08 | 2017-05-31 | 东北大学 | 基于数据驱动的风机主控系统故障诊断和在线监测方法 |
CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
CN109995281A (zh) * | 2017-12-30 | 2019-07-09 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组故障恢复的控制方法、设备及可读存储介质 |
CN108491990A (zh) * | 2018-01-27 | 2018-09-04 | 北京天润新能投资有限公司 | 一种风电场设备状态评价及检修决策支持检测方法及系统 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN110414155A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881980A (zh) * | 2020-07-29 | 2020-11-03 | 上海钧正网络科技有限公司 | 一种车辆故障检测方法、装置、计算机设备和存储介质 |
CN112084661A (zh) * | 2020-09-10 | 2020-12-15 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组变流器水冷系统冷却状态评估预警方法 |
CN112326255A (zh) * | 2020-11-02 | 2021-02-05 | 重庆大学 | 一种发动机远程健康监护系统及监护方法 |
CN112326255B (zh) * | 2020-11-02 | 2022-02-18 | 重庆大学 | 一种发动机远程健康监护系统及监护方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11746753B2 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
CN110992205A (zh) | 风电机组发电机绕组的状态检测方法、系统及相关组件 | |
CN116433009A (zh) | 一种用于变电设备的异常监测方法、装置及存储介质 | |
AU2020399503B2 (en) | Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof | |
CN114821946B (zh) | 变电站交流电源火灾预警方法、监控终端及系统 | |
EP4194684A1 (en) | Load control method and apparatus for wind turbine generator system | |
CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN112504511A (zh) | 一种发电机定子温度监测方法、装置及介质 | |
CN115840676A (zh) | 一种基于多维数据的计算机硬件故障预警方法及系统 | |
CN117212055A (zh) | 一种风力发电系统及发电机绕组的异常识别预警方法 | |
CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
CN115327990A (zh) | 一种基于ai的电气设备状态监测预警模型及其方法 | |
CN114997342A (zh) | 一种scr故障诊断方法、装置、设备及存储介质 | |
CN117038048B (zh) | 一种用于医疗器械的远程故障处理方法及系统 | |
CN117591994A (zh) | 电力设备状态数据预测方法、智能化平台、设备及介质 | |
LU503684B1 (en) | A monitoring alarm method and system for power plant | |
CN115632486B (zh) | 一种基于物联网的用电安全管理方法及系统 | |
CN114279492A (zh) | 基于不同故障参数记录确定电缆故障信息方法和装置 | |
CN114151147A (zh) | 汽轮机转速异常的故障预警方法、系统、设备及介质 | |
CN117977816B (zh) | 一种电力安全智能电源系统 | |
CN114116395B (zh) | 一种老化室供电线路功率过载防护方法、系统及装置 | |
CN117767553A (zh) | 基于云边协同的电气设备保护方法及系统 | |
CN115270113A (zh) | 一种基于数据处理的计算机软硬件安全监测系统 | |
CN117607620A (zh) | 基于参量变化率的电缆监测系统及方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210823 Address after: 401122 No.30, Jinyu Avenue, jingkaiyuan, northern New District, Yubei District, Chongqing Applicant after: CSIC HAIZHUANG WINDPOWER Co.,Ltd. Applicant after: China Shipbuilding Group Co.,Ltd. Address before: 401122 No.30, Jinyu Avenue, jingkaiyuan, northern New District, Yubei District, Chongqing Applicant before: CSIC HAIZHUANG WINDPOWER Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |
|
RJ01 | Rejection of invention patent application after publication |