CN111458143A - 一种风电机组主轴承温度故障诊断方法 - Google Patents

一种风电机组主轴承温度故障诊断方法 Download PDF

Info

Publication number
CN111458143A
CN111458143A CN202010282133.8A CN202010282133A CN111458143A CN 111458143 A CN111458143 A CN 111458143A CN 202010282133 A CN202010282133 A CN 202010282133A CN 111458143 A CN111458143 A CN 111458143A
Authority
CN
China
Prior art keywords
main bearing
temperature
wind turbine
fault
particles
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.)
Withdrawn
Application number
CN202010282133.8A
Other languages
English (en)
Inventor
常兴邦
詹俊
刘雅倩
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.)
Xiangtan University
Original Assignee
Xiangtan University
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 Xiangtan University filed Critical Xiangtan University
Priority to CN202010282133.8A priority Critical patent/CN111458143A/zh
Publication of CN111458143A publication Critical patent/CN111458143A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电机组主轴承温度故障诊断方法，包括以下步骤：（1）采集并存储风电场实时数据，分析获得主轴承故障强相关参数；（2）建立风电机组主轴承故障诊断模型；（3）对粒子滤波算法进行改进和优化；（4）建立改进和优化后的粒子滤波算法BP神经网络主轴承温度故障诊断模型。本发明通过获取与主轴承温度相关的故障参数，利用改进和优化后的粒子滤波算法，克服BP神经网络的固有缺陷，可以较精准地识别风电机主轴承温度故障，减小BP神经网络的训练时间；为风电机主轴承设备的稳定、安全运行提供可靠的保障，提升了主轴承设备的可利用率。

Description

一种风电机组主轴承温度故障诊断方法
技术领域
本发明涉及风电领域，特别涉及一种风电机组主轴承温度故障诊断方法。
背景技术
随着社会经济的发展，绿色能源已经成为当今能源发展的主要方向。风能作为一种清洁的可再生能源，越来越受到各国的重视。其蕴量巨大，全球的风能约为2.74×10^9MW，其中可利用的风能为2×10^7MW，比地球上可开发利用的水能总量还要大10倍。
随着风电装机的持续增长，风电机组维护成为亟待解决的问题。主轴承是造成风力发电机故障的主要因素之一。由于风电机组安装于高空，维护成本高，同时所处的工作环境较为恶劣，易受沙尘、水雾、冰冻等污染侵害，这就要求其中的配套主轴承需要具备高刚性和高可靠性，以满足其20年使用寿命要求。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、稳定可靠的风电机组主轴承温度故障诊断方法。
本发明解决上述问题的技术方案是：一种风电机组主轴承温度故障诊断方法，包括以下步骤：
(1)采集并存储风电场实时数据，分析获得主轴承故障强相关参数；
(2)建立风电机组主轴承故障诊断模型；
(3)对粒子滤波算法进行改进和优化；
(4)建立改进和优化后的粒子滤波算法BP神经网络主轴承温度故障诊断模型。
上述风电机组主轴承温度故障诊断方法，所述步骤(1)具体步骤如下：
(1-1)对风电场实时数据采集，并对采集的实时数据进行分组，分为训练样本和测试样本，并对训练样本和测试样本数据进行预处理和归一化；
(1-2)进行主轴承相关故障参数选择：设置影响主轴承故障强弱的相关参数，将参数与故障的相关程度进行评分，将分数区间为90-100范围设为强级别；70-90设为中级别；50-70设为弱级别；0-50设为差级别，获取故障相关参数指标等级，得到与主轴承温度的强相关参数；
(1-3)结合权重，获得与主轴承温度强相关性的参数：风速、机舱温度、发电机输出功率、主轴承(t-1)时刻温度。
上述风电机组主轴承温度故障诊断方法，所述步骤(2)具体步骤如下：
(2-1)建立风电机组主轴承温度训练模型，提取出步骤(1-3)中主轴承故障强相关参数作为BP神经网络的输入参数；
(2-2)在确定好BP神经网络的输入参数后，定义系统的目标状态空间方程；
(2-3)递推地计算BP神经网络权值；
(2-4)获取BP神经网络权值的后验概率密度函数，提取出一组加权样本粒子，计算粒子的权值并进行归一化；
(2-5)对粒子更新后的状态估计，是否满足事先设定的阈值，不满足则依据改进和优化后的粒子滤波算法进行重采样，并对重采样后的粒子重新定位，获取优化后的权值和阈值。
上述风电机组主轴承温度故障诊断方法，所述步骤(3)具体步骤如下：
(3-1)确定实际计算中的有效粒子数目；
(3-2)确定区分大小重量粒子分离的阈值，将大小重量粒子分离；
(3-3)依照粒子的权重，按降序排列存储；
(3-4)确定假设多项式重采样的状态中属于重采样粒子的数目；
(3-5)判断重采样粒子数目是否大于1，如果不是，使用增量因子λ来调整新重采样粒子的状态；
(4-6)存储在新重采样粒子状态的集合。
上述风电机组主轴承温度故障诊断方法，所述步骤(4)具体步骤如下：
(4-1)将步骤(1-1)中所采集的风电场实时数据代入风电机组主轴承温度训练模型训练，得到风电机主轴承温度的与初步预测理论值；
(4-2)建立风电机主轴承温度测试模型，提取出步骤(1-1)里风电场实时数据中的涉及主轴承温度故障的数据集对风电机主轴承温度训练模型进行测试；
(4-3)估计粒子更新后的状态是否满足事先设定的阈值；
(4-4)生成风电机主轴承温度的最终预测理论值；
(4-5)结合主轴承故障数据报表，对步骤(4-4)生成的风电机组主轴承温度的最终预测理论值加以比对、分析；预测误差是否在允许的误差范围内，从而判断风电机组轴承是否存在温度故障。
本发明的有益效果在于：本发明通过获取与主轴承温度相关的故障参数，利用改进和优化后的粒子滤波算法，克服BP神经网络的固有缺陷，可以较精准地识别风电机主轴承温度故障，减小BP神经网络的训练时间；为风电机主轴承设备的稳定、安全运行提供可靠的保障，提升了主轴承设备的可利用率。
附图说明
图1为本发明的整体流程图。
图2为本发明建立风电机组主轴承故障诊断模型的流程图。
图3为本发明对粒子滤波算法进行改进和优化的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，一种风电机组主轴承温度故障诊断方法，包括以下步骤：
(1)采集并存储风电场实时数据，分析获得主轴承故障强相关参数。具体步骤如下：
(1-1)利用SCADA系统的数据采集模块对风电场实时数据采集并存储，并对采集的实时数据进行分组，分为训练样本和测试样本，并对训练样本和测试样本数据进行预处理和归一化；在实例中的相关数据，数据冗杂、庞大，在训练BP神经网络过程中，易偏离与主轴承温度相关的范围。对此将数据加以打乱，再将数据按比例放入特定的范围内，例如[0,1],[-1,1]。转换函数计算公式如下：
x*＝(x-xmin)/(xmax-xmin)
其中xmin为样本数据最小值，xmax为样本数据最大值，x*为归一化后的样本数据。
(1-2)进行主轴承相关故障参数选择：设置影响主轴承故障强弱的相关参数，将参数与故障的相关程度进行评分，将分数区间为90-100范围设为强级别；70-90设为中级别；50-70设为弱级别；0-50设为差级别，获取故障相关参数指标等级，得到与主轴承温度的强相关参数；
(1-3)结合权重，获得与主轴承温度强相关性的参数：风速、机舱温度、发电机输出功率、主轴承(t-1)时刻温度。
(2)建立风电机组主轴承故障诊断模型。具体步骤如下：
(2-1)建立风电机组主轴承温度训练模型，提取出步骤(1-3)中主轴承故障强相关参数作为BP神经网络的输入参数；
(2-2)在确定好BP神经网络的输入参数后，定义系统的目标状态空间方程；计算公式如下：
Figure BDA0002447026190000051
其中，k＝1,2,...,表示时刻；此时的wk表示BP神经网络权值和阈值组成的参考向量，作为系统方程的状态；xk为BP神经网络的输入；yk为BP神经网络的输出，dk表示动态噪声和过程噪声。其协方差矩阵为R。R、Q分别表示控制算法的收敛速度和BP神经网络的推广能力。
式中，BP神经网络的权值和阈值需要借助依赖wk和随机分量dk来确定。并且假设dk是一个协方差Q为零的均值，高斯分布不相关。依据重要性采样的框架下，学习BP神经网络的权值和输出的概率分布，适用于线性的、非线性的和非高斯的信号处理。
(2-3)递推地计算BP神经网络权值；假设采样目标概率分布服从正态分布。计算公式如下：
p(w0)＝N(μ0,σ0)
Figure BDA0002447026190000052
(2-4)在目标概率分布中采集一系列样本粒子，然后获取BP神经网络权值的后验概率密度函数，提取出一组加权样本粒子，计算粒子的权值并进行归一化。其中我们要用到重要性概率密度函数并且满足计算公式如下。
π(wk|Wk-1,y1:k)＝p(wk|wk-1)
需要注意的是，重要性采样采用的序贯重要性采样，其中后验概率密度函数递推形式p(y|w)服从高斯分布。
(2-5)对粒子更新后的状态估计，是否满足事先设定的阈值，不满足则依据改进和优化后的粒子滤波算法进行重采样，并对重采样后的粒子重新定位，获取优化后的权值和阈值。
(3)对粒子滤波算法进行改进和优化。
梯度下降法是BP神经网络算法的核心，其核心是调整BP神经网络的各层权值使总误差最小。但由于BP神经网络很容易陷入局部极小值，将其应用到风电机组故障诊断中会有较大的影响。对此我们通过将小重量粒子修改成大重量粒子，在重采样过程中，使更多的粒子又被选择的可能性，再经多项式重采样后使得粒子的多样性得以保存。
改进和优化后的粒子滤波算法对模型中BP神经网络的权值和阈值进行优化，能较大程度改良传统粒子滤波算法中，粒子贫困的问题。
具体步骤如下：
(3-1)确定实际计算中的有效粒子数目；
(3-2)确定区分大小重量粒子分离的阈值，将大小重量粒子分离；
(3-3)依照粒子的权重，按降序排列存储；
在实际计算中有效粒子数目近似为Neff，要将其中小重量粒子改大，首先必须将它们与大重量粒子分离，Eh和El分别是两种状态粒子的集合，Wth是用以区分大小重量粒子的阈值；将
Figure BDA00024470261900000725
的权重
Figure BDA00024470261900000726
按降序排序存储在集合
Figure BDA00024470261900000727
中，将
Figure BDA00024470261900000728
中的有效粒子权重作为阈值粒子。计算公式如下：
Figure BDA0002447026190000071
Figure BDA0002447026190000072
Figure BDA0002447026190000073
Figure BDA0002447026190000074
分离大小重量粒子后，大重量粒子始终保持不变。让
Figure BDA0002447026190000075
对El中小重量粒子的状态进行修改，Eh用于辅助修改。修改后的粒子状态
Figure BDA0002447026190000076
通过线性插值获得。计算公式如下：
Figure BDA0002447026190000077
Figure BDA0002447026190000078
和
Figure BDA0002447026190000079
分别是存储在
Figure BDA00024470261900000710
中的
Figure BDA00024470261900000711
和
Figure BDA00024470261900000712
的权重，s＝1,...,Nl；t＝1,...,Nh；Nl和Nh分别是El和Eh中的粒子数。并且Nh等同于有效粒子数，对于El中的每个
Figure BDA00024470261900000713
从Eh中随机选择
Figure BDA00024470261900000714
设X'k为包含原始重量级状态的集合和改性的小重量粒子，然后在X'k中改性的小重量粒子更新为
Figure BDA00024470261900000715
Figure BDA00024470261900000716
是在k-1时刻El中改性小重量颗粒
Figure BDA00024470261900000717
的重量，然后将存储在
Figure BDA00024470261900000718
中的原始小重量粒子
Figure BDA00024470261900000719
的重量替换为
Figure BDA00024470261900000720
最后对存储在
Figure BDA00024470261900000721
中，所有粒子的权重进行归一化。计算公式如下。
Figure BDA00024470261900000722
(3-4)假设多项式重采样中状态属于
Figure BDA00024470261900000723
的重采样粒子的数目为
Figure BDA00024470261900000724
当
Figure BDA0002447026190000081
用
Figure BDA0002447026190000082
来替代
Figure BDA0002447026190000083
再将从
Figure BDA0002447026190000084
产生的新的再采样粒子，拟用改进的多项式重采样方法，并存储在
Figure BDA0002447026190000085
中；
Figure BDA0002447026190000086
是包含从
Figure BDA0002447026190000087
生成的新重采样粒子的状态的集合。计算公式如下：
Figure BDA0002447026190000088
(3-5)判断重采样粒子数目是否大于1，如果不是，使用增量因子λ来调整新重采样粒子的状态。
Δhj是新再采样粒子的状态与
Figure BDA0002447026190000089
偏差值增量，使用附加增量因子λ来调整新的再采样粒子的状态。进一步增加的多样性，使得近似状态变量后验分布与所选粒子状态之间的重叠部分增大，在改进的多项式中，我们尽可能减少重采样粒子重新取样过程。Δhj计算公式如下。
Figure BDA00024470261900000810
Δhj所表示的最大偏差应小于每个状态之间的平均最小差值的一半，并满足下列条件。
Figure BDA00024470261900000811
(4-6)存储在新重采样粒子状态的集合，
Figure BDA00024470261900000812
(4)建立改进和优化后的粒子滤波算法BP神经网络主轴承温度故障诊断模型。具体步骤如下：
(4-1)将步骤(1-1)中所采集的风电场实时数据代入风电机组主轴承温度训练模型训练，得到风电机主轴承温度的与初步预测理论值；
(4-2)建立风电机主轴承温度测试模型，提取出步骤(1-1)里风电场实时数据中的涉及主轴承温度故障的数据集对风电机主轴承温度训练模型进行测试；
(4-3)估计粒子更新后的状态是否满足事先设定的阈值；
(4-4)生成风电机主轴承温度的最终预测理论值；
(4-5)结合主轴承故障数据报表，对步骤(4-4)生成的风电机组主轴承温度的最终预测理论值加以比对、分析；预测误差是否在允许的误差范围内，从而判断风电机组轴承是否存在温度故障。
将步骤(4-4)生成的风电机组主轴承温度的最终预测理论值与传统的BP神经网络模型相比误差进一步减小，故障诊断模型能以较少的迭代次数达到收敛的目的，大大缩短整个风电机组主轴承故障诊断模型的训练时间；利用本发明方法优化后的BP神经网络建立风电机组主轴承温度故障诊断模型，对比传统的BP神经网络建立的模型，故障诊断的精准度得到了进一步提高，并且诊断模型的收敛速度更快，训练时间更短。
在训练、测试BP神经网络的步骤中，在信号向前传播的过程中，输入信号从输入层经隐含层的处理后得到输出信号，当输出信号无法满足人们的预期要求，也就是不在人们允许的误差范围内时，此时方向传播误差信号工作，开始不断依次调节隐含层到输出层的权重和偏置、输入层到隐含层的权重和偏置。为了获取优化后的权值和阈值，改进和优化后的粒子滤波算法开始对BP神经网络进行全局寻优，每个粒子代表一种假设的状态，并且根据每一种假设对测量估计值与测量真实值的相似程度，赋予各粒子不同的权值。使BP神经网络不断逼近后验状态的概率分布。而改进和优化后的粒子滤波算法与传统的粒子滤波算法相比，此时只需利用较少的粒子就能逼近，显著的提到了粒子的利用率，BP神经网络训练时间显著降低，精准度进一步提高。

Claims (5)

1.一种风电机组主轴承温度故障诊断方法，包括以下步骤：
（1）采集并存储风电场实时数据，分析获得主轴承故障强相关参数；
（2）建立风电机组主轴承故障诊断模型；
（3）对粒子滤波算法进行改进和优化；
（4）建立改进和优化后的粒子滤波算法BP神经网络主轴承温度故障诊断模型。
2.根据权利要求1所述的风电机组主轴承温度故障诊断方法，其特征在于，所述步骤（1）具体步骤如下：
（1-1）对风电场实时数据采集，并对采集的实时数据进行分组，分为训练样本和测试样本，并对训练样本和测试样本数据进行预处理和归一化；
（1-2）进行主轴承相关故障参数选择：设置影响主轴承故障强弱的相关参数，将参数与故障的相关程度进行评分，将分数区间为90-100范围设为强级别；70-90设为中级别；50-70设为弱级别；0-50设为差级别，获取故障相关参数指标等级，得到与主轴承温度的强相关参数；
（1-3）结合权重，获得与主轴承温度强相关性的参数：风速、机舱温度、发电机输出功率、主轴承（t-1）时刻温度。
3.根据权利要求2所述的风电机组主轴承温度故障诊断方法，其特征在于，所述步骤（2）具体步骤如下：
（2-1）建立风电机组主轴承温度训练模型，提取出步骤（1-3）中主轴承故障强相关参数作为BP神经网络的输入参数；
（2-2）在确定好BP神经网络的输入参数后，定义系统的目标状态空间方程；
（2-3）递推地计算BP神经网络权值；
（2-4）获取BP神经网络权值的后验概率密度函数，提取出一组加权样本粒子，计算粒子的权值并进行归一化；
（2-5）对粒子更新后的状态估计，是否满足事先设定的阈值，不满足则依据改进和优化后的粒子滤波算法进行重采样，并对重采样后的粒子重新定位，获取优化后的权值和阈值。
4.根据权利要求3所述的风电机组主轴承温度故障诊断方法，其特征在于，所述步骤（3）具体步骤如下：
（3-1）确定实际计算中的有效粒子数目；
（3-2）确定区分大小重量粒子分离的阈值，将大小重量粒子分离；
（3-3）依照粒子的权重，按降序排列存储；
（3-4）确定假设多项式重采样的状态中属于重采样粒子的数目；
（3-5）判断重采样粒子数目是否大于1，如果不是，使用增量因子λ来调整新重采样粒子的状态；
（4-6）存储在新重采样粒子状态的集合。
5.根据权利要求4所述的风电机组主轴承温度故障诊断方法，其特征在于，所述步骤（4）具体步骤如下：
（4-1）将步骤（1-1）中所采集的风电场实时数据代入风电机组主轴承温度训练模型训练，得到风电机主轴承温度的与初步预测理论值；
（4-2）建立风电机主轴承温度测试模型，提取出步骤（1-1）里风电场实时数据中的涉及主轴承温度故障的数据集对风电机主轴承温度训练模型进行测试；
（4-3）估计粒子更新后的状态是否满足事先设定的阈值；
（4-4）生成风电机主轴承温度的最终预测理论值；
（4-5）结合主轴承故障数据报表，对步骤（4-4）生成的风电机组主轴承温度的最终预测理论值加以比对、分析；预测误差是否在允许的误差范围内，从而判断风电机组轴承是否存在温度故障。
CN202010282133.8A 2020-04-11 2020-04-11 一种风电机组主轴承温度故障诊断方法 Withdrawn CN111458143A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010282133.8A CN111458143A (zh) 2020-04-11 2020-04-11 一种风电机组主轴承温度故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010282133.8A CN111458143A (zh) 2020-04-11 2020-04-11 一种风电机组主轴承温度故障诊断方法

Publications (1)

Publication Number Publication Date
CN111458143A true CN111458143A (zh) 2020-07-28

Family

ID=71685255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010282133.8A Withdrawn CN111458143A (zh) 2020-04-11 2020-04-11 一种风电机组主轴承温度故障诊断方法

Country Status (1)

Country Link
CN (1) CN111458143A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688612A (zh) * 2023-01-03 2023-02-03 北京博华信智科技股份有限公司 滚动轴承的寿命预测方法、装置、设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104792529A (zh) * 2015-04-12 2015-07-22 北京化工大学 基于状态空间模型的滚动轴承寿命预测方法
CN107797537A (zh) * 2017-11-10 2018-03-13 上海第二工业大学 一种应用于自动化生产线的故障预测与健康管理方法
CN108051211A (zh) * 2017-12-29 2018-05-18 湖南优利泰克自动化系统有限公司 一种风电机组主轴承温度预警诊断方法
CN108376286A (zh) * 2018-02-26 2018-08-07 上海理工大学 一种设备故障诊断装置及系统
CN108376298A (zh) * 2018-02-12 2018-08-07 湘潭大学 一种风电机组发电机温度故障预警诊断方法
US20180342054A1 (en) * 2017-05-26 2018-11-29 Bsquare Corp. System and method for constructing augmented and virtual reality interfaces from sensor input

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104792529A (zh) * 2015-04-12 2015-07-22 北京化工大学 基于状态空间模型的滚动轴承寿命预测方法
US20180342054A1 (en) * 2017-05-26 2018-11-29 Bsquare Corp. System and method for constructing augmented and virtual reality interfaces from sensor input
CN107797537A (zh) * 2017-11-10 2018-03-13 上海第二工业大学 一种应用于自动化生产线的故障预测与健康管理方法
CN108051211A (zh) * 2017-12-29 2018-05-18 湖南优利泰克自动化系统有限公司 一种风电机组主轴承温度预警诊断方法
CN108376298A (zh) * 2018-02-12 2018-08-07 湘潭大学 一种风电机组发电机温度故障预警诊断方法
CN108376286A (zh) * 2018-02-26 2018-08-07 上海理工大学 一种设备故障诊断装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈养平等: "基于粒子滤波的神经网络学习算法", 《武汉大学学报(工学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115688612A (zh) * 2023-01-03 2023-02-03 北京博华信智科技股份有限公司 滚动轴承的寿命预测方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN111353652B (zh) 一种风电出力短期区间预测方法
CN116937579A (zh) 一种考虑时空相关性的风电功率区间预测及其可解释方法
CN109086527B (zh) 一种基于风电机组运行状态的实用化等值建模方法
CN110362045B (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
CN107742008A (zh) 一种风电机组齿轮箱的故障预警方法
CN105825002B (zh) 一种基于动态灰关联分析法的风电场动态等值建模方法
CN102749471B (zh) 一种短期风速、风电功率预测方法
CN110555548A (zh) 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法
CN111260503A (zh) 一种基于聚类中心优化的风电机组功率曲线离群点检测方法
CN114841580A (zh) 基于混合注意力机制的发电机故障检测方法
CN118428224B (zh) 一种海上风电结构动力性能评估方法
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
Ding et al. Artificial intelligence based abnormal detection system and method for wind power equipment
CN111458143A (zh) 一种风电机组主轴承温度故障诊断方法
CN110334951A (zh) 一种风电机组高温降容状态的智能评估方法及系统
Xie et al. Data cleaning and modeling of wind power curves
CN110273818A (zh) 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法
CN116298669A (zh) 基于粒子群优化lstm网络的配电网故障诊断方法
CN115952394A (zh) 一种计及传感器故障的多机电力系统鲁棒动态状态估计方法
CN115575779A (zh) 基于模糊理论和灰色博弈论的电缆绝缘性能评估方法
CN114962186A (zh) 一种风电机组叶片结冰预测的方法
CN115345370A (zh) 一种基于Vine Copula模型的风电机组运行联动性分析方法
CN112682269A (zh) 一种基于oc-rkelm的风电机组状态监测方法
Encalada-Dávila et al. Wind turbine multi-fault detection based on SCADA data via an AutoEncoder

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200728