CN111798650A - 基于多模型组合的风电机组故障预警方法 - Google Patents
基于多模型组合的风电机组故障预警方法 Download PDFInfo
- Publication number
- CN111798650A CN111798650A CN202010584859.7A CN202010584859A CN111798650A CN 111798650 A CN111798650 A CN 111798650A CN 202010584859 A CN202010584859 A CN 202010584859A CN 111798650 A CN111798650 A CN 111798650A
- Authority
- CN
- China
- Prior art keywords
- early warning
- function
- power
- proposition
- fault early
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Emergency Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Wind Motors (AREA)
Abstract
一种基于多模型组合的风电机组故障预警方法,所述方法首先采集大量风速、桨距角、转矩设定、中轴线与风向夹角的SCADA、功率的历史数据,采用多种神经网络方法,分别建立风电机组启动‑停机的全工况功率预测子模型;其次,基于数据滑动窗口,利用功率预测子模型计算功率预测值时间序列,计算运行状态指标;再次,采用核密度估计方法计算运行状态指标的概率密度函数,从而确定故障预警命题的基本概率分配函数;最终,采用证据理论,对多个功率预测子模型的预警结果进行融合,并将融合结果与设定的预警阈值进行比较,得出故障预警结论。本发明可实现风电机组的全工况故障预警,并能够有效提高故障预警结果的精度。
Description
技术领域
本发明涉及一种风电机组故障预警方法,属于发电技术领域。
背景技术
随着全球能源危机的不断加剧,可再生能源发电越来越受到人们的重视。风力发电因清洁无污染、建设周期短等诸多优势,已成为当前可再生能源发电的主要方向之一。随着风电机组单机容量不断增加,装机区位逐渐向更加偏远的陆地、海洋地区发展,如何降低风电机组的运营维护成本,是风电领域亟待解决的难题。
风电机组故障预警方法是指基于风电机组当前与历史的运行数据,检测其是否存在潜在故障的方法。依据数据来源,可分为基于振动数据的故障预警方法、基于SCADA数据的故障预警方法以及基于其他信号源(如超声波装置、红外成像仪等)的故障预警方法。其中,因振动传感器、超声波装置、红外成像仪等设备的购置与安装成本较高,导致基于该类数据的故障预警方法在实际应用中受限。相对而言,SCADA系统已经在风电场中获得了广泛应用,可提供较为完备的机组运行历史数据,因而基于SCADA数据的故障预警方法更适合于工程应用,成为当前风电机组故障预警的主流方法。
但是,由于SCADA数据具有采样频率偏低、存在缺失值和异常值、冗余信息多、常态数据多而故障数据少等诸多缺点,导致基于SCADA数据的故障预警方法普遍存在预警精度低的问题。此外,已有基于SCADA数据的故障预警方法均适用于风电机组的单一工况运行场景或者部分工况运行场景,尚不适用于风电机组全工况运行场景。
发明内容
针对现有基于SCADA数据的故障预警方法的不足之处,本发明提供一种基于多模型组合的风电机组故障预警方法,包括以下主要步骤:
步骤1.采集大量风速、桨距角、转矩设定、中轴线与风向夹角的SCADA、功率的历史数据,采用多种神经网络方法,分别建立风电机组启动-停机的全工况功率预测子模型;
步骤2.基于数据滑动窗口,利用功率预测子模型计算功率预测值时间序列,计算运行状态指标;
步骤3.基于历史运行数据,针对每一功率预测子模型,计算大量运行状态指标值样本,采用核密度估计方法计算运行状态指标的概率密度函数;
步骤4.利用每一功率预测子模型,计算当前运行状态指标值,并基于概率密度函数,确定故障预警命题集合中各命题的基本概率分配函数;
步骤5.采用证据理论对多个功率预测子模型的预警结果进行融合;
步骤6.将融合结果与设定的预警阈值进行比较,得出故障预警结论。
下面对上述步骤进行详细描述。
步骤1.采集大量风速、桨距角、转矩设定、中轴线与风向夹角的SCADA、功率的历史数据,采用多种神经网络方法,分别建立风电机组启动-停机的全工况功率预测子模型;
本发明所建立的功率预测子模型包括Elman神经网络子模型、BP神经网络子模型与GRNN神经网络子模型;
采集大量风电机组SCADA系统所记录的风速V、桨距角θ、转矩设定T、中轴线与风向夹角α的历史数据,针对每一神经网络,构造样本集D,
D={(X1,t1),(X2,t2),…,(Xi,ti),…}
其中,在ti时刻,对于Elman神经网络,有
对于BP神经网络,有
对于GRNN神经网络,有
其中Elman神经网络子模型的输入为ti时刻的风速桨距角转矩设定中轴线与风向夹角输出为ti时刻的功率输入层神经元个数为4,隐含层神经元个数为NElman,输出层神经元个数为1;隐含层神经元的激励函数为tansig函数,输出层神经元的激励函数为purelin函数;
BP神经网络子模型的输入为ti-1时刻的风速桨距角转矩设定中轴线与风向夹角功率以及ti时刻的风速桨距角转矩设定中轴线与风向夹角输出为ti时刻的功率输入层神经元个数为9,隐含层神经元个数为NBP,输出层神经元个数为1;隐含层神经元的激励函数为tansig函数,输出层神经元的激励函数为purelin函数;
GRNN神经网络子模型的输入为ti时刻的风速桨距角转矩设定中轴线与风向夹角以及ti-1时刻的功率,输出为ti时刻的功率;输入层神经元个数为5,模式层神经元个数为NGRNN,求和层神经元个数为NGRNN+1,输出层神经元个数为1。
步骤2.基于数据滑动窗口,利用功率预测子模型计算功率预测值时间序列,计算运行状态指标;
在tk时刻,构造数据滑动窗口:
其中,h为窗口宽度。
步骤3.基于历史运行数据,构造大量数据滑动窗口,计算相应的运行状态指标值,构成状态指标样本集,进而采用核密度估计方法计算运行状态指标的概率密度函数;
采用核密度估计方法计算运行状态指标的概率密度函数,即
步骤4.利用每一功率预测子模型i,计算当前数据滑动窗口的运行状态指标值C,并基于步骤3中计算的概率密度函数,确定故障预警命题集合中各命题的基本概率分配函数;
故障预警命题集合包括命题T1“机组存在潜在故障”、命题T2“机组不存在潜在故障”以及命题T3“不能确定机组是否存在潜在故障”,设
则故障预警命题集合中各命题的基本概率分配函数为:
Mi(T1)=P(C)-Ai;
Mi(T2)=1-P(C)-Ai;
Mi(T3)=2Ai。
其中,Ai为体现功率预测子模型预测精度的调整因子;
步骤5.采用证据理论对多个功率预测子模型的预警结果进行融合;
DS证据理论数据融合方法是指Dempster组合规则,也称为证据组合公式,其基本概念如下:设Θ为识别框架,由一完备且互不相容的命题集合组成幂集2Θ,在其上定义基本概率分配函数BPA:m(A)∈(0,1),并且满足:
(1)m(φ)=0
其中,A代表识别框架中任一命题,m(A)称为A的基本概率赋值,表示证据支持命题A发生的程度;若m(A)≠0,则A称为一个焦元;
设有两个推理系统,它们的概率赋值分别是m1,m2,即m1,m2为识别框架上的两个独立的证据,对于命题A,将这两个证据组合的规则为:
其中,K为归一化常数,A1和A2为幂集中的元素;
对于命题A,信任度函数定义为:
其含义为命题A中所有子集B的基本概率分配之和,即对A的总的信任度;
似然函数定义为:
由该命题的信任度函数Bel(A)与似然函数Pl(A),确定信任区间为[Bel(A),Pl(A)],表示对该命题的确认程度。
步骤6.将融合结果与设定的预警阈值进行比较,得出故障预警结论。
将命题T1信任区间中值与设定的预警阈值进行比较,若前者大于后者,结论为“机组存在潜在故障”;反之,结论为“机组不存在潜在故障”。
本发明的有益效果在于:
(1)通过合理选取输入变量,建立了风电机组的切入-切出的全工况功率预测子模型,从而可实现风电机组的全工况故障预警;
(2)基于证据理论对多个功率预测子模型的预警结果进行融合,可有效提高故障预警结果的精度。
附图说明
图1为风电机组的运行过程示意图;
图2为Elman神经网络功率预测子模型结构示意图;
图3为BP神经网络功率预测子模型结构示意图;
图4为GRNN神经网络功率预测子模型结构示意图;
图5为BP神经网络功率预测子模型在训练样本上的预测结果示意图;
图6为BP神经网络功率预测子模型在训练样本上的预测误差示意图;
图7为BP神经网络功率预测子模型在检验样本上的预测结果示意图;
图8为BP神经网络功率预测子模型在检验样本上的预测误差示意图;
图9为Elman神经网络功率预测子模型在训练样本上的预测结果示意图;
图10为Elman神经网络功率预测子模型在训练样本上的预测误差示意图;
图11为Elman神经网络功率预测子模型在检验样本上的预测结果示意图;
图12为Elman神经网络功率预测子模型在检验样本上的预测误差示意图;
图13为GRNN神经网络功率预测子模型在训练样本上的预测结果示意图;
图14为GRNN神经网络功率预测子模型在训练样本上的预测误差示意图;
图15为GRNN神经网络功率预测子模型在检验样本上的预测结果示意图;
图16为GRNN神经网络功率预测子模型在检验样本上的预测误差示意图;
图13为GRNN神经网络功率预测子模型在训练样本上的预测结果示意图;
图14为GRNN神经网络功率预测子模型在训练样本上的预测误差示意图;
图15为GRNN神经网络功率预测子模型在检验样本上的预测结果示意图;
图16为GRNN神经网络功率预测子模型在检验样本上的预测误差示意图。
具体实施方式
下面结合附图,对本发明实施例作进一步详述。
图1为风电机组的运行过程示意图,可知,风电机组的运行过程包括启动区、最大风能捕获区、恒功率运行区以及停机区。本发明可对启动到停机的整个运行过程进行故障预警,即实现全工况故障预警。
图2为Elman神经网络功率预测子模型结构示意图,可知其为4输入1输出结构,输入为ti时刻的风速桨距角转矩设定中轴线与风向夹角输出为ti时刻的功率输入层神经元个数为4,隐含层神经元个数为NElman(实施例中,取NElman=15),输出层神经元个数为1;隐含层神经元的激励函数为tansig函数,输出层神经元的激励函数为purelin函数;
图3为BP神经网络功率预测子模型结构示意图,可知其为9输入1输出结构,输入为ti-1时刻的风速桨距角转矩设定中轴线与风向夹角功率以及ti时刻的风速桨距角转矩设定中轴线与风向夹角输出为ti时刻的功率输入层神经元个数为9,隐含层神经元个数为NBP(实施例中,取NBP=20),输出层神经元个数为1;隐含层神经元的激励函数为tansig函数,输出层神经元的激励函数为purelin函数;
图4为GRNN神经网络功率预测子模型结构示意图,可知其为5输入1输出结构,输入为ti时刻的风速桨距角转矩设定中轴线与风向夹角以及ti-1时刻的功率,输出为ti时刻的功率;输入层神经元个数为5,模式层神经元个数为NGRNN,求和层神经元个数为NGRNN+1(实施例中,取NGRNN=12000),输出层神经元个数为1。
实施例中,对各功率预测子模型进行训练与检验,预测结果与预测偏差如图5至图16所示,可知各功率预测子模型的精度存在一定差别。因此,在设计各命题基本概率分配函数时,针对Elman神经网络功率预测子模型,取A1=0.08;针对BP神经网络功率预测子模型,取A2=0.10;针对GRNN神经网络功率预测子模型,取A3=0.04。选取三种典型工况,对证据理论融合结果进行分析。
工况1的各个神经网络功率预测子模型对故障预警各命题的基本概率分配函数如表1所示,可见三个子模型的判断结果较为接近,各命题的信任度函数值以及似然函数值计算结果如表2所示。
表1工况1基本概率分配函数
表2工况1各命题的信任度函数值以及似然函数值
信任度函数值Bel | 似然函数值Pl | |
M(T1) | 0.982 | 0.099 |
M(T2) | 0.017 | 0.018 |
M(T3) | 0.001 | 0.001 |
工况2的各个神经网络功率预测子模型对故障预警各命题的基本概率分配函数如表3所示,可见Elman神经网络功率预测子模型的判断结果明显异于其它两个子模型,各命题的信任度函数值以及似然函数值计算结果如表4所示。
表3工况2基本概率分配函数
表4工况2各命题的信任度函数值以及似然函数值
信任度函数值Bel | 似然函数值Pl | |
M(T1) | 0.953 | 0.998 |
M(T2) | 0.045 | 0.047 |
M(T3) | 0.002 | 0.002 |
工况3的各个神经网络功率预测子模型对故障预警各命题的基本概率分配函数如表5所示,可见BP神经网络功率预测子模型的判断结果明显异于其它两个子模型,各命题的信任度函数值以及似然函数值计算结果如表6所示。
表5工况3基本概率分配函数
表6工况3各命题的信任度函数值以及似然函数值
信任度函数值Bel | 似然函数值Pl | |
M(T1) | 0.239 | 0.242 |
M(T2) | 0.758 | 0.761 |
M(T3) | 0.003 | 0.003 |
将命题T1信任区间中值与设定的预警阈值(实施例中,预警阈值取0.5)进行比较,若前者大于后者,结论为“机组存在潜在故障”;反之,结论为“机组不存在潜在故障”。工况1、3的结论为“机组存在潜在故障”,工况2的结论为“机组不存在潜在故障”,机组运行历史数据证明三种工况下均取得了正确的预警结果,这说明本发明所提方法对多个功率预测子模型的预警结果进行融合,可有效提高故障预警结果的精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可推想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于多模型组合的风电机组故障预警方法,其特征为,该方法包括以下步骤:
步骤1.采集大量风速、桨距角、转矩设定、中轴线与风向夹角的SCADA、功率的历史数据,采用多种神经网络方法,分别建立风电机组切入-切出的全工况功率预测子模型;
步骤2.基于数据滑动窗口,利用功率预测子模型计算功率预测值时间序列,计算运行状态指标;
步骤3.基于历史运行数据,针对每一功率预测子模型,计算大量运行状态指标值样本,采用核密度估计方法计算运行状态指标的概率密度函数;
步骤4.利用每一功率预测子模型,计算当前运行状态指标值,并基于概率密度函数,确定故障预警命题的基本概率分配函数;
步骤5.采用证据理论对多个功率预测子模型的基本概率分配函数进行融合;
步骤6.将融合结果与设定的预警阈值进行比较,得出故障预警结论。
2.如权利要求1所述的一种基于多模型组合的风电机组故障预警方法,其特征在于建立的全工况功率预测子模型具体包括Elman神经网络子模型、BP神经网络子模型与GRNN神经网络子模型,各模型的建立过程为:
采集大量风电机组SCADA系统所记录的风速V、桨距角θ、转矩设定T、中轴线与风向夹角α的历史数据,针对每一神经网络,构造样本集D,
D={(X1,t1),(X2,t2),…,(Xi,ti),…}
其中,在ti时刻,对于Elman神经网络,有
对于BP神经网络,有
对于GRNN神经网络,有
其中Elman神经网络子模型的输入为ti时刻的风速桨距角转矩设定中轴线与风向夹角输出为ti时刻的功率输入层神经元个数为4,隐含层神经元个数为NElman,输出层神经元个数为1;隐含层神经元的激励函数为tansig函数,输出层神经元的激励函数为purelin函数;
BP神经网络子模型的输入为ti-1时刻的风速桨距角转矩设定中轴线与风向夹角功率以及ti时刻的风速桨距角转矩设定中轴线与风向夹角输出为ti时刻的功率输入层神经元个数为9,隐含层神经元个数为NBP,输出层神经元个数为1;隐含层神经元的激励函数为tansig函数,输出层神经元的激励函数为purelin函数;
6.如权利要求1所述的一种基于多模型组合的风电机组故障预警方法,其特征在于所述对多个功率预测子模型的预警结果进行融合的过程为:
设Θ为识别框架,由一完备且互不相容的命题集合组成幂集2Θ,在其上定义基本概率分配函数BPA:m(A)∈(0,1),并且满足:
(1)m(φ)=0
其中,A代表识别框架中任一命题,m(A)称为A的基本概率赋值,表示证据支持命题A发生的程度;若m(A)≠0,则A称为一个焦元;
设有两个推理系统,它们的概率赋值分别是m1,m2,即m1,m2为识别框架上的两个独立的证据,对于命题A,将这两个证据组合的规则为:
其中,K为归一化常数,A1和A2为幂集中的元素;
对于命题A,信任度函数定义为:
其含义为命题A中所有子集B的基本概率分配之和,即对A的总的信任度;
似然函数定义为:
由该命题的信任度函数Bel(A)与似然函数Pl(A),确定信任区间为[Bel(A),Pl(A)],表示对该命题的确认程度。
7.如权利要求1所述的一种基于多模型组合的风电机组故障预警方法,其特征在于,故障预警结论的判别方法为:将命题T1信任区间中值与设定的预警阈值进行比较,若前者大于后者,结论为“机组存在潜在故障”;反之,结论为“机组不存在潜在故障”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584859.7A CN111798650A (zh) | 2020-06-22 | 2020-06-22 | 基于多模型组合的风电机组故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010584859.7A CN111798650A (zh) | 2020-06-22 | 2020-06-22 | 基于多模型组合的风电机组故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798650A true CN111798650A (zh) | 2020-10-20 |
Family
ID=72804701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010584859.7A Pending CN111798650A (zh) | 2020-06-22 | 2020-06-22 | 基于多模型组合的风电机组故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798650A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112517473A (zh) * | 2020-11-11 | 2021-03-19 | 曾忠英 | 一种基于人工智能的光伏清洁机器人稳定作业方法及系统 |
CN112650660A (zh) * | 2020-12-28 | 2021-04-13 | 北京中大科慧科技发展有限公司 | 一种数据中心动力系统预警方法及装置 |
CN112966400A (zh) * | 2021-04-23 | 2021-06-15 | 重庆大学 | 一种基于多源信息融合的离心风机趋势预测方法 |
CN113221453A (zh) * | 2021-04-30 | 2021-08-06 | 华风数据(深圳)有限公司 | 风电机组齿轮箱输出轴故障监测预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2712158A1 (en) * | 2009-07-24 | 2011-01-24 | Raj Mohan Bharadwaj | Wind turbine generator fault diagnostic and prognostic device and method |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN109657839A (zh) * | 2018-11-22 | 2019-04-19 | 天津大学 | 一种基于深度卷积神经网络的风电功率预测方法 |
CN110362045A (zh) * | 2019-06-14 | 2019-10-22 | 上海电力学院 | 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 |
-
2020
- 2020-06-22 CN CN202010584859.7A patent/CN111798650A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2712158A1 (en) * | 2009-07-24 | 2011-01-24 | Raj Mohan Bharadwaj | Wind turbine generator fault diagnostic and prognostic device and method |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN109657839A (zh) * | 2018-11-22 | 2019-04-19 | 天津大学 | 一种基于深度卷积神经网络的风电功率预测方法 |
CN110362045A (zh) * | 2019-06-14 | 2019-10-22 | 上海电力学院 | 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 |
Non-Patent Citations (3)
Title |
---|
万恒正: "基于SCADA数据关系的大型直驱式风电机组健康状态识别与预警", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
常永亮: "基于现场数据的大型风电机组故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
张瀚超: "基于神经网络组合模型的风电场短期功率预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112517473A (zh) * | 2020-11-11 | 2021-03-19 | 曾忠英 | 一种基于人工智能的光伏清洁机器人稳定作业方法及系统 |
CN112650660A (zh) * | 2020-12-28 | 2021-04-13 | 北京中大科慧科技发展有限公司 | 一种数据中心动力系统预警方法及装置 |
CN112650660B (zh) * | 2020-12-28 | 2024-05-03 | 北京中大科慧科技发展有限公司 | 一种数据中心动力系统预警方法及装置 |
CN112966400A (zh) * | 2021-04-23 | 2021-06-15 | 重庆大学 | 一种基于多源信息融合的离心风机趋势预测方法 |
CN113221453A (zh) * | 2021-04-30 | 2021-08-06 | 华风数据(深圳)有限公司 | 风电机组齿轮箱输出轴故障监测预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798650A (zh) | 基于多模型组合的风电机组故障预警方法 | |
Chen et al. | Wind turbine pitch faults prognosis using a-priori knowledge-based ANFIS | |
Cai et al. | Artificial intelligence enhanced two-stage hybrid fault prognosis methodology of PMSM | |
Kreutz et al. | Machine learning-based icing prediction on wind turbines | |
CN111237134A (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 | |
Sun et al. | Abnormal detection of wind turbine operating conditions based on state curves | |
CN112994101B (zh) | 基于神经网络的风电场发电功率后评估及监测方法 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN109101659B (zh) | 一种小水电数据采集系统中功率数据异常的方法 | |
Zhu et al. | Short term forecast of wind power generation based on SVM with pattern matching | |
Bao et al. | Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm | |
CN113449847B (zh) | 考虑秒级时间序列风速变化的海上风电功率滚动预测方法 | |
He et al. | Condition monitoring and fault detection of wind turbine driveline with the implementation of deep residual long short-term memory network | |
Wang et al. | The effect of reduced power operation of faulty wind turbines on the total power generation for different wind speeds | |
Fahim et al. | Data-driven techniques for optimizing the renewable energy systems operations | |
Yang et al. | Fault prediction algorithm for offshore wind energy conversion system based on machine learning | |
Yuan et al. | Short-term wind speed forecasting using STLSSVM hybrid model | |
Rashid et al. | Anomaly Detection of Wind Turbine Gearbox based on SCADA Temperature Data using Machine Learning | |
Yang et al. | Design of equipment online monitoring and fault diagnosis platform based on IoT | |
Song et al. | Anomaly detection of wind turbine generator based on temporal information | |
He et al. | Establishment of wind turbine energy efficiency index system based on f-neighborhood rough set | |
Encalada-Dávila et al. | Wind turbine multi-fault detection based on SCADA data via an AutoEncoder | |
Elshenawy et al. | Fault detection of wind turbine system based on data-driven methods: a comparative study | |
Yang et al. | Intelligent fan system based on big data and artificial intelligence |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201020 |