CN112462736B - 一种基于数据分析的风电机组故障诊断方法 - Google Patents
一种基于数据分析的风电机组故障诊断方法 Download PDFInfo
- Publication number
- CN112462736B CN112462736B CN202011267547.XA CN202011267547A CN112462736B CN 112462736 B CN112462736 B CN 112462736B CN 202011267547 A CN202011267547 A CN 202011267547A CN 112462736 B CN112462736 B CN 112462736B
- Authority
- CN
- China
- Prior art keywords
- fault
- wind turbine
- data
- turbine generator
- frequent item
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000007405 data analysis Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000011161 development Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000010248 power generation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了属于风电机组故障诊断技术领域的一种基于数据分析的风电机组故障诊断方法。所述风电机组故障诊断方法是利用风电机组历史数据分析来诊断风电机组故障的;该故障诊断包括收集风电机组的历史数据以及获取的现场数据信息;对数据进行辨识,按照数据类型对数据进行分类与处理;对具体的风电机组进行初始故障建模;从SCADA系统监测量中挑选出可能与风电故障相关的量,转化为故障样本事务集,根据专家经验以及理论知识,对进行分析,判断故障发展的模式。本发明有效的利用风电机组数据对风电机组故障进行快速识别,可以缩短运维人员故障定位的时间,节省人力资源,降低成本,对于研究风电机组故障发展模式具有积极的指导意义。
Description
技术领域
本发明属于风电机组故障诊断技术领域,特别涉及一种基于数据分析的风电机组故障诊断方法。具体是一种利用风电机组数据来诊断风电机组故障的方法。
背景技术
风力发电因其应用场景丰富性高及发电经济性好等优点成为全世界关注的重要可再生能源之一。风力发电的快速发展也带来了许多亟待解决的新问题,风机故障的快速、准确诊断便是其中之一。风电机组工作在高空环境中,长期暴露于暴风、暴雨、暴晒、风沙等恶劣天气下,海上风电机还要受到海风的腐蚀作用,这些复杂工况导致风电机组的故障率高。长期以来,风电场采用的维修方式是计划维修和事后维修,即在风电设备运行一段时间后进行常规定期维修,或者是在风机出现故障后进行故障维修,但这两种方式对风电机组的故障问题发现不够及时,一旦出现突发故障,就会造成巨大损失。
风电场一般远离城市,发电自动化程度高,仅有少量常驻值守人员。一旦风电机组发生故障,人工维护不够及时,成本高,而利用风电机组运行数据对风电机组故障进行快速、准确诊断可以大大缩短诊断故障类型、定位故障点的时间,并节省人力资源,提高风电机组的运行可靠性,提高风电场效益。
发明内容
本发明的目的提供一种基于数据分析的风电机组故障诊断方法,其特征在于,所述风电机组故障诊断方法是利用风电机组历史数据分析来诊断风电机组故障的;该故障诊断包括步骤如下:
S1、收集风电机组的历史数据:具体风电机组类型和参数;以及获取的现场数据信息;用于风电机组故障的明确辨识的基础信息资料;
S2、收集现场数据,对数据进行辨识,按照数据类型对数据进行分类与处理;
S3、利用获取的基础信息资料对具体的风电机组进行初始故障建模;
S4、基于风电机组历史数据对SCADA系统监测量按照数据性质与变化特性进行分类,并按照分类提取风电机组故障数据形成故障信息记录表格;其中SCADA(SupervisoryControl And Data Acquisition)系统,即数据采集与监视控制系统和以计算机为基础的DCS与电力自动化监控系统;
S5、利用数据的变化特性与其与故障的关联关系将故障信息记录表格转化为故障样本事务集以供算法处理使用;
S6、利用故障样本事务集,运用FPGrowth算法对风电机组进行风电机组故障频繁项集、故障关联规则挖掘;
S7、根据专家经验以及理论知识,对以上得出的频繁项集与关联规则进行筛选,剔除显然无关联的项集与规则,并对其他的关联规则进行分析,挖掘故障发展的可能模式,并以此为依据完善故障模型。
S8、依据逐渐完善的故障模型,通过判断数据中故障特征信号的变化以及特定故障信号的关联规则,对风电机组进行故障诊断。
所述步骤S2中现场数据包括:收集的现场数据包括:叶轮系统相关故障数据、变桨系统相关故障数据、偏航系统相关故障数据、变频系统相关故障数据、发电机系统相关故障数据。
所述步骤S2中按照数据类型对数据进行分类与处理,将风电机组历史数据分为:风电机组非故障状态运行数据、风电机组故障状态运行数据;并从历史数据库中剔除异常值;并从风电机组故障数据变化特性角度将故障数据分为机械与状态量、电气量、以及开关状态量三类。
所述步骤S4中运用FPGrowth算法挖掘风电机组故障频繁项集、故障关联规则;具体实施步骤如下:
S41:故障监测量分类,从SCADA系统监测量中挑选出可能与风电故障相关的量,将其分为机械量、电气量以及开关状态量三类;
S42:形成故障信息记录表格;根据风电机组运行数据记录获取风电机组故障;将该故障时刻下的监测量数据记录下来并按照机械量、电气量以及开关状态量三类分类形成故障信息记录表格;
S43:形成故障样本事务集,将上一步骤S42形成的故障信息记录表格转化为故障样本事务集;根据风电机组运行数据记录获取风电机组故障信息,将该时间标签下挑选出来的监测量集合视为一个事务,这些不同监测量将进行不同处理;具体包括:(1)因为机械量不会突变,所以当故障时间标签下机械量较正常运行时发生了越限行为,则认为该监测数据与故障可能相关;(2)对于电气量以及开关量,这些监测量可以突变,因此,在遇到这些量时可以将该时间标签下的前后时间的量展开来分析,判断该监测量是否是在该故障时间下发生改变;在传感器的采样频率以及故障发生的因果关系不明的情况下,可以认为这些监测量在该故障时间标签前后的短时间内变化都是与故障相关;由此,可以得到风电机组故障事务集;(3)在挖掘故障与数据的关联关系时,应当以关联与否作为标准,相关联则将其值标记为1,不关联则将其值标记为0,通过这种方法,可以解决机械量、电气量以及开关状态量单位以及数值不统一的问题,也可以简化事务集;
S44:利用故障样本事务集,运用FPGrowth算法对风电机组进行风电机组故障频繁项集、故障关联规则挖掘;
S45:根据专家经验以及理论知识,对以上得出的频繁项集与关联规则进行筛选,剔除显然无关联的项集与规则,并对其他的关联规则进行分析,判断故障发展的可能模式,并以此为依据完善故障树模型;
S46:依据逐渐完善的故障树模型,通过判断数据中故障特征信号的变化以及特定故障信号的关联规则,对风电机组进行故障诊断。
所述FPGrowth算法实施步骤如下:
1)设定FP树的最小支持度以及最小置信度;
2)扫描故障样本事务集,产生候选1项集,根据最小支持度,对候选项集进行筛选产生频繁项集;
3)依照支持度大小将频繁项集进行降序排列并按该顺序对故障样本事务集中所有项目重新排列;
4)创建并初始化根节点为空;
5)依次加入故障样本事务集中各项集,代表各项集的路径上的节点的计数值(支持度计数)增加1.当所有项集均加入故障样本事务集中时,FP树(频繁模式树)建立完成;
6)根据调整后的频繁1项集,从支持度最小的频繁项开始,进行降序排列,依次构建FP树,并挖掘以该频繁项为后缀的频繁项集;
7)根据步骤6),直至构建支持度最大的频繁项的FP树并挖掘出以之为后缀的频繁项集,该频繁项集为该支持度最大的频繁项本身。
8)根据最小支持度与最小置信度对频繁项集进行筛选,满足同时大于等于最小支持度与最小置信度条件的频繁项集可以得到强关联规则。
在算法的工程应用中,需要人工指定挖掘的最小支持度与置信度,设定过小的支持度,好处是不会遗漏隐藏的关联关系,能更有效地挖掘潜在的故障发展路径;缺点是可能导致挖掘出大量冗余的频繁项集,增加无用的计算量并为数据分析带来困难。过大的支持度则会导致挖掘出的关联关系大多依据风电机组运行原理便可推导出来的,易遗漏隐藏的故障发展路径,从而失去了挖掘的价值。
本发明的有益效果是:本发明方法可以有效的利用风电机组数据对风电机组故障进行快速识别,可以缩短运维人员故障定位的时间,节省人力资源,降低成本,避免由于长时间机组故障可能导致的问题。可以挖掘隐含的故障发展模式,对于研究风电机组故障发展模式具有积极的指导意义。
附图说明
图1为本发明基于历史数据的风电机组故障诊断流程图;
图2为本发明风电机组故障数据处理流程图。
具体实施方式
本发明提供一种基于数据分析的风电机组故障诊断方法,所述风电机组故障诊断方法是利用风电机组历史数据分析来诊断风电机组故障的;对风电机组进行故障分析,首先需要根据实际情况对指定项目中的风电机组进行分析,建立特定风电机组的故障模型,站在特定的风电机组的角度,完成相关的故障分析,并通过专家经验与理论知识分析完善故障树并不断提升故障诊断的种类多样性与诊断准确性。该故障诊断包括步骤如下:
S1、收集风电机组的历史数据,具体风电机组类型和参数;以及获取的现场数据信息;用于风电机组故障的明确辨识的基础信息资料;
S2、收集现场数据,对数据进行辨识,按照数据类型对数据进行分类与处理;
S3、利用获取的基础信息资料对具体的风电机组进行初始故障树建模;
S4、基于风电机组历史数据对SCADA系统监测量按照数据性质与变化特性进行分类,并按照分类提取风电机组故障数据形成故障信息记录表格;其中,SCADA(SupervisoryControl And Data Acquisition)系统,即数据采集与监视控制系统。SCADA系统是以计算机为基础的DCS与电力自动化监控系统;
S5、利用数据的变化特性与其与故障的关联关系将故障信息记录表格转化为故障样本事务集以供算法处理使用;
S6、利用故障样本事务集,运用FPGrowth算法对风电机组进行风电机组故障频繁项集、故障关联规则挖掘;
S7、根据专家经验以及理论知识,对以上得出的频繁项集与关联规则进行筛选,剔除显然无关联的项集与规则,并对其他的关联规则进行分析,挖掘故障发展的可能模式,并以此为依据完善故障树模型。
S8、依据逐渐完善的故障树模型,通过判断数据中故障特征信号的变化以及特定故障信号的关联规则,对风电机组进行故障诊断。
下面结合附图1-2对基于数据分析的风电机组故障诊断方法做进一步说明。
具体的步骤如图1所示。
1,收集风电机组的历史数据,具体风电机组类型和参数;以及获取的现场数据信息;用于风电机组故障的明确辨识的基础信息资料;在进行故障诊断之前,首先确认具体的机组类型以及相应参数,并了解其工作原理、工作状态等基础信息资料;其次,应尽可能搜集其历史运行数据、故障技术报告和各时间维度的故障统计数据资料。
2,收集现场数据,对数据进行辨识,按照数据类型对数据进行分类与处理,
从风电机组状态角度将风电机组历史数据分为:风电机组非故障状态运行数据、风电机组故障状态运行数据;并从历史数据库中剔除异常值;从风电机组故障子系统角度,需要收集的现场数据包括:叶轮系统相关故障数据、变桨系统相关故障数据、偏航系统相关故障数据、变频系统相关故障数据、发电机系统相关故障数据;从风电机组故障数据变化特性角度,将故障数据分为机械与状态量、电气量、以及开关状态量三类。
3,对具体风电机组进行分析,对具体风电机组进行建模,
对所研究的风电机组进行故障建模是风电机组故障诊断的基础工作,主要包括两部分内容:明确故障诊断所面向的具体研究对象以及其搭载的SCADA系统数据库。由于风电机组的差异性以及其搭载的SCADA系统记录数据的差异性,建立的故障初始模型存在较大的差异性,根据风电场采用的实际设备与系统,确定相应的风电机组故障初始模型,保证风电机组故障诊断的可靠性。在建立风电机组故障初始模型时,可以依据其具体型号相应的实际历史故障报告以及现场数据的相关资料,进一步完善故障模型。
4,依托风电机组历史数据,运用FPGrowth算法挖掘风电机组故障频繁项集、故障关联规则(如图2所示);具体实施步骤如下:
S41:故障监测量分类,从SCADA系统监测量中挑选出可能与风电故障相关的量,将其分为机械量、电气量以及开关状态量三类;
S42:形成故障信息记录;根据风电机组运行数据记录获取风电机组故障;将该故障时刻下的监测量数据记录下来并按照机械量、电气量以及开关状态量三类分类形成故障信息记录;
S43:形成故障样本事务集,将上一步骤S42形成的故障信息记录表格转化为故障样本事务集;根据风电机组运行数据记录获取风电机组故障信息,将该时间标签下挑选出来的监测量集合视为一个事务,这些不同监测量将进行不同处理;具体包括:(1)因为机械量不会突变,所以当故障时间标签下机械量较正常运行时发生了越限行为,则认为该监测数据与故障可能相关;(2)对于电气量以及开关量,这些监测量可以突变,因此,在遇到这些量时可以将该时间标签下的前后时间的量展开来分析,判断该监测量是否是在该故障时间下发生改变;在传感器的采样频率以及故障发生的因果关系不明的情况下,可以认为这些监测量在该故障时间标签前后的短时间内变化都是与故障相关;由此,可以得到风电机组故障事务集;(3)在挖掘故障与数据的关联关系时,应当以关联与否作为标准,相关联则将其值标记为1,不关联则将其值标记为0,通过这种方法,可以解决机械量、电气量以及开关状态量单位以及数值不统一的问题,也可以简化事务集。
S44:利用故障样本事务集,运用FPGrowth算法对风电机组进行风电机组故障频繁项集、故障关联规则挖掘。
S45:根据专家经验以及理论知识,对以上得出的频繁项集与关联规则进行筛选,剔除显然无关联的项集与规则,并对其他的关联规则进行分析,判断故障发展的可能模式,并以此为依据完善故障树模型。
S46:依据逐渐完善的故障树模型,通过判断数据中故障特征信号的变化以及特定故障信号的关联规则,对风电机组进行故障诊断。
所述FPGrowth算法实施步骤如下:
1)设定FP树的最小支持度以及最小置信度。
2)扫描故障样本事务集,产生候选项集,根据最小支持度,对候选项集进行筛选产生频繁项集;
3)依照支持度大小将频繁项集进行降序排列并按该顺序对故障样本事务集中所有项目重新排列;
4)创建并初始化根节点为空;
5)依次加入故障样本事务集中各项集,代表各项集的路径上的节点的计数值(支持度计数)增加1.当所有项集均加入项集(树)中时,故障样本事务集(FP树)建立完成;
6)根据调整后的频繁项集,从支持度最小的频繁项开始,进行降序排列,依次构建FP树,并挖掘以该频繁项为后缀的频繁项集;
7)根据步骤6),直至构建支持度最大的频繁项的FP树并挖掘出以该频繁项为后缀的频繁项集(该频繁项集为该支持度最大的频繁项本身)。
8)根据最小支持度与最小置信度对频繁项集进行筛选,满足同时大于等于最小支持度与最小置信度条件的频繁项集可以得到强关联规则。
在算法的工程应用中,需要人工指定挖掘的最小支持度与置信度,设定过小的支持度,好处是不会遗漏隐藏的关联关系,能更有效地挖掘潜在的故障发展路径;缺点是可能导致挖掘出大量冗余的频繁项集,增加无用的计算量并为数据分析带来困难。过大的支持度则会导致挖掘出的关联关系大多依据风电机组运行原理便可推导出来的,易遗漏隐藏的故障发展路径,从而失去了挖掘的价值。
Claims (3)
1.一种基于数据分析的风电机组故障诊断方法,所述风电机组故障诊断方法是利用风电机组历史数据分析来诊断风电机组故障的;将风电机组历史数据分为:风电机组非故障状态运行数据、风电机组故障状态运行数据;并从历史数据库中剔除异常值;并从风电机组故障数据变化特性角度将故障数据分为机械与状态量、电气量、以及开关状态量三类;其特征在于,该故障诊断包括步骤如下:
S1、收集风电机组的历史数据:具体风电机组类型和参数;以及获取的现场数据信息;用于风电机组故障的明确辨识的基础信息资料;
S2、收集现场数据,对数据进行辨识,按照数据类型对数据进行分类与处理;所述收集的现场数据包括:叶轮系统相关故障数据、变桨系统相关故障数据、偏航系统相关故障数据、变频系统相关故障数据、发电机系统相关故障数据;
S3、利用获取的基础信息资料对具体的风电机组进行初始故障建模;按照数据类型对数据进行分类与处理,
S4、基于风电机组历史数据对SCADA系统监测量按照数据性质与变化特性进行分类,并按照分类提取风电机组故障数据形成故障信息记录表格;其中SCADA系统,即数据采集与监视控制系统和以计算机为基础的DCS与电力自动化监控系统;
S5、利用数据的变化特性与其与故障的关联关系将故障信息记录表格转化为故障样本事务集以供算法处理使用;
S6、利用故障样本事务集,运用FPGrowth算法对风电机组进行风电机组故障频繁项集、故障关联规则挖掘;
S7、根据专家经验以及理论知识,对以上得出的频繁项集与关联规则进行筛选,剔除显然无关联的项集与规则,并对其他的关联规则进行分析,挖掘故障发展的可能模式,并以此为依据完善故障模型;
S8、依据逐渐完善的故障模型,通过判断数据中故障特征信号的变化以及特定故障信号的关联规则,对风电机组进行故障诊断。
2.根据权利要求1所述基于数据分析的风电机组故障诊断方法,其特征在于,所述步骤S4中运用FPGrowth算法挖掘风电机组故障频繁项集、故障关联规则;具体实施步骤如下:
S41:故障监测量分类,从SCADA系统监测量中挑选出可能与风电故障相关的量,将其分为机械量、电气量以及开关状态量三类;
S42:形成故障信息记录表格;根据风电机组运行数据记录获取风电机组故障;将该故障时刻下的监测量数据记录下来,并按照机械量、电气量以及开关状态量三类分类形成故障信息记录表格;
S43:将步骤S42形成的故障信息记录表格转化为故障样本事务集,根据风电机组运行数据记录获取风电机组故障信息,将该故障时刻挑选出来的监测量集合视为一个事务,这些不同监测量将进行不同处理;具体包括:(1)因为机械量不会突变,所以当故障时刻机械量较正常运行时发生了越限行为,则认为该监测数据与故障可能相关;(2)对于电气量以及开关量,这些监测量可以突变,因此,在遇到这些量时可以将该故障时刻的前后时间量展开来分析,判断该监测量是否是在该故障时刻下发生改变;在传感器的采样频率以及故障发生的因果关系不明的情况下,可以认为这些监测量在该故障时刻前后的短时间内变化都是与故障相关;由此,可以得到风电机组故障事务集;(3)在挖掘故障与数据的关联关系时,应当以关联与否作为标准,相关联则将其值标记为1,不关联则将其值标记为0,通过这种方法,可以解决机械量、电气量以及开关状态量单位以及数值不统一的问题,也可以简化事务集;
S44:利用故障样本事务集,运用FPGrowth算法对风电机组进行风电机组故障频繁项集、故障关联规则挖掘;
S45:根据专家经验以及理论知识,对以上得出的频繁项集与关联规则进行筛选,剔除显然无关联的项集与规则,并对其他的关联规则进行分析,判断故障发展的可能模式,并以此为依据完善故障树模型;
S46:依据逐渐完善的故障树模型,通过判断数据中故障特征信号的变化以及特定故障信号的关联规则,对风电机组进行故障诊断。
3.根据权利要求1所述基于数据分析的风电机组故障诊断方法,其特征在于,所述步骤S6中 FPGrowth算法实施步骤如下:
1.)设定FP树最小支持度以及最小置信度;
2)扫描故障样本事务集,产生候选项集,根据最小支持度,对候选项集进行筛选产生频繁一项集;
3)依照支持度大小将频繁项集进行降序排列并按该顺序对故障样本事务集中所有项目重新排列;
4).创建并初始化根节点为空;
5).依次加入故障样本事务集中各项集,代表各项集的路径上的节点的计数值增加1.当所有项集均加入故障样本事务集中时,FP树建立完成;
6).根据调整后的频繁项集,从支持度最小的频繁项开始,进行降序排列,并按该顺序依次构建FP树,并挖掘以该频繁项为后缀的频繁项集;
7).根据步骤6),直至构建支持度最大的频繁项的条件FP树并挖掘出以之为后缀的频繁项集,该频繁项集为该支持度最大的频繁项本身;
8) 根据最小支持度与最小置信度对频繁项集进行筛选,满足同时大于等于最小支持度与最小置信度条件的频繁项集可以得到强关联规则;在算法的工程应用中,需要人工指定挖掘的最小支持度与置信度,设定过小的支持度,好处是不会遗漏隐藏的关联关系,能更有效地挖掘潜在的故障发展路径;缺点是可能导致挖掘出大量冗余的频繁项集,增加无用的计算量并为数据分析带来困难;过大的支持度则会导致挖掘出的关联关系大多依据风电机组运行原理便可推导出来的,易遗漏隐藏的故障发展路径,从而失去了挖掘的价值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011267547.XA CN112462736B (zh) | 2020-11-13 | 2020-11-13 | 一种基于数据分析的风电机组故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011267547.XA CN112462736B (zh) | 2020-11-13 | 2020-11-13 | 一种基于数据分析的风电机组故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112462736A CN112462736A (zh) | 2021-03-09 |
CN112462736B true CN112462736B (zh) | 2023-04-07 |
Family
ID=74825619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011267547.XA Active CN112462736B (zh) | 2020-11-13 | 2020-11-13 | 一种基于数据分析的风电机组故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112462736B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113722328B (zh) * | 2021-09-03 | 2023-12-12 | 国网甘肃省电力公司庆阳供电公司 | 高压开关设备故障的多源时空分析算法 |
CN114186643A (zh) * | 2021-12-17 | 2022-03-15 | 沈阳工程学院 | 一种具有可解释性的风电机组关键组件故障定位方法 |
CN114461784A (zh) * | 2022-01-18 | 2022-05-10 | 中国科学院大学 | 一种非结构化设备故障知识的分类及知识萃取方法 |
CN114579875B (zh) * | 2022-03-03 | 2022-09-27 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
CN114637793B (zh) * | 2022-05-19 | 2022-08-02 | 四川观想科技股份有限公司 | 一种基于大数据分析的装备故障频发区域定位方法 |
CN115015697B (zh) * | 2022-08-09 | 2022-10-11 | 中国电力科学研究院有限公司 | 一种新能源的宽频振荡扰动源定位方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8849737B1 (en) * | 2011-03-18 | 2014-09-30 | Rockwell Collins, Inc. | Prediction method of predicting a future state of a system |
CN108953071A (zh) * | 2017-05-25 | 2018-12-07 | 中国电力科学研究院 | 一种风电机组变桨系统的故障预警方法及系统 |
CN110147898A (zh) * | 2017-11-28 | 2019-08-20 | 中车株洲电力机车研究所有限公司 | 基于故障日志的风电机组故障预测方法、装置及介质 |
CN108492057B (zh) * | 2018-04-28 | 2021-03-23 | 国网新疆电力公司电力科学研究院 | 基于FP-growth的跳闸明细数据与气象数据关联分析及预警方法 |
CN111597708A (zh) * | 2020-05-14 | 2020-08-28 | 北京赛宝工业技术研究院有限公司 | 压缩机质量预警服务的方法、系统、可读介质和电子设备 |
-
2020
- 2020-11-13 CN CN202011267547.XA patent/CN112462736B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112462736A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
CN108027908B (zh) | 模拟方法和系统 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
CN110570122B (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
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 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN114215706B (zh) | 一种风电机组叶片开裂故障预警方法和装置 | |
CN103439091A (zh) | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 | |
CN113780375B (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
Livera et al. | Intelligent cloud-based monitoring and control digital twin for photovoltaic power plants | |
CN113435703A (zh) | 一种基于scada数据建模风电机组故障分析系统 | |
CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控系统及方法 | |
CN116614177A (zh) | 一种光纤状态多维度参量监测系统 | |
CN115750228A (zh) | 一种风电机组变桨系统故障预警方法 | |
CN112417612A (zh) | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 | |
CN114201483A (zh) | 一种基于统计建模的光伏阵列故障诊断方法 | |
Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
CN116644361A (zh) | 一种架空输电线路故障诊断方法及计算机可读介质 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN113946977A (zh) | 一种基于决策树算法预警风机变桨故障的应用方法 | |
CN112381130A (zh) | 一种基于聚类分析的配电房多元数据异常检测方法 | |
CN117200449B (zh) | 一种基于多维算法分析的电网监测管理方法及系统 | |
CN109657404A (zh) | 基于混沌修正群智能寻优的采煤机故障自动诊断系统 |
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 |