CN112597691B - 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 - Google Patents
基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 Download PDFInfo
- Publication number
- CN112597691B CN112597691B CN202010904016.0A CN202010904016A CN112597691B CN 112597691 B CN112597691 B CN 112597691B CN 202010904016 A CN202010904016 A CN 202010904016A CN 112597691 B CN112597691 B CN 112597691B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- early warning
- training
- pitch motor
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，包括以下步骤：数据收集与处理，在建模前收集足够的风机运行数据，并进行初步处理；训练模型，选择带有变桨电机传感器故障的数据进行模型训练，保存为lightGBM模型；调参优化，为了使算法达到最优的训练效果，对模型调整参数变量；运行模型得出预警结果，模型保存后，在新的数据预测过程中，需要先加载保存的模型，需要预测的数据，通过预测值与实际值的比较来判断故障点，输出预警信息；再对预警信息进行分析，找到引起故障的根本原因，给出合理的维修建议。本发明克服了现有技术的不足，利用LightGBM分布式、高效的特性，很好的解决了风电机组变桨电机故障预警建模困难、准确率低的问题。
Description
技术领域
本发明涉及故障预警技术领域，具体涉及基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法。
背景技术
变桨电机是风机重要的组成部件，变桨电机高温故障会导致风机停机，严重影响发电量，同时变桨设备也会受到不同程度的损伤。在变桨电机高温故障中，如果变桨电机PT100温度传感器发生漂移或其他方面的损坏，PT100会误报高温情况，会导致变桨系统频繁启停，同时造成风机停机从而导致损失发电量。另外如果变桨电机PT100温度偏低，会导致出现高温情况而不能及时停机的现象，严重影响变桨设备的稳定性，甚至使风机遭受不可预测的损坏。
在智能算法大范围应用前，基于SCADA数据的故障预警多是通过统计或者设置阈值的方法达到故障预警的目的，阈值的设定依赖于工作人员的经验，而且功能单一，错报率高，不能有效达到故障预警的目的。
智能算法普及后，基于神经网络等机器学习算法的风电机组故障预警逐渐增多，但算法训练需要大量的SCADA数据，训练耗时长，调参不方便，准确率低，并且难以识别出引发故障的根本原因。另外此类机器学习算法在训练及使用过程中，无法直接将类别特征数据作为算法输入，需要将数据转换成多维的[0,1]特征值，带来计算和内存上的额外消耗。
在涉及非结构化数据（图像、文本）的预测问题中，人工神经网络显著优于其他算法，但涉及到中小型结构或者表格数据时，基于决策树的算法被认为是最佳算法，因此近年来GBDT和XGBoost等boosting算法在预测方面得到广泛应用。
但GBDT和XGBoost等boosting算法在对数据特征进行切分时，都需要对每一个特征的所有样本点进行扫描，需要消耗大量时间，在如今风电领域大样本和高维度的环境下，传统的boosting算法在效率和可扩展性上都存在一定不足。
发明内容
针对现有技术的不足，本发明提供了基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，克服了现有技术的不足，利用LightGBM分布式、高效的特性，很好的解决了风电机组变桨电机故障预警建模困难、准确率低的问题。
为实现以上目的，本发明通过以下技术方案予以实现：
基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，包括以下步骤：
步骤S1：数据收集与处理，在建模前收集足够的风机运行数据，并进行初步处理；
步骤S2：训练模型，选择带有变桨电机传感器故障的数据进行模型训练，保存为lightGBM模型；
步骤S3：调参优化，为了使算法达到最优的训练效果，对模型调整参数变量；
步骤S4：运行模型得出预警结果，模型保存后，在新的数据预测过程中，需要先加载保存的模型，需要预测的数据，通过预测值与实际值的比较来判断故障点，输出预警信息；
步骤S5：根因分析，对预警信息进行分析，找到引起故障的根本原因，给出合理的维修建议。
优选地，所述步骤S1中，风机运行数据包括风机T时间段内SCADA历史运行数据，具体选取SCADA数据中与变桨电机温度相关的遥测信号，对不正常数据按照IEC标准进行剔除。
优选地，所述遥测信号包括SCADA数据中叶片电机温度，轮毂温度，故障状态，风速，有功功率，环境温度和告警状态；所述不正常数据包括空值、乱码或异常值。
优选地，所述步骤S2训练模型包括以下步骤：
步骤S21：加载第三方Python库，导入SCADA训练数据；
步骤S22：将数据格式转换为Dataset格式；
步骤S23：预先设定训练模型中的输入输出参数，核心参数以及控制参数；
步骤S24：对训练模型进行迭代训练；
步骤S25：判断训练模型是否达到迭代次数，若是，则保存为lightGBM模型，若否，则执行下一步；
步骤S26：判断训练数据的准确性在最近一个回合中是否提高，若是，则返回到步骤S204，若否，则输出训练数据，输出准确度指标，并保存为lightGBM模型。
优选地，所述步骤S3中为了得到最佳参数和最好效果的调参优化方法包括以下步骤：
步骤S31：在训练过程中，为了得到更快的训练速度，将调整以下参数变量：
(1)通过设置bagging_fraction和bagging_freq参数来使用bagging方法；
(2)通过设置feature_fraction参数来使用特征的子抽样；
(3)减小max_bin；
(4)使用save_binary在以后的学习过程对数据进行加速加载。
步骤S32：为了得到更快的准确率，调整以下参数变量：
(1)使用较大的max_bin和num_iterations，num_leaves；
(2)使用较小的learning_rate。
优选地，所述步骤S4的运行过程包括以下步骤：
步骤S41：加载一定时间段内的风场的SCADA数据或数据库数据；
步骤S42：读取保存好的lightGBM模型；
步骤S43：读取输入参数计算得出预测值；
步骤S44：通过将预测值与实际值做差得到两者的残差；
步骤S45：标记残差超过规定值的输入为异常值；
步骤S46：统计在过去一定时间段内的异常点的数量；
步骤S47：判断异常点的数量是否大于预设值a，若是，则输出预警时刻以及此时温度，若否，则运行结束。
优选地，所述步骤5的根因分析包括以下步骤：
步骤S51：读取风场的SCADA数据，并筛选出停机超过设定时间的SCADA数据；
步骤S52：计算三个变桨电机温度T1、T2、T3之间的差值ΔT12、ΔT23和ΔT31；
步骤S53：当ΔT12、ΔT23和ΔT31中至少两个大于设定值b时，记为异常点，并确定变桨电机温度传感器存在异常；
步骤S54：计算三个变桨电机温度T1、T2、T3分别与轮毂温度之间的差值ΔT1、ΔT2和ΔT3；
步骤S55：当ΔT1、ΔT2和ΔT3中至少两个大于设定值c时，记为异常点，并确定变桨电机温度传感器存在异常；
步骤S56：筛选风机中正常运行时的数据；
步骤S57：利用LightGBM算法进行预测；
步骤S58：计算三个变桨电机温度T1、T2、T3与各自预测值的残差ΔT1p、ΔT2p和ΔT3p；
步骤S59：判断残差值的大小，当残差值大于设定值d时，则表示传感器温度向上漂移，当残差值小于-d时，则表示传感器温度向下漂移；当残差值大于100或小于-100时，则表示传感器发生损坏；当残差绝对值小于d，同时方差大于设定值e时，则表示传感器线路松动。
本发明提供了基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法。具备以下有益效果：针对风电机组SCADA数据量大、数据维度多的特点，利用LightGBM分布式、高效的特性，很好的解决了风电机组变桨电机故障预警建模困难、准确率低的问题。同时可以进行故障原因分析，从而准确判断出发生故障的原因，为解决故障提供支撑。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
图1 本发明的流程示意图；
图2 本发明步骤2中的模型训练流程图；
图3 本发明步骤4中的程序运行过程流程图；
图4 本发明步骤4中的预测值和实际值对比及残差折线图；
图5 本发明步骤5中的根因分析流程图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
如图1-5所示，基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，包括以下步骤：
步骤S1：数据收集与处理，在建模前收集足够的风机运行数据，并进行初步处理；
在本步骤中，风机运行数据包括风机T时间段内SCADA历史运行数据，具体选取SCADA数据中与变桨电机温度相关的遥测信号，对不正常数据按照IEC标准进行剔除。
步骤S2：训练模型，选择带有变桨电机传感器故障的数据进行模型训练，保存为lightGBM模型；如图2所示，训练模型包括以下步骤：
步骤S21：加载第三方Python库，导入SCADA训练数据；
步骤S22：将数据格式转换为Dataset格式；
步骤S23：预先设定训练模型中的输入输出参数，核心参数以及控制参数；
步骤S24：对训练模型进行迭代训练；
步骤S25：判断训练模型是否达到迭代次数，若是，则保存为lightGBM模型，若否，则执行下一步；
步骤S26：判断训练数据的准确性在最近一个回合中是否提高，若是，则返回到步骤S204，若否，则输出训练数据，输出准确度指标，并保存为lightGBM模型。
步骤S3：调参优化，为了使算法达到最优的训练效果，对模型调整参数变量；为了得到最佳参数和最好效果的调参优化方法包括以下步骤：
步骤S31：在训练过程中，为了得到更快的训练速度，将调整以下参数变量：
(1)通过设置bagging_fraction和bagging_freq参数来使用bagging方法；
(2)通过设置feature_fraction参数来使用特征的子抽样；
(3)减小max_bin；
(4)使用save_binary在以后的学习过程对数据进行加速加载。
步骤S32：为了得到更快的准确率，调整以下参数变量：
(1)使用较大的max_bin和num_iterations，num_leaves；
(2)使用较小的learning_rate。
步骤S4：运行模型得出预警结果，模型保存后，在新的数据预测过程中，需要先加载保存的模型，需要预测的数据，通过预测值与实际值的比较来判断故障点，输出预警信息；如图3-4所示，程序运行过程包括以下步骤：
步骤S41：加载一定时间段内的风场的SCADA数据或数据库数据；
步骤S42：读取保存好的lightGBM模型；
步骤S43：读取输入参数计算得出预测值；
步骤S44：通过将预测值与实际值做差得到两者的残差；
步骤S45：标记残差超过规定值的输入为异常值；
步骤S46：统计在过去一定时间段内的异常点的数量；
步骤S47：判断异常点的数量是否大于预设值a，若是，则输出预警时刻以及此时温度，若否，则运行结束。
步骤S5：根因分析，对预警信息进行分析，找到引起故障的根本原因，给出合理的维修建议；达到预警的真实目的，如图5所示，根因分析流程如下所示：
步骤S51：读取风场的SCADA数据，并筛选出停机超过设定时间的SCADA数据；
步骤S52：计算三个变桨电机温度T1、T2、T3之间的差值ΔT12、ΔT23和ΔT31；
步骤S53：当ΔT12、ΔT23和ΔT31中至少两个大于设定值b时，记为异常点，并确定变桨电机温度传感器存在异常；
步骤S54：计算三个变桨电机温度T1、T2、T3分别与轮毂温度之间的差值ΔT1、ΔT2和ΔT3；
步骤S55：当ΔT1、ΔT2和ΔT3中至少两个大于设定值c时，记为异常点，并确定变桨电机温度传感器存在异常；
步骤S56：筛选风机中正常运行时的数据；
步骤S57：利用LightGBM算法进行预测；
步骤S58：计算三个变桨电机温度T1、T2、T3与各自预测值的残差ΔT1p、ΔT2p和ΔT3p；
步骤S59：判断残差值的大小，当残差值大于设定值d时，则表示传感器温度向上漂移，当残差值小于-d时，则表示传感器温度向下漂移；当残差值大于100或小于-100时，则表示传感器发生损坏；当残差绝对值小于d，同时方差大于设定值e时，则表示传感器线路松动。
本申请通过上述方法抛弃了传统基于数理统计或者单一阈值设定的方法，LightGBM采用leaf-wise生长策略，每次从当前所有叶片中找到分裂增益最大（一般也是数据量最大）的一个叶片，然后分裂，如此循环。因此同Level-wise相比，在分裂次数相同的情况下，Leaf-wise可以降低更多的误差，得到更好的精度。
速度方面LightGBM算法比XGBoost算法快将近10倍，内存占用率大约为XGBoost的1/6，并且准确率也有提升。LightGBM原生支持并行学习，目前支持特征并行和数据并行的两种。特征并行的主要思想是在不同机器在不同的特征集合上分别寻找最优的分割点，然后在机器间同步最优的分割点。数据并行则是让不同的机器先在本地构造直方图，然后进行全局的合并，最后在合并的直方图上面寻找最优分割点。
并且由于大多数机器学习工具都无法直接支持类别特征，一般需要把类别特征，转化one-hotting特征，降低了空间和时间的效率，如此会带来计算和内存上的开支；而类别特征的使用是在实践中很常用的。基于这个考虑，本申请通过LightGBM优化了对类别特征的支持，可以直接输入类别特征，不需要额外的0/1展开。主要是在对类别特征计算分割增益的时候，抛弃按照数值特征那样由一个阈值进行切分，而是直接把其中一个类别当成一类，其他的类别当成另一类。并在决策树算法上增加了类别特征的决策规则，使用起来更加方便。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于，包括以下步骤：
步骤S1：数据收集与处理，在建模前收集足够的风机运行数据，并进行初步处理；
步骤S2：训练模型，选择带有变桨电机传感器故障的数据进行模型训练，保存为lightGBM模型；
步骤S3：调参优化，为了使算法达到最优的训练效果，对模型调整参数变量；
步骤S4：运行模型得出预警结果，模型保存后，在新的数据预测过程中，需要先加载保存的模型，需要预测的数据，通过预测值与实际值的比较来判断故障点，输出预警信息；
步骤S5：根因分析，对预警信息进行分析，找到引起故障的根本原因，给出合理的维修建议；
所述步骤S5的根因分析包括以下步骤：
步骤S51：读取风场的SCADA数据，并筛选出停机超过设定时间的SCADA数据；
步骤S52：计算三个变桨电机温度T1、T2、T3之间的差值ΔT12、ΔT23和ΔT31；
步骤S53：当ΔT12、ΔT23和ΔT31中至少两个大于设定值b时，记为异常点，并确定变桨电机温度传感器存在异常；
步骤S54：计算三个变桨电机温度T1、T2、T3分别与轮毂温度之间的差值ΔT1、ΔT2和ΔT3；
步骤S55：当ΔT1、ΔT2和ΔT3中至少两个大于设定值c时，记为异常点，并确定变桨电机温度传感器存在异常；
步骤S56：筛选风机中正常运行时的数据；
步骤S57：利用LightGBM算法进行预测；
步骤S58：计算三个变桨电机温度T1、T2、T3与各自预测值的残差ΔT1p、ΔT2p和ΔT3p；
步骤S59：判断残差值的大小，当残差值大于设定值d时，则表示传感器温度向上漂移，当残差值小于-d时，则表示传感器温度向下漂移；当残差值大于100或小于-100时，则表示传感器发生损坏；当残差绝对值小于d，同时方差大于设定值e时，则表示传感器线路松动。
2.根据权利要求1所述的基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于：所述步骤S1中，风机运行数据包括风机T时间段内SCADA历史运行数据，具体选取SCADA数据中与变桨电机温度相关的遥测信号，对不正常数据按照IEC标准进行剔除。
3.根据权利要求2所述的基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于：所述遥测信号包括SCADA数据中叶片电机温度，轮毂温度，故障状态，风速，有功功率，环境温度和告警状态；所述不正常数据包括空值、乱码或异常值。
4.根据权利要求1所述的基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于，所述步骤S2训练模型包括以下步骤：
步骤S21：加载第三方Python库，导入SCADA训练数据；
步骤S22：将数据格式转换为Dataset格式；
步骤S23：预先设定训练模型中的输入输出参数，核心参数以及控制参数；
步骤S24：对训练模型进行迭代训练；
步骤S25：判断训练模型是否达到迭代次数，若是，则保存为lightGBM模型，若否，则执行下一步；
步骤S26：判断训练数据的准确性在最近一个回合中是否提高，若是，则返回到步骤S24，若否，则输出训练数据，输出准确度指标，并保存为lightGBM模型。
5.根据权利要求1所述的基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于：所述步骤S3中为了得到最佳参数和最好效果的调参优化方法包括以下步骤：
步骤S31：在训练过程中，为了得到更快的训练速度，将调整以下参数变量：
(1)通过设置bagging_fraction和bagging_freq参数来使用bagging方法；
(2)通过设置feature_fraction参数来使用特征的子抽样；
(3)减小max_bin；
(4)使用save_binary在以后的学习过程对数据进行加速加载；
步骤S32：为了得到更快的准确率，调整以下参数变量：
(1)使用大的max_bin和num_iterations，num_leaves；
(2)使用小的learning_rate。
6.根据权利要求1所述的基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法，其特征在于：所述步骤S4的运行过程包括以下步骤：
步骤S41：加载一定时间段内的风场的SCADA数据或数据库数据；
步骤S42：读取保存好的lightGBM模型；
步骤S43：读取输入参数计算得出预测值；
步骤S44：通过将预测值与实际值做差得到两者的残差；
步骤S45：标记残差超过规定值的输入为异常值；
步骤S46：统计在过去一定时间段内的异常点的数量；
步骤S47：判断异常点的数量是否大于预设值a，若是，则输出预警时刻以及此时温度，若否，则运行结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904016.0A CN112597691B (zh) | 2020-09-01 | 2020-09-01 | 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010904016.0A CN112597691B (zh) | 2020-09-01 | 2020-09-01 | 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112597691A CN112597691A (zh) | 2021-04-02 |
| CN112597691B true CN112597691B (zh) | 2022-04-29 |
Family
ID=75180252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010904016.0A Active CN112597691B (zh) | 2020-09-01 | 2020-09-01 | 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112597691B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113357098A (zh) * | 2021-05-31 | 2021-09-07 | 西安热工研究院有限公司 | 一种风机变桨子系统故障预警方法 |
| CN113255593B (zh) * | 2021-06-25 | 2021-09-24 | 北京市水利自动化研究所 | 面向时空解析模型的传感器信息异常检测方法 |
| CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
| CN114151293B (zh) * | 2021-11-30 | 2022-11-22 | 甘肃中电瓜州风力发电有限公司 | 风机变桨系统的故障预警方法、系统、设备及存储介质 |
| CN114708718A (zh) * | 2022-06-07 | 2022-07-05 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109991500A (zh) * | 2019-04-29 | 2019-07-09 | 中国水电工程顾问集团有限公司 | 一种风电故障预警预测的方法 |
| CN110119551A (zh) * | 2019-04-29 | 2019-08-13 | 西安电子科技大学 | 基于机器学习的盾构机刀具磨损退化关联特征分析方法 |
| CN110909895A (zh) * | 2019-11-19 | 2020-03-24 | 科大国创软件股份有限公司 | 一种基于特种设备历史定期检验报告的预警方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200113505A1 (en) * | 2018-10-11 | 2020-04-16 | Seno Medical Instruments, Inc. | Optoacoustic image analysis method and system for automatically estimating lesion traits |
-
2020
- 2020-09-01 CN CN202010904016.0A patent/CN112597691B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109991500A (zh) * | 2019-04-29 | 2019-07-09 | 中国水电工程顾问集团有限公司 | 一种风电故障预警预测的方法 |
| CN110119551A (zh) * | 2019-04-29 | 2019-08-13 | 西安电子科技大学 | 基于机器学习的盾构机刀具磨损退化关联特征分析方法 |
| CN110909895A (zh) * | 2019-11-19 | 2020-03-24 | 科大国创软件股份有限公司 | 一种基于特种设备历史定期检验报告的预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 风力发电机组发电机前轴承预警及辨识;尹诗等;《仪器仪表学报》;20200531;第41卷(第5期);第242-251页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112597691A (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112597691B (zh) | 基于LightGBM算法的风电机组变桨电机温度传感器故障预警方法 | |
| CN112527788A (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
| US11486357B2 (en) | Method and apparatus for self-adaption of a cut-out strategy | |
| Liu et al. | Research on fault diagnosis of wind turbine based on SCADA data | |
| CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
| CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN116865623B (zh) | 基于数据分析的新能源电机运行控制系统 | |
| US20210054825A1 (en) | Wind turbine control method and device, controller, and control system | |
| Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
| CN116296354A (zh) | 汽轮机高调门流量特性实时监测及优化的系统及方法 | |
| CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
| CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
| CN112598148A (zh) | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 | |
| CN116415714A (zh) | 风电功率预测方法、装置、电子设备及可读存储介质 | |
| CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
| CN116422452A (zh) | 一种自动控制参数优化磨矿溢流粒度区间的方法 | |
| CN110219776B (zh) | 一种风力发电机组动态额定功率区间的搜索方法 | |
| Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
| CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
| Zhu et al. | Research of system fault diagnosis method based on imbalanced data | |
| CN117856222A (zh) | 光伏出力预测方法、装置、电子设备及存储介质 | |
| CN117189509A (zh) | 一种海上风机雷击故障检测方法 | |
| CN116976850A (zh) | 基于XGBoost算法的海上风电多维度预维护检修方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |