CN112613554A - 一种风力发电机变桨系统故障预测方法和系统 - Google Patents

一种风力发电机变桨系统故障预测方法和系统 Download PDF

Info

Publication number
CN112613554A
CN112613554A CN202011517741.9A CN202011517741A CN112613554A CN 112613554 A CN112613554 A CN 112613554A CN 202011517741 A CN202011517741 A CN 202011517741A CN 112613554 A CN112613554 A CN 112613554A
Authority
CN
China
Prior art keywords
fault
characteristic parameter
fault characteristic
wind
pitch system
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.)
Granted
Application number
CN202011517741.9A
Other languages
English (en)
Other versions
CN112613554B (zh
Inventor
黄宝成
李洪军
张滔
张磊
何正东
余从极
成月良
叶海瑞
王传秀
柏嵩
王伟
汤海宁
高远
董雪
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.)
State Power Investment Group Jiangsu New Energy Co ltd
NARI Nanjing Control System Co Ltd
Original Assignee
State Power Investment Group Jiangsu New Energy Co ltd
NARI Nanjing Control System Co Ltd
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 State Power Investment Group Jiangsu New Energy Co ltd, NARI Nanjing Control System Co Ltd filed Critical State Power Investment Group Jiangsu New Energy Co ltd
Priority to CN202011517741.9A priority Critical patent/CN112613554B/zh
Publication of CN112613554A publication Critical patent/CN112613554A/zh
Application granted granted Critical
Publication of CN112613554B publication Critical patent/CN112613554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供一种风力发电机变桨系统故障预测方法和系统，选取能够标识风力发电机变桨系统故障的故障特征参数，以特征参数作为输出，风速、有功功率、风轮转速作为输入建立故障预测模型；以大量历史风速、有功功率、风轮转速数据输入至故障预测模型获得历史故障特征参数预测值，结合历史故障特征参数实际值，设定故障特征参数偏差的合理范围；最后运行期间以实时风速、有功功率、风轮转速数据输入至故障预测模型获得故障特征参数预测值，结合特征参数实际值计算偏差，当偏差不在合理范围内时，则判定变桨系统有潜在性故障。本发明建立了风机变桨系统的故障预测模型，对变桨系统的潜在性故障进行判别，为风机检修计划制定提供参考依据。

Description

一种风力发电机变桨系统故障预测方法和系统
技术领域
本发明属于风力发电机故障诊断方法，具体涉及一种风力发电机变桨系统故障预测方法和系统。
背景技术
风能和太阳能作为一种清洁的可再生能源，受到世界各国的重视。近年来我国风力发电逐渐呈现出容量越来越大、分布越来越广的局面，但是风机故障率仍旧相对较高，从而导致运行维护困难，严重影响风电场经济效益。
风电机组传统的维护维修方面主要采用修复性维修和预防性维修两种手段。修复性维修属于事后维护，即风电机组发生故障产生事故告警后，安排维护人员前往维修。预防性维修属于事先维护，基于时间、性能等条件对设备进行定期维修，更多还是凭经验，未雨绸缪。上述两种维修方式效率均不高。
近些年来预测性维护逐步提出，预测性维护是指建立风机状态评价模型，通过数据分析及挖掘，判别风电机组的潜在性故障，以此制定更加合理的检修计划高效完成风电场维护工作。因此风机各部件的故障预测技术是预测性维护的基础。
发明内容
本发明的技术目的是克服现有技术中的问题，提供一种风力发电机变桨系统故障预测方法，实现风力发电机变桨系统潜在性故障预判。
为解决上述技术问题，本发明提供一种风力发电机变桨系统故障预测方法，
包括如下步骤：
获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；
将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；
将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。
进一步地，所述故障特征参数预测模型采用最小二乘支持向量机，训练故障特征参数预测模型的方法包括：选取风机变桨故障特征参数Xi，以故障特征参数Xi作为输出，以风速、有功功率及风轮转速作为输入，训练基于最小二乘支持向量机直至满足要求。
再进一步地，选取风机变桨故障特征参数Xi具体方法为：采用relief方法获取变桨系统故障期间各参数权重，选取权重最重的一组参数作为故障特征参数Xi，对应权重为ci，其中i为故障特征参数个数。
进一步地，故障特征参数偏差设定范围的设置方法如下：将选定数量的风机历史上正常运行期间的风速、有功功率、风轮转速输入至预测模型M，获得对应的历史故障特征参数预测值
Figure BDA0002847979170000021
其中m为历史数据个数，结合对应历史时刻故障特征参数的实际值
Figure BDA0002847979170000022
通过下式获取一系列偏差ηm：
Figure BDA0002847979170000031
其中n是故障特征量的个数，n是i的取值范围，Cim是各故障特征参数分量的权重，故障特征参数偏差的合理范围为η∈[0,MAX(ηm)]。
第二方面本发明还提供了一种风力发电机变桨系统故障预测系统，包括：数据获取模块、预测模块和故障判断模块，其中所述数据获取模块，用于获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；
所述预测模块，用于将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；
所述故障判断模块，用于将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。
进一步地，还包括预测模型训练模块，所述预测模型训练模块用于训练获得所述故障特征参数预测模型M。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任意一种可能的实施例提供的所述风力发电机变桨系统故障预测方法的步骤。
本发明所取得的有益技术效果：
本发明建立了风机变桨系统的故障预测模型，利用故障特征参数预测模型M对变桨系统的潜在性故障进行判别，为风机检修计划制定提供参考依据。可应用于风机维护工作的辅助决策。
附图说明
图1为本发明具体实施例提供的风力发电机变桨系统故障预测方法流程示意图。
具体实施方式
以下结合说明书附图和具体实施例对本发明做进一步说明。
实施例1：一种风力发电机变桨系统故障预测方法，如图1所示，包括如下步骤：获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。
本实施例中所述故障特征参数预测模型采用最小二乘支持向量机(LSSVM，LeastSquares SVM)，训练故障特征参数预测模型的方法包括：选取风机变桨故障特征参数Xi，以故障特征参数Xi作为输出，以风速、有功功率及风轮转速作为输入，训练基于最小二乘支持向量机直至满足要求。
选取风机变桨故障特征参数Xi具体方法为：采用relief方法获取变桨系统故障期间各参数权重，选取权重最重的一组参数作为故障特征参数Xi，对应权重为ci，其中i为故障特征参数个数。针对获取的样本获得故障特征向量，对每个故障特征向量利用矩阵数据进行Relief加权特征选择算法进行特征权重计算，本实施例选取权重最重的一组参数作为故障特征参数Xi去除对分类无效的特征，保留分类能力较强的特征，用剩余的有效特征组成特征向量进行分类，实现故障特征的降维。
可选地，故障特征参数偏差设定范围的设置方法如下：将选定数量的风机历史上正常运行期间的风速、有功功率、风轮转速输入至预测模型M，获得对应的历史故障特征参数预测值
Figure BDA0002847979170000052
其中m为历史数据个数，结合对应历史时刻故障特征参数的实际值
Figure BDA0002847979170000053
通过下式获取一系列偏差ηm：
Figure BDA0002847979170000051
其中n是故障特征量的个数，n是i的取值范围，Cim是各故障特征参数分量的权重，该权重通过Relief加权特征选择算法获得。故障特征参数偏差的合理范围为η∈[0,MAX(ηm)]。
以风机运行时实时风速、有功功率、风轮转速值输入至故障特征参数预测模型M获得特征参数预测值，结合故障特征参数的实际值通过式(1)计算偏差η，当η不在合理范围内时，则判定变桨系统有潜在性故障。
本实施例中通过风机监控系统，导出一年内风机故障期间和正常运行期间变桨系统历史运行参数数据，计算各参数在故障期间和正常运行期间的偏差，通过relief方法获取各参数权重，选出权重较重，及在故障期间发生显著变化的参数作为故障特征参数，并记录各故障特征参数的权重值。
以上述故障特征参数一年内每个月的前半个月的历史值组成输出样本，以一年内每个月前半个月的风速、有功功率、风轮转速历史值组成输入样本，通过LSSVM方法训练获得预测模型。
以上述一年内风机正常运行期间每个月后半个月风速、有功功率、风轮转速输入预测模型获得故障特征参数的历史值，结合对应的历史实际值通过本发明所给出的方法计算偏差，获得偏差合理范围
风机正常运行期间，风机运行时实时风速、有功功率、风轮转速值输入至故障特征参数预测模型获得特征参数预测值，结合故障特征参数的实际值通过式计算偏差，当偏差不在合理范围内时，则判定变桨系统有潜在性故障。
本发明提供一种风力发电机变桨系统故障预测方法，选取能够标识风力发电机变桨系统故障的故障特征参数，以特征参数作为输出，风速、有功功率、风轮转速作为输入建立故障预测模型；以大量历史风速、有功功率、风轮转速数据输入至故障预测模型获得历史故障特征参数预测值，结合历史故障特征参数实际值，设定故障特征参数偏差的合理范围；最后运行期间以实时风速、有功功率、风轮转速数据输入至故障预测模型获得故障特征参数预测值，结合特征参数实际值计算偏差，当偏差不在合理范围内时，则判定变桨系统有潜在性故障。本发明建立了风机变桨系统的故障预测模型，对变桨系统的潜在性故障进行判别，为风机检修计划制定提供参考依据。
实施例2：与实施例1相对应地，本实施例提供了一种风力发电机变桨系统故障预测系统，包括：数据获取模块、预测模块和故障判断模块，其中所述数据获取模块，用于获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；所述预测模块，用于将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；所述故障判断模块，用于将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。
进一步地，所述系统还包括预测模型训练模块，所述预测模型训练模块用于训练获得所述故障特征参数预测模型M。
需要说明的是，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置、单元或者模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (7)

1.一种风力发电机变桨系统故障预测方法，其特征在于，包括如下步骤：
获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；
将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。
2.根据权利要求1所述的一种风力发电机变桨系统故障预测方法，其特征在于：所述故障特征参数预测模型采用最小二乘支持向量机，训练故障特征参数预测模型的方法包括：选取风机变桨故障特征参数Xi，以故障特征参数Xi作为输出，以风速、有功功率及风轮转速作为输入，训练基于最小二乘支持向量机直至满足要求。
3.根据权利要求2所述的一种风力发电机变桨系统故障预测方法，其特征在于：选取风机变桨故障特征参数Xi具体方法为：采用relief方法获取变桨系统故障期间各参数权重，选取权重最重的一组参数作为故障特征参数Xi，对应权重为ci，其中i为故障特征参数个数。
4.根据权利要求1所述的一种风力发电机变桨系统故障预测方法，其特征在于：故障特征参数偏差设定范围的设置方法如下：将选定数量的风机历史上正常运行期间的风速、有功功率、风轮转速输入至预测模型M，获得对应的历史故障特征参数预测值
Figure FDA0002847979160000011
其中m为历史数据个数，结合对应历史时刻故障特征参数的实际值
Figure FDA0002847979160000021
通过下式获取一系列偏差ηm：
Figure FDA0002847979160000022
其中n是故障特征量的个数，n是i的取值范围，Cim是各故障特征参数分量的权重，故障特征参数偏差的合理范围为η∈[0,MAX(ηm)]。
5.一种风力发电机变桨系统故障预测系统，其特征在于，包括：数据获取模块、预测模块和故障判断模块，其中所述数据获取模块，用于获取风力发电机变桨系统的风速、有功功率及风轮转速数据作为输入数据；
所述预测模块，用于将输入数据输入到预先训练完成的故障特征参数预测模型M，输出预测获得的故障特征参数；
所述故障判断模块，用于将获得故障特征参与设定的故障特征参数进行比较进而获得偏差，若偏差不在偏差设定范围则判定风力发电机变桨系统存在故障。
6.根据权利要求5所述的一种风力发电机变桨系统故障预测系统，其特征在于，还包括预测模型训练模块，所述预测模型训练模块用于训练获得所述故障特征参数预测模型M。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～4任意一项权利要求所述方法的步骤。
CN202011517741.9A 2020-12-21 2020-12-21 一种风力发电机变桨系统故障预测方法和系统 Active CN112613554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011517741.9A CN112613554B (zh) 2020-12-21 2020-12-21 一种风力发电机变桨系统故障预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011517741.9A CN112613554B (zh) 2020-12-21 2020-12-21 一种风力发电机变桨系统故障预测方法和系统

Publications (2)

Publication Number Publication Date
CN112613554A true CN112613554A (zh) 2021-04-06
CN112613554B CN112613554B (zh) 2024-03-22

Family

ID=75243719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011517741.9A Active CN112613554B (zh) 2020-12-21 2020-12-21 一种风力发电机变桨系统故障预测方法和系统

Country Status (1)

Country Link
CN (1) CN112613554B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113153657A (zh) * 2021-05-28 2021-07-23 上海扩博智能技术有限公司 风机发电率损失预测方法、系统、设备及介质
CN113187674A (zh) * 2021-06-22 2021-07-30 鲁能集团有限公司 一种风电机组变桨系统的故障确定方法及系统
CN113432242A (zh) * 2021-06-29 2021-09-24 河南中烟工业有限责任公司 空调风机运行状态综合检测方法
CN114251238A (zh) * 2021-11-30 2022-03-29 北京金风慧能技术有限公司 变桨电机温度异常检测方法及设备
CN115796610A (zh) * 2023-02-10 2023-03-14 江苏新恒基特种装备股份有限公司 一种支管成型系统运行综合监测方法、系统及存储介质
WO2024045413A1 (zh) * 2022-08-31 2024-03-07 北京金风慧能技术有限公司 风力发电机组的变桨故障预测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019135A (zh) * 2012-11-28 2013-04-03 北京金风科创风电设备有限公司 风机部件的寿命预测方法及系统
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
KR20160073945A (ko) * 2016-06-03 2016-06-27 두산중공업 주식회사 풍력플랜트 관리 시스템 및 그 방법
CN110766175A (zh) * 2019-10-25 2020-02-07 长沙理工大学 一种基于最优间隔分布机的变桨系统故障检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019135A (zh) * 2012-11-28 2013-04-03 北京金风科创风电设备有限公司 风机部件的寿命预测方法及系统
CN105134510A (zh) * 2015-09-18 2015-12-09 北京中恒博瑞数字电力科技有限公司 一种风力发电机组变桨系统的状态监测和故障诊断方法
KR20160073945A (ko) * 2016-06-03 2016-06-27 두산중공업 주식회사 풍력플랜트 관리 시스템 및 그 방법
CN110766175A (zh) * 2019-10-25 2020-02-07 长沙理工大学 一种基于最优间隔分布机的变桨系统故障检测方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113153657A (zh) * 2021-05-28 2021-07-23 上海扩博智能技术有限公司 风机发电率损失预测方法、系统、设备及介质
CN113187674A (zh) * 2021-06-22 2021-07-30 鲁能集团有限公司 一种风电机组变桨系统的故障确定方法及系统
CN113432242A (zh) * 2021-06-29 2021-09-24 河南中烟工业有限责任公司 空调风机运行状态综合检测方法
CN114251238A (zh) * 2021-11-30 2022-03-29 北京金风慧能技术有限公司 变桨电机温度异常检测方法及设备
WO2024045413A1 (zh) * 2022-08-31 2024-03-07 北京金风慧能技术有限公司 风力发电机组的变桨故障预测方法和装置
CN115796610A (zh) * 2023-02-10 2023-03-14 江苏新恒基特种装备股份有限公司 一种支管成型系统运行综合监测方法、系统及存储介质

Also Published As

Publication number Publication date
CN112613554B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN112613554A (zh) 一种风力发电机变桨系统故障预测方法和系统
CN105134510A (zh) 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN106979126B (zh) 基于svr的风力发电机组高风速段有效风速估计方法
CN104200396B (zh) 一种风力发电机部件故障预警方法
CN106815771B (zh) 一种风电场载荷的长期评估方法
CN104131950B (zh) 一种风电机组温度特征量的阈值分区确定方法
CN110469456B (zh) 降低变桨疲劳的风电场智能控制方法及系统
CN110994604A (zh) 基于lstm-dnn模型的电力系统暂态稳定评估方法
CN108072524B (zh) 一种风电机组齿轮箱轴承故障预警方法
CN104951851A (zh) 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法
CN105205326B (zh) 一种电厂实时负荷在线预测方法
CN115453356B (zh) 一种动力设备运行状态监测分析方法、系统、终端及介质
CN103852255B (zh) 基于神经网络风力发电机组典型传动故障智能诊断方法
CN114781757A (zh) 海上风电场多机组运维策略优化方法
CN108506171A (zh) 一种大型半直驱机组齿轮箱冷却系统故障预警方法
CN116050613B (zh) 水电机组顶盖排水泵剩余使用寿命预测方法
CN110273818B (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
CN111525550A (zh) 一种功率预测对断面输送功率影响的评估方法及系统
CN114758483B (zh) 一种基于余弦相似性的电力设备动态智能预警方法
CN114281846B (zh) 一种基于机器学习的新能源发电预测方法
CN112287621B (zh) 风电机组运行状态阈值曲线确定方法、评价方法及系统
Kumar Performance modelling and optimisation of the rice processing industrial system using PSO
CN113947223A (zh) 一种智能化设备健康管理系统及方法
Tingting et al. Early warning method for power station auxiliary failure considering large-scale operating conditions
CN111178593A (zh) 一种光伏系统输出功率预测方法及装置

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
CB02 Change of applicant information

Country or region after: China

Address after: 210011 room 3105, No.2 Zhongshan North Road, Nanjing City, Jiangsu Province

Applicant after: State Power Investment Group Jiangsu new energy Co.,Ltd.

Applicant after: NARI NANJING CONTROL SYSTEM Co.,Ltd.

Address before: 210011 room 3105, No.2 Zhongshan North Road, Nanjing City, Jiangsu Province

Applicant before: State Power Investment Group Jiangsu new energy Co.,Ltd.

Country or region before: China

Applicant before: NARI Nanjing Control System Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant