CN112733279B - 基于模糊分区的风电机组变桨系统故障预警识别方法 - Google Patents

基于模糊分区的风电机组变桨系统故障预警识别方法 Download PDF

Info

Publication number
CN112733279B
CN112733279B CN202010953736.6A CN202010953736A CN112733279B CN 112733279 B CN112733279 B CN 112733279B CN 202010953736 A CN202010953736 A CN 202010953736A CN 112733279 B CN112733279 B CN 112733279B
Authority
CN
China
Prior art keywords
fuzzy
partition
value
wind
lstm
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.)
Expired - Fee Related
Application number
CN202010953736.6A
Other languages
English (en)
Other versions
CN112733279A (zh
Inventor
曹欣
谭建鑫
白日欣
崔恺
苏伟
李雪松
尚一斐
王臻
王运方
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.)
Hebei Jiantou New Energy Co ltd
Xintian Green Energy Co ltd
Original Assignee
Hebei Jiantou New Energy Co ltd
Xintian Green Energy 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 Hebei Jiantou New Energy Co ltd, Xintian Green Energy Co ltd filed Critical Hebei Jiantou New Energy Co ltd
Priority to CN202010953736.6A priority Critical patent/CN112733279B/zh
Publication of CN112733279A publication Critical patent/CN112733279A/zh
Application granted granted Critical
Publication of CN112733279B publication Critical patent/CN112733279B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (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)
  • Control Of Eletrric Generators (AREA)
  • Wind Motors (AREA)

Abstract

基于模糊分区的风电机组变桨系统故障预警识别方法，基于梯形模糊分区理论，将风力等级分为四个模糊分区，也称模糊集合F，并计算模糊集合F的隶属度函数；将风电场SCADA得到的风速数据按照时间段进行风速等级模糊分区处理，确定各模糊分区处理，确定各模糊分区范围，通过步骤1所述的隶属度函数，得到各个分区的隶属度值，用ε1表示；进行长短型记忆网络深度学习算法分区预测，得到各个分区的预测值，用LSTM_out1表示，然后将各个分区的预测值LSTM_out1乘以该分区的隶属度值ε1，再将所有分区εi*LSTM_outi的值相加，得到本风机启动阶段的变桨轴承轴速预测值。本发明克服了现有技术的不足，能够实时预警变桨机械故障隐患状况，实现提前对设备故障隐患做出相应分析判断。

Description

基于模糊分区的风电机组变桨系统故障预警识别方法
技术领域
本发明涉及风电机组故障预警方法领域，具体涉及基于模糊分区的风电机组变桨系统故障预警识别方法。
背景技术
变桨直流电机的转矩只和电机电流大小有关，理想情况下，在叶片从90变到45的过程中：小风速阶段(3-8)m/s变桨电机变桨速度是2°/s，变桨电机转矩是恒定值，变桨电机电流也是恒定值,在中风速和大风速阶段，风机爬坡时，变桨速度≤2°/s，变桨电机的转矩和电流也随之发生变化。变桨直流电机输入是电流，输出是扭矩，变桨速度与变桨受力(扭矩)以及变桨自身健康状况有关，同样的力施加在健康的轴承和内部损坏的轴承，他们的变桨速度是不一样的。
发明内容
针对现有技术的不足，本发明提供了基于模糊分区的风电机组变桨系统故障预警识别方法，克服了现有技术的不足，能够实时预警变桨机械故障隐患状况，实现提前对设备故障隐患做出相应分析判断。
为实现以上目的，本发明通过以下技术方案予以实现：
本发明公开了一种基于模糊分区的风电机组变桨系统故障预警识别方法，包括以下步骤：
步骤1)基于梯形模糊分区理论，将风力等级分为小风、中风、大风，超大风四个模糊分区，也称模糊集合F，并计算模糊集合F的隶属度函数；
步骤2)将风电场SCADA得到的风速数据按照时间段进行风速等级模糊分区处理，确定各模糊分区处理，确定各模糊分区范围，通过步骤1所述的隶属度函数，得到各个分区的隶属度值，用ε1表示；
步骤3)进行长短型记忆网络深度学习算法分区预测，得到各个分区的预测值，用LSTM_out1表示，然后将各个分区的预测值LSTM_out1乘以该分区的隶属度值ε1，再将所有分区εi*LSTM_outi的值相加，得到本风机启动阶段的变桨轴承轴速预测值。
优选地，所述步骤1)中，所述模糊集合F是指对于任意的x∈X，都有一个确定的数εF(x)∈[0,1]与其对应，εF(x)表示x相对与F的隶属程度，映射：
Figure GDA0002988341400000023
F的隶属度函数，所述隶属度函数选取梯形形隶属度函数：
Figure GDA0002988341400000021
Figure GDA0002988341400000022
其中a,b,c,d是梯形的4个顶点位置。
优选地，所述步骤2)包括如下步骤：
步骤21)确定无风模糊分区的范围为0～4m/s、小风模糊分区范围为2～8m/s、中风模糊分区范围为6～12m/s、大风模糊分区范围为11～16m/s、超大风模糊分区范围为14m/s以上；
步骤22)选取风机启动阶段连续时间内的风速数据V，取该时间段内的风速的算术平均值为该时间段的风速值，将该时间段的风速值V作为模糊分区的依据，即步骤1)所述的公式(1-1)中的x值；各模糊分区的隶属度函数对应于公式(1-2)(1-3)中，a为该模糊分区的最小风速，b为该模糊分区的风速范围的期望值，c为该模糊分区的中位数，d为该模糊分区的最大风速，统计风机启动阶段这段时间内每秒钟的风速值，分别计算这段时间内风速序列的期望值b和中位数c,比较b和c的大小，如果b<c，风速模糊分区的隶属度函数选择公式(1-2)，如果b≥c,风速模糊分区的隶属度函数选择公式(1-3)。
优选地，所述步骤3包括如下步骤：
有四层神经网络层以特殊的方式相互作用，而不是单个神经网络层；
步骤31)利用t-1时刻风机的m个运行状态数据预测t时刻风机变桨轴速的预测值。输入t-1时刻变桨系统的N组数据，得到的m个主成分量Xm(t-1)，作为t-1时刻网络输入层参数，得到t-1时刻网络的变桨轴速输出值h(t-1)，以及t-1时刻的网络记忆状态c(t-1)，同时输入t时刻的m个风机主成分量Xm(t)，即h(t-1)、c(t-1)、Xm(t)作为t时刻输入参数，预测计算得到t时刻网络的变桨轴速输出值h(t)和当前时刻记忆状态c(t)，以此类推；
步骤32)隐含层包含n个按前后时刻连接的同构LSTM单元，ct-1、ht-1为前一个LSTM单元的状态和输出，计算公式为下面所示：
ft＝σ(Wf·[ht-1，xt]+bf) (2-1)
it＝σ(Wi·[ht-1，xt]+bi) (2-2)
Figure GDA0002988341400000031
Figure GDA0002988341400000032
其中σ为sigmoid函数；
步骤33)输出层的计算：
Ot＝σ(Wo[ht-1，xt]+bo) (2-5)
ht＝ot*tanh(Ct) (2-6)
式中，ot是输出门函数，Ct是单元的记忆值，输出层的输出值即为输出门函数与单元的记忆值Ct的正切函数的乘积。
步骤34)经模糊分区和长短型记忆网络预测后的变桨轴速预测值为：
y＝εA·LSTM_outB+εB·LSTM_outA (2-7)
式中，εA、εB表示该时间段风速隶属于相应两个模糊分区的隶属度值，LSTM_outA、LSTM_outB表示在相应两个模糊分区下的长短型记忆网络预测模型的输出值。
本发明提供了基于模糊分区的风电机组变桨系统故障预警识别方法。具备以下有益效果：通过分析风速变化的重要特征，以及风速与变桨轴速、变桨电机电流、变桨电机温度之间的关系，采用模糊理论、深度学习智能算法相结合的模式。在进行风机变桨系统机械部分故障预警时，先将风速按照时间段进行风力等级模糊分区处理，然后进行长短型记忆网络分区预测变桨轴速，同时变桨轴速由梯形模糊数转化为区间值，分区变桨轴速预测值乘以其隶属度值再将所有分区值相加即时是预测的变桨轴速值，变桨轴速与实际变桨轴速相比，得到风机变桨轴承和齿轮箱的健康度，给出预警诊断结果。
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本发明通过长短记忆神经网络得到的变桨轴速预测结果图；
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。
本发明公开了一种基于模糊分区的风电机组变桨系统故障预警识别方法，包括以下步骤：
步骤1)基于梯形模糊分区理论，将风力等级分为小风、中风、大风，超大风四个模糊分区，也称模糊集合F，并计算模糊集合F的隶属度函数；
步骤2)将风电场SCADA得到的风速数据按照时间段进行风速等级模糊分区处理，确定各模糊分区处理，确定各模糊分区范围，通过步骤1所述的隶属度函数，得到各个分区的隶属度值，用ε1表示；
步骤3)进行长短型记忆网络深度学习算法分区预测，得到各个分区的预测值，用LSTM_out1表示，然后将各个分区的预测值LSTM_out1乘以该分区的隶属度值ε1，再将所有分区εi*LSTM_outi的值相加，得到本风机启动阶段的变桨轴承轴速预测值。
优选地，所述步骤1)中，所述模糊集合F是指对于任意的x∈X，都有一个确定的数εF(x)∈[0,1]与其对应，εF(x)表示x相对与F的隶属程度，映射：
Figure GDA0002988341400000052
F的隶属度函数，所述隶属度函数选取梯形形隶属度函数：
Figure GDA0002988341400000051
Figure GDA0002988341400000061
其中a,b,c,d是梯形的4个顶点位置。
优选地，所述步骤2)包括如下步骤：
步骤21)确定无风模糊分区的范围为0～4m/s、小风模糊分区范围为2～8m/s、中风模糊分区范围为6～12m/s、大风模糊分区范围为11～16m/s、超大风模糊分区范围为14m/s以上；
步骤22)选取风机启动阶段连续时间内的风速数据V，取该时间段内的风速的算术平均值为该时间段的风速值，将该时间段的风速值V作为模糊分区的依据，即步骤1)所述的公式(1-1)中的x值；各模糊分区的隶属度函数对应于公式(1-2)(1-3)中，a为该模糊分区的最小风速，b为该模糊分区的风速范围的期望值，c为该模糊分区的中位数，d为该模糊分区的最大风速，统计风机启动阶段这段时间内每秒钟的风速值，分别计算这段时间内风速序列的期望值b和中位数c,比较b和c的大小，如果b<c，风速模糊分区的隶属度函数选择公式(1-2)，如果b≥c,风速模糊分区的隶属度函数选择公式(1-3)。
优选地，所述步骤3包括如下步骤：
有四层神经网络层以特殊的方式相互作用，而不是单个神经网络层；
步骤31)利用t-1时刻风机的m个运行状态数据预测t时刻风机变桨轴速的预测值。输入t-1时刻变桨系统的N组数据，得到的m个主成分量Xm(t-1)，作为t-1时刻网络输入层参数，得到t-1时刻网络的变桨轴速输出值h(t-1)，以及t-1时刻的网络记忆状态c(t-1)，同时输入t时刻的m个风机主成分量Xm(t)，即h(t-1)、c(t-1)、Xm(t)作为t时刻输入参数，预测计算得到t时刻网络的变桨轴速输出值h(t)和当前时刻记忆状态c(t)，以此类推；
步骤32)隐含层包含n个按前后时刻连接的同构LSTM单元，ct-1、ht-1为前一个LSTM单元的状态和输出，计算公式为下面所示：
ft＝σ(Wf·[ht-1，xt]+bf) (2-1)
it＝σ(Wi·[ht-1，xt]+bi) (2-2)
Figure GDA0002988341400000071
Figure GDA0002988341400000072
其中σ为sigmoid函数；
步骤33)输出层的计算：
ot＝σ(Wo[ht-1，xt]+bo) (2-5)
ht＝ot*tanh(Ct) (2-6)
式中，ot是输出门函数，Ct是单元的记忆值，输出层的输出值即为输出门函数与单元的记忆值Ct的正切函数的乘积。
步骤34)经模糊分区和长短型记忆网络预测后的变桨轴速预测值为：
y＝εA·LSTM_outB+εB·LSTM_outA (2-7)
式中，εA、εB表示该时间段风速隶属于相应两个模糊分区的隶属度值，LSTM_outA、LSTM_outB表示在相应两个模糊分区下的长短型记忆网络预测模型的输出值。
图1所示为本发明经过长短记忆神经网络得到的变桨轴速预测结果。
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 (1)

1.基于模糊分区的风电机组变桨系统故障预警识别方法，其特征在于，包括以下步骤：
步骤1)基于梯形模糊分区理论，将风力等级分为小风、中风、大风，超大风四个模糊分区，也称模糊集合F，并计算模糊集合F的隶属度函数；
步骤2)将风电场SCADA得到的风速数据按照时间段进行风速等级模糊分区处理，确定各模糊分区处理，确定各模糊分区范围，通过步骤1所述的隶属度函数，得到各个分区的隶属度值，用ε1表示；
步骤3)进行长短型记忆网络深度学习算法分区预测，得到各个分区的预测值，用LSTM_out1表示，然后将各个分区的预测值LSTM_out1乘以该分区的隶属度值ε1，再将所有分区εi*LSTM_outi的值相加，得到本风机启动阶段的变桨轴承轴速预测值；
步骤1)中，所述模糊集合F是指对于任意的x∈X，都有一个确定的数εF(x)∈[0,1]与其对应，εF(x)表示x相对与F的隶属程度，映射：
Figure FDA0003535264550000011
F的隶属度函数，所述隶属度函数选取梯形隶属度函数：
Figure FDA0003535264550000012
Figure FDA0003535264550000021
其中a,b,c,d是梯形的4个顶点位置；
所述步骤2)包括如下步骤：
步骤21)确定无风模糊分区的范围为0～4m/s、小风模糊分区范围为2～8m/s、中风模糊分区范围为6～12m/s、大风模糊分区范围为11～16m/s、超大风模糊分区范围为14m/s以上；
步骤22)选取风机启动阶段连续时间内的风速数据V，取该时间段内的风速的算术平均值为该时间段的风速值，将该时间段的风速值V作为模糊分区的依据，即步骤1)所述的公式(1-1)中的x值；各模糊分区的隶属度函数对应于公式(1-2)(1-3)中，a为该模糊分区的最小风速，b为该模糊分区的风速范围的期望值，c为该模糊分区的中位数，d为该模糊分区的最大风速，统计风机启动阶段这段时间内每秒钟的风速值，分别计算这段时间内风速序列的期望值b和中位数c,比较b和c的大小，如果b<c，风速模糊分区的隶属度函数选择公式(1-2)，如果b≥c,风速模糊分区的隶属度函数选择公式(1-3)；
步骤3)包括如下步骤：
有四层神经网络层以特殊的方式相互作用，而不是单个神经网络层；
步骤31)利用t-1时刻风机的m个运行状态数据预测t时刻风机变桨轴速的预测值；输入t-1时刻变桨系统的N组数据，得到的m个主成分量Xm(t-1)，作为t-1时刻网络输入层参数，得到t-1时刻网络的变桨轴速输出值ht-1，以及t-1时刻的网络记忆状态Ct-1，同时输入t时刻的m个风机主成分量Xm(t)，即ht-1、Ct-1、Xm(t)作为t时刻输入参数，预测计算得到t时刻网络的变桨轴速输出值ht 和当前时刻记忆状态C t ，以此类推；
步骤32)隐含层包含n个按前后时刻连接的同构LSTM单元，Ct-1、ht-1为前一个LSTM单元的状态和输出，计算公式如下所示：
ft＝σ(Wf·[ht-1，xt]+bf) (2-1)
it＝σ(Wi·[ht-1，xt]+bi) (2-2)
Figure FDA0003535264550000031
Figure FDA0003535264550000032
其中σ为sigmoid函数；
步骤33)输出层的计算：
ot＝σ(Wo[ht-1，xt]+bo) (2-5)
ht＝ot*tanh(Ct) (2-6)
式中，ot是输出门函数，Ct是单元的记忆值，输出层的输出值即为输出门函数与单元的记忆值Ct的正切函数的乘积；
步骤34)经模糊分区和长短型记忆网络预测后的变桨轴速预测值为：
y＝εA·LSTM_outB+εB·LSTM_outA (2-7)
式中，εA、εB表示该时间段风速隶属于相应两个模糊分区的隶属度值，LSTM_outA、LSTM_outB表示在相应两个模糊分区下的长短型记忆网络预测模型的输出值。
CN202010953736.6A 2020-09-11 2020-09-11 基于模糊分区的风电机组变桨系统故障预警识别方法 Expired - Fee Related CN112733279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010953736.6A CN112733279B (zh) 2020-09-11 2020-09-11 基于模糊分区的风电机组变桨系统故障预警识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010953736.6A CN112733279B (zh) 2020-09-11 2020-09-11 基于模糊分区的风电机组变桨系统故障预警识别方法

Publications (2)

Publication Number Publication Date
CN112733279A CN112733279A (zh) 2021-04-30
CN112733279B true CN112733279B (zh) 2022-05-03

Family

ID=75597186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010953736.6A Expired - Fee Related CN112733279B (zh) 2020-09-11 2020-09-11 基于模糊分区的风电机组变桨系统故障预警识别方法

Country Status (1)

Country Link
CN (1) CN112733279B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732300A (zh) * 2015-04-07 2015-06-24 北京国能日新系统控制技术有限公司 一种基于模糊分区理论的神经网络风功率短期预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7895016B2 (en) * 2009-08-31 2011-02-22 General Electric Company System and method for wind turbine health management
EP3073109A1 (en) * 2015-03-23 2016-09-28 ALSTOM Renewable Technologies Obtaining dynamic properties of a part of wind turbine

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732300A (zh) * 2015-04-07 2015-06-24 北京国能日新系统控制技术有限公司 一种基于模糊分区理论的神经网络风功率短期预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《风电机组控制系统关键技术研究及应用》;贾昭鑫;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190115(第1期);摘要、正文第1-46页 *

Also Published As

Publication number Publication date
CN112733279A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
Asghar et al. Adaptive neuro-fuzzy algorithm to estimate effective wind speed and optimal rotor speed for variable-speed wind turbine
Petković et al. Adaptive neuro-fuzzy maximal power extraction of wind turbine with continuously variable transmission
Asghar et al. Estimation of wind speed probability distribution and wind energy potential using adaptive neuro-fuzzy methodology
CN106979126B (zh) 基于svr的风力发电机组高风速段有效风速估计方法
Asghar et al. Estimation of wind turbine power coefficient by adaptive neuro-fuzzy methodology
CN104732300B (zh) 一种基于模糊分区理论的神经网络风功率短期预测方法
CN107728059B (zh) 一种变桨系统状态评估方法
CN105590144A (zh) 一种基于narx神经网络的风速预测方法及装置
Zhang et al. A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data
CN109800931A (zh) 基于风机scada数据的风电场发电量损失测量方法及系统
Yu et al. Remaining useful life prediction of planet bearings based on conditional deep recurrent generative adversarial network and action discovery
Chehaidia et al. An improved machine learning techniques fusion algorithm for controls advanced research turbine (Cart) power coefficient estimation
CN107527093B (zh) 一种风电机组运行状态诊断方法及装置
CN112733279B (zh) 基于模糊分区的风电机组变桨系统故障预警识别方法
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
Peng et al. Wind turbine blades icing failure prognosis based on balanced data and improved entropy
CN113111314B (zh) 一种基于多机组协同的并网风电机组健康状态评估方法
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
Ma et al. Fault diagnosis of fan gearboxes based on EEMD energy entropy and SOM neural networks
CN110334951B (zh) 一种风电机组高温降容状态的智能评估方法及系统
Hossain et al. Prediction of power generation of small scale vertical axis wind turbine using fuzzy logic
Yang et al. Prediction of Gearbox Oil Temperature of Wind Turbine Based on GRNN-LSTM Combined Model
CN117117858B (zh) 一种风电机组功率预测方法、装置及存储介质
Obeidat et al. Wind power forecasting using artificial neural network
CN113946608B (zh) 一种基于在线rbf神经网络的风力发电机组运行状态监测方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220503

CF01 Termination of patent right due to non-payment of annual fee