CN113236508B - 一种用于风力发电机组风速-功率异常数据检测的方法 - Google Patents

一种用于风力发电机组风速-功率异常数据检测的方法 Download PDF

Info

Publication number
CN113236508B
CN113236508B CN202110600252.8A CN202110600252A CN113236508B CN 113236508 B CN113236508 B CN 113236508B CN 202110600252 A CN202110600252 A CN 202110600252A CN 113236508 B CN113236508 B CN 113236508B
Authority
CN
China
Prior art keywords
data
detection
power
wind speed
state
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
Application number
CN202110600252.8A
Other languages
English (en)
Other versions
CN113236508A (zh
Inventor
彭鹏
王琳
金秋霞
刘伟江
赵国群
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.)
Zhejiang Windey Co Ltd
Original Assignee
Zhejiang Windey 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 Zhejiang Windey Co Ltd filed Critical Zhejiang Windey Co Ltd
Priority to CN202110600252.8A priority Critical patent/CN113236508B/zh
Publication of CN113236508A publication Critical patent/CN113236508A/zh
Application granted granted Critical
Publication of CN113236508B publication Critical patent/CN113236508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Sustainable Energy (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种用于风力发电机组风速‑功率异常数据检测的方法，包括：收集机组运行状态数据，根据风速‑功率数据对应的机组运行状态进行异常数据的一次异常检测；根据构建正常数据主带范围对通过状态检测的数据进行二次异常检测；构建DBSCAN模型，对通过状态检测和功率检测后的数据进行三次异常检测；针对额定风速以上数据进行单独异常检测；输出通过检测的正常数据。上述技术方案综合异常数据形成物理机理和数据形态特征构建技术方案，实现风速‑功率异常数据的初步检测，利用DBSCAN模型进一步检测，并结合可信度机制和额定风速以上数据检测实现异常数据的最终检测，使得对于风力发电机组风速‑功率异常数据的检测具有更高精准度。

Description

一种用于风力发电机组风速-功率异常数据检测的方法
技术领域
本发明涉及风力发电技术领域，尤其涉及一种用于风力发电机组风速-功率异常数据检测的方法。
背景技术
数据采集与监视控制系统(SCADA)作为风电场中一种重要的信息管理方式，其数据的质量对于风力发电机组控制优化、性能分析等具有着重要意义。因此，对SCADA数据进行数据清洗，提高SCADA数据质量，对于提高风力发电机组运行分析和经济分析具有着重要意义。
有资料显示，现有的SCADA机组运行数据异常检测方法主要可以分为以下几类：1.基于数理统计理论的异常检测技术，例如方差清洗、四分位清洗等，这类技术主要根据异常数据位于数据集边缘这一特性进行异常数据的检测；2.基于数据密度或距离判别的异常检测技术，例如K-最近邻算法、局部离群因子算法等，这类技术主要根据正常数据分布密度密集、异常数据分布密度稀疏这一特性进行异常数据的检测；3.基于风功率曲线的数学模型，这类技术主要通过对正常数据的建模来检测异常数据。
虽然上述方法均可实现风力发电机组风速-功率数据的异常检测，但也存在一定的局限性。例如，基于数理统计理论的异常检测技术容易发生正常数据错检为异常数据，且清洗后的数据在形态上不光滑；基于数据密度或距离判别的异常检测技术，在密度较高的堆积性异常数据上识别较差；基于风功率曲线的数据模型，需要大量正常数据作为样本且普适性较差。
中国专利文献CN106677996A公开了一种“风力发电机组塔筒振动异常检测方法”。采用了利用风电场运行数据生成各台同型号机组的风速-振动表，绘制各相同风速段下全风电场机组振动值箱线图，以发现塔筒振动异常的风电机组，再将正常机组的风速-振动表合并成全风电场该型号机组的风速振动特征表，然后将各台机组当日生成的风速-振动表与全风电场该型号机组的风速振动特征表进行差异对比，实现当日对机组塔筒振动异常检测。上述技术方案鲁棒性较差、数据清洗后散点分布不光滑。
发明内容
本发明主要解决原有的技术方案数据点大量误删或漏删、鲁棒性较差、数据清洗后散点分布不光滑的技术问题，提供一种用于风力发电机组风速-功率异常数据检测的方法，综合异常数据形成物理机理和数据形态特征构建技术方案，采用风电机组状态检测、功率检测实现风速-功率异常数据的初步检测，利用DBSCAN模型进行异常数据的进一步检测，并结合可信度机制和额定风速以上数据检测实现异常数据的最终检测，使得对于风力发电机组风速-功率异常数据的检测具有更高精准度。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
S1收集机组运行状态数据，根据风速-功率数据对应的机组运行状态进行异常数据的一次异常检测；
S2根据构建正常数据主带范围对通过状态检测的数据进行二次异常检测；
S3构建DBSCAN模型，对通过状态检测和功率检测后的数据进行三次异常检测；S4针对额定风速以上数据进行单独异常检测；
S5输出通过检测的正常数据。
作为优选，所述的步骤S1设定风电机组运行过程中采集的监测数据构成的数据集合为X＝{V,P,S1,S2,S3}，其中V表示风电机组运行时采集的风速，P表示风电机组运行时采集的功率，S1表示主状态机状态，S2表示限功率状态，S3表示功率曲线激活状态。在本方法中选取了3种机组运行状态实现异常数据的初步检测。根据数据实际情况的不同，可以选取不同数量的机组运行状态来提高初步检测的效果。
作为优选，所述的步骤S1风力发电机组风速-功率异常数据的状态检测过程如下：
S1.1进行主状态机状态检测；
S1.2进行限功率状态检测；
S1.3进行功率曲线激活状态检测；
S1.4进行判断，当数据同时满足主状态机状态处于正常发电、限功率状态处于非限功率状态、功率曲线激活状态激活时，则数据正常，否则数据异常。
作为优选，所述的步骤S2基于风电机组保证功率曲线进行保证功率曲线函数拟合，设置保证功率曲线函数的上下限偏差，构建正常数据主带，基于四阶逻辑函数，进行保证功率曲线拟合函数的构建，其计算方式如下：
Figure BDA0003092677490000031
其中，a、b、c、d为函数参数，x为函数输入，e＝2.718；
基于保证功率曲线数据对上述四阶逻辑函数进行a、b、c、d等参数的求解，完成对保证功率曲线拟合函数的求解。
作为优选，所述的步骤S2设置保证功率曲线函数偏差，构建正常数据主带：
设定状态检测后的风速-功率数据集合为{V1,P1}，保证功率曲线拟合函数上下限偏差倍数分别为α1、α2，构建正常数据主带，主带区域A计算方式如下：
α2f(V1,a,b,c,d)≤A≤α1f(V1,a,b,c,d)
根据主带区域A对通过状态检测数据进行二次异常检测，若数据位于主带范围外，则判别为异常数据。
作为优选，所述的步骤S3设置DBSCAN模型半径参数ε和领域密度阈值γ,构建可信度机制，对DBSCAN模型输出结果进行可信度评估：基于风力发电机组风速-功率正常数据，以0.5m/s为间隔对风速区域进行划分并统计各区间数据数量，形成各风区的最低数据量标准，
将完整风速区间划分为N个区间{v1,v2,…,vN}，数据量非0的区间数量为m，第i个区间的标准数据数量为ni，第i个区间的标准数据可信度权重为wi，
Figure BDA0003092677490000041
待检机组数据第i个区间的数据数量为ni′，则可信度机制计算过程如下：
Figure BDA0003092677490000042
Figure BDA0003092677490000043
Figure BDA0003092677490000044
其中，ri表示第i个区间的数据连续系数，ri＝0表示区间数据出现不合理的断层或空缺，ri＝1则表示区间数据不存在不合理缺失问题，p∈[0,1]表示可信度的最终计算结果。
构建DBSCAN模型，对通过状态检测和功率检测后的数据进行进一步的异常检测。与此同时，构建可信度机制，对DBSCAN模型输出的检测结果进行可信度输出，从而进一步保证异常检测的有效性。基于python中sklearn库构建DBSCAN模型，设置DBSCAN模型半径参数ε和领域密度阈值γ，完成对通过状态检测和功率检测后数据的进一步异常检测。
作为优选，所述的步骤S4针对额定风速以上数据进行单独异常检测：
获取额定风速以上数据，设定额定功率容差β，进行数据异常检测。设定额定风速以上数据集合为{V2,P2}，机组额定功率为p额定，则异常检测过程如下：
Figure BDA0003092677490000051
根据额定功率及容差进行数据状态的确认，实现额定风速以上数据的有效检测，避免DBSCAN模型对额定风速以上数据的误判，提高所提方法数据异常检测的整体精度。
本发明的有益效果是：
(1)本发明从异常数据形成物理机理和数据形态特征两方面结合考虑构建技术方案，提出了一种多层次的风力发电机组风速-功率异常数据检测的方法，实现了对风速-功率异常数据的识别。
(2)本发明中可信度机制的提出，对异常检测结果的可靠性给出了一定的参考。
(3)本发明提出的方法具有较高的精准度，且在异常数据检测处理后，保留的数据具有合理、平滑的形态。
附图说明
图1是本发明的一种流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种用于风力发电机组风速-功率异常数据检测的方法，如图1所示，包括以下步骤：
S1收集机组运行状态数据，根据风速-功率数据对应的机组运行状态进行异常数据的一次异常检测；设定风电机组运行过程中采集的监测数据构成的数据集合为X＝{V,P,S1,S2,S3}，其中V表示风电机组运行时采集的风速，P表示风电机组运行时采集的功率，S1表示主状态机状态，S2表示限功率状态，S3表示功率曲线激活状态。风力发电机组风速-功率异常数据的状态检测过程如下：
S1.1进行主状态机状态检测；
S1.2进行限功率状态检测；
S1.3进行功率曲线激活状态检测；
S1.4进行判断，当数据同时满足主状态机状态处于正常发电、限功率状态处于非限功率状态、功率曲线激活状态激活时，则数据正常，否则数据异常。S2基于风电机组保证功率曲线进行保证功率曲线函数拟合，设置保证功率曲线函数的上下限偏差，构建正常数据主带，根据构建正常数据主带范围对通过状态检测的数据进行二次异常检测。
基于四阶逻辑函数，进行保证功率曲线拟合函数的构建，其计算方式如下：
Figure BDA0003092677490000061
其中，a、b、c、d为函数参数，x为函数输入，e＝2.718；
基于保证功率曲线数据对上述四阶逻辑函数进行a、b、c、d等参数的求解，完成对保证功率曲线拟合函数的求解。
设置保证功率曲线函数偏差，构建正常数据主带：
设定状态检测后的风速-功率数据集合为{V1,P1}，保证功率曲线拟合函数上下限偏差倍数分别为α1、α2，构建正常数据主带，主带区域A计算方式如下：
α2f(V1,a,b,c,d)≤A≤α1f(V1,a,b,c,d)
根据主带区域A对通过状态检测数据进行二次异常检测，若数据位于主带范围外，则判别为异常数据。
S3构建DBSCAN模型，对通过状态检测和功率检测后的数据进行三次异常检测；
构建DBSCAN模型，对通过状态检测和功率检测后的数据进行进一步的异常检测。与此同时，构建可信度机制，对DBSCAN模型输出的检测结果进行可信度输出，从而进一步保证异常检测的有效性。
基于python中sklearn库构建DBSCAN模型，设置DBSCAN模型半径参数ε和领域密度阈值γ,完成对通过状态检测和功率检测后数据的进一步异常检测。
构建可信度机制，对DBSCAN模型输出结果进行可信度评估：
基于风力发电机组风速-功率正常数据，以0.5m/s为间隔对风速区域进行划分并统计各区间数据数量，形成各风区的最低数据量标准。
假设完整风速区间划分为N个区间{v1,v2,…,vN}，数据量非0的区间数量为m，第i个区间的标准数据数量为ni，第i个区间的标准数据可信度权重为wi，
Figure BDA0003092677490000071
待检机组数据第i个区间的数据数量为ni′，则可信度机制计算过程如下：
Figure BDA0003092677490000072
Figure BDA0003092677490000081
Figure BDA0003092677490000082
其中，ri表示第i个区间的数据连续系数，ri＝0表示区间数据出现不合理的断层或空缺(数据整体上存在局部的完全缺失将较大的影响DBSCAN模型的检测精度)，ri＝1则表示区间数据不存在不合理缺失问题，p∈[0,1]表示可信度的最终计算结果。
S4针对额定风速以上数据进行单独异常检测，根据额定功率及容差进行数据状态的确认，实现额定风速以上数据的有效检测，避免DBSCAN模型对额定风速以上数据的误判，提高所提方法数据异常检测的整体精度。
针对额定风速以上数据进行单独异常检测：
获取额定风速以上数据，设定额定功率容差β，进行数据异常检测。设定额定风速以上数据集合为{V2,P2}，机组额定功率为p额定，则异常检测过程如下：
Figure BDA0003092677490000083
S5输出通过检测的正常数据。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了主带范围、DBSCAN模型等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (6)

1.一种用于风力发电机组风速-功率异常数据检测的方法，其特征在于，包括以下步骤：
S1收集机组运行状态数据，根据风速-功率数据对应的机组运行状态进行异常数据的一次异常检测；
S2根据构建正常数据主带范围对通过状态检测的数据进行二次异常检测；
S3构建DBSCAN模型，对通过状态检测和功率检测后的数据进行三次异常检测，设置DBSCAN模型半径参数ε和领域密度阈值γ,构建可信度机制，对DBSCAN模型输出结果进行可信度评估：基于风力发电机组风速-功率正常数据，以0.5m/s为间隔对风速区域进行划分并统计各区间数据数量，形成各风区的最低数据量标准，
将完整风速区间划分为N个区间{v1,v2,…,vN}，数据量非0的区间数量为m，第i个区间的标准数据数量为ni，第i个区间的标准数据可信度权重为wi，
Figure FDA0003409692660000011
待检机组数据第i个区间的数据数量为ni′，则可信度机制计算过程如下：
Figure FDA0003409692660000012
Figure FDA0003409692660000013
Figure FDA0003409692660000014
其中，ri表示第i个区间的数据连续系数，ri＝0表示区间数据出现不合理的断层或空缺，ri＝1则表示区间数据不存在不合理缺失问题，p∈[0,1]表示可信度的最终计算结果；
S4针对额定风速以上数据进行单独异常检测；
S5输出通过检测的正常数据。
2.根据权利要求1所述的一种用于风力发电机组风速-功率异常数据检测的方法，其特征在于，所述步骤S1设定风电机组运行过程中采集的监测数据构成的数据集合为X＝{V,P,S1,S2,S3}，其中V表示风电机组运行时采集的风速，P表示风电机组运行时采集的功率，S1表示主状态机状态，S2表示限功率状态，S3表示功率曲线激活状态。
3.根据权利要求2所述的一种用于风力发电机组风速-功率异常数据检测的方法，其特征在于，所述步骤S1风力发电机组风速-功率异常数据的状态检测过程如下：
S1.1进行主状态机状态检测；
S1.2进行限功率状态检测；
S1.3进行功率曲线激活状态检测；
S1.4进行判断，当数据同时满足主状态机状态处于正常发电、限功率状态处于非限功率状态、功率曲线激活状态激活时，则数据正常，否则数据异常。
4.根据权利要求1所述的一种用于风力发电机组风速-功率异常数据检测的方法，其特征在于，所述步骤S2基于风电机组保证功率曲线进行保证功率曲线函数拟合，设置保证功率曲线函数的上下限偏差，构建正常数据主带，基于四阶逻辑函数，进行保证功率曲线拟合函数的构建，其计算方式如下：
Figure FDA0003409692660000021
其中，a、b、c、d为函数参数，x为函数输入，e＝2.718；
基于保证功率曲线数据对上述四阶逻辑函数进行包括a、b、c、d的参数的求解，完成对保证功率曲线拟合函数的求解。
5.根据权利要求4所述的一种用于风力发电机组风速-功率异常数据检测的方法，其特征在于，所述步骤S2设置保证功率曲线函数偏差，构建正常数据主带：
设定状态检测后的风速-功率数据集合为{V1,P1}，保证功率曲线拟合函数上下限偏差倍数分别为α1、α2，构建正常数据主带，主带区域A计算方式如下：
α2f(V1,a,b,c,d)≤A≤α1f(V1,a,b,c,d)
根据主带区域A对通过状态检测数据进行二次异常检测，若数据位于主带范围外，则判别为异常数据。
6.根据权利要求1所述的一种用于风力发电机组风速-功率异常数据检测的方法，其特征在于，所述步骤S4针对额定风速以上数据进行单独异常检测：
获取额定风速以上数据，设定额定功率容差β，进行数据异常检测，设定额定风速以上数据集合为{V2,P2}，机组额定功率为p额定，则异常检测过程如下：
Figure FDA0003409692660000031
CN202110600252.8A 2021-05-31 2021-05-31 一种用于风力发电机组风速-功率异常数据检测的方法 Active CN113236508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110600252.8A CN113236508B (zh) 2021-05-31 2021-05-31 一种用于风力发电机组风速-功率异常数据检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110600252.8A CN113236508B (zh) 2021-05-31 2021-05-31 一种用于风力发电机组风速-功率异常数据检测的方法

Publications (2)

Publication Number Publication Date
CN113236508A CN113236508A (zh) 2021-08-10
CN113236508B true CN113236508B (zh) 2022-04-05

Family

ID=77136159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110600252.8A Active CN113236508B (zh) 2021-05-31 2021-05-31 一种用于风力发电机组风速-功率异常数据检测的方法

Country Status (1)

Country Link
CN (1) CN113236508B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114969017B (zh) * 2022-07-28 2022-11-11 深圳量云能源网络科技有限公司 风功率数据清洗方法、清洗装置及预测方法
CN115478991B (zh) * 2022-09-21 2023-04-28 中节能风力发电股份有限公司 风电机组功率曲线形态异常的检测方法、设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108412710B (zh) * 2018-01-30 2019-08-06 同济大学 一种风电机组风功率数据清洗方法
CN110632546B (zh) * 2019-09-25 2021-07-02 国网江苏省电力有限公司电力科学研究院 基于全网域证据集的电子式互感器可信度评估方法和装置
KR102068446B1 (ko) * 2019-09-30 2020-01-20 (주)에스엠인스트루먼트 자가 학습형 풍력발전시스템 상태 감시 고장 진단 방법
CN111291032A (zh) * 2020-01-23 2020-06-16 福州大学 一种组合型风电场数据清洗方法
CN112032003B (zh) * 2020-09-01 2021-08-17 浙江运达风电股份有限公司 一种大型风电机组运行性能监测方法
CN112598539B (zh) * 2020-12-28 2024-01-30 徐工汉云技术股份有限公司 一种风力发电机组风功率曲线优化计算及异常值检测方法

Also Published As

Publication number Publication date
CN113236508A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113236508B (zh) 一种用于风力发电机组风速-功率异常数据检测的方法
CN103617568B (zh) 稳态电能质量预警机制中的异常数据判定阈值设定方法
CN110926809B (zh) 一种基于大数据分析的风电机组传动链故障预警方法
CN101718634B (zh) 基于多元概率模型的设备状态综合动态报警方法
CN111539553A (zh) 基于svr算法和偏峰度的风电机组发电机故障预警方法
CN102788696B (zh) 基于改进bp神经网络和模糊集理论的轴承健康度评价方法
CN111878320B (zh) 风力发电机组的监控方法、系统及计算机可读存储介质
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
Zhou et al. A semi-supervised anomaly detection method for wind farm power data preprocessing
CN111260503A (zh) 一种基于聚类中心优化的风电机组功率曲线离群点检测方法
CN114444382A (zh) 基于机器学习算法的风电机组齿轮箱故障诊断分析方法
CN109918364A (zh) 一种基于二维概率密度估计和四分位法的数据清洗方法
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
CN116432123A (zh) 一种基于cart决策树算法的电能表故障预警方法
Liu et al. Hierarchical context-aware anomaly diagnosis in large-scale PV systems using SCADA data
CN116910128A (zh) 风电机组硬软故障数据分析系统及其分析方法
CN117331017A (zh) 一种三相四线电能表错接线研判方法及系统
CN116701846A (zh) 一种基于无监督学习的水电站调度运行数据清洗方法
CN104714205B (zh) 电表错置侦测系统及其方法
Souza et al. Evaluation of data based normal behavior models for fault detection in wind turbines
CN110321527B (zh) 一种基于多元基础信息融合的数据有效性判别方法
CN113503232A (zh) 一种风机运行健康状态预警方法及系统
Zhou et al. Abnormal data processing of wind turbine based on combined algorithm and class center imputation
Guo et al. Study on Data Cleaning Based on Improved K-Means Clustering and Error Analysis
CN113872200B (zh) 一种中压配网停电事件诊断识别方法、系统及存储介质

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