CN113653609B - 风电机组风向标故障识别方法、系统、设备和存储介质 - Google Patents
风电机组风向标故障识别方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN113653609B CN113653609B CN202111091113.3A CN202111091113A CN113653609B CN 113653609 B CN113653609 B CN 113653609B CN 202111091113 A CN202111091113 A CN 202111091113A CN 113653609 B CN113653609 B CN 113653609B
- Authority
- CN
- China
- Prior art keywords
- wind
- vane
- turbine generator
- wind vane
- deviation
- 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
-
- 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
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/329—Azimuth or yaw angle
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风电机组风向标故障识别方法、系统、设备和存储介质,包括以下步骤:获取风电机组的运行数据,并预处理得到标准数据集;将所述标准数据集按照风速和对风偏差进行分区,并统计得到各区间内的点数占比;根据各区间内的点数占比计算得到风向标异常率,将其与预先设定的风向标异常率阈值进行比较,根据比较结果判断风电机组的风向标是否发生故障。本发明可以广泛应用于风力发电机组故障识别领域。
Description
技术领域
本发明涉及风力发电机组偏航系统状态监测与故障识别领域,具体为一种基于分区识别的风电机组风向标故障识别方法、系统、设备和存储介质。
背景技术
我国风电平价上网时代的到来,对风电产业生产运营提出了更高的成本约束要求。但是风电市场规模日益增长的喜人形势却难以掩盖风电后市场运维过程中存在的诸多问题,风电资产运营质量和运营效率仍存在较大的挖潜空间,其关键在于风电资产运营模式的数字化变革。通过物联网、大数据、人工智能等技术手段的综合运用,在风电智慧运维市场中寻求新的突破。
风力发电机组的运行环境多为风资源条件较好,但是地理环境较为恶劣,在各种因素下导致风向标容易出现故障,从而导致风电机组不能准确的对风,风电机组的发电性能下降。而此种风向标故障往往不会引发风电机组停机,检修人员难以发现。
发明内容
为了解决现有风向标故障导致的对风偏差,且检修人员又无法及时发现的问题,本发明的目的是提供一种风电机组风向标故障识别方法、系统、设备和存储介质,该方法基于数据驱动完成对风电机组风向标的远程故障诊断,实现对于风电机组的状态监测,提升风电机组的发电量。
为实现上述目的,本发明采取以下技术方案:
本发明的第一个方面,是提供一种风电机组风向标故障识别方法,包括以下步骤:
获取风电机组的运行数据,并预处理得到标准数据集;
将所述标准数据集按照风速和对风偏差进行分区,并统计得到各区间内的点数占比;
根据各区间内的点数占比计算得到风向标异常率,将其与预先设定的风向标异常率阈值进行比较,根据比较结果判断风电机组的风向标是否发生故障。
优选地,将所述标准数据集按照风速和对风偏差进行分区,并统计得到各区间内的点数占比的方法,包括:
基于标准数据集获取对风偏差;
根据预设偏航控制逻辑,结合对风偏差和风速数据,将标准数据集进行分区;
统计分区后各个区间内的点数占比。
优选地,所述对风偏差计算方法为:
e=yaw-windir
其中,e表示对风偏差,yaw表示偏航角度,windir表示绝对风向。
优选地,所述预设偏航控制逻辑为:
若满足:
vin≤v<vl,|e|>ell,t>tl
或
vl≤v<vout,|e|>elh,t>tl
其中,vin为切入风速,vout为切出风速,v为风速,vl为偏航跟踪风速阈值,ell为第一对风偏差阈值,elh为第二对风偏差阈值,tl为时间限定值;
则触发偏航指令。
优选地,所述风向标异常率为:
其中,θ为风向标异常率,Ai代表第i分区内的点数。
优选地,根据比较结果判断风电机组的风向标是否发生故障时,若θ>θl,则判定风向标存在故障,其中,θl为风向标异常率阈值;所述风向标异常率阈值范围为5%~10%。
本发明的第二个方面,是提供一种风电机组风向标故障识别系统,包括:
结构化数据采集和预处理模块,用于从数据采集与监视控制系统中获取风电机组的运行数据并进行预处理得到标准数据集;
数据挖掘模块,用于将标准数据集按照风速和对风偏差进行分区,并统计得到各区间内的点数占比;
风向标故障识别模块,用于根据各区间内的点数占比计算得到风向标异常率,将其与预先设定的风向标异常率阈值进行比较,根据比较结果判断风电机组的风向标是否发生故障。
优选地,所述系统还包括数据存储模块,用于采用磁盘存储器,以数据库的形式,将经过预处理后的标准数据集进行存储。
本发明的第三个方面,是提供一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器运行所述计算机程序时执行以实现所述风电机组风向标故障识别方法的步骤。
本发明的第四个方面,是提供一种计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现所述风电机组风向标故障识别方法的步骤。
本发明由于采取以上技术方案,其具有以下优点:
(1)本发明提出的风向标故障识别方法,基于风电机组偏航系统的控制策略,不存在较为复杂的算法,简单且易于实现,对硬件的算力要求不高。
(2)本发明基于风电机组的SCADA运行数据,对于现有机组无需增加新的采集设备,成本低。
(3)本发明基于大数据相关技术开展风向标故障识别方法和装置的研发,目的在于推动风电场运营模式的数字化变革,从而挖潜风电资产运营质量和运营效率。通过提高风电机组发电性能,实现降本增效的目标,为我国在2060年前实现碳中和贡献一份力量。
因此,本发明可以广泛应用于风电机组风向标故障识别领域。
附图说明
图1是基于本发明实施例提供的基于对风偏差和风速的区间划分示意图;
图2(a)和图2(b)是基于本发明实施例提供的风向标正常机组1的区间划分示意图;
图3(a)和图3(b)是基于本发明实施例提供的风向标异常机组2的区间划分示意图;
图4(a)和图4(b)是基于本发明实施例提供的风向标异常机组3的区间划分示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
实施例1
本实施例提供的一种风电机组风向标故障识别方法,包括以下步骤:
1)结构化数据采集和预处理:从数据采集与监视控制系统(Supervisory ControlAnd Data Acquisition,SCADA)中获取风电机组的运行数据,并对获取的运行数据进行预处理得到标准数据集。
2)数据挖掘:将标准数据集按照风速和对风偏差进行分区,并统计得到各区间内的点数占比。
3)风向标异常识别:根据各区间内的点数占比计算得到风向标异常率,将其与预先设定的风向标异常率阈值进行比较,根据比较结果判断风电机组的风向标是否发生故障,完成对风电机组风向标的远程诊断,实现对风电机组的状态监测。
优选地,上述步骤1)中,通过数据采集与监视控制系统获取风电机组的运行数据时,风电机组的运行数据包含风速、功率、对风偏差等数据;运行数据的时间分辨率不做具体规定,1s、1min、5min、10min时间分辨率均可。
优选地,上述步骤1)中,对风电机组的运行数据进行预处理时,首先对运行数据中存在的缺失值和重复值进行处理,然后将运行数据做清洗,去除超出风电机组设计参数的极端值。不同数据源的数据质量不一,对于高质量的原始运行数据集无需重复此步。需要去除极端值的特征包含但不限于风速、功率。
优选地,上述步骤2)中,进行数据挖掘的方法,包括以下步骤:
2.1)基于标准数据集获取对风偏差;
2.2)根据预设偏航控制逻辑,结合对风偏差和风速数据,将标准数据集进行分区;
2.3)统计分区后各个区间内的点数占比。
优选地,上述步骤2.1)中,由于不同风电机组设计厂家对于传感器布置数量及布置位置存在不同考量,甚至同一风电机组设计厂家不同型号的对风偏差监测点也会存在差异,因此风电机组的数据采集与监视控制系统SCADA所采集的运行数据包含的特征数量、特征名称及特征值的物理含义均存在一定差异。
对于对风偏差,物理含义为绝对风向和偏航角度之间的差值,理论的取值范围为(-180,180],若原始数据源中已包含相同物理含义的特征,则无需计算可直接获取,若原始数据源中未包含该特征,则需通过绝对风向和偏航角度计算获取,并将间接计算的对风偏差换算到理论取值范围内。对风偏差的计算公式为:
e=yaw-windir
其中,e表示对风偏差,yaw表示偏航角度,windir表示绝对风向。
优选地,上述步骤2.2)中,根据数据统计形态或偏航控制逻辑所设定的动态对风误差进行分区的方法为:根据风电机组偏航控制逻辑,对风偏差超过第一对风偏差阈值ell且持续时间t达到时间限定值tl后,触发风电机组主动偏航指令。考虑到不同风速下,风电机组吸收风能存在差异,因此当风速v超出偏航跟踪风速阈值vl,对风偏差阈值将减小为第二对风偏差阈值elh。具体偏航控制逻辑为:
其中,vin为切入风速,vout为切出风速。
根据对风偏差及风速将数据分为10个区域,如图1。
A1:vl≤v<vout,-elh<e<elh
A2:vin≤v<vl,-elh<e<elh
A3:vl≤v<vout,elh<e<ell
A4:vin≤v<vl,elh<e<ell
A5:vl≤v<vout,-ell<e<-elh
A6:vin≤v<vl,-ell<e<-elh
A7:vl≤v<vout,e>ell
A8:vin≤v<vl,e>ell
A9:vl≤v<vout,e<-ell
A10:vin≤v<vl,e<-ell
优选地,上述步骤3)中,按照不同区间点数占比识别风电机组的风向标是否存在故障的具体方法为:
如图2(a)和图2(b)所示,按照风电机组偏航系统的控制逻辑,风向标正常机组的散点应分布于A1、A2、A4、A6区域,定义风向标异常率为:
其中,θ为风向标异常率,Ai代表第i分区内的点数。
若θ>θl则判定风向标存在故障,其中,θl为风向标异常率阈值,该值可以根据实际情况设定,推荐值为5%~10%。
如图3(a)和图3(b)所示,机组2的散点除分布在正常区域A1、A2、A4、A6外,还有部分散点分布于A5、A9、A10区域。如图4(a)和图4(b)所示,机组3的散点除分布在正常区域A1、A2、A4、A6外,还有大量散点分布于A3、A7、A8区域,设定ell=16°,elh=8°,vl=7.8m/s,θl=5%。计算得到机组1的风向标异常率为θ1=0.4%,θ1<θl,判断机组1风向标正常。计算得到机组2的风向标异常率为θ2=6%,θ2>θl,判断机组2风向标存在异常。计算得到机组3的风向标异常率为θ3=19%,θ3>θl,判断机组3风向标存在异常。经过现场检查发现,机组2的风向标的零位存在偏差,纠正零位偏差后机组正常运行且基于本发明的风向标异常率小于阈值θl,保持在0附近;机组3的风向标存在故障,更换风向标后机组正常运行且基于本发明的风向标异常率小于阈值θl,保持在0附近,验证了本发明的有效性。
实施例2
上述实施例1提供了一种风电机组风向标故障识别方法,与之相对应地,本实施例提供一种风电机组风向标故障识别系统。本实施例提供的识别系统可以实施实施例1的风电机组风向标故障识别方法,该识别系统可以通过软件、硬件或软硬结合的方式来实现。例如,该识别系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的识别系统基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可。
本实施例提供一种风电机组风向标故障识别系统,其包括:
结构化数据采集和预处理模块,用于从数据采集与监视控制系统中获取风电机组的运行数据并进行预处理得到标准数据集;
数据挖掘模块,用于将标准数据集按照风速和对风偏差进行分区,并并统计得到各区间内的点数占比;
风向标故障识别模块,用于根据各区间内的点数占比计算得到风向标异常率,将其与预先设定的风向标异常率阈值进行比较,根据比较结果判断风电机组的风向标是否发生故障。
优选地,该系统还包括数据存储模块,用于采用磁盘存储器,以数据库的形式,将经过预处理后的标准数据集进行存储。
实施例3
本实施例提供一种与本实施例1所提供的风电机组风向标故障识别方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的识别方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的风电机组风向标故障识别方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例4
本实施例1的风电机组风向标故障识别方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的风电机组风向标故障识别方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (7)
1.一种风电机组风向标故障识别方法,其特征在于包括以下步骤:
获取风电机组的运行数据,并预处理得到标准数据集;
将所述标准数据集按照风速和对风偏差进行分区,并统计得到各区间内的点数占比;
其中,将所述标准数据集按照风速和对风偏差进行分区,并统计得到各区间内的点数占比的方法,包括:
基于标准数据集获取对风偏差;
根据预设偏航控制逻辑,结合对风偏差和风速数据,将标准数据集进行分区;
其中,预设偏航控制逻辑为:
vin≤v<vl,|e|>ell,t>tl
vl≤v<vout,|e|>elh,t>tl
其中,v为风速;vin为切入风速;vout为切出风速;ell为第一对风偏差阈值;elh为第二对风偏差阈值;t为时间;tl为时间限定值;
根据对风偏差及风速将数据分为10个区域:
A1:vl≤v<vout,-elh<e<elh
A2:vin≤v<vl,-elh<e<elh
A3:vl≤v<vout,elh<e<ell
A4:vin≤v<vl,elh<e<ell
A5:vl≤v<vout,-ell<e<-elh
A6:vin≤v<vl,-ell<e<-elh
A7:vl≤v<vout,e>ell
A8:vin≤v<vl,e>ell
A9:vl≤v<vout,e<-ell
A10:vin≤v<vl,e<-ell
统计分区后各个区间内的点数占比;
根据各区间内的点数占比计算得到风向标异常率,将其与预先设定的风向标异常率阈值进行比较,根据比较结果判断风电机组的风向标是否发生故障;
其中,风向标异常率的计算公式为:
其中,θ为风向标异常率,Ai代表第i分区内的点数。
2.如权利要求1所述的一种风电机组风向标故障识别方法,其特征在于:所述对风偏差计算方法为:
e=yaw-windir
其中,e表示对风偏差,yaw表示偏航角度,windir表示绝对风向。
3.如权利要求1所述的一种风电机组风向标故障识别方法,其特征在于:根据比较结果判断风电机组的风向标是否发生故障时,若θ>θl,则判定风向标存在故障,其中,θl为风向标异常率阈值;所述风向标异常率阈值范围为5%~10%。
4.一种风电机组风向标故障识别系统,其特征在于,包括:
结构化数据采集和预处理模块,用于从数据采集与监视控制系统中获取风电机组的运行数据并进行预处理得到标准数据集;
数据挖掘模块,用于将标准数据集按照风速和对风偏差进行分区,并统计得到各区间内的点数占比;
其中,将所述标准数据集按照风速和对风偏差进行分区,并统计得到各区间内的点数占比,包括:
基于标准数据集获取对风偏差;
根据预设偏航控制逻辑,结合对风偏差和风速数据,将标准数据集进行分区;
其中,预设偏航控制逻辑为:
vin≤v<vl,|e|>ell,t>tl
vl≤v<vout,|e|>elh,t>tl
其中,v为风速;vin为切入风速;vout为切出风速;ell为第一对风偏差阈值;elh为第二对风偏差阈值;t为时间;tl为时间限定值;
根据对风偏差及风速将数据分为10个区域:
A1:vl≤v<vout,-elh<e<elh
A2:vin≤v<vl,-elh<e<elh
A3:vl≤v<vout,elh<e<ell
A4:vin≤v<vl,elh<e<ell
A5:vl≤v<vout,-ell<e<-elh
A6:vin≤v<vl,-ell<e<-elh
A7:vl≤v<vout,e>ell
A8:vin≤v<vl,e>ell
A9:vl≤v<vout,e<-ell
A10:vin≤v<vl,e<-ell
统计分区后各个区间内的点数占比;
风向标故障识别模块,用于根据各区间内的点数占比计算得到风向标异常率,将其与预先设定的风向标异常率阈值进行比较,根据比较结果判断风电机组的风向标是否发生故障;
其中,风向标异常率的计算公式为:
其中,θ为风向标异常率,Ai代表第i分区内的点数。
5.如权利要求4所述的一种风电机组风向标故障识别系统,其特征在于,所述系统还包括数据存储模块,用于采用磁盘存储器,以数据库的形式,将经过预处理后的标准数据集进行存储。
6.一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1到3任一项所述风电机组风向标故障识别方法的步骤。
7.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现根据权利要求1到3任一项所述风电机组风向标故障识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091113.3A CN113653609B (zh) | 2021-09-17 | 2021-09-17 | 风电机组风向标故障识别方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111091113.3A CN113653609B (zh) | 2021-09-17 | 2021-09-17 | 风电机组风向标故障识别方法、系统、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113653609A CN113653609A (zh) | 2021-11-16 |
CN113653609B true CN113653609B (zh) | 2022-04-19 |
Family
ID=78494184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111091113.3A Active CN113653609B (zh) | 2021-09-17 | 2021-09-17 | 风电机组风向标故障识别方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113653609B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115355142B (zh) * | 2022-09-14 | 2023-03-28 | 中节能风力发电股份有限公司 | 一种风电机组风向标故障检测方法、系统、设备和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106014858A (zh) * | 2016-07-21 | 2016-10-12 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100460669C (zh) * | 2007-02-08 | 2009-02-11 | 上海交通大学 | 基于风向标和输出功率的风力机偏航控制方法 |
EP3250821A1 (en) * | 2015-01-28 | 2017-12-06 | KK Wind Solutions A/S | Calibrating a wind vane of a wind turbine |
CN108496000B (zh) * | 2015-12-23 | 2021-02-09 | 维斯塔斯风力系统集团公司 | 用于风力涡轮机的控制方法 |
CN105891546B (zh) * | 2016-01-26 | 2018-11-23 | 沈阳工业大学 | 基于大数据的风电机组偏航系统中风向标故障诊断的方法 |
CN107843745B (zh) * | 2017-09-20 | 2020-02-07 | 新疆金风科技股份有限公司 | 风力发电机组的风速仪的故障诊断方法和装置、存储介质 |
DE102018001270A1 (de) * | 2018-02-19 | 2019-08-22 | Senvion Gmbh | Verfahren und System zur Kalibrierung eines Anemotropometers |
CN109139371B (zh) * | 2018-02-28 | 2019-10-11 | 北京金风科创风电设备有限公司 | 确定对风角度偏差及修正对风角度的方法、装置和系统 |
CN110273813B (zh) * | 2018-03-16 | 2021-02-02 | 北京金风慧能技术有限公司 | 风力发电机组对风偏航的控制方法、装置及设备 |
CN110761947B (zh) * | 2019-11-15 | 2020-09-11 | 华北电力大学 | 一种风电机组偏航校准方法及系统 |
CN111322205B (zh) * | 2019-12-13 | 2021-11-23 | 风脉能源(武汉)股份有限公司 | 风电机组风向标零位误差辨识方法及校正方法 |
HUE059767T2 (hu) * | 2020-04-29 | 2022-12-28 | Ovidiu Dev S A | Rendszer és eljárás vízszintes tengelyû szárazföldi szélturbina szélirány eltérésének meghatározására |
CN112031997B (zh) * | 2020-09-15 | 2021-08-13 | 华北电力科学研究院有限责任公司 | 一种风电机组偏航静态偏差确定方法、装置 |
CN113153633A (zh) * | 2021-01-18 | 2021-07-23 | 鲁能新能源(集团)有限公司 | 一种风电机组风向仪静态偏差校准方法 |
CN113048012B (zh) * | 2021-02-22 | 2022-10-25 | 中国软件与技术服务股份有限公司 | 基于混合高斯模型的风电机组偏航角度识别方法和装置 |
CN113374634B (zh) * | 2021-07-01 | 2022-09-06 | 浙江浙能技术研究院有限公司 | 一种风向仪故障模式下的风力机偏航对风方法 |
-
2021
- 2021-09-17 CN CN202111091113.3A patent/CN113653609B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106014858A (zh) * | 2016-07-21 | 2016-10-12 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113653609A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A small-sample wind turbine fault detection method with synthetic fault data using generative adversarial nets | |
US11401913B2 (en) | Yaw calibration method and system for wind turbine | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
WO2020140560A1 (zh) | 一种生产物流输送装备故障预警方法 | |
US11644009B2 (en) | Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof | |
Hu et al. | Adaptive confidence boundary modeling of wind turbine power curve using SCADA data and its application | |
Jiang et al. | A wind turbine frequent principal fault detection and localization approach with imbalanced data using an improved synthetic oversampling technique | |
CN112855408B (zh) | 水轮发电机组预警方法以及预警装置 | |
CN113653609B (zh) | 风电机组风向标故障识别方法、系统、设备和存储介质 | |
US20210340955A1 (en) | Method and system for controlling wind turbine based on sectors | |
CN113436194B (zh) | 一种风电机组的异常检测方法、装置及设备 | |
CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN113236490B (zh) | 一种基于储能风电机组极限载荷控制方法、介质和设备 | |
CN109344875B (zh) | 基于聚类分析的日风电出力时序生成方法及装置 | |
CN113761692B (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 | |
Chen et al. | Chaotic wind speed series forecasting based on wavelet packet decomposition and support vector regression | |
CN113048012B (zh) | 基于混合高斯模型的风电机组偏航角度识别方法和装置 | |
CN111382763A (zh) | 一种光伏集群划分方法及系统 | |
CN111414573B (zh) | 一种工程应用领域的输入输出数据处理方法和系统 | |
CN111539577A (zh) | 基于风速变化率和高斯过程回归的短期风电功率预测方法 | |
CN117390967B (zh) | 海上风电短期功率预测方法、装置、设备及存储介质 | |
CN115355142B (zh) | 一种风电机组风向标故障检测方法、系统、设备和介质 | |
CN118279817A (zh) | 一种基于异常行为识别的电表箱安全监测方法及装置 | |
CN116090114A (zh) | 双风轮风电机组气动系统建模方法、装置及电子设备 | |
Massaoudi et al. | Fast Transient Stability Assessment of Power Systems Using Optimized Temporal Convolutional Networks |
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 |