CN113807027A - 一种风电机组健康状态评估模型、方法及系统 - Google Patents

一种风电机组健康状态评估模型、方法及系统 Download PDF

Info

Publication number
CN113807027A
CN113807027A CN202111174761.5A CN202111174761A CN113807027A CN 113807027 A CN113807027 A CN 113807027A CN 202111174761 A CN202111174761 A CN 202111174761A CN 113807027 A CN113807027 A CN 113807027A
Authority
CN
China
Prior art keywords
wind turbine
data
turbine generator
feature extraction
health
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
CN202111174761.5A
Other languages
English (en)
Other versions
CN113807027B (zh
Inventor
赵文清
王继发
昝向艺
贾梦颖
陈帅领
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111174761.5A priority Critical patent/CN113807027B/zh
Publication of CN113807027A publication Critical patent/CN113807027A/zh
Application granted granted Critical
Publication of CN113807027B publication Critical patent/CN113807027B/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
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Wind Motors (AREA)

Abstract

本说明书实施例公开了一种风电机组健康状态评估模型、方法及系统。所述方法包括：将输入的风电机组健康状态评估数据均分为等大小的子数据集；采用融合多头注意力机制对每个所述子数据集中的数据进行高维度数据的特征提取，得到特征数据；通过递归神经元特征匹配网络对所述特征数据进行风电机组健康状态的特征匹配，得到匹配结果；基于所述匹配结果得到所述风电机组的健康评估结果。本发明用于对风电机组健康状态进行准确有效地评估，有效提高其运行效率，降低运维成本。

Description

一种风电机组健康状态评估模型、方法及系统
技术领域
本申请涉及计算机技术领域，尤其涉及一种风电机组健康状态评估模型、方法及系统。
背景技术
风电机组伫立在野外，频繁地遭受大风、雷击等恶劣环境的影响和冲击，机组的运行与维护(运维)需求十分突出。相较传统行业的大部分设备，风电机组在寿命周期之内基本受到长期不间断随机载荷作用的影响。这一方面使得来自传统行业的评估相关经验与数据不能完全照搬应用于风电机组状态评估中；另一方面，复杂多变的环境条件也为风电机组状态评估带来了更大的阻碍。此外，风电机组由于其整体不可移动，使得大部分维护工作必须在野外就地进行，而高耸的风电机组维护又需要专门的维护工具与专业的运维人员才能开展。因此，亟需对风电机组健康状态进行准确有效地评估，有效提高其运行效率，降低运维成本。
发明内容
有鉴于此，本申请实施例提供了一种风电机组健康状态评估模型、方法及系统，用于对风电机组健康状态进行准确有效地评估，有效提高其运行效率，降低运维成本。
为解决上述技术问题，本说明书实施例是这样实现的：
第一方面，本说明书实施例提供了一种风电机组健康状态评估模型，包括：融合多头注意力机制的多特征提取网络和递归神经元多层特征匹配网络，所述多特征提取网络的输出为所述递归神经元多层特征匹配网络的输入；其中，所述多特征提取网络包括多个特征提取模块，每个特征提取模块由多个改进后的长短期记忆块连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入。
可选的，每个长短期记忆块相对应的注意力机制不同，最后通过将多个不同注意力融合，形成新的特征序列，作为下一个特征提取模块的输入。
可选的，所述递归神经元多层特征匹配网络的输出数据为5维数据。
第二方面，本说明书实施例提供了一种风电机组健康状态评估方法，其特征在于，包括：
将输入的风电机组健康状态评估数据均分为等大小的子数据集；
采用融合多头注意力机制对每个所述子数据集中的数据进行高维度数据的特征提取，得到特征数据；
通过递归神经元特征匹配网络对所述特征数据进行风电机组健康状态的特征匹配，得到匹配结果；
基于所述匹配结果得到所述风电机组的健康评估结果。
可选的，对于每个所述子数据集，使用由多个特征提取模块所构建的结构递归神经网络，实现输入高维度数据的特征提取。
可选的，一个特征提取模块由多个改进后的长短期记忆块连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入。
可选的，每个长短期记忆块相对应的注意力机制不同，最后通过将多个不同注意力融合，形成新的特征序列，作为下一个特征提取模块的输入。
可选的，所述匹配结果包括5维数据，对应不同的风电机组健康状态。
可选的，所述递归神经元特征匹配网络为多层特征匹配网络。
第三方面，本说明书实施例提供了一种风电机组健康状态评估系统，包括：
数据输入模块，用于将输入的风电机组健康状态评估数据均分为等大小的子数据集；
特征提取模块，用于采用融合多头注意力机制对每个所述子数据集中的数据进行高维度数据的特征提取，得到特征数据；
特征匹配模块，用于通过递归神经元特征匹配网络对所述特征数据进行风电机组健康状态的特征匹配，得到匹配结果；
评估结果确定模块，用于基于所述匹配结果确定所述风电机组的健康评估结果。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
融合多头注意力机制的风电机组健康状态评估方法使用多FEM(FeatureEntreaty Module)特征提取网络将状态数据划分成多个等大的子数据，采用融合多头注意力机制的特征提取方法，加入损失函数处理多状态分类问题，便于充分挖掘风电机组健康状态评估数据的语义特征。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种风电机组健康状态评估方法的流程示意图；
图2为为融合多头注意力机制的风电机组健康状态评估方法的流程图；
图3为本说明书实施例提供的采用融合多头注意力机制的特征提取方法的示意图；
图4为本说明书实施例提供的对应于图1的一种风电机组健康状态评估系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前关于风电机组健康状态评估并没有统一的定义与方法。风电机组的数据采集与监视控制系统(Supervisory Control and Data Acquisition,SCADA)数据记录了风电机组的运行数据和健康状态信息，现有技术利用SCADA数据进行风电机组部分部件的状态评估或者故障诊断，但是无法完成对未来状态的准确预测，没有形成真正的具有自适应性的风电机组健康状态评估。所以，目前风电机组健康状态评估的主要痛点是日益增长的运维数据无法得到很好地利用与人工维护、效率的相对低下之间的矛盾。因此，利用大数据、人工智能和机器学习等研究风电机组健康状态评估的自动评估模型是非常紧迫和必要的，可提高其状态评估的精度和效率，并使风电机组的运行维护更为高效和智能。
时间序列数据之间的语义特征没有得到充分挖掘，这是极具难度的语义鸿沟问题，因此融合注多头意力机制更好地挖掘状态评估数据的语义特征，实现随着充分体现语义特征的风电机组健康状态评估方法是本发明解决的科学问题。
通过SCADA时间序列数据来判定风电机组设备状态，可定义为时间序列预测和分类问题。针对于时间序列预测，目前国内外工业上应用的相关算法有基于统计模型的经典算法，例如指数平滑法、移动平均法、状态空间模型。此外在时间序列分类理论领域，有基于DTW(Dynamic Time Warping)加K近邻和从区间提取特征的一系列方法。这些方法都有各自比较适用的数据分布范围，皆有不错的表现。但是难以满足规律较复杂的工业数据处理的精准和效率需求，而LSTM(Long Short-Term Memory)相较于传统方法，适合用于大量时序数据的检测和处理。针对风电机组的SCADA时间序列数据，缺少对风电机组的SCADA时间序列数据之间的语义特征的充分挖掘。针对风电机组健康变化过程中数据的动态时序性，数据样本之间存在较强的时间相关性，前述方法没有充分挖掘SCADA时间序列数据之间的特征表达进行健康状态评估。
针对风电机组健康变化过程中数据的动态时序性，数据样本之间存在较强的时间相关性。本发明提出融合多注意力机制的风电机组健康状态评估方法，加入注意力机制的时序数据特征融合，增强融合后的语义信息，更好地对风电机组状态特征进行表达。
本发明首先提出了一种风电机组健康状态评估模型，包括：融合多头注意力机制的多特征提取网络和递归神经元多层特征匹配网络，所述多特征提取网络的输出为所述递归神经元多层特征匹配网络的输入。
其中，所述多特征提取网络包括多个特征提取模块，每个特征提取模块由多个改进后的长短期记忆块连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入。
每个长短期记忆块相对应的注意力机制不同，最后通过将多个不同注意力融合，形成新的特征序列，作为下一个特征提取模块的输入。
其中，所述递归神经元多层特征匹配网络的输出数据为5维数据。
基于上述模型，本发明提出融合多头注意力机制的风电机组健康状态评估方法，多头注意力机制融合，解决动态时间序列数据的语义特征没有得到充分挖掘的问题。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种风电机组健康状态评估方法的流程示意图。
如图1所示，该流程可以包括以下步骤：
步骤110：将输入的风电机组健康状态评估数据均分为等大小的子数据集。
步骤120：采用融合多头注意力机制对每个所述子数据集中的数据进行高维度数据的特征提取，得到特征数据。
在一些实施例中，对于每个所述子数据集，使用由多个特征提取模块所构建的结构递归神经网络，实现输入高维度数据的特征提取。
进一步的，在一些实施例中，一个特征提取模块由多个改进后的长短期记忆块连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入。
在一些实施例中，每个长短期记忆块相对应的注意力机制不同，最后通过将多个不同注意力融合，形成新的特征序列，作为下一个特征提取模块的输入。
采用sigmoid函数和交叉熵损失函数的结合作为新的LSTM损失函数。
步骤130：通过递归神经元特征匹配网络对所述特征数据进行风电机组健康状态的特征匹配，得到匹配结果。所述递归神经元特征匹配网络为多层特征匹配网络。
步骤140：基于所述匹配结果得到所述风电机组的健康评估结果。所述匹配结果包括5维数据，对应不同的风电机组健康状态。
基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。
风电机组负载情况、风电设备运转中的状态等方面的瞬息万变、以及运行环境的变化等因素，都可导致收集到的性能退化时序数据不具有单调性。相近时刻SCADA数据的特征信息可能相差较大，规律不易掌握。本发明提出采用多头注意力机制进行特征提取，尽可能准确提取各数据的语义信息，深度挖掘状态评估数据的语义特征。
图2为融合多头注意力机制的风电机组健康状态评估方法的流程图。
融合多头注意力机制的风电机组健康状态评估方法以LSTM(Long Short-TermMemory，长短记忆)网络为基础，主要由融合多头注意力机制的多FEM(Feature EntreatyModule)特征提取网络和基于递归神经元的多层特征匹配网络组成。
(1)多FEM特征提取网络
在风电机组状态评估中，需要处理高维度数据。往往有多种不同的特征以及特征之间的关系隐含在高维度数据中。针对SCADA数据的这一特点，本发明提出图1中所示的多FEM特征提取网络，该网络在t时刻将输入状态数据(风电机组健康状态评估数据)X(t)划分成为n个等大小的子数据，
Figure BDA0003294932740000071
Figure BDA0003294932740000072
在子集上，使用由多个特征提取模块(FEM)所构建的结构递归神经网络，实现输入高维度数据X(t)的特征提取。FEMi,j表示从低至顶的第j层的第i个特征提取模块，hi,j表示FEMi,j的输出数据，S(t)为FEM4,1的输出数据，也是从X(t)中提取得到的特征数据。
(2)融合多头注意力机制进行特征提取
本发明提出采用融合多头注意力机制的特征提取方法，如图3所示。一个FEM由n个改进后的长短期记忆块连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入，每个LSTM块都有其相对应的注意力，最后通过将多个不同注意力融合，形成新的特征序列，作为下一个FEM的输入。
图3中，
Figure BDA0003294932740000073
为时刻t的输入数据(风电机组健康状态评估数据)，
Figure BDA0003294932740000074
(i＝1,2,…,n)为第i个长短记忆块的输出。ai(i＝1,2,…,n)代表每个LSTM块输出的注意力概率分布值，
Figure BDA0003294932740000075
代表时刻t经过多头注意力融合之后提取得到的包含充分时序信息的特征向量。
LSTM的损失函数不适合多标签样本数据，因此对其损失函数进行改进。采用sigmoid函数和交叉熵损失函数的结合作为新的LSTM损失函数。该损失函数适用于风电机组状态评估的多状态分类问题。
(3)递归神经元特征匹配网络
多FEM特征提取网络所得到的特征数据，通过递归神经元特征匹配网络进行风电机组健康状态的特征匹配，进而完成状态评估。输出层输出数据为5维，对应不同的风电机组健康状态。其中，对风电机组健康状态的评分为5级，分别表示风电机组健康状态为良好、一般、轻微劣化、严重劣化和失效。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图4为本说明书实施例提供的对应于图1的一种风电机组健康状态评估系统的结构示意图。如图4所示，该装置可以包括：
数据输入模块410，用于将输入的风电机组健康状态评估数据均分为等大小的子数据集；
特征提取模块420，用于采用融合多头注意力机制对每个所述子数据集中的数据进行高维度数据的特征提取，得到特征数据；
特征匹配模块430，用于通过递归神经元特征匹配网络对所述特征数据进行风电机组健康状态的特征匹配，得到匹配结果；
评估结果确定模块440，用于基于所述匹配结果确定所述风电机组的健康评估结果。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种风电机组健康状态评估模型，其特征在于，包括：融合多头注意力机制的多特征提取网络和递归神经元多层特征匹配网络，所述多特征提取网络的输出为所述递归神经元多层特征匹配网络的输入；其中，所述多特征提取网络包括多个特征提取模块，每个特征提取模块由多个改进后的长短期记忆块连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入。
2.如权利要求1所述的风电机组健康状态评估模型，其特征在于，每个长短期记忆块相对应的注意力机制不同，最后通过将多个不同注意力融合，形成新的特征序列，作为下一个特征提取模块的输入。
3.如权利要求1所述的风电机组健康状态评估模型，其特征在于，所述递归神经元多层特征匹配网络的输出数据为5维数据。
4.一种风电机组健康状态评估方法，其特征在于，包括：
将输入的风电机组健康状态评估数据均分为等大小的子数据集；
采用融合多头注意力机制对每个所述子数据集中的数据进行高维度数据的特征提取，得到特征数据；
通过递归神经元特征匹配网络对所述特征数据进行风电机组健康状态的特征匹配，得到匹配结果；
基于所述匹配结果得到所述风电机组的健康评估结果。
5.如权利要求4所述的风电机组健康状态评估方法，其特征在于，对于每个所述子数据集，使用由多个特征提取模块所构建的结构递归神经网络，实现输入高维度数据的特征提取。
6.如权利要求4所述的风电机组健康状态评估方法，其特征在于，一个特征提取模块由多个改进后的长短期记忆块连接组成，即上一个长短期记忆块的输出作为下一个长短期记忆块的输入。
7.如权利要求6所述的风电机组健康状态评估方法，其特征在于，每个长短期记忆块相对应的注意力机制不同，最后通过将多个不同注意力融合，形成新的特征序列，作为下一个特征提取模块的输入。
8.如权利要求4所述的风电机组健康状态评估方法，其特征在于，所述匹配结果包括5维数据，对应不同的风电机组健康状态。
9.如权利要求4所述的风电机组健康状态评估方法，其特征在于，所述递归神经元特征匹配网络为多层特征匹配网络。
10.一种风电机组健康状态评估系统，其特征在于，包括：
数据输入模块，用于将输入的风电机组健康状态评估数据均分为等大小的子数据集；
特征提取模块，用于采用融合多头注意力机制对每个所述子数据集中的数据进行高维度数据的特征提取，得到特征数据；
特征匹配模块，用于通过递归神经元特征匹配网络对所述特征数据进行风电机组健康状态的特征匹配，得到匹配结果；
评估结果确定模块，用于基于所述匹配结果确定所述风电机组的健康评估结果。
CN202111174761.5A 2021-10-09 2021-10-09 一种风电机组健康状态评估模型、方法及系统 Active CN113807027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111174761.5A CN113807027B (zh) 2021-10-09 2021-10-09 一种风电机组健康状态评估模型、方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111174761.5A CN113807027B (zh) 2021-10-09 2021-10-09 一种风电机组健康状态评估模型、方法及系统

Publications (2)

Publication Number Publication Date
CN113807027A true CN113807027A (zh) 2021-12-17
CN113807027B CN113807027B (zh) 2023-08-18

Family

ID=78897409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111174761.5A Active CN113807027B (zh) 2021-10-09 2021-10-09 一种风电机组健康状态评估模型、方法及系统

Country Status (1)

Country Link
CN (1) CN113807027B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114837902A (zh) * 2022-06-02 2022-08-02 中节能风力发电股份有限公司 一种风电机组健康度评估方法、系统、设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446540A (zh) * 2016-09-20 2017-02-22 华北电力大学（保定） 一种风电机组健康状态实时评估方法
CN109802430A (zh) * 2018-12-29 2019-05-24 上海电力学院 一种基于LSTM-Attention网络的风电电网控制方法
CN110442833A (zh) * 2019-06-10 2019-11-12 内蒙古工业大学 一种基于多维度scada数据评估风电机组健康状态评估方法
CN111652066A (zh) * 2020-04-30 2020-09-11 北京航空航天大学 基于多自注意力机制深度学习的医疗行为识别方法
CN112288595A (zh) * 2020-10-30 2021-01-29 腾讯科技（深圳）有限公司 一种电网负荷预测的方法、相关装置、设备及存储介质
CN113094860A (zh) * 2021-04-29 2021-07-09 北京邮电大学 一种基于注意力机制的工控网络流量建模方法
CN113255210A (zh) * 2021-05-13 2021-08-13 燕山大学 一种风电机组联邦故障诊断方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446540A (zh) * 2016-09-20 2017-02-22 华北电力大学（保定） 一种风电机组健康状态实时评估方法
CN109802430A (zh) * 2018-12-29 2019-05-24 上海电力学院 一种基于LSTM-Attention网络的风电电网控制方法
CN110442833A (zh) * 2019-06-10 2019-11-12 内蒙古工业大学 一种基于多维度scada数据评估风电机组健康状态评估方法
CN111652066A (zh) * 2020-04-30 2020-09-11 北京航空航天大学 基于多自注意力机制深度学习的医疗行为识别方法
CN112288595A (zh) * 2020-10-30 2021-01-29 腾讯科技（深圳）有限公司 一种电网负荷预测的方法、相关装置、设备及存储介质
CN113094860A (zh) * 2021-04-29 2021-07-09 北京邮电大学 一种基于注意力机制的工控网络流量建模方法
CN113255210A (zh) * 2021-05-13 2021-08-13 燕山大学 一种风电机组联邦故障诊断方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIFA WANG 等: "Research on Distribution Strategy of Charging Piles for Electric Vehicles", pages 1 - 12 *
JOYJIT CHATTERJEE 等: "Scientometric Review of Artificial Intelligence for Operations & Maintenance of Wind Turbines: The Past, Present and Future", vol. 144, pages 1 - 50 *
王太勇;王廷虎;王鹏;乔卉卉;徐明达;: "基于注意力机制BiLSTM的设备智能故障诊断方法", no. 06, pages 55 - 62 *
罗嗣棂: "基于长短时记忆神经网络的风电机组健康 状态评估与预测研究", pages 042 - 519 *
赵文清 等: "基于 ConvLSTM-SA 的风电机组健康状态评估", vol. 20, no. 11, pages 20 - 26 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114837902A (zh) * 2022-06-02 2022-08-02 中节能风力发电股份有限公司 一种风电机组健康度评估方法、系统、设备和介质

Also Published As

Publication number Publication date
CN113807027B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
Li et al. Self-attention ConvLSTM and its application in RUL prediction of rolling bearings
CN109543901A (zh) 基于信息融合卷积神经网络模型的短期电力负荷预测方法
Chen et al. Wind power generation fault diagnosis based on deep learning model in internet of things (IoT) with clusters
Lv et al. Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis
CN114492978A (zh) 一种基于多层注意力机制的时空序列预测方法及设备
CN115481726A (zh) 一种工业机器人整机健康评估方法及系统
CN113807027B (zh) 一种风电机组健康状态评估模型、方法及系统
Zhao et al. A multi-fault diagnosis method of gear-box running on edge equipment
Guo et al. Wind speed forecasting of genetic neural model based on rough set theory
CN116956203A (zh) 一种变压器分接开关动作特性测量方法及系统
CN112508278A (zh) 一种基于证据回归多模型的多联供系统负荷预测方法
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
Ramirez-Gonzalez et al. Convolutional neural network based approach for static security assessment of power systems
CN106816871B (zh) 一种电力系统状态相似性分析方法
CN116187508A (zh) 一种融合知识图谱和深度学习的风电机组故障预测方法
Han et al. On fault prediction based on industrial big data
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN109034453A (zh) 一种基于多标记神经网络的短期电力负荷预测方法
Liu et al. Research on text classification method of distribution network equipment fault based on deep learning
CN114841063A (zh) 一种基于深度学习的航空发动机剩余寿命预测方法
CN113536508A (zh) 一种制造网络节点分类方法及系统
Kuang et al. Short-term power load forecasting method in rural areas based on cnn-lstm
CN112270123A (zh) 一种基于卷积生成对抗网络的流域水库群径流随机生成方法
Li et al. Multi-source heterogeneous log fusion technology of power information system based on big data and imprecise reasoning theory
Li et al. Large-scale Wind and Solar Grid-connected Power Prediction Based on Causal Delay Spectrum and LSTM

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