CN113848347A - 一种风力发电机测风仪健康状态检测方法 - Google Patents

一种风力发电机测风仪健康状态检测方法 Download PDF

Info

Publication number
CN113848347A
CN113848347A CN202110865090.0A CN202110865090A CN113848347A CN 113848347 A CN113848347 A CN 113848347A CN 202110865090 A CN202110865090 A CN 202110865090A CN 113848347 A CN113848347 A CN 113848347A
Authority
CN
China
Prior art keywords
wind
data
wind speed
anemometer
value
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.)
Pending
Application number
CN202110865090.0A
Other languages
English (en)
Inventor
李永军
刘军
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.)
Snegrid Electric Technology Co ltd
Original Assignee
Snegrid Electric Technology 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 Snegrid Electric Technology Co ltd filed Critical Snegrid Electric Technology Co ltd
Priority to CN202110865090.0A priority Critical patent/CN113848347A/zh
Publication of CN113848347A publication Critical patent/CN113848347A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
    • G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
    • G01P21/025—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers for measuring speed of fluids; for measuring speed of bodies relative to fluids
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations

Abstract

本发明涉及风力发电机检测领域，特别涉及一种风力发电机测风仪健康状态检测方法，包括以下步骤：S1、获取SCADA数据，并对数据进行过滤；S2、对过滤后的数据进行预处理；S3、构建测风仪健康评分指标及判别标准；S4、根据采集的数据分析测风仪健康状态。本发明的有益效果在于：本发明对风机测风仪的健康状况监测成本低、潜力大，充分利用SCADA监控数据，实现检测的智能化、自动化、实时性，除此之外，本发明提供数据预处理方案保证了测风仪风速和测风塔风速的相关性，使二者关系更加清晰呈现，同时本发明的思路可以延申到更多的风机设备组件的检测当中，对风机整个的设备检测存在重大意义。

Description

一种风力发电机测风仪健康状态检测方法
技术领域
本发明涉及风力发电机检测领域，特别涉及一种风力发电机测风仪健康状态检测方法。
背景技术
风机的风速测量数据的一个主要来源是风机(风力发电机)自身的测风仪。风机自身的测风仪由于受工作年限、各种自然环境因素以及风场内其他风机的叶片产生的尾流等因素的影响，其测量精度会存在一定误差，这无疑会导致系统利用所测量的风速值计算出的发电量与实际发电量间存在相应偏差。现有技术一般采用人工按时检修风场中各风机测风仪故障的方式，来降低测风仪测量风速时的误差，然而，人工按时检修各风机测风仪的故障会消耗较多的人力资源及时间资源，且检修效率低。
发明内容
为了解决人工测量风机测风仪的精准度不够且效率较低的问题，本发明提供了一种风力发电机测风仪健康状态检测方法，具体方案如下：
一种风力发电机测风仪健康状态检测方法，包括以下步骤：
S1、获取SCADA数据，并对数据进行过滤；
S2、对过滤后的数据进行预处理；
S3、构建测风仪健康评分指标及判别标准；
S4、根据采集的数据分析测风仪健康状态。
具体地说，步骤S1具体为剔除不能很好反映风机真实状态的数据，包括风电机组停机、限电运行状态下的数据、风速低于第一阈值发电功率低于第二阈值的数据。
具体地说，步骤S2具体为：
S2.1、获取风速数据中的最大风速Vmax和最小风速Vmin；
S2.2、将SCADA数据划分为N个区间，其中
Figure BDA0003186979270000021
E为设定速度；若计算得到的N为非整数，则取比计算值大的最小正整数；
S2.3、定义数值K，K的初始值为1；
S2.4、计算第K个区间中的风速范围和风速期望值；计算第K个区间中发电机功率期望值；
S2.5、判断K＞N，否，令K＝K+1后重复步骤S2.4；是，获得发电机功率与风速的关系。
具体地说，步骤S2.4具体为：
S2.41、获取第K个风速区间的风速范围，
[Vmin+(K-1)VS，Vmin+KVS]，其中
Figure BDA0003186979270000022
S2.42、计算第K个区间中的风速期望值：
Figure BDA0003186979270000023
式中vi为风速；m为第K个区间中不同风速数据的数目；pj为风速vj的数值在第K个区间出现的概率，其中
Figure BDA0003186979270000024
n为第K个区间中数据个数，nj为第K个区间中风速为vj的数据个数；
S2.43、计算第K个区间的发电机功率期望值：
Figure BDA0003186979270000025
式中：Pi为功率值；q为第K个区间中不同功率数据的个数；oi为功率Pi对应的风速在第K个区间出现的概率，
Figure BDA0003186979270000026
r为第K个区间中的功率数据的个数，ri为第K个区间中功率为Pi的数据个数。
具体地说，步骤S3具体为：
S3.1、构建测风仪风速计测量值和测风塔风速值的关系函数；
S3.2、根据S3.1中的关系函数构建测风仪健康评分指标；
S3.3、构建测风仪健康状态判别标准。
具体地说，步骤S3.1具体：
构建测风仪风速计测量值X和测风塔风速值Y的关系函数，
Figure BDA0003186979270000031
用于描述任意一组输入的SCADA数据{xi，yi}(i＝1、2、……、g)之间的关系；其中aj(j＝0、1、2、……、z)是模型系数，
Figure BDA0003186979270000032
为yi的估计值。
具体地说，步骤S3.1还包括引入矩阵
Figure BDA0003186979270000033
其中，R2为误差的平方和，
Figure BDA0003186979270000034
将式(6)带入(5)可得，A＝XTY(XTX)-1 (8)；
由上式计算a0～az的值，确定输入的SCADA数据{xi，yi}之间的关系。
具体地说，步骤S3.2具体为：
构建测风仪健康评分指标S，
Figure BDA0003186979270000035
式中：aj为从当前SCADA数据中计算出的模型系数；bj为从风机正常运行时的历史SCADA数据中计算得到的模型系数；Xmax和Xmin分别为X中的最大值和最小值，K为第K个区间。
具体地说，构建判别标准：
S＝0表示风机测风仪运行正常；
S>0表示风机测风仪有故障发生，数值越大故障越严重。
具体地说，还包括步骤S3.4，具体为：
根据风速值计算出的发电量与实际发电量间存在相应偏差构建故障分级，令由故障引起的风速偏差最终引起的发电量偏差为Poffset，实际发电量为Pcap；
当
Figure BDA0003186979270000041
S＝0时故障等级为Ⅰ，严重程度为正常；
当
Figure BDA0003186979270000042
S＝0时故障等级为Ⅱ，严重程度为轻微；
当
Figure BDA0003186979270000043
S＝0时故障等级为Ⅲ，严重程度为严重；
当
Figure BDA0003186979270000044
S＝0时故障等级为Ⅳ，严重程度为非常严重。
本发明的有益效果在于：
(1)本发明对风机测风仪的健康状况监测成本低、潜力大，充分利用SCADA监控数据，实现检测的智能化、自动化、实时性，除此之外，本发明提供数据预处理方案保证了测风仪风速和测风塔风速的相关性，使二者关系更加清晰呈现，同时本发明的思想思路可以延申到更多的风机设备组件当中，对风机整个的设备检测存在重大意义。
(2)本发明在数据预处理中的步骤S3.1中基于最小二乘法引入减小误差矩阵，提高了关系函数的精度。
(3)本发明通过基于发电量与实际发电量间的关系构建故障分级，使的测风仪健康评分指标和风机测风仪之间的关系更精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明流程图；
图2为本发明故障分级表；
图3为实施例数据预处理后的1.5MW风机功率曲线；
图4为实施例测风塔风速和风机测风仪风速；
图5为风机测风仪故障前后对比；
图6为风机测风仪故障前后风机测风仪评分指标S及数据拟合结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
如图1所示，本发明公开了一种风力发电机测风仪健康状态检测方法，包括以下步骤：
S1、获取SCADA数据，并对数据进行过滤；
S2、对过滤后的数据进行预处理；
S3、构建测风仪健康评分指标及判别标准；
S4、根据采集的数据分析测风仪健康状态。
步骤S1具体为剔除不能很好反映风机真实状态的数据，包括风电机组停机、限电运行状态下的数据、风速低于低第一阈值发电功率低于第二阈值的数据。其中第一阈值和第二阈值为人工设定。
步骤S2具体为：
S2.1、获取风速数据中的最大风速Vmax和最小风速Vmin；
S2.2、将SCADA数据划分为N个区间，其中
Figure BDA0003186979270000061
E为设定速度；若计算得到的N为非整数，则取比计算值大的最小正整数；
S2.3、定义数值K，K的初始值为1；
S2.4、计算第K个区间中的风速范围和风速期望值；计算第K个区间中发电机功率期望值；
S2.5、判断K＞N，否，令K＝K+1后重复步骤S2.4；是，获得发电机功率与风速的关系。
步骤S2.4具体为：
S2.41、获取第K个风速区间的风速范围，
[Vmin+(K-1)VS，Vmin+KVS]，其中
Figure BDA0003186979270000062
S2.42、计算第K个区间中的风速期望值：
Figure BDA0003186979270000063
式中vi为风速；m为第K个区间中不同风速数据的数目；pj为风速vj的数值在第K个区间出现的概率，其中
Figure BDA0003186979270000064
n为第K个区间中数据个数，nj为第K个区间中风速为vj的数据个数；
S2.43、计算第K个区间的发电机功率期望值：
Figure BDA0003186979270000065
式中：Pi为功率值；q为第K个区间中不同功率数据的个数；oi为功率Pi对应的风速在第K个区间出现的概率，
Figure BDA0003186979270000066
r为第K个区间中的功率数据的个数，ri为第K个区间中功率为Pi的数据个数。
步骤S3具体为：
S3.1、构建测风仪风速计测量值和测风塔风速值的关系函数；
S3.2、根据S3.1中的关系函数构建测风仪健康评分指标；
S3.3、构建测风仪健康状态判别标准。
步骤S3.1具体：
构建测风仪风速计测量值X和测风塔风速值Y的关系函数，
Figure BDA0003186979270000071
用于描述任意一组输入的SCADA数据{xi，yi}(i＝1、2、……、g)之间的关系；其中aj(j＝0、1、2、……、z)是模型系数，
Figure BDA0003186979270000072
为yi的估计值。
步骤S3.1还包括引入矩阵
Figure BDA0003186979270000073
其中，R2为误差的平方和，
Figure BDA0003186979270000074
将式(6)带入(5)可得，A＝XTY(XTX)-1(8)；
由上式计算a0～az的值，确定输入的SCADA数据{xi，yi}之间的关系。
步骤S3.2具体为：
构建测风仪健康评分指标S，
Figure BDA0003186979270000075
式中：aj为从当前SCADA数据中计算出的模型系数；bj为从风机正常运行时的历史SCADA数据中计算得到的模型系数；Xmax和Xmin分别为X中的最大值和最小值。
构建判别标准：
S＝0表示风机测风仪运行正常；
S>0表示风机测风仪有故障发生，数值越大故障越严重。
还包括步骤S3.4，具体为：
如图2所示，根据风速值计算出的发电量与实际发电量间存在相应偏差构建故障分级，令由故障引起的风速偏差最终引起的发电量偏差为Poffset，实际发电量为Pcap；
当
Figure BDA0003186979270000081
S＝0时故障等级为Ⅰ，严重程度为正常；
当
Figure BDA0003186979270000082
S＝0时故障等级为Ⅱ，严重程度为轻微；
当
Figure BDA0003186979270000083
S＝0时故障等级为Ⅲ，严重程度为严重；
当
Figure BDA0003186979270000084
S＝0时故障等级为Ⅳ，严重程度为非常严重。
对本方法效果进行测试，包括：
将两台1.5MW风机测风仪分别在正常运转和发生故障后的SCADA数据进行比较，计算得到评分指标S值。
正常情况下，风机测风仪SCADA数据与测风塔测风仪的记录值存在较为固定的关系，一旦两者的关系出现偏差，说明测风仪出现异常。在验证过程中，通过比较另一台1.5MW风电机组机舱测风仪在故障前后记录的数据与测风塔测风仪记录值关系的变动，来验证以上假设。并计算风机健康评分指标S的大小。
如图4所示，为风机测风仪故障前后的SCADA数据与测风塔风速记录值。从图3难以直观地判断风机测风仪在正常或故障时的风速数据与测风塔风速数据的关系是否发生改变，因此须对数据进行处理。在SCADA数据中，该风机故障发生前测得的最大风速Vmax为最小风速为Vmin。根据式(1)以及N为整数的要求，确定N取值为39，即将测风塔风速和测风仪风速按式(2)计算得到的VS分配到39个区间中；然后，分别计算测风塔风速和测风仪风速在39个区间中的期望值。数据预处理，式(5)aj中j＝4，中对矩阵A进行求取得到：当测风仪无故障时的a0～a4值，当测风仪存在故障时的a0～a4值。处理数据后得到图5和图6。
如图5、图6所示，经过数据处理，之前看起来毫无规律的散点图所包含的信息被提取出来，操作人员可以清楚判断风机测风仪风速和测风塔风速的关系，二者呈正相关关系。风机测风仪在发生故障前后和测风塔风速的关系发生明显的改变，发生故障前，S＝0；发生故障后，S＝2.44。由此，本发明提出的方法对风机测风仪故障能够起到诊断作用。
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 (10)

1.一种风力发电机测风仪健康状态检测方法，其特征在于，包括以下步骤：
S1、获取SCADA数据，并对数据进行过滤；
S2、对过滤后的数据进行预处理；
S3、构建测风仪健康评分指标及判别标准；
S4、根据采集的数据分析测风仪健康状态。
2.根据权利要求1所述的一种风力发电机测风仪健康状态检测方法，其特征在于，步骤S1具体为剔除不能很好反映风机真实状态的数据，包括风电机组停机、限电运行状态下的数据、风速低于第一阈值发电功率低于第二阈值的数据。
3.根据权利要求1所述的一种风力发电机测风仪健康状态检测方法，其特征在于，步骤S2具体为：
S2.1、获取风速数据中的最大风速Vmax和最小风速Vmin；
S2.2、将SCADA数据划分为N个区间，其中
Figure FDA0003186979260000011
E为设定速度；若计算得到的N为非整数，则取比计算值大的最小正整数；
S2.3、定义数值K，K的初始值为1；
S2.4、计算第K个区间中的风速范围和风速期望值；计算第K个区间中发电机功率期望值；
S2.5、判断K＞N，否，令K＝K+1后重复步骤S2.4；是，获得发电机功率与风速的关系。
4.根据权利要求3所述的一种风力发电机测风仪健康状态检测方法，其特征在于，步骤S2.4具体为：
S2.41、获取第K个风速区间的风速范围，
[Vmin+(K-1)VS，Vmin+KVS]，其中
Figure FDA0003186979260000021
S2.42、计算第K个区间中的风速期望值：
Figure FDA0003186979260000022
式中vi为风速；m为第K个区间中不同风速数据的数目；pj为风速vj的数值在第K个区间出现的概率，其中
Figure FDA0003186979260000023
n为第K个区间中数据个数，nj为第K个区间中风速为vj的数据个数；
S2.43、计算第K个区间的发电机功率期望值：
Figure FDA0003186979260000024
式中：Pi为功率值；q为第K个区间中不同功率数据的个数；oi为功率Pi对应的风速在第K个区间出现的概率，
Figure FDA0003186979260000025
r为第K个区间中的功率数据的个数，ri为第K个区间中功率为Pi的数据个数。
5.根据权利要求1所述的一种风力发电机测风仪健康状态检测方法，其特征在于，步骤S3具体为：
S3.1、构建测风仪风速计测量值和测风塔风速值的关系函数；
S3.2、根据S3.1中的关系函数构建测风仪健康评分指标；
S3.3、构建测风仪健康状态判别标准。
6.根据权利要求5所述的一种风力发电机测风仪健康状态检测方法，其特征在于，步骤S3.1具体：
构建测风仪风速计测量值X和测风塔风速值Y的关系函数，
Figure FDA0003186979260000026
用于描述任意一组输入的SCADA数据{xi，yi}(i＝1、2、……、g)之间的关系；其中aj(j＝0、1、2、……、z)是模型系数，
Figure FDA0003186979260000027
为yi的估计值。
7.根据权利要求6所述的一种风力发电机测风仪健康状态检测方法，其特征在于，步骤S3.1还包括引入矩阵
Figure FDA0003186979260000031
其中，R2为误差的平方和，
Figure FDA0003186979260000032
将式(6)带入(5)可得，A＝XTY(XTX)-1 (8)；
由上式计算a0～az的值，确定输入的SCADA数据{xi，yi}之间的关系。
8.根据权利要求5所述的一种风力发电机测风仪健康状态检测方法，其特征在于，步骤S3.2具体为：
构建测风仪健康评分指标S，
Figure FDA0003186979260000033
式中：aj为从当前SCADA数据中计算出的模型系数；bj为从风机正常运行时的历史SCADA数据中计算得到的模型系数；Xmax和Xmin分别为X中的最大值和最小值，K为第K个区间。
9.根据权利要求5所述的一种风力发电机测风仪健康状态检测方法，其特征在于，构建判别标准：
S＝0表示风机测风仪运行正常；
S>0表示风机测风仪有故障发生，数值越大故障越严重。
10.根据权利要求5所述的一种风力发电机测风仪健康状态检测方法，其特征在于，还包括步骤S3.4，具体为：
根据风速值计算出的发电量与实际发电量间存在相应偏差构建故障分级，令由故障引起的风速偏差最终引起的发电量偏差为Poffset，实际发电量为Pcap；
当
Figure FDA0003186979260000041
S＝0时故障等级为Ⅰ，严重程度为正常；
当
Figure FDA0003186979260000042
S＝0时故障等级为Ⅱ，严重程度为轻微；
当
Figure FDA0003186979260000043
S＝0时故障等级为Ⅲ，严重程度为严重；
当
Figure FDA0003186979260000044
S＝0时故障等级为Ⅳ，严重程度为非常严重。
CN202110865090.0A 2021-07-29 2021-07-29 一种风力发电机测风仪健康状态检测方法 Pending CN113848347A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110865090.0A CN113848347A (zh) 2021-07-29 2021-07-29 一种风力发电机测风仪健康状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110865090.0A CN113848347A (zh) 2021-07-29 2021-07-29 一种风力发电机测风仪健康状态检测方法

Publications (1)

Publication Number Publication Date
CN113848347A true CN113848347A (zh) 2021-12-28

Family

ID=78975265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110865090.0A Pending CN113848347A (zh) 2021-07-29 2021-07-29 一种风力发电机测风仪健康状态检测方法

Country Status (1)

Country Link
CN (1) CN113848347A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081346A (zh) * 2022-08-24 2022-09-20 南京国电南自维美德自动化有限公司 一种风电机组尾流效应下的健康度判断方法、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106771370A (zh) * 2016-12-21 2017-05-31 东软集团股份有限公司 一种风机测风仪检测方法及装置
CN108593968A (zh) * 2017-12-08 2018-09-28 北京金风科创风电设备有限公司 风速仪修正系数的确定方法及装置
WO2020097944A1 (zh) * 2018-11-18 2020-05-22 浙江大学 一种基于真实功率曲线的风电机组偏航误差固有偏差辨识及补偿方法
CN112145373A (zh) * 2020-09-15 2020-12-29 东北大学 一种风力发电机测风仪风速的校正方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106771370A (zh) * 2016-12-21 2017-05-31 东软集团股份有限公司 一种风机测风仪检测方法及装置
CN108593968A (zh) * 2017-12-08 2018-09-28 北京金风科创风电设备有限公司 风速仪修正系数的确定方法及装置
WO2020097944A1 (zh) * 2018-11-18 2020-05-22 浙江大学 一种基于真实功率曲线的风电机组偏航误差固有偏差辨识及补偿方法
CN112145373A (zh) * 2020-09-15 2020-12-29 东北大学 一种风力发电机测风仪风速的校正方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘昌华;: "测风塔与风力发电机组风速数据相关性分析", 内蒙古电力技术, no. 03 *
吕跃刚: "基于风机健康系数的风电设备状态监测方法", 《可再生能源》, vol. 33, no. 7, pages 1027 - 1032 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081346A (zh) * 2022-08-24 2022-09-20 南京国电南自维美德自动化有限公司 一种风电机组尾流效应下的健康度判断方法、装置及介质
CN115081346B (zh) * 2022-08-24 2023-01-24 南京国电南自维美德自动化有限公司 一种风电机组尾流效应下的健康度判断方法、装置及介质

Similar Documents

Publication Publication Date Title
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
AU2020399503B2 (en) Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof
CN103925155B (zh) 一种风电机组输出功率异常的自适应检测方法
CN103631681A (zh) 一种在线修复风电场异常数据的方法
CN110362045B (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
CN108252873A (zh) 一种风力发电机组在线数据监测及其性能评估的系统
CN105863970A (zh) 一种风机故障识别方法及装置
CN111669123B (zh) 用于对光伏组串进行故障诊断的方法和装置
CN116660672B (zh) 基于大数据的电网设备故障诊断方法及系统
CN112065668A (zh) 一种风电机组状态异常评估方法及系统
CN114165392A (zh) 一种风电机组功率异常诊断方法、装置及存储介质
CN116771610A (zh) 一种调整风电机组变桨系统故障评估值的方法
CN116609055A (zh) 一种运用图卷积神经网络诊断风电齿轮箱故障的方法
CN113848347A (zh) 一种风力发电机测风仪健康状态检测方法
CN109613372B (zh) 一种基于多元电网数据库的电网故障诊断方法
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
CN108204342A (zh) 风力发电机的叶片结冰识别方法和装置
CN112036718A (zh) 一种考虑新能源不确定性的电力系统安全风险评估方法
CN115759521A (zh) 一种基于大数据的海上风力发电机运行故障预测系统
CN114595989A (zh) 一种风电机组性能评估方法及装置
Souza et al. Evaluation of data based normal behavior models for fault detection in wind turbines
CN110943485A (zh) 双馈风电场等值模型仿真可信度的指标评价方法
CN117195136B (zh) 一种电网新能源异常数据监测方法
CN116861219B (zh) 一种风电机组变桨故障诊断方法
CN117128143A (zh) 一种叶片故障检测方法和相关装置

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