CN113918552B - 一种风电机组变频器温度数据清洗方法及系统 - Google Patents

一种风电机组变频器温度数据清洗方法及系统 Download PDF

Info

Publication number
CN113918552B
CN113918552B CN202111187610.3A CN202111187610A CN113918552B CN 113918552 B CN113918552 B CN 113918552B CN 202111187610 A CN202111187610 A CN 202111187610A CN 113918552 B CN113918552 B CN 113918552B
Authority
CN
China
Prior art keywords
data
matrix
temperature
cleaning
wind turbine
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
CN202111187610.3A
Other languages
English (en)
Other versions
CN113918552A (zh
Inventor
高晨
童博
赵勇
程方
韩毅
宋子琛
张宝锋
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.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute 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 Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202111187610.3A priority Critical patent/CN113918552B/zh
Publication of CN113918552A publication Critical patent/CN113918552A/zh
Application granted granted Critical
Publication of CN113918552B publication Critical patent/CN113918552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Measuring Temperature Or Quantity Of Heat (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明提供的一种风电机组变频器温度数据清洗方法及系统，包括以下步骤：步骤1，将获取得到的风电机组变频器的实际运行过程中的温度原始监测数据进行预处理，得到矩阵A；步骤2，对步骤1中获取得到的矩阵A中的温度超限点数据进行清洗，得到矩阵A’；步骤3，对步骤2中获取得到的矩阵A’中的大范围温度离群点数据进行清洗，得到矩阵A”’；步骤4，对步骤3中获取得到的矩阵A”’中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据；本发明所提数据清洗方法可实现上述三类异常数据的清洗，有效数据删除率低，且无需根据历史数据进行预训练，具有较强的通用性。

Description

一种风电机组变频器温度数据清洗方法及系统
技术领域
本发明涉及风力发电领域，具体涉及一种风电机组变频器温度数据清洗方法及系统。
背景技术
风力发电机组变频器是风电机组关键的能量转化设备，机组运行过程中变频器高频通断，监测温度成为能够直观反映设备状态的参量，然而通常通过SCADA系统进行监测获取的数据中存在大量异常数据，传统数据清理方法通用性不强，不仅较难实现分类识别，也有可能将正确反映设备温度信息的有效数据过滤，不利于后续分析工作的开展。因此，实现变频器温度数据的有效清洗对变频器健康评价模型的准确建立以及故障诊断、健康状态评估、寿命预测等工作均具有重要意义。
发明内容
本发明的目的在于提供一种风电机组变频器温度数据清洗方法及系统，解决了现有技术中存在的上述不足。
为了达到上述目的，本发明采用的技术方案是：
本发明提供的一种风电机组变频器温度数据清洗方法，包括以下步骤：
步骤1，将获取得到的风电机组变频器的实际运行过程中的温度原始监测数据进行预处理，得到矩阵A；
步骤2，对步骤1中获取得到的矩阵A中的温度超限点数据进行清洗，得到矩阵A'；
步骤3，对步骤2中获取得到的矩阵A'中的大范围温度离群点数据进行清洗，得到矩阵A”'；
步骤4，对步骤3中获取得到的矩阵A”'中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据。
优选地，步骤1中，将获取得到的风电机组变频器的实际运行过程中的温度原始监测数据进行预处理，得到矩阵A，具体方法是：
将获取得到的风电机组变频器的实际运行过程中的温度原始监测数据记为矩阵A，其中，矩阵A为n行2列，第一列数据为机组运行功率，按大小顺序排列，记为P＝[P1、P2、…Pi、…Pn]；第二列数据为第一列功率数据中不同功率下对应的温度监测数值，记为T＝[T1、T2、…Ti、…Tn]。
优选地，步骤2中，对步骤1中获取得到的矩阵A中的温度超限点数据进行清洗，得到矩阵A'，具体方法是：
将矩阵A中小于0或大于机组最大允许功率值的第i行机组运行功率对应的温度监测值记为0，之后将数值为0的对应行进行剔除，得到矩阵A′。
优选地，步骤3中，对步骤2中获取得到的矩阵A'中的大范围温度离群点数据进行清洗，得到矩阵A”'，具体方法是：
对步骤2中获取得到的矩阵A'进行分段，得到L个子矩阵；
利用改进型拉伊达准则对每个子矩阵中的大范围温度离群点数据进行识别剔除，得到矩阵A”'。
优选地，对步骤2中获取得到的矩阵A'进行分段，得到L个子矩阵，具体方法是：
将矩阵A'按照矩阵A'中的机组运行功率进行分段，得到L个子矩阵；其中，L表示矩阵A′中最大功率监测值与最小功率监测值之差除以500并向上取整。
优选地，利用改进型拉伊达准则对每个子矩阵中的大范围温度离群点数据进行识别剔除，得到矩阵A”'，具体方法是：
计算每个子矩阵对应温度向量的期望；并统计每个子矩阵对应温度向量的中位数和众数；
根据得到的期望、中位数和众数计算对应子矩阵的数据分布特性参数；
计算每个子矩阵对应温度向量的标准差；
利用每个子矩阵的数据分布特性参数和标准差，结合改进型拉伊达准则对温度向量中的大范围温度离群点数据进行识别；得到矩阵A”；
将矩阵A”中的大范围温度离群点数据进行剔除，得到矩阵A”'。
优选地，步骤4，对步骤3中获取得到的矩阵A”'中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据，具体方法是：
利用方差变化点法对矩阵A”'中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据。
优选地，利用方差变化点法对矩阵A”'中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据，具体方法是：
计算矩阵A”'中每个子矩阵中温度向量中的各点方差，进而得到每个子矩阵对应的方差向量；
计算每个子矩阵对应的方差向量的变化率，得到每个子矩阵对应的变化率向量；
计算每个子矩阵对应的变化率向量构建目标函数；
计算构建得到的目标函数，根据计算得到的目标函数值对变化率向量中的突变点进行剔除，最终得到正确的温度监测数据。
一种风电机组变频器温度数据清洗系统，该系统能够运行所述的方法，包括：
数据预处理单元，用于将获取得到的风电机组变频器的实际运行过程中的温度原始监测数据进行预处理，得到矩阵A；
第一清洗单元，用于对获取得到的矩阵A中的温度超限点数据进行清洗，得到矩阵A'；
第二清洗单元，用于对获取得到的矩阵A'中的大范围温度离群点数据进行清洗，得到矩阵A”'；
第三清洗单元，用于对获取得到的矩阵A”'中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据。
与现有技术相比，本发明的有益效果是：
本发明提供的一种风电机组变频器温度数据清洗方法及系统，基于风电机组变频器温度异常数据的分布特征，将异常数据分为温度超限点、大范围离群型异常数据和局部堆砌型异常数据，根据异常数据分布特征提出基于边缘剔除与方差变点的变频器温度数据清洗方法，通过三个步骤清洗异常数据，实现正常变频器温度数据的提取；通过算例验证结果表明，本发明所提数据清洗方法可实现上述三类异常数据的清洗，有效数据删除率低，且无需根据历史数据进行预训练，具有较强的通用性。
附图说明
图1是本发明的流程示意图；
图2是本发明的流程框图；
图3是变频器温度原始监测数据图；
图4是剔除超限(灰色点)数据后变频器温度监测数据(黑色点)图；
图5是初步剔除大范围温度离群点数据的温度监测数据；
图6是剔除剩余离群点与堆积点的温度监测数据。
具体实施方式
下面结合附图，对本发明进一步详细说明。
实施例具体流程如附图1所示，具体步骤如下：
步骤1，收集实际运行过程中变频器模块的功率-温度原始监测数据，该功率-温度原始监测数据涵盖不同运行功率下的温度监测数据，记为矩阵A。矩阵A为n行2列，第一列数据为机组运行功率监测数据，按大小顺序排列，记为P＝[P1、P2、...Pi、...Pn]；第二列数据为第一列功率数据中不同功率下对应的温度监测数值，记为T＝[T1、T2、...Ti、...Tn]；本方案中向量均为列向量，则有：
其中，T1为P1功率条件时的温度监测数值。
根据矩阵A两列数据作出二维分布图，如附图2所示，从附图2中可以看出，矩阵A中不同功率条件下得温度监测数据可以分为正常记录数据、温度超限点数据、大范围温度离群点数据以及堆积温度点数据。
步骤2，首先对步骤1得到的矩阵A进行温度超限点数据清除，可根据公式(1)实现此类异常数据的识别，即：将预处理后的温度监测数据中小于0或大于机组最大允许功率值的第i行机组运行功率对应的温度监测值记为0，之后利用常规方法将含有0数据的对应行的数据进行剔除，只保留非0行，完成超限数据剔除后矩阵记为A′，结果如图3所示：
若Pi＜0或Pi＞Pm，则T′i＝0；
T′t＝Tt，若0≤Pi≤Pm，则T′i＝Ti (1)
1≤i≤n
其中，Pi为矩阵A中第i行对应的功率监测数据值；Pm为机组允许的最大功率；
T′i为矩阵A中第i行第二列的温度监测数值。
经过温度超限点数据剔除得到矩阵A′如下所示：
矩阵A′表明将原矩阵前j-1行、末尾n-q行对应的温度超限点数据剔除，则对于矩阵A′有：
Pj＝min(P′)；
Pq＝max(P′)
步骤3，对步骤2中得到的矩阵A′按照第一列即P′中功率监测数据的取值范围进行分段，得到L个子矩阵，分别记为A1、A2、…AU、…AL，其中AU也可以表示[PU TU]，设置分段数为L，L表示矩阵A′中最大功率监测值与最小功率监测值之差除以500并向上取整，即：
则分段完成后矩阵A′可以表示为：
其中，P1的取值范围为：
P1min＝Pj
T1表示P1取值范围内对应的温度数据，t表示数据个数：
T1＝[T11、T12、...T1t]
同理，可以得到PU的取值范围为：
1＜U≤L
步骤4，根据步骤3中分段结果对大范围温度离群点数据进行识别与剔除，以剔除矩阵A′的子矩阵A1大范围温度离群点数据为例，首先计算子矩阵A1对应的温度向量T1的期望EP1，统计此组数据的中位数MidP1和众数MajP1，并根据期望EP1、中位数MidP1与众数MajP1，计算反映此组的数据分布特性参数λP1，计算方式如下：
其他；
步骤5，计算子矩阵A1对应温度向量T1的标准差σP1，并根据改进型拉伊达准则对温度向量T1的每个数据进行大范围离群数据点数据识别，每个数据识别结果记为Idenx，具体计算方法如下：
Idenx＝1，Tx＜λP1±3σP1；
Idenx＝0，Tx≥λP1±3σP1；
其中，Tx表示温度向量T1的第x个数据，且有1≤x≤t，则经过计算可以得到一组由0、1组成的识别结果向量，记为Iden(T1)，有：
Iden(T1)＝[Iden1，Iden2，Iden3，...，Idenx，...，Ident]
步骤6，根据步骤5中识别结果剔除子矩阵A1对应的温度向量T1中大范围温度离群点数据，将识别结果向量Iden(T1)的每一个元素与温度向量T1向量对应元素相乘，得到T1″，同理得到P1″，具体计算方法如下：
T1″＝[Iden1T11，Iden2T12，Iden3T13，…，IdenxT1x，…，IdentT1t]；
P1″＝[Iden1P11，Iden2P12，Iden3P13，…，IdenxP1x，…，IdentP1t]
A1″＝[P1″T1″]
其中，A1″为经过识别后的矩阵，包含若干全为0元素的行。
利用常规方法将带有0元素的行剔除，只保留非0元素的行，完成大范围温度离群点数据的剔除，记为：
A1″′＝[P1″′T1″′]
步骤7，重复步骤4至步骤6，完成A1、A2、...、AU、...、AL对应温度向量T1、T2、...、TU、...、TL中大范围离群点数据的识别与剔除，则经过大范围温度离群点数据的识别与剔除的数据记为A″′，有：
结果如附图4所示。
步骤8，对步骤7获得的数据矩阵A″′，采用方差变化点法识别剩余温度离群点数据及堆积温度点数据，以识别A1″′中的异常数据为例，首先求出A1″′中的温度向量T1″′的各点方差，方差计算公式为：
其中，T″′h为温度向量T1″′中第h个元素；λε为温度向量T1″′中前h个元素的分布特性参数，计算方式与步骤4中分布特性的参数计算方法相同；sh为第h个点的方差，用以表征第h点数据与前h-1个数据之间的离散程度，k表示T1″′的数据个数，则通过计算可以获得一组方差向量记为S1，有：
S1＝[s1，s2，s3，...，sh，...，sk]
步骤9，计算步骤8获得的方差向量S1的变化率，计算方法如下：
其中，sh-1与sh分别为前h项数据方差与前h-1项数据方差，vh表示前h项数据方差与前h-1项数据方差之间的变化率，逐项计算后可以得到变化率向量V1，有：
V1＝[v2，v3，...，vh，...，vk]
步骤10，针对步骤9获得的变化率向量V1，识别向量中变化率突变的数据点，构建目标函数Targ_h，以识别vh是否为突变点为例：
首先定义vh的一个邻域作为目标计算向量，记为vhμ，则有：
vhμ＝[vh-μ，vh-μ+1，…，vh，…，vh+μ-1，vh+μ]
其中，μ＜＜k，则根据统计规律可以得出，若vh对应的数据点为变化率突变点，则在vh处，必然同时满足两个线性方程，即：
其中β1、β2、为模型参数，y为模型中自变量。
则可构建目标函数Targ_h：
步骤11，计算步骤10获得的目标函数Targ_h，若Targ_h为vh邻域内最小，则识别vh为向量中变化率突变的点，反之，则表明vh不为向量中变化率突变的点，即：
T1″′向量中第h个数据需要剔除，即T1h″″＝0，Targ_h为邻域内最小；
T1″′向量中第h个不数据需要剔除，即T1h″″＝T1h″′，Targ_h不为邻域内最小
步骤12，重复步骤11，计算h不同取值条件下的目标函数Targ_h，识别出所有需要剔除的点，对于矩阵A1″′，利用传统方法将含有0元素的行剔除，生成矩阵A1″″，即代表剔除完堆积数据与小范围离群数据的结果。
步骤13，重复步骤8至步骤12，完成整个A″′矩阵堆积数据与小范围离群数据清理，最终结果记为A″″，如图5所示。
本发明的工作原理：
本发明基于风电机组变频器温度异常数据的分布特征，将异常数据分为温度超限点数据、大范围温度离群点数据以及堆积温度点数据。根据异常数据分布特征提出基于边缘剔除与方差变点的变频器温度数据清洗方法，通过三个步骤清洗异常数据，实现正常变频器温度数据的提取。通过算例验证结果表明，本文所提数据清洗方法可实现上述三类异常数据的清洗，有效数据删除率低，且无需根据历史数据进行预训练，具有较强的通用性。
本发明所采用的改进型拉伊达准则对温度向量中的每个数据进行大范围离群数据点数据识别，传统的拉伊达准则利用中位数加减三倍标准差进行识别，而本申请利用了统计中的众数、中位数和期望计算的参数加减三倍标准差进行识别，拓宽了应用范围，拉伊达准则效果最好的就是正态分布和近似正态分布，但是采集的数据有可能不符合正态分布。

Claims (3)

1.一种风电机组变频器温度数据清洗方法，其特征在于，包括以下步骤：
步骤1，将获取得到的风电机组变频器的实际运行过程中的温度原始监测数据进行预处理，得到矩阵；
步骤2，对步骤1中获取得到的矩阵中的温度超限点数据进行清洗，得到矩阵；
步骤3，对步骤2中获取得到的矩阵中的大范围温度离群点数据进行清洗，得到矩阵；
步骤4，对步骤3中获取得到的矩阵中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据；
步骤1中，将获取得到的风电机组变频器的实际运行过程中的温度原始监测数据进行预处理，得到矩阵，具体方法是：
将获取得到的风电机组变频器的实际运行过程中的温度原始监测数据记为矩阵，其中，矩阵为n行2列，第一列数据为机组运行功率，按大小顺序排列，记为；第二列数据为第一列功率数据中不同功率下对应的温度监测数值，记为；
步骤2中，对步骤1中获取得到的矩阵中的温度超限点数据进行清洗，得到矩阵，具体方法是：
将矩阵中小于0或大于机组最大允许功率值的第行机组运行功率对应的温度监测值记为0，之后将数值为0的对应行进行剔除，得到矩阵；
步骤3中，对步骤2中获取得到的矩阵中的大范围温度离群点数据进行清洗，得到矩阵，具体方法是：
对步骤2中获取得到的矩阵进行分段，得到个子矩阵；
利用改进型拉伊达准则对每个子矩阵中的大范围温度离群点数据进行识别剔除，得到矩阵；
利用改进型拉伊达准则对每个子矩阵中的大范围温度离群点数据进行识别剔除，得到矩阵，具体方法是：
计算每个子矩阵对应温度向量的期望；并统计每个子矩阵对应温度向量的中位数和众数；
根据得到的期望、中位数和众数计算对应子矩阵的数据分布特性参数；
计算每个子矩阵对应温度向量的标准差；
利用每个子矩阵的数据分布特性参数和标准差，结合改进型拉伊达准则对温度向量中的大范围温度离群点数据进行识别；得到矩阵；
将矩阵中的大范围温度离群点数据进行剔除，得到矩阵；
步骤4，对步骤3中获取得到的矩阵中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据，具体方法是：
利用方差变化点法对矩阵中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据；
利用方差变化点法对矩阵中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据，具体方法是：
计算矩阵中每个子矩阵中温度向量中的各点方差，进而得到每个子矩阵对应的方差向量；
计算每个子矩阵对应的方差向量的变化率，得到每个子矩阵对应的变化率向量；
计算每个子矩阵对应的变化率向量构建目标函数；
计算构建得到的目标函数，根据计算得到的目标函数值对变化率向量中的突变点进行剔除，最终得到正确的温度监测数据。
2.根据权利要求1所述的一种风电机组变频器温度数据清洗方法，其特征在于，对步骤2中获取得到的矩阵进行分段，得到个子矩阵，具体方法是：
将矩阵按照矩阵中的机组运行功率进行分段，得到个子矩阵；其中，表示矩阵中最大功率监测值与最小功率监测值之差除以500并向上取整。
3.一种风电机组变频器温度数据清洗系统，其特征在于，该系统能够运行权利要求1-2中任一项所述的方法，包括：
数据预处理单元，用于将获取得到的风电机组变频器的实际运行过程中的温度原始监测数据进行预处理，得到矩阵；
第一清洗单元，用于对获取得到的矩阵中的温度超限点数据进行清洗，得到矩阵；
第二清洗单元，用于对获取得到的矩阵中的大范围温度离群点数据进行清洗，得到矩阵；
第三清洗单元，用于对获取得到的矩阵中的剩余温度离群点数据及堆积温度点数据进行清洗，得到正确的温度监测数据。
CN202111187610.3A 2021-10-12 2021-10-12 一种风电机组变频器温度数据清洗方法及系统 Active CN113918552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111187610.3A CN113918552B (zh) 2021-10-12 2021-10-12 一种风电机组变频器温度数据清洗方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111187610.3A CN113918552B (zh) 2021-10-12 2021-10-12 一种风电机组变频器温度数据清洗方法及系统

Publications (2)

Publication Number Publication Date
CN113918552A CN113918552A (zh) 2022-01-11
CN113918552B true CN113918552B (zh) 2024-09-24

Family

ID=79239627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111187610.3A Active CN113918552B (zh) 2021-10-12 2021-10-12 一种风电机组变频器温度数据清洗方法及系统

Country Status (1)

Country Link
CN (1) CN113918552B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680524B (zh) * 2023-08-01 2023-10-20 查维斯机械制造(北京)有限公司 一种用于灼烫式手持打码器的温度数据监测方法
CN118070195B (zh) * 2024-04-16 2024-07-19 山东艾克索仑电气有限公司 一种矿用交流变频器异常数据状态监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108412710A (zh) * 2018-01-30 2018-08-17 同济大学 一种风电机组风功率数据清洗方法
CN111044176A (zh) * 2020-01-02 2020-04-21 中电投电力工程有限公司 一种发电机温度异常的监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10558929B2 (en) * 2016-05-31 2020-02-11 The Boeing Company Monitored machine performance as a maintenance predictor
CN112784373B (zh) * 2021-01-19 2022-03-01 河北大学 一种风电机组齿轮箱的故障预警方法
CN113107785B (zh) * 2021-05-12 2022-05-31 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108412710A (zh) * 2018-01-30 2018-08-17 同济大学 一种风电机组风功率数据清洗方法
CN111044176A (zh) * 2020-01-02 2020-04-21 中电投电力工程有限公司 一种发电机温度异常的监测方法

Also Published As

Publication number Publication date
CN113918552A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN113673346B (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
CN110147760B (zh) 一种高效电能质量扰动图像特征提取与识别新方法
CN113918552B (zh) 一种风电机组变频器温度数据清洗方法及系统
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN105631596A (zh) 一种基于多维分段拟合的设备故障诊断方法
CN105467975A (zh) 一种设备故障诊断方法
CN110674120B (zh) 一种风电场数据清洗方法及装置
CN118940100A (zh) 融合深度聚类和Transformer模型的智能决策方法及系统
CN115618732A (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
CN117150238B (zh) 面向火电设备故障的类别树和多粒度故障诊断模型构建方法及分层零样本诊断方法
CN114021822A (zh) 一种清洁能源发电功率预测方法和系统
CN108921347A (zh) 一种风电变流器故障预测方法
CN106529161B (zh) 一种基于火电机组运行数据确定升降负荷速率的方法
CN119398737A (zh) 一种污泥脱水机健康评估以及寿命预估方法
CN114800041A (zh) 一种刀具状态监测方法及其监测装置
CN116566859B (zh) 用于交换机的网络异常检测方法及系统
CN116578922A (zh) 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置
CN120257099B (zh) 基于大模型的风电机组设备故障诊断方法与系统
CN115272811A (zh) 一种基于多视角图神经网络的风电机组故障诊断方法
CN111062509A (zh) 一种基于改进神经网络的风功率中短期预测方法及系统
CN113484772A (zh) 一种基于堆叠自动编码器的电池故障识别方法
CN117361256B (zh) 一种基于人工智能的电梯安全管理方法及系统
CN118855642A (zh) 一种基于多源信号融合的风机叶片健康监测方法
CN117292330A (zh) 一种适用于时序数据运维的智能监测系统
CN116796894A (zh) 一种高效深度学习气象预测模型的构建方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220111

Contract record no.: X2026980001040

Denomination of invention: A method and system for cleaning temperature data of a wind turbine converter

Granted publication date: 20240924

License type: Common License

Record date: 20260114