CN114856941A - 海上风电场及机组故障诊断运维系统及其诊断运维方法 - Google Patents
海上风电场及机组故障诊断运维系统及其诊断运维方法 Download PDFInfo
- Publication number
- CN114856941A CN114856941A CN202210550569.XA CN202210550569A CN114856941A CN 114856941 A CN114856941 A CN 114856941A CN 202210550569 A CN202210550569 A CN 202210550569A CN 114856941 A CN114856941 A CN 114856941A
- Authority
- CN
- China
- Prior art keywords
- data
- maintenance
- center
- fault
- basis function
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 88
- 238000003745 diagnosis Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000007418 data mining Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 74
- 238000013500 data storage Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000009423 ventilation Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- F03D7/00—Controlling wind motors
-
- 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)
- 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)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种海上风电场及机组故障诊断运维系统，包括故障诊断运维集控中心、数据服务中心和数据采集感知模块；数据采集感知模块包括存储现有系统数据源的主服务器和现场关键监测点视频数据的边缘服务器；数据服务中心包括SCADA用户和OPC接口、计算机系统、以太网、数据服务器和关键监测点数据采集器；集控中心有上位计算机及交互软件平台、操作设备、显示设备；软件平台有系统集成控制、数据收发与存储、数据处理与分析、数据挖掘与决策、故障诊断与警示、运维决策与管理维护。并公开了其故障诊断运维方法。采用基于数据分类预处理的改进型径向基神经网络进行风电场及机组故障诊断运维，具有数据利用价值高、诊断结果可靠、预测精度准等优势。
Description
技术领域
本发明涉及一种故障诊断运维系统，尤其是涉及一种海上风电场及机组故障诊断运维系统及其诊断运维方法。
背景技术
风能作为一种清洁性高、可持续性强、资源丰富的可再生资源已日益受到世界各国的关注和研究，由于海上风速较大，风速、风向变化和湍流强度较小，因此，与陆地风能相比，海上风能资源效益高，应用前景广阔。
然而，随着海上风力发电的规模扩大，衍生而来的各种运维难题也逐渐增加。由于海上风电场的工作环境更加恶劣，如盐雾的腐蚀、台风的破坏、海浪的载荷影响，如何提高海上风机的可靠性和利用率就成为亟待解决的问题。同时，随着风电场运行时间的增加，故障频率不断增高，故障类型也不稳定。
风电场监控包含大量实时数据，对存储查询、逻辑判断和反馈控制等要求高，现有的SCADA(Supervisory Control And Data Acquisition)、PLC、EMS等系统大多自成体系，而只有互通融合数据，才能提升整体效益；另一方面，受恶劣环境、传感故障、网络阻塞等因素影响，数据缺失时有发生。
现有SCADA系统是以计算机为基础的DCS与电力自动化监控系统，其数据量大，直接用于故障诊断其有价值信息挖掘不够充分、故障诊断精度和效率低等问题，同时，根据SCADA系统或者风机加装的CMS系统(状态监测系统)反馈的报警信息，也不能明确给出故障发生的位置和故障严重程度，还需要进行针对性的核查，或借助二次分析或经验判断。
一种基于大数据的风电运维平台(ZL201811631770.0)，包括智能监控模块、电源模块和软件平台等三个组成部分，能够将风机监测、故障预测、健康管理、维修方案、备件储备、人员派工等信息在大数据平台下实现，提高运维效率，降低运维成本；其数据挖掘模块通过读取数据存储模块中的原始数据，解压后处理，包括采用机器学习、模式识别、回归分析、专家系统等多种算法模型，检索海量数据中的有用信息；但智能诊断单元仍然依据预先植入的失效模式和数据挖掘模块上传的失效信息，来判断故障部位及故障严重程度，因此，海量数据中的有用信息识别的准确性受到一定限制，平台诊断的精度具有一定的主观性。
一种基于数据分析的风电机组故障诊断方法(202011267547.X)，利用风电机组历史数据分析来诊断风电机组故障的，包括对具体的风电机组进行初始故障建模；从SCADA系统监测量中挑选出可能与风电故障相关的量，转化为故障样本事务集，根据专家经验以及理论知识对其进行分析，判断故障发展的模式，虽然采用FP Growth算法可以提高运算效率，但需要事先建立故障样本事务集，由于该事务集按照历史数据中的时间标签作为故障判断的依据，同样存在诊断精度的问题，另一方面也存在数据挖掘的最小支持度与置信度选取困难，导致数据冗余或遗漏，进而影响结果判断。
发明内容
发明目的：针对上述问题，本发明的目的是提供一种海上风电场及机组故障诊断运维系统，进一步分类、细化处理历史数据，提高源头数据(挖掘分析的入口数据)的准确率、减少大量冗余数据，提高故障识别的精度和效率，缩短停机时间，充分利用数据资源，节约运维成本。并提供了其诊断运维方法。
技术方案：一种海上风电场及机组故障诊断运维系统，包括故障诊断运维集控中心、数据服务中心、数据采集感知模块，故障诊断运维集控中心包括主控计算机、以及安装于主控计算机上的软件平台、与主控计算机交互的多个操作设备、多个显示设备；数据采集感知模块包括SCADA数据源、关键监测点采集数据源，两者均通过数据接口与数据服务中心信号连接进行数据传输；数据服务中心通过网络信号连接主控计算机。
进一步的，软件平台包括集成一体的系统集成控制模块、数据收发与存储模块、数据处理与分析模块、数据挖掘与决策模块、故障诊断与警示模块、运维决策与管理维护模块；
数据服务中心包括SCADA用户和OPC接口、计算机系统、以太网、数据服务器和分类数据传输通道接口，现场视频数据采集器，SCADA用户和OPC接口的SCADA用户通过OPC接口与计算机系统连接，计算机系统通过以太网以及内部接口与数据服务器信号连接，以太网为4G或5G网络，分类数据传输通道接口与数据服务器信号连接。
软件平台的故障诊断与警示模块设有故障诊断、故障报警功能；运维决策与管理维护模块设置有故障点的运维策略和执行方案、历史数据管理和维护功能。
进一步的，数据服务器包括主服务器、边缘服务器，主服务器包括历史数据存储模块、故障数据存储模块和不包含非结构化数据的实时监测数据存储模块，边缘服务器包括各关键监测点现场视频数据接收处理模块以及对视频非结构化数据进行处理的结构化处理模块，结构化处理模块与实时监测数据存储模块信号连接，SCADA数据源、关键监测点采集数据源均储存有系统数据，SCADA数据源通过分类数据传输通道接口传输数据至主服务器，关键监测点采集数据源通过分类数据传输通道接口传输数据至边缘服务器。
最佳的，边缘服务器接收的关键监测点视频数据包括来自机舱设备监控、叶轮设备和塔筒组件外部视频监控、海缆综合监视、风场内外视频监控的视频数据，其中，风场内外视频监控反馈包括风场内外环境监测、海底电缆监测、通风空调监控和升压设备监控的视频数据。
各关键监测点的监控在现场进行视频采集，并最终将视频数据反馈至边缘服务器，再通过边缘服务器实现进入网络通道以及与其它服务器设备通讯的功能，此外，边缘服务器还能实现数据预处理，且通过分类数据传输通道接口可实现各类数据在边缘服务器、主服务器之间的调用和存储，并实现与数据采集感知模块的通讯。
一种上述的海上风电场及机组故障诊断运维系统的诊断运维方法，包括以下步骤：
S1：启动系统，数据采集感知模块自动定时执行非结构化数据处理，并存储入库；
S2：主控计算机通过软件平台自动定时采集数据服务中心的数据，并分类处理、存储入库；
S3：在软件平台上，分类选择数据源，执行数据收发与存储、数据处理与分析、数据挖掘与决策、故障诊断与警示、运维决策与管理维护功能；
S4：软件平台根据数据挖掘结果，给出故障警示，推荐故障点和提供运维策略；
S5：根据需要，通过操作设备、显示设备显示、发送、打印软件平台中的故障诊断报告、运维策略报告、运维备品备件清单、风场运行状态统计报表；
S6：风电场运维人员执行故障运维；
S7：定时执行步骤S3-S5。
进一步的，在S1中，数据采集感知模块的工作方法包括以下步骤：
步骤1：关键监测点采集数据源将现场采集的视频数据传输至数据服务中心，数据服务中心对数据进行边缘计算，包括非结构化数据处理，之后将转化后的结构化数据存储于数据服务中心内作为备份；
步骤2：主控计算机定时调用数据服务中心内的来自SCADA数据源的数据进行分类预处理，并对数据服务中心中的相应数据库进行数据更新；
步骤3：主控计算机定时将转化后的结构化数据在数据服务中心中进行内部传输分类，并对数据服务中心中的相应数据库进行数据更新存储。
最佳的，在步骤1中，非结构化数据处理包括如下步骤：
步骤一：定义图像、视频和音频数据识别模板，包括数据信息来源、信息类型、监测对象、常见故障类型、故障发生原因和解决方案，每个数据字段分别定义若干位代码予以识别；
步骤二：定义结构化数据存储模板，至少包括一个索引单元和一个结构化数据的存储单元、数据特征单元、数据分类单元，存储单元用于存储识别的关键参数，数据特征单元用于表征故障特征，索引单元和数据分类单元分别用于系统数据扩展存储；
步骤三：识别来自关键监测点采集数据源的非结构化数据，包括数据实体特征提取、语义分析，对分类非结构化数据进行序列化处理；
步骤四：对经过序列化处理的非结构化数据特征，与步骤一定义的数据识别模板进行匹配，筛选相应的结构化数据；
步骤五：对筛选后的结构化数据按照步骤二定义的存储模板进行分类存储，包括技术领域、监测对象，数据存储过程中，索引单元号由系统自动产生，也可以根据需要指定；
步骤六：定时执行步骤一至步骤五。
进一步的，在S3中，故障诊断采用径向基神经网络法，包括以下步骤：
第一步：针对数据采集感知模块中的分类数据，任意选取一类数据中的m组n维特征向量样本数据作为径向基神经网络的输入，第i组输入表示为：
Xi＝[Xi1，Xi2，...，Xin]，i＝1，2，...，m；
第二步：对故障特征样本数据进行归一化处理；
第三步：确定径向基神经网络的基函数中心；
第四步：确定基函数宽度
其中，K为径向基函数中心点数，dj为基函数中心间的最大距离；
第五步：确定径向基神经网络的权值矩阵W；
第六步：用测试样本数据对模型进行测试。
最佳的，在第三步中，径向基神经网络的基函数中心确定方法包括如下步骤：
S31：选定基函数中心数K，确定一组初始中心向量；
对于给定的常数M，以所属数据集中样本对象Xi为中心的密度参数ε，定义为Xi与M个数据对象之间的最近距离；Xi的密度参数ε越大，数据对象分布的越稠密；计算每一个样本数据集X中数据对象的密度值，确定一个高密度数据集合D；在D中选择密度参数ε最小的数据对象作为约束，筛选出K个初始中心向量；
S32：计算每个输入到中心点的距离||Xi-cj||；
S33：使用K均值聚类算法来确定训练样本的中心向量，计算输入样本数据X到所有聚类中心的距离，按照欧式距离最小的的原则将所有样本数据划分到每个中心点所在的簇中，最小距离表示如下：
d(Xi)＝argmin||Xi-cj(n)||，j＝1，2，...，K；
式中，cj(n)是第n次迭代径向基函数的第j个中心；
重新计算样本中心，并用下式对基函数中心不断进行调整：
式中，η是学习步长，0＜η＜1，并判断所有的样本是不是都已经训练完毕，直至||cj(n+1)-cj(n)||＜ε，均方误差设置ε为0.0001；如果误差在允许范围内就结束训练，没有则n加1，重复步骤b，直到最后cj(n)基本都确定为止；
由此，确定的径向基神经网络的基函数中心为：C＝C1，C2，...，CK；
在第五步中，确定径向基神经网络的权值矩阵W的方法包括如下步骤：
S51：计算每个输入到确定的径向基函数中心点的距离||Xi-cj||；
S52：计算出每个隐含层单元的输出Q，第j个隐含层单元的输出结果Qj t可表示为：
式中，1≤j≤K，K为径向基函数中心点数，即隐含层数；
S53：设置m组p维特征向量数据的测试集比例为k，则训练样本特征向量有(1-k)×m组、测试样本k×m组；
S54：设置测试结果在0-1范围内，用0表示无故障，用1表示有故障；
S55：计算出径向基神经网络的权值矩阵W。将训练样本结果表示为Y，第i个输出值Yx可表示为：
式中，Wij代表的是第i个输出单元和第j个隐含层单元之间的连接权，表示为
进而求得径向基神经网络的权值矩阵W；
在第六步中，使用测试样本对模型数据进行测试的方法包括如下步骤：
S61：输出测试结果；
S62：采用迭代法，分别确定某一基函数中心Cl为阈值的“无故障”和“有故障”样本数据中的最大个数，并记为p和q，取max(p+q)作为最佳阈值；
S63：定义N为样本数据总数，其模型准确率为：
Ac＝max(p+q)/N；
S64：根据经验公式K＝2n+1，估算隐含层节点数K，并绘制准确率与隐含层数关系图，确定最佳隐含层节点数K；
S65：确定基函数宽度、最佳诊断准确率、最佳隐含层数、最佳分类阈值；
S66：给出诊断结果，即输出结果大于Cl认为是有故障，否则认为是无故障；
S67：根据验证结果，确认诊断结果，执行现场运维。
最佳的，在S31的初始中心向量确定时，在D中选择密度参数ε最小的数据对象作为第一个初始聚类中心c1；计算聚类中心c1和所有数据对象间的距离，排序之后选择与c1距离最远的数据对象，将其作为第2个聚类中心c2，第三个聚类中心c3的选择需要满足以下条件：
max(min(d(Xi,c1),d(Xi,c2))),i＝1,2,...,m；
式中d(Xi，c1)和d(Xi，c2)是D内每一个数据对象Xi到聚类中心c1、c2的距离，以此类推，依次计算出满足以下条件的聚类中心点ci：
max(min(d(Xi,c1),d(Xi,c2),...d(Xi,cK-1))),i＝1,2,...,m，
最终得到K个中心cj，j＝1，2，...，K，作为初始聚类中心。
有益效果：与现有技术相比，本发明的优点是：
(1)由于风电场长期运行，数据量大，结构复杂，风电运行故障诊断对这些数据信息的准确性和实时性要求高，因此，本发明针对SCADA、现场管理等现有系统数据为基础，进一步分类、细化处理历史数据，提高源头数据(挖掘分析的入口数据)的准确率、减少大量数据冗余，以提高算法效率和有价值数据的利用率。
(2)采用数据分类预处理，不仅提高了分析效率和精度，同时，弥补了因恶劣环境、传感故障、网络阻塞等因素影响所造成的数据缺失问题。
(3)现有风电机组监测系统中数据量虽大，但对某些特殊领域的故障诊断支撑不够，需要增加现场数据采集源作为补充。本发明通过增补视频感知与处理模块，有效弥补了这一缺陷，提高了故障判断的准确性，并有利于故障位置点和故障程度的准确判断。
(4)现有风电机组监测数据，存在大量非结构化数据，直接用于故障诊断难度大，使用效率低，本发明采用非结构化数据预处理方法，充分利用已有数据资源，特别是有价值的信息挖掘。减少资源浪费和故障判错概率，提高诊断精度和效率。
(5)本发明采用基于径向基神经网络的方法，不仅提高数据的使用效率，而且极大提高了数据的使用价值。
(6)利用5G网络低时延的特性，实时获取的运维海域交通状况数据、运维设备与人员出海状况数据、巡检设备(无人机或机器人)运行状况数据，通过边缘计算和大数据精准分析，自动实现故障运维预警信息和实施方案，提高了风场运行和维修人员的安全性，减少了预测性维护和作业风险、提升了备品备件管理效率，减少了停机维护的损失。
附图说明
图1为发明的系统组成连接图；
图2为数据服务中心组成图；
图3为非结构化数据预处理流程图；
图4为径向基神经网络法故障诊断模型；
图5为径向基神经网络法故障诊断输出结果示例图；
图6为故障诊断准确率与隐含层数关系图；
图7为风电场及机组故障诊断运维控制流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
一种海上风电场及机组故障诊断运维系统，如图1所示，故障诊断运维集控中心1、数据服务中心2、数据采集感知模块3。
故障诊断运维集控中心1包括主控计算机11、以及安装于主控计算机11上的软件平台12、与主控计算机11交互的多个操作设备13、多个显示设备14，软件平台12通过网络与数据服务中心2进行交互，软件平台12包括集成一体的系统集成控制模块121、数据收发与存储模块122、数据处理与分析模块123、数据挖掘与决策模块124、故障诊断与警示模块125、运维决策与管理维护模块126六个功能模块。故障诊断与警示模块125设有故障诊断、故障报警功能；运维决策与管理维护模块126设置有故障点的运维策略和执行方案、历史数据管理和维护功能。
数据采集感知模块3用于系统数据采集、感知、存储与传输，包括SCADA数据源31、关键监测点采集数据源32，两者均通过数据接口33与数据服务中心2信号连接进行数据传输，如图2所示，数据服务中心2包括SCADA用户和OPC接口201、计算机系统202、以太网203、数据服务器204和分类数据传输通道接口205，SCADA用户和OPC接口201的SCADA用户通过OPC接口与计算机系统202连接，计算机系统202通过以太网203以及内部接口与数据服务器204信号连接，以太网203为4G或5G网络，数据服务器204上设有分类数据传输通道接口205，通过分类数据传输通道接口205可调取数据服务器204中各类数据，如各类视频数据。
数据服务器204包括主服务器、边缘服务器，主服务器包括历史数据存储模块、故障数据存储模块和不包含非结构化数据的实时监测数据存储模块，用于存储历史数据、故障数据和不包含非结构化数据的实时监测数据；边缘服务器包括各关键监测点现场视频数据接收处理模块以及对视频非结构化数据进行处理的结构化处理模块，结构化处理模块与实时监测数据存储模块信号连接，边缘服务器布置在各风电机组的关键监测点，用于接收、存储现场视频数据和对视频非结构化数据进行结构化处理，SCADA数据源31、关键监测点采集数据源32均储存有系统数据，SCADA数据源31通过分类数据传输通道接口205将系统数据传输至主服务器，关键监测点采集数据源32通过分类数据传输通道接口205将系统数据传输至边缘服务器。
数据服务中心2通过网络信号连接主控计算机11，主控计算机11管理与操作系统数据，该数据包括管理部门提供的环境数据、SCADA系统数据、应用存储的历史数据，以及由边缘服务器存储和处理的关键监测点视频感知的实时数据；边缘服务器的关键监测点除了包括机舱设备、叶轮设备和塔筒组件外，还包括海缆综合监视、风场内外视频监控，通过这些场所的监视、监控反馈视频数据；风场内外环境视频监控获得的数据信息包括实时获取的运维海域交通状况数据、运维设备与人员出海状况数据、巡检设备(无人机或机器人)运行状况数据。风场内外视频监控反馈的视频信息包括风场内外环境监测、海底电缆监测、通风空调监控和升压设备监控的视频数据。
SCADA数据源31作为本系统的基础数据，设置有感知机舱设备，包括传动机构、齿轮箱、发电机、偏航机构、气动刹车装置、机械刹车装置、冷却系统、液压系统、电气测控系统等；叶轮设备，包括轮毂、桨叶；塔筒组件，包括塔筒法兰、塔筒基础环、塔筒螺栓等；以及通风空调监控和升压设备监控。
如图7所示，上述的海上风电场及机组故障诊断运维系统的诊断运维方法，包括以下步骤：
S1：启动系统，数据采集感知模块的边缘服务器自动定时执行非结构化数据处理，并存储入库；
S2：主控计算机自动定时采集SCADA系统数据及实时结构化处理的数据，并分类处理、存储入库；分类规则如下：机舱设备、叶轮设备、塔筒组件、风场监视，其中风场监视包括风场内外环境监测、海底电缆监测、通风空调监控和升压设备监控；
S3：在软件平台上，分类选择数据源，执行数据预处理、故障诊断、故障报警和决策执行功能；
S4：软件平台根据数据挖掘结果，给出故障警示，推荐故障点和提供运维策略；
S5：根据需要，通过软件平台显示、发送、打印故障诊断报告、运维策略报告、运维备品备件清单、风场运行状态统计报表；
S6：风电场运维人员执行故障运维；
S7：定时执行步骤S3-S5。
数据采集感知模块用于数据采集感知，其工作方法包括如下步骤：
步骤1：现场数据采集器采集的视频数据，存储于边缘服务器，经边缘计算后，包括非结构化数据处理，将转化后的结构化数据存储于边缘服务器作为备份；
步骤2：集控中心主控计算机定时调用现有SCADA系统数据进行分类预处理，并对主服务器中的相应数据库进行数据更新；
步骤3：集控中心主控计算机定时对边缘服务器中的转化后的结构化数据，分类传输至主服务器，与相应数据库进行数据更新存储；
如图3所示，由于风电场长期运行，数据量大，结构复杂，风电运行故障诊断对这些数据信息的准确性和实时性要求高；数据处理系统实现对多种数据源及类型的预处理，包括非结构化数据处理和数据分类存储，非结构化数据处理，包括海缆综合监视和风场内外环境监控信息，其非结构化数据处理过程包括如下步骤：
步骤一：定义图像、视频和音频数据识别模板，包括数据信息来源、信息类型、监测对象、常见故障类型、故障发生原因和解决方案，采用代码规则予以识别，具体模板格式如下；
| 来源 | 类型 | 监测对象 | 故障特征 | 故障原因 | 解决方案 |
| 2位 | 2位 | 对象名称 | 4位 | 6位 | 代码6位 |
步骤二：定义结构化数据存储模板，至少包括一个索引单元和结构化数据存储单元，其格式定义如下，存储单元用于存储识别的关键参数，数据特征单元用于表征故障特征，索引单元和数据分类单元分别用于系统数据扩展存储；
| 索引1 | 索引2 | 存储单元 | 数据特征 | 数据分类 | 其它 |
| 6位 | 6位 | 解析后数据 | 4位 | 4位 | 自定义 |
步骤三：识别来自关键监测点采集数据源的非结构化数据，包括数据实体特征提取、语义分析，对分类非结构化数据进行序列化处理；
步骤四：对经过序列化处理的非结构化数据特征，与步骤一定义的数据识别模板进行匹配，筛选相应的结构化数据；
步骤五：对筛选后的结构化数据按照步骤二定义的存储模板进行分类存储(技术领域或监测对象)；数据存储过程中，索引单元号由系统自动产生，也可以根据需要指定；
步骤六：定时执行步骤一至步骤五。
如图4所示，本诊断运维方法的故障诊断，采用径向基神经网络方法，包括如下步骤：
第一步：针对历史数据库中的分类数据，任意选取一类数据中的m组n维特征向量样本数据作为径向基神经网络的输入，第i组输入表示为：
Xi＝[Xi1,Xi2,...,Xii,...,Xin],i＝1,2,...,m；Xi示例数据(展示前五行)如表1所示；
表1齿轮箱油过滤压力故障特征样本数据(数据前五行展示)
[[6.8300e+01,6.9100e+01,5.6700e+01,4.4800e+00,1.5523e+03,1.2380e+01,1.7874e+03][6.8400e+01,6.9200e+01,5.7200e+01,2.9600e+00,1.5590e+03,1.2180e+01,1.7889e+03][7.0100e+01,7.0500e+01,6.4000e+01,1.6000e-01,1.5238e+03,1.2230e+01,1.7878e+03][7.0200e+01,7.0600e+01,6.4200e+01,6.7000e-01,1.4954e+03,1.2210e+01,1.7881e+03][7.0200e+01,7.0600e+01,6.4400e+01,6.4000e-01,1.5383e+03,1.2360e+01,1.7875e+03]]
第二步：对故障特征样本数据进行归一化处理；
第三步：确定径向基神经网络的基函数中心；
S31：选定基函数中心数K，运用改进K-means聚类算法，确定一组初始中心向量。
定义：对于给定的常数M，以所属数据集中样本对象Xi为中心的密度参数ε，定义为Xi与M个数据对象之间的最近距离；Xi的密度参数ε越大，数据对象分布的越稠密；
计算每一个样本数据集X中数据对象的密度值，确定一个高密度数据集合D；
在D中选择密度参数ε最小的数据对象作为第一个初始聚类中心c1；计算聚类中心c1和所有数据对象间的距离，排序之后选择与c1距离最远的数据对象，将其作为第2个聚类中心c2，第三个聚类中心c3的选择需要满足以下条件：
max(min(d(Xi,c1),d(Xi,c2))),i＝1,2,...,m
式中d(Xi，c1)和d(Xi，c2)是D内每一个数据对象Xi到聚类中心c1、c2的距离。以此类推，依次计算出满足以下条件的聚类中心点ci：
max(min(d(Xi,c1),d(Xi,c2),...d(Xi,cK-1))),i＝1,2,...,m
最终得到k个中心cj，j＝1，2，...，K，作为初始聚类中心。
S32：计算每个输入到中心点的距离||Xi-cj||；
S33：使用K均值聚类算法来确定训练样本的中心向量，计算输入样本数据X到所有聚类中心的距离，按照欧式距离最小的的原则将所有样本数据划分到每个中心点所在的簇中，最小距离表示如下：
d(Xi)＝argmin||Xi-cj(n)||，j＝1，2，...，K；
式中，cj(n)是第n次迭代径向基函数的第j个中心。
重新计算样本中心，并用下式对基函数中心不断进行调整：
式中，η是学习步长，0＜η＜1。并判断所有的样本是不是都已经训练完毕，直至||cj(n+1)-cj(n)||＜ε，均方误差设置ε为0.0001；如果误差在允许范围内就结束训练，没有则n加1，重复步骤b，直到最后cj(n)基本都确定为止。
由此，确定的径向基神经网络的基函数中心为：C＝C1，C2，...，CK；
第四步：确定基函数宽度
其中，K为径向基函数中心点数，dj为基函数中心间的最大距离；
第五步：确定径向基神经网络的权值矩阵W；
S51：计算每个输入到确定的径向基函数中心点的距离||Xi-cj||；
S52：计算出每个隐含层单元的输出Q。第k个隐含层单元的输出结果Qj t可表示为：
式中，1≤j≤K，K为径向基函数中心点数，即隐含层数；
S53：设置m组p维特征向量数据的测试集比例为k，则训练样本特征向量有(1-k)×m组、测试样本k×m组；
S54：设置测试结果在0-1范围内，用0表示无故障，用1表示有故障；
S55：计算出径向基神经网络的权值矩阵W。将训练样本结果表示为Y，第i个输出值Yi可表示为：
式中，Wij代表的是第i个输出单元和第j个隐含层单元之间的连接权，表示为
进而求得径向基神经网络的权值矩阵W；
第六步：模型测试，选择最佳阈值，确定模型参数；
S61：输出测试结果，测试示例如图5所示；其中，A区域为故障数据(有故障)，B区域为正常数据(无故障)；
S62：采用迭代法，分别确定某一基函数中心Cl为阈值的“无故障”和“有故障”样本数据中的最大个数，并记为p和q，取max(p+q)作为最佳阈值；
S63：定义N为样本数据总数，其模型准确率为：
Ac＝max(p+q)/N；
S64：根据经验公式K＝2n+1，估算隐含层节点数K，并绘制准确率与隐含层数关系图，确定最佳隐含层节点数K，示例如图6所示；
S65：确定基函数宽度、最佳诊断准确率、最佳隐含层数、最佳分类阈值；
S66：给出诊断结果，即输出结果大于Cl认为是有故障，否则认为是无故障；
S67：根据验证结果，确认诊断结果，执行现场运维。
Claims (10)
1.一种海上风电场及机组故障诊断运维系统，其特征在于：包括故障诊断运维集控中心(1)、数据服务中心(2)、数据采集感知模块(3)，故障诊断运维集控中心(1)包括主控计算机(11)、以及安装于主控计算机(11)上的软件平台(12)、与主控计算机(11)交互的多个操作设备(13)、多个显示设备(14)；数据采集感知模块(3)包括SCADA数据源(31)、关键监测点采集数据源(32)，两者均通过数据接口(33)与数据服务中心(2)信号连接进行数据传输；数据服务中心(2)通过网络信号连接主控计算机(11)。
2.根据权利要求1所述的海上风电场及机组故障诊断运维系统，其特征在于：软件平台(12)包括集成一体的系统集成控制模块(121)、数据收发与存储模块(122)、数据处理与分析模块(123)、数据挖掘与决策模块(124)、故障诊断与警示模块(125)、运维决策与管理维护模块(126)；
数据服务中心(2)包括SCADA用户和OPC接口(201)、计算机系统(202)、以太网(203)、数据服务器(204)和分类数据传输通道接口(205)，SCADA用户和OPC接口(201)的SCADA用户通过OPC接口与计算机系统(202)连接，计算机系统(202)通过以太网(203)以及内部接口与数据服务器(204)信号连接，以太网(203)为4G或5G网络，分类数据传输通道接口(205)与数据服务器(204)信号连接。
3.根据权利要求2所述的海上风电场及机组故障诊断运维系统，其特征在于：数据服务器(204)包括主服务器、边缘服务器，主服务器包括历史数据存储模块、故障数据存储模块和不包含非结构化数据的实时监测数据存储模块，边缘服务器包括各关键监测点现场视频数据接收处理模块以及对视频非结构化数据进行处理的结构化处理模块，结构化处理模块与实时监测数据存储模块信号连接，SCADA数据源(31)、关键监测点采集数据源(32)均储存有系统数据，SCADA数据源(31)通过分类数据传输通道接口(205)传输数据至主服务器，关键监测点采集数据源(32)通过分类数据传输通道接口(205)传输数据至边缘服务器。
4.根据权利要求3所述的海上风电场及机组故障诊断运维系统，其特征在于：边缘服务器接收的关键监测点视频数据包括来自机舱设备监控、叶轮设备和塔筒组件外部视频监控、海缆综合监视、风场内外视频监控的视频数据，其中，风场内外视频监控反馈包括风场内外环境监测、海底电缆监测、通风空调监控和升压设备监控的视频数据。
5.一种如权利要求1～4任一所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于包括以下步骤：
S1：启动系统，数据采集感知模块(3)自动定时执行非结构化数据处理，并存储入库；
S2：主控计算机(11)通过软件平台(12)自动定时采集数据服务中心(2)的数据，并分类处理、存储入库；
S3：在软件平台(12)上，分类选择数据源，执行数据收发与存储、数据处理与分析、数据挖掘与决策、故障诊断与警示、运维决策与管理维护功能；
S4：软件平台(12)根据数据挖掘结果，给出故障警示，推荐故障点和提供运维策略；
S5：根据需要，通过操作设备(13)、显示设备(14)显示、发送、打印软件平台(12)中的故障诊断报告、运维策略报告、运维备品备件清单、风场运行状态统计报表；
S6：风电场运维人员执行故障运维；
S7：定时执行步骤S3-S5。
6.根据权利要求5所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于，在S1中，数据采集感知模块(3)的工作方法包括以下步骤：
步骤1：关键监测点采集数据源(32)将现场采集的视频数据传输至数据服务中心(2)，数据服务中心(2)对数据进行边缘计算，包括非结构化数据处理，之后将转化后的结构化数据存储于数据服务中心(2)内作为备份；
步骤2：主控计算机(11)定时调用数据服务中心(2)内的来自SCADA数据源(31)的数据进行分类预处理，并对数据服务中心(2)中的相应数据库进行数据更新；
步骤3：主控计算机(11)定时将转化后的结构化数据在数据服务中心(2)中进行内部传输分类，并对数据服务中心(2)中的相应数据库进行数据更新存储。
7.根据权利要求6所述的海上风电场及机组故障诊断运维系统，其特征在于，在步骤1中，非结构化数据处理包括如下步骤：
步骤一：定义图像、视频和音频数据识别模板，包括数据信息来源、信息类型、监测对象、常见故障类型、故障发生原因和解决方案，每个数据字段分别定义若干位代码予以识别；
步骤二：定义结构化数据存储模板，至少包括一个索引单元和一个结构化数据的存储单元、数据特征单元、数据分类单元，存储单元用于存储识别的关键参数，数据特征单元用于表征故障特征，索引单元和数据分类单元分别用于系统数据扩展存储；
步骤三：识别来自关键监测点采集数据源(32)的非结构化数据，包括数据实体特征提取、语义分析，对分类非结构化数据进行序列化处理；
步骤四：对经过序列化处理的非结构化数据特征，与步骤一定义的数据识别模板进行匹配，筛选相应的结构化数据；
步骤五：对筛选后的结构化数据按照步骤二定义的存储模板进行分类存储，包括技术领域、监测对象，数据存储过程中，索引单元号由系统自动产生，也可以根据需要指定；
步骤六：定时执行步骤一至步骤五。
8.根据权利要求5所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于，在S3中，故障诊断采用径向基神经网络法，包括以下步骤：
第一步：针对数据采集感知模块(3)中的分类数据，任意选取一类数据中的m组n维特征向量样本数据作为径向基神经网络的输入，第i组输入表示为：
Xi＝[Xi1，Xi2，...，Xin]，i＝1，2，...，m；
第二步：对故障特征样本数据进行归一化处理；
第三步：确定径向基神经网络的基函数中心；
第四步：确定基函数宽度
其中，K为径向基函数中心点数，dj为基函数中心间的最大距离；
第五步：确定径向基神经网络的权值矩阵W；
第六步：用测试样本数据对模型进行测试。
9.根据权利要求8所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于，
在第三步中，径向基神经网络的基函数中心确定方法包括如下步骤：
S31：选定基函数中心数K，确定一组初始中心向量；
对于给定的常数M，以所属数据集中样本对象Xi为中心的密度参数ε，定义为Xi与M个数据对象之间的最近距离；Xi的密度参数ε越大，数据对象分布的越稠密；计算每一个样本数据集X中数据对象的密度值，确定一个高密度数据集合D；在D中选择密度参数ε最小的数据对象作为约束，筛选出K个初始中心向量；
S32：计算每个输入到中心点的距离||Xi-cj||；
S33：使用K均值聚类算法来确定训练样本的中心向量，计算输入样本数据X到所有聚类中心的距离，按照欧式距离最小的的原则将所有样本数据划分到每个中心点所在的簇中，最小距离表示如下：
d(Xi)＝argmin||Xi-cj(n)||，j＝1，2，...，K；
式中，cj(n)是第n次迭代径向基函数的第j个中心；
重新计算样本中心，并用下式对基函数中心不断进行调整：
式中，η是学习步长，0＜η＜1，并判断所有的样本是不是都已经训练完毕，直至||cj(n+1)-cj(n)||＜ε，均方误差设置ε为0.0001；如果误差在允许范围内就结束训练，没有则n加1，重复步骤b，直到最后cj(n)基本都确定为止；
由此，确定的径向基神经网络的基函数中心为：C＝C1，C2，...，CK；
在第五步中，确定径向基神经网络的权值矩阵W的方法包括如下步骤：
S51：计算每个输入到确定的径向基函数中心点的距离||Xi-cj||；
S52：计算出每个隐含层单元的输出Q，第j个隐含层单元的输出结果Qj t可表示为：
式中，1≤j≤K，K为径向基函数中心点数，即隐含层数；
S53：设置m组p维特征向量数据的测试集比例为k，则训练样本特征向量有(1-k)×m组、测试样本k×m组；
S54：设置测试结果在0-1范围内，用0表示无故障，用1表示有故障；
S55：计算出径向基神经网络的权值矩阵W。将训练样本结果表示为Y，第i个输出值Yi可表示为：
式中，Wij代表的是第i个输出单元和第j个隐含层单元之间的连接权，表示为
进而求得径向基神经网络的权值矩阵W；
在第六步中，使用测试样本对模型数据进行测试的方法包括如下步骤：
S61：输出测试结果；
S62：采用迭代法，分别确定某一基函数中心Cl为阈值的“无故障”和“有故障”样本数据中的最大个数，并记为p和q，取max(p+q)作为最佳阈值；
S63：定义N为样本数据总数，其模型准确率为：
Ac＝max(p+q)/N；
S64：根据经验公式K＝2n+1，估算隐含层节点数K，并绘制准确率与隐含层数关系图，确定最佳隐含层节点数K；
S65：确定基函数宽度、最佳诊断准确率、最佳隐含层数、最佳分类阈值；
S66：给出诊断结果，即输出结果大于Cl认为是有故障，否则认为是无故障；
S67：根据验证结果，确认诊断结果，执行现场运维。
10.根据权利要求9所述的海上风电场及机组故障诊断运维系统的诊断运维方法，其特征在于：在S31的初始中心向量确定时，在D中选择密度参数ε最小的数据对象作为第一个初始聚类中心c1；计算聚类中心c1和所有数据对象间的距离，排序之后选择与c1距离最远的数据对象，将其作为第2个聚类中心c2，第三个聚类中心c3的选择需要满足以下条件：
max(min(d(Xi,c1),d(Xi,c2))),i＝1,2,...,m；
式中d(Xi，c1)和d(Xi，c2)是D内每一个数据对象Xi到聚类中心c1、c2的距离，以此类推，依次计算出满足以下条件的聚类中心点ci：
max(min(d(Xi,c1),d(Xi,c2),...d(Xi,cK-1))),i＝1,2,...,m，
最终得到K个中心cj，j＝1，2，...，K，作为初始聚类中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210550569.XA CN114856941A (zh) | 2022-05-18 | 2022-05-18 | 海上风电场及机组故障诊断运维系统及其诊断运维方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210550569.XA CN114856941A (zh) | 2022-05-18 | 2022-05-18 | 海上风电场及机组故障诊断运维系统及其诊断运维方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114856941A true CN114856941A (zh) | 2022-08-05 |
Family
ID=82639124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210550569.XA Pending CN114856941A (zh) | 2022-05-18 | 2022-05-18 | 海上风电场及机组故障诊断运维系统及其诊断运维方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114856941A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115013261A (zh) * | 2022-08-08 | 2022-09-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及系统 |
| CN115085198A (zh) * | 2022-08-22 | 2022-09-20 | 广东电网有限责任公司广州供电局 | 一种基于边缘计算的感知决策方法 |
| CN115394546A (zh) * | 2022-10-27 | 2022-11-25 | 山东晨宇电气股份有限公司 | 海上风电试验变压器 |
| CN116976650A (zh) * | 2023-09-21 | 2023-10-31 | 常州易管智能科技有限公司 | 一种基于大数据的电网精益化管理调控方法 |
| CN117011690A (zh) * | 2023-10-07 | 2023-11-07 | 广东电网有限责任公司阳江供电局 | 一种海缆隐患识别方法、装置、设备和介质 |
| CN117519031A (zh) * | 2023-11-22 | 2024-02-06 | 河北燃气有限公司 | 一种scada系统实时数据转储方法和系统 |
| CN117666546A (zh) * | 2024-01-31 | 2024-03-08 | 中核武汉核电运行技术股份有限公司 | 一种分布式控制系统故障诊断方法及装置 |
-
2022
- 2022-05-18 CN CN202210550569.XA patent/CN114856941A/zh active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115013261A (zh) * | 2022-08-08 | 2022-09-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及系统 |
| CN115013261B (zh) * | 2022-08-08 | 2022-12-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及系统 |
| CN115085198A (zh) * | 2022-08-22 | 2022-09-20 | 广东电网有限责任公司广州供电局 | 一种基于边缘计算的感知决策方法 |
| CN115394546A (zh) * | 2022-10-27 | 2022-11-25 | 山东晨宇电气股份有限公司 | 海上风电试验变压器 |
| CN116976650A (zh) * | 2023-09-21 | 2023-10-31 | 常州易管智能科技有限公司 | 一种基于大数据的电网精益化管理调控方法 |
| CN116976650B (zh) * | 2023-09-21 | 2023-12-12 | 常州易管智能科技有限公司 | 一种基于大数据的电网精益化管理调控方法 |
| CN117011690A (zh) * | 2023-10-07 | 2023-11-07 | 广东电网有限责任公司阳江供电局 | 一种海缆隐患识别方法、装置、设备和介质 |
| CN117011690B (zh) * | 2023-10-07 | 2024-02-09 | 广东电网有限责任公司阳江供电局 | 一种海缆隐患识别方法、装置、设备和介质 |
| CN117519031A (zh) * | 2023-11-22 | 2024-02-06 | 河北燃气有限公司 | 一种scada系统实时数据转储方法和系统 |
| CN117666546A (zh) * | 2024-01-31 | 2024-03-08 | 中核武汉核电运行技术股份有限公司 | 一种分布式控制系统故障诊断方法及装置 |
| CN117666546B (zh) * | 2024-01-31 | 2024-05-03 | 中核武汉核电运行技术股份有限公司 | 一种分布式控制系统故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
| CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN114595623A (zh) | 一种基于XGBoost算法的机组设备基准值预测方法及系统 | |
| 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 | |
| CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及系统 | |
| CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
| 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 | |
| Eickmeyer et al. | Data Driven Modeling for System-Level Condition Monitoring on Wind Power Plants. | |
| CN111783531A (zh) | 一种基于sdae-ielm的水轮机组故障诊断方法 | |
| Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
| CN111878322A (zh) | 风力发电机装置 | |
| Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
| CN109325553B (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
| Wang et al. | Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis | |
| CN117995027A (zh) | 一种飞行计划备降场推荐方法、系统、设备及介质 | |
| CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
| CN116578908A (zh) | 一种风电齿轮箱的跨域故障诊断方法、系统、介质及设备 | |
| CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 | |
| CN114295981A (zh) | 一种基于rn网络电流多特征形态识别的电机故障诊断方法 | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
| CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
| CN111476383A (zh) | 一种泵站机组状态检修动态决策方法 | |
| Liu et al. | Wind turbine spindle operating state recognition and early warning driven by SCADA data |
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 |