CN114997578A - 一种基于深度学习的智慧风电场实时状态评估方法 - Google Patents

一种基于深度学习的智慧风电场实时状态评估方法 Download PDF

Info

Publication number
CN114997578A
CN114997578A CN202210454603.3A CN202210454603A CN114997578A CN 114997578 A CN114997578 A CN 114997578A CN 202210454603 A CN202210454603 A CN 202210454603A CN 114997578 A CN114997578 A CN 114997578A
Authority
CN
China
Prior art keywords
data
wind power
state
power plant
real
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
CN202210454603.3A
Other languages
English (en)
Inventor
刘宝良
高阳
许傲然
钟丹田
谷采连
高宁
掌旭
毛武平
韩雪融
董威
李一鸣
徐世龙
兰明泽
张恩柱
魏凯
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.)
Shenyang Jiayue Electric Power Technology Co ltd
Original Assignee
Shenyang Jiayue Electric Power 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 Shenyang Jiayue Electric Power Technology Co ltd filed Critical Shenyang Jiayue Electric Power Technology Co ltd
Priority to CN202210454603.3A priority Critical patent/CN114997578A/zh
Publication of CN114997578A publication Critical patent/CN114997578A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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

Abstract

本发明属于风电技术领域，具体地而言为一种基于深度学习的智慧风电场实时状态评估方法，该方法包括：根据风电场历史故障记录，提取SCADA系统中故障发生前的指标运行数据，采用聚类分析对风电场历史状态进行标记划分；构建基于神经网络算法的实时状态评估模型，并采用实时状态评估模型评估风电场健康、风险或故障的运行状态；采用时间序列法预测风电场运行状态的劣化趋势，并对风电场非健康状态以及状态劣化程度超过设定阈值的风电机组进行安全预警。解决风电场感知信息不足，不能全面反映风电场实时运行状态的问题，实现海量数据的高效处理。

Description

一种基于深度学习的智慧风电场实时状态评估方法
技术领域
本发明属于风电技术领域，具体地而言为一种基于深度学习的智慧风电场实时状态评估方法。
背景技术
长期以来风电行业的特殊性和复杂性导致在设备与设施、环境和资源、运维和运行、安全与质量、效益与效率、管理和考核等各方面挑战重重；风电行业普遍具有粗放式发展、事故频发、故障繁多和效益效率有待提升等行业共性问题：粗放管理，以人为主；少人、无人、透明作业差距甚大；大量监测投入与价值产出不成比例；效率和效益有待提升，从运行、运维到管理影响因素众多；缺乏风电场整体状态评估和优化决策的方法和手段。
其深层次原因包括：
1)全面感知不足。缺少能够全面体现风电场运行和管理的信息，包括风电场内部的设备设施运行、故障、状态、维修、维护、诊断、安全、作业等实时信息，外部的资源、环境、监测、安监等环境信息以及质量、安全、效率、效益等管理和决策信息，不能满足智慧风电场运行和管理的要求。
2)精准感知不足。普遍存在数据可靠性较差、数据完整性无法保证、提供的数据点较少、关键点缺失严重、状态分类少、标准不统一等问题；风电场最重要的微观气象和风资源数据长期缺乏精准监测，依托精细化测风数据的风能转化率和风电效益提升无法体现；以测风塔为典型代表的监测设备由于实际困难长期缺乏维护，不能提供精准的监测信息。
3)数化互联不足。信息割裂严重，系统间壁垒森严，烟囱效应、信息孤岛与重复建设明显，多种感知信息无法共通共享共用；底层感知和探测缺乏统一的平台、标准、规范、接口，缺少全息管理的系统设计和技术架构，严重影响风电场运行的效率和效益。
发明内容
本发明提供一种基于深度学习的智慧风电场实时状态评估方法，解决风电场感知信息不足，不能全面反映风电场实时运行状态的问题。
本发明是这样实现的，
一种基于深度学习的智慧风电场实时状态评估方法，该方法包括：
根据风电场历史故障记录，提取SCADA系统中故障发生前的指标运行数据，采用聚类分析对风电场历史状态进行标记划分；
构建基于神经网络算法的实时状态评估模型，并采用实时状态评估模型评估风电场健康、风险或故障的运行状态；
采用时间序列法预测风电场运行状态的劣化趋势，并对风电场非健康状态以及状态劣化程度超过设定阈值的风电机组进行安全预警。
进一步地，采用聚类分析对风电场历史状态进行标记划分前，先对故障前波动明显数据进行标记健康状态，风险状态和故障状态。
进一步地，采用K-Means聚类算法对历史数据进行状态划分，具体步骤为：
输入是数据集D＝{x1，x2，...xm}，聚类的簇树k，最大迭代次数N；输出是簇划分C＝{C1，C2，...Ck}；
1)从数据集D中随机选择k个样本作为初始的k个质心向量：{μ1，μ2，...μk}；
2)对于n＝1，2，...，N；
a)将簇划分C初始化为
Figure BDA0003618318710000021
b)对于i＝1，2...m，计算样本xi和各个质心向量μj(j＝1，2...k)的距离：
Figure BDA0003618318710000031
将xi标记最小的为dij所对应的类别λi。更新
Figure BDA0003618318710000032
c)对于j＝1，2，...，k，对Cj中所有的样本点重新计算新的质心
Figure BDA0003618318710000033
d)如果所有的k个质心向量都没有发生变化，则转到步骤3)
3)输出簇划分C＝{C1，C2，...Ck}。
进一步地，根据聚类分析划分好的历史数据训练BP神经网络，构建智慧风电场实时状态评估模型，对风电机组的实时数据进行状态判定，输出机组健康状态、风险状态或故障状态。
进一步地，根据聚类分析划分好的历史数据训练BP神经网络包括：
输入层神经元个数为I，隐含层神经元个数为J，输出层神经元个数为K，相应各层神经元的编号为i＝1…I；j＝1…J；k＝1…K。[Wij]表示(I)与(H)权重矩阵，[Bj]表示(H)阈值矩阵，[Wkj]表示(H)与(O)权重矩阵，[Bk]表示(O)阈值矩阵。
具体步骤如下：
1)数据样本归一化处理，把数变为(0，1)之间的小数，把数据映射到0～ 1范围之内处理；
2)初始化网络权重，在开始阶段，给网络权重赋予一个随机值，一般在-1 和1之间；
3)计算隐含层的输出[H]
Figure BDA0003618318710000034
[H]＝F([wji][X]-[Bj])
4)计算输出层的输出[Y]
Figure BDA0003618318710000041
[Y]＝F([Wkj][H]-[Bk])＝F{[Wkj]F([Wji][X]-[Bj])-[Bk]})
5)首次训练以输入值本身作为期望输出值，求出均方差E，若E≤ε则学习过程结束，ε为规定的正数；若E≤ε则训练过程结束；
Figure BDA0003618318710000042
6)若E＞ε，对权重进行调节
dk＝yk(1-yk)(tk-yk)
wkj(t)＝wkj(t-1)+αhjdk
bk(t)＝bk(t-1)-αdk
式中α-学习速度；
Figure BDA0003618318710000043
wji(t)＝wji(t-1)+αxigj
bj(t)＝bj(t-1)-αgj
不断重复步骤3)至步骤6)计算过程，直至收敛。
进一步地，根据风速、转速将风电机组正常运行时段特征参数数据提取，引入劣化度概念，并采用时间序列法，预测分析智慧风电场处于风险状态的风电机组劣化趋势，其中，劣化度：
Figure BDA0003618318710000044
g(x)为劣化度；x为实测数据；α、β分别为上下限值。
进一步地，提取SCADA系统中故障发生前的指标运行数据包括：将风电场数据进行数据抽取以及清洗融合，清洗融合后的数据进行风电大数据的关联分析，保留与状态评估密切相关的数据特征，删减与具体业务不关联或弱关联的维度。
进一步地，数据抽取包括：首先根据具体的规划业务场景，确定与该类业务相关的数据和对应的业务系统，对大数据进行抽取，应用ETL技术对不同抽取数据源、格式进行定义，然后再对抽取的转换规则进行定义，最后再将数据加载规则进行定义，保存数据到HBASE数据库中，完成整个数据的抽取。
进一步地，所述清洗融合包括：将抽取的数据进行数值化和标准化处理，然后进行降维处理。
本发明与现有技术相比，有益效果在于：
本发明可以实现海量数据根据聚类分析划分好的历史数据训练神经网络，构建智慧风电场实时状态评估模型，并对风电机组的实时数据进行状态判定，输出机组健康状态、风险状态或故障状态，并根据标记查看聚类效果，为实际数据特征分堆，有明显距离划分，实现数据的可视化检查。
附图说明
图1为本发明基于深度学习的智慧风电场实时状态评估方法的流程图；
图2为本发明BP神经网络识别流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参见图1，一种基于深度学习的智慧风电场实时状态评估方法，该方法包括：
根据风电场历史故障记录，提取SCADA系统中故障发生前的指标运行数据，采用聚类分析对风电场历史状态进行标记划分；提取SCADA系统中故障发生前的指标运行数据包括：将风电场数据进行数据抽取以及清洗融合，清洗融合后的数据进行风电大数据的关联分析，保留与状态评估密切相关的数据特征，删减与具体业务不关联或弱关联的维度。
数据抽取包括：首先根据具体的规划业务场景，确定与该类业务相关的数据和对应的业务系统，对大数据进行抽取，应用ETL技术对不同抽取数据源、格式进行定义，然后再对抽取的转换规则进行定义，最后再将数据加载规则进行定义，保存数据到HBASE数据库中，完成整个数据的抽取。
清洗融合包括：将抽取的数据进行数值化和标准化处理，然后进行降维处理。
构建基于神经网络算法的实时状态评估模型，并采用实时状态评估模型评估风电场健康、风险或故障的运行状态；
采用时间序列法预测风电场运行状态的劣化趋势，并对风电场非健康状态以及状态劣化程度超过设定阈值的风电机组进行安全预警。
采用聚类分析对风电场历史状态进行标记划分前，先对故障前波动明显数据进行标记健康状态，风险状态和故障状态。故障发生前的指标运行数据包括风速、有功功率、无功功率、发电机转速、发电机温度、电压、电流等，绘制曲线图，对故障前波动明显数据进行标记0(健康状态)，1(风险状态)，2(故障状态)。
许多大数据记录都表现出相类似的规律和特性，导致信息熵比较小。状态划分基于聚类算法，可以选取具有相同规律和“共性”的簇，既可以提取业务目标所需求的特征簇，也可以对相同特征的簇进行简化。
本发明采用K-Means聚类算法对历史数据进行状态划分，具体步骤为：
输入是数据集D＝{x1，x2，...xm}，聚类的簇树k，最大迭代次数N；输出是簇划分C＝{C1，C2，...Ck}；
1)从数据集D中随机选择k个样本作为初始的k个质心向量：{μ1，μ2,...μk}；
2)对于n＝1，2，...，N；
a)将簇划分C初始化为
Figure BDA0003618318710000071
b)对于i＝1，2...m，计算样本xi和各个质心向量μj(j＝1，2...k)的距离：
Figure BDA0003618318710000072
将xi标记最小的为dij所对应的类别λi。更新
Figure BDA0003618318710000073
c)对于j＝1，2，...，k，对Cj中所有的样本点重新计算新的质心
Figure BDA0003618318710000074
d)如果所有的k个质心向量都没有发生变化，则转到步骤3)
3)输出簇划分C＝{C1，C2，...Ck}。
根据聚类分析划分好的历史数据训练BP神经网络，构建智慧风电场实时状态评估模型，对风电机组的实时数据进行状态判定，输出机组健康状态、风险状态或故障状态。
根据聚类分析划分好的历史数据训练BP神经网络包括：
输入层神经元个数为I，隐含层神经元个数为J，输出层神经元个数为K，相应各层神经元的编号为i＝1…I；j＝1…J；k＝1…K。[Wij]表示(I)与(H)权重矩阵，[Bj]表示(H)阈值矩阵，[Wkj]表示(H)与(O)权重矩阵，[Bk]表示(O)阈值矩阵。
参见图2所示，具体步骤如下：
1)数据样本归一化处理，把数变为(0，1)之间的小数，把数据映射到0～ 1范围之内处理；
2)初始化网络权重，在开始阶段，给网络权重赋予一个随机值，一般在-1 和1之间；
3)计算隐含层的输出[H]
Figure BDA0003618318710000081
[H]＝F([wji][X]-[Bj])
4)计算输出层的输出[Y]
Figure BDA0003618318710000082
[Y]＝F([Wkj][H]-[Bk])＝F{[Wkj]F([Wji][X]-[Bj])-[Bk]})
5)首次训练以输入值本身作为期望输出值，求出均方差E，若E≤ε则学习过程结束，ε为规定的正数；若E≤ε则训练过程结束；
Figure BDA0003618318710000083
6)若E＞ε，对权重进行调节
dk＝yk(1-yk)(tk-yk)
wkj(t)＝wkj(t-1)+αhjdk
bk(t)＝bk(t-1)-αdk
式中α-学习速度；
Figure BDA0003618318710000084
wji(t)＝wji(t-1)+αxigj
bj(t)＝bj(t-1)-αgj
不断重复步骤3)至步骤6)计算过程，直至收敛。
根据风速、转速将风电机组正常运行时段特征参数数据提取，引入劣化度概念，并采用时间序列法，预测分析智慧风电场处于风险状态的风电机组劣化趋势，其中，劣化度：
Figure BDA0003618318710000091
g(x)为劣化度；x为实测数据；α、β分别为上下限值。
根据历史数据训练神经网络，以神经网络对机组的实时数据进行状态判定。若为健康状态则不发出预警，若为故障状态或故障风险状态则分别发出不同的预警。对于劣化趋势预测结果，若未来一年有故障的趋势，则同样进行安全预警。
选择风机的SCADA十分钟数据建立发电机指标的神经网络预测模型，模型输入数据如表1所示。
表1部分指标数据集
Figure BDA0003618318710000092
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的智慧风电场实时状态评估方法，其特征在于，该方法包括：
根据风电场历史故障记录，提取SCADA系统中故障发生前的指标运行数据，采用聚类分析对风电场历史状态进行标记划分；
构建基于神经网络算法的实时状态评估模型，并采用实时状态评估模型评估风电场健康、风险或故障的运行状态；
采用时间序列法预测风电场运行状态的劣化趋势，并对风电场非健康状态以及状态劣化程度超过设定阈值的风电机组进行安全预警。
2.按照权利要求1所述的评估方法，其特征在于，采用聚类分析对风电场历史状态进行标记划分前，先对故障前波动明显数据进行标记健康状态，风险状态和故障状态。
3.按照权利要求2所述的评估方法，其特征在于，
采用K-Means聚类算法对历史数据进行状态划分，具体步骤为：
输入是数据集D＝{x1，x2，...xm}，聚类的簇树k，最大迭代次数N；输出是簇划分C＝{C1，C2，．．．Ck}；
1)从数据集D中随机选择k个样本作为初始的k个质心向量：{μ1，μ2，．．．μk}；
2)对于n＝1，2，...，N；
a)将簇划分C初始化为
Figure FDA0003618318700000011
b)对于i＝1，2...m，计算样本xi和各个质心向量μj(j＝1，2...k)的距离：
Figure FDA0003618318700000012
将xi标记最小的为dij所对应的类别λi。更新
Figure FDA0003618318700000013
c)对于j＝1，2，...，k，对Cj中所有的样本点重新计算新的质心
Figure FDA0003618318700000014
d)如果所有的k个质心向量都没有发生变化，则转到步骤3)
3)输出簇划分C＝{C1，C2，...Ck}。
4.按照权利要求1所述的评估方法，其特征在于，根据聚类分析划分好的历史数据训练BP神经网络，构建智慧风电场实时状态评估模型，对风电机组的实时数据进行状态判定，输出机组健康状态、风险状态或故障状态。
5.按照权利要求4所述的评估方法，其特征在于，根据聚类分析划分好的历史数据训练BP神经网络包括：
输入层神经元个数为I，隐含层神经元个数为J，输出层神经元个数为K，相应各层神经元的编号为i＝1…I；j＝1…J；k＝1…K。[Wij]表示(I)与(H)权重矩阵，[Bj]表示(H)阈值矩阵，[Wkj]表示(H)与(O)权重矩阵，[Bk]表示(O)阈值矩阵。
具体步骤如下：
1)数据样本归一化处理，把数变为(0，1)之间的小数，把数据映射到0～1范围之内处理；
2)初始化网络权重，在开始阶段，给网络权重赋予一个随机值，一般在-1和1之间；
3)计算隐含层的输出[H]
Figure FDA0003618318700000021
[H]＝F([wji][X]-[Bj])
4)计算输出层的输出[Y]
Figure FDA0003618318700000022
[Y]＝F([Wkj][H]-[Bk])＝F{[Wkj]F([Wji][X]-[Bj])-[Bk]})
5)首次训练以输入值本身作为期望输出值，求出均方差E，若E≤ε则学习过程结束，ε为规定的正数；若E≤ε则训练过程结束；
Figure FDA0003618318700000031
6)若E＞ε，对权重进行调节
dk＝yk(1-yk)(tk-yk)
wkj(t)＝wkj(t-1)+αhjdk
bk(t)＝bk(t-1)-αdk
式中α-学习速度；
Figure FDA0003618318700000032
wji(t)＝wji(t-1)+αxigj
bj(t)＝bj(t-1)-αgj
不断重复步骤3)至步骤6)计算过程，直至收敛。
6.按照权利要求1所述的评估方法，其特征在于，根据风速、转速将风电机组正常运行时段特征参数数据提取，引入劣化度概念，并采用时间序列法，预测分析智慧风电场处于风险状态的风电机组劣化趋势，其中，劣化度：
Figure FDA0003618318700000033
g(x)为劣化度；x为实测数据；α、β分别为上下限值。
7.按照权利要求1所述的评估方法，其特征在于，提取SCADA系统中故障发生前的指标运行数据包括：将风电场数据进行数据抽取以及清洗融合，清洗融合后的数据进行风电大数据的关联分析，保留与状态评估密切相关的数据特征，删减与具体业务不关联或弱关联的维度。
8.按照权利要求7所述的评估方法，其特征在于，数据抽取包括：首先根据具体的规划业务场景，确定与该类业务相关的数据和对应的业务系统，对大数据进行抽取，应用ETL技术对不同抽取数据源、格式进行定义，然后再对抽取的转换规则进行定义，最后再将数据加载规则进行定义，保存数据到HBASE数据库中，完成整个数据的抽取。
9.按照权利要求7所述的评估方法，其特征在于，所述清洗融合包括：将抽取的数据进行数值化和标准化处理，然后进行降维处理。
CN202210454603.3A 2022-04-27 2022-04-27 一种基于深度学习的智慧风电场实时状态评估方法 Pending CN114997578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210454603.3A CN114997578A (zh) 2022-04-27 2022-04-27 一种基于深度学习的智慧风电场实时状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210454603.3A CN114997578A (zh) 2022-04-27 2022-04-27 一种基于深度学习的智慧风电场实时状态评估方法

Publications (1)

Publication Number Publication Date
CN114997578A true CN114997578A (zh) 2022-09-02

Family

ID=83025721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210454603.3A Pending CN114997578A (zh) 2022-04-27 2022-04-27 一种基于深度学习的智慧风电场实时状态评估方法

Country Status (1)

Country Link
CN (1) CN114997578A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116025529A (zh) * 2023-03-23 2023-04-28 中车山东风电有限公司 一种风电机组自主健康评估方法及自愈调控方法及系统
CN116611741A (zh) * 2023-07-14 2023-08-18 湖南省计量检测研究院 基于风电设备的服役质量指数体系构建方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116025529A (zh) * 2023-03-23 2023-04-28 中车山东风电有限公司 一种风电机组自主健康评估方法及自愈调控方法及系统
CN116025529B (zh) * 2023-03-23 2023-08-15 中车山东风电有限公司 一种风电机组自主健康评估方法及自愈调控方法及系统
CN116611741A (zh) * 2023-07-14 2023-08-18 湖南省计量检测研究院 基于风电设备的服役质量指数体系构建方法及系统

Similar Documents

Publication Publication Date Title
CN105677791B (zh) 用于分析风力发电机组的运行数据的方法和系统
CN114997578A (zh) 一种基于深度学习的智慧风电场实时状态评估方法
Wu et al. A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology
CN111160620B (zh) 一种基于端到端记忆网络的短期风电功率预测方法
CN108320043A (zh) 一种基于电力大数据的配电网设备状态诊断预测方法
CN112818604A (zh) 一种基于风功率预测的风电机组风险度评估方法
CN111369070A (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN111401599A (zh) 一种基于相似性搜索和lstm神经网络的水位预测方法
CN113723010A (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN114358213B (zh) 非线性时序数据预测的误差消融处理方法及系统与介质
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
Li et al. A two-tier wind power time series model considering day-to-day weather transition and intraday wind power fluctuations
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN109299208B (zh) 一种台风灾害下输电杆塔智能可视化风险评估方法
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统
CN109635008B (zh) 一种基于机器学习的设备故障检测方法
CN116702090A (zh) 一种多模态数据融合与不确定估计的水位预测方法及系统
CN108830407B (zh) 多工况条件下结构健康监测中的传感器分布优化方法
CN115864644A (zh) 一种继电保护装置状态评价方法、系统、设备及介质
CN115965135A (zh) 基于朴素贝叶斯分类的新能源预测误差建模方法及系统
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置

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