CN115374653B - 基于nset模型的风力发电机温度预警方法及相关装置 - Google Patents
基于nset模型的风力发电机温度预警方法及相关装置 Download PDFInfo
- Publication number
- CN115374653B CN115374653B CN202211290964.5A CN202211290964A CN115374653B CN 115374653 B CN115374653 B CN 115374653B CN 202211290964 A CN202211290964 A CN 202211290964A CN 115374653 B CN115374653 B CN 115374653B
- Authority
- CN
- China
- Prior art keywords
- temperature
- residual
- data
- preset
- warned
- 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
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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
Abstract
本发明涉及风电机组故障预警技术领域,提供了一种基于NSET模型的风力发电机温度预警方法及相关装置,所述方法包括:获取风力发电机运行的风力发电机的待预警部件的当前温度及影响待预警部件的温度的运行数据;利用补偿时长和风力发电机的当前有功功率,对当前温度进行补偿,得到补偿温度,补偿时长为从风力发电机的开机时间起至待预警部件的温度上升至预设温度止的时长,预设温度为风力发电机最近一次停机时待预警部件的温度;将补偿温度及运行数据输入至预先构建的NSET模型,得到待预警部件的预测温度与补偿温度的残差值;根据所残差值及预设残差阈值对待预警部件的温度进行告警。本实施例能够对风力发电机的温度进行准确地预警。
Description
技术领域
本发明涉及风电机组故障预警技术领域,具体而言,涉及一种基于NSET模型的风力发电机温度预警方法及相关装置。
背景技术
风力发电机组的运行条件恶劣,如外界温差变化大,风速变化随机等。这些不确定的外界因素导致风力发电机组的故障率高,使风电场后期运行维护成本居高不下。风力发电机是风力发电机组的重要组成部分,为了更好的保障风力发电机的正常运行,减少其故障率,对风力发电机进行准确地温度预警是本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供了一种基于NSET模型的风力发电机温度预警方法及相关装置,其能够对风力发电机的温度进行准确地预警。
为了实现上述目的,本发明采用的技术方案如下:
第一方面,本发明提供一种基于NSET模型的风力发电机温度预警方法,所述方法包括:
获取风力发电机运行的当前数据,所述当前数据包括所述风力发电机的待预警部件的当前温度及影响所述待预警部件的温度的运行数据;
利用补偿时长和所述风力发电机的当前有功功率,对所述当前温度进行补偿,得到补偿温度,所述补偿时长为从所述风力发电机的开机时间起至所述待预警部件的温度上升至预设温度止的时长,所述预设温度为所述风力发电机最近一次停机时所述待预警部件的温度;
将所述补偿温度及所述运行数据输入至预先构建的NSET模型,得到所述待预警部件的预测温度与所述补偿温度的残差值;
根据所述残差值及预设残差阈值对所述待预警部件的温度进行告警。
可选地,所述利用补偿时长和所述风力发电机的当前有功功率,对所述当前温度进行补偿,得到补偿温度的步骤包括:
利用预先建立的参考功率与参考温度之间的对应关系,确定所述当前有功功率对应的目标参考温度;
将所述补偿时长与所述目标参考温度的乘积作为补偿值;
将所述当前温度与所述补偿值之和作为所述补偿温度。
可选地,所述当前数据为多个,每一所述当前数据对应一个残差值,每一所述残差值均包括温度残差均值和温度残差标准差,所述温度残差均值为对所有当前数据的残差值进行滑动平均计算得到,所述温度残差标准差为对所有当前数据的残差值进行标准差计算得到的,所述预设残差阈值包括预设均值范围和预设标准差范围,所述根据所述残差值及预设残差阈值对所述待预警部件的温度进行告警的步骤包括:
若所述温度残差均值不在所述预设均值范围内、或者所述温度残差标准差不在所述预设标准差范围内,则判定所述待预警部件的温度异常,并对所述待预警部件的温度进行告警。
可选地,所述获取风力发电机运行的当前数据的步骤包括:
采集所述风力发电机当前运行时的原始数据;
按照预设滑动窗口对所述原始数据进行滑动平均处理,将滑动平均处理后的数据作为所述当前数据。
可选地,所述方法还包括:
获取所述风力发电机在多种预设工况下运行的历史数据,所述历史数据包括所述风力发电机的所述待预警部件的样本温度和影响所述待预警部件的温度的相关因素的变量数据;
以所述样本温度为母因素、以所述相关因素为子因素,确定每一子因素影响所述母因素的影响权重;
按照所述影响权重从高到低的顺序,选取预设数目个子因素作为目标子因素;
根据所述样本温度、所述目标子因素的变量数据及所述NSET模型,确定所述预设残差阈值。
可选地,所述历史数据为多个,所述根据所述样本温度、所述目标子因素的变量数据及所述NSET模型,确定所述预设残差阈值的步骤包括:
对每一所述历史数据的样本温度进行补偿,得到每一所述历史数据的补偿样本温度;
将每一所述历史数据的所述补偿样本温度及所述目标子因素的变量数据输入至所述NSET模型,得到每一所述历史数据的所述补偿样本温度和所述样本预测温度之间的样本残差值;
对所有所述历史数据的样本残差值进行滑动平均处理,得到所述预设残差阈值。
可选地,所述根据所有所述历史数据的样本残差值进行滑动平均处理,得到所述预设残差阈值的步骤包括:
依次滑动预设窗口,计算每次滑动后所述预设窗口内的样本残差值的样本残差均值和样本残差标准差,得到每次滑动对应的样本残差均值和样本残差标准差;
根据绝对值最大的样本残差均值及绝对值最大的样本残差标准差,确定所述预设残差阈值。
第二方面,本发明提供一种基于NSET模型的风力发电机温度预警装置,所述装置包括:
获取模块,用于获取风力发电机运行的当前数据,所述当前数据包括所述风力发电机的待预警部件的当前温度及影响所述待预警部件的温度的运行数据;
补偿模块,用于利用补偿时长和所述风力发电机的当前有功功率,对所述当前温度进行补偿,得到补偿温度,所述补偿时长为从所述风力发电机的开机时间起至所述待预警部件的温度上升至预设温度止的时长,所述预设温度为所述风力发电机最近一次停机时所述待预警部件的温度;
预测模块,用于将所述补偿温度及所述运行数据输入至预先构建的NSET模型,得到所述待预警部件的预测温度与所述补偿温度的残差值;
告警模块,用于根据所述残差值及预设残差阈值对所述待预警部件的温度进行告警。
第三方面,本发明提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述的基于NSET模型的风力发电机温度预警方法。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的基于NSET模型的风力发电机温度预警方法。
与现有技术相比,本发明利用从所述风力发电机的开机时间起至所述待预警部件的温度上升至预设温度止的时长和风力发电机的当前有功功率,对待预警部件的当前温度进行补偿,再利用补偿温度及运行数据及预先构建的NSET模型,得到待预警部件的预测温度与补偿温度的残差值,最后根据残差值及预设残差阈值对待预警部件的温度进行告警,由于对待预警部件当前温度进行了补偿,克服了风力发电机停机一段时间后再开机的温度变化规律与热稳定不一致而导致的误报警问题,从而能够对风力发电机的待预警部件的温度进行准确地预警,最终实现对风力发电机的温度进行准确地预警。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本发明实施例提供的基于NSET模型的风力发电机温度预警方法的流程示例图一。
图2为本发明实施例提供的基于NSET模型的风力发电机温度预警方法的流程示例图二。
图3为本发明实施例提供的基于NSET模型的风力发电机温度预警方法的流程示例图三。
图4为本发明实施例提供的风力发电机DE端与NDE端轴承温差预测温度与实测温度趋势图。
图5为本发明实施例提供的风力发电机DE端与NDE端轴承温差残差值趋势图。
图6为本发明实施例提供的现有技术的NSET模型输出的预测数据的示例图。
图7为本发明实施例提供的利用本发明实施例的方法的NSET模型输出的预测数据的示例图。
图8为本发明实施例提供的基于NSET模型的风力发电机温度预警装置的方框示意图。
图9为本发明实施例提供的电子设备的方框示意图。
图标:10-电子设备;11-处理器;12-存储器;13-总线;100-基于NSET模型的风力发电机温度预警装置;110-获取模块;120-补偿模块;130-预测模块;140-告警模块;150-确定模块。
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、完整地描述,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
随着风电行业的大力发展,2021年全国风力发电量在能源结构中占比6.99%,预计至2035年,风电在能源结构的占比将达到25%,至2050年,风电占比达33%,成为最重要的发电手段之一。未来的几十年,风电市场发展前景广阔,装机数量激增,势必会带来更多的风力发电机质量以及运维问题。
风力发电机是风电机组的重要部件之一,其制造技术已较为成熟,具有较高的可靠性。但和故障出现频率最高的电控系统、液压系统相比,其维修过程复杂,特别是对于海上风力发电机,维护过程需要船舶、吊车等专用设备以及合适的天气,为了更好的保障风力发电机正常运行,减少故障率,需要对风力发电机进行准确的故障预警。
风力发电机轴承故障导致的停机时间和维护费用在各类故障中占比较高,如果能对发电机轴承进行准确的故障预警,则不但能够对风力发电机进行准确的故障预警,减少风力发电机的故障率,同时能够有效降低风力发电机故障产生的维护成本。
目前常用的方法是基于非线性状态估计NSET(Nonlinear State EstimateTechnology,NSET)方法,该方法对风电机组的温度数据进行建模并预警。以风电机组齿轮箱温度故障预警为例,通过获取风场数据采集与监视控制系统SCADA(SupervisoryControl And Data Acquisition,SCADA)采集的数据和记录,根据经验选取相关变量进行数据预处理后作为样本数据和测试数据,建立NSET模型并预测齿轮箱温度,得到温度的实际值与预测值之间的残差,当残差超出阈值时即发出风电机组齿轮箱故障预警的报警信息。
此方法建立的风电机组温度模型进行故障预警时会出现预测数据不稳定、波动大,与实际温度偏差大、容易误报警等引起的报警准确率低的情况,发明人针对该问题进行深入分析后发现:通过人为的经验选取代入模型的变量数据,导致变量选取不科学和不准确;设备温度容易受现场环境温度影响,不同季节的环境温差大,会导致模型输出结果准确率低;温度属于慢变量,没有考虑停机一段时间后温度变化对风电机组温度预测的影响,导致模型输出结果与实际结果误差变大,且在工况运行样本少的时候误差更大。
有鉴于此,本实施例提供一种基于NSET模型的风力发电机温度预警方法及相关装置,以对风力发电机的温度进行准确地预警,下面将对其进行详细描述。
请参照图1,图1为本发明实施例提供的基于NSET模型的风力发电机温度预警方法的流程示例图一,该方法包括以下步骤:
步骤S100,获取风力发电机运行的当前数据,当前数据包括风力发电机的待预警部件的当前温度及影响待预警部件的温度的运行数据。
在本实施例中,待预警部件可以为风力发电机中对风力发电机的温度影响较大的部件,例如,风力发电机的轴承,待预警部件的当前温度可以包括风力发电机的驱动DE端(Driven End,DE)的轴承温度和非驱动NDE端(Non-Driven End,NDE)的轴承温度。
在本实施例中,影响待预警部件的温度的运行数据可以通过经验预先设定,也可以通过对风力发电机监测的多种数据进行分析,以确定出对待预警部件的温度影响最大的数据。对于风力发电机的轴承而言,影响风力发电机的轴承的温度的运行数据包括、但不限于风力发电机的有功功率、冷风温度、机舱温度、U相绕组温度等。
步骤S101,利用补偿时长和风力发电机的当前有功功率,对当前温度进行补偿,得到补偿温度,补偿时长为从风力发电机的开机时间起至待预警部件的温度上升至预设温度止的时长,预设温度为风力发电机最近一次停机时待预警部件的温度。
在本实施例中,风力发电机每次停机到下一次开机之间间隔的时长也即是待预警部件的温度从停机开始到下一次开机之间冷却的时长,开停机之间间隔的时长不同,则待预警部件的冷却后的温度也不同。本实施例根据不同的冷却时长对当前温度进行对应的补偿,并利用补偿温度进行预测,使得预测更加准确,进而告警也更加准确。
步骤S102,将补偿温度及运行数据输入至预先构建的NSET模型,得到待预警部件的预测温度与补偿温度的残差值。
在本实施例中,NSET模型是根据风力发电机在多种预设工况下运行的历史数据训练后得到的,历史数据同样包括风力发电机的待预警部件的当时温度及影响待预警部件的温度的当时运行数据。预设工况包括正常、异常未触发告警、异常触发告警等各种工况,预设工况包括的越全面,则NSET模型的结果越准确。
步骤S103,根据残差值及预设残差阈值对待预警部件的温度进行告警。
在本实施例中,预设残差阈值可以是一个值,也可以是一个范围,当预设残差阈值是一个值时,残差值大于预设残差阈值时,则对待预警部件的温度进行告警,当预设残差阈值是一个范围时,当残差值未处于该范围内时,则对待预警部件的温度进行告警。
本实施例提供的上述方法,由于对待预警部件当前温度进行了补偿,克服了风力发电机停机一段时间后再开机的温度变化规律与热稳定不一致而导致的误报警问题,从而对风力发电机的待预警部件的温度进行准确地预警,最终实现对风力发电机的温度进行准确地预警。
在图1的基础上,本实施例还提供了对当前温度进行补偿的一种实现方式,请参照图2,图2为本发明实施例提供的基于NSET模型的风力发电机温度预警方法的流程示例图二,步骤S102包括以下子步骤:
子步骤S1021,利用预先建立的参考功率与参考温度之间的对应关系,确定当前有功功率对应的目标参考温度。
在本实施例中,参考功率与参考温度之间的对应关系可以根据风力发电机在预设历史时间段内采集的有功功率及对应的待预警部件的温度确定,作为一种实现方式,可以对预设历史时间段内采集的有功功率及对应的待预警部件的温度进行采样,将采样得到的有功功率及对应的温度作为参考功率及对应的参考温度,作为另一种实现方式,也可以对预设历史时间段内采集的有功功率及对应的待预警部件的温度分别求平均,将得到的平均有功功率及平均温度作为参考功率与参考温度。
在本实施例中,可以将与当前有功功率最接近的参考功率对应的参考温度作为目标参考温度。
子步骤S1022,将补偿时长与目标参考温度的乘积作为补偿值。
子步骤S1023,将当前温度与补偿值之和作为补偿温度。
本实施例提供的上述方法,通过预先建立的参考功率与参考温度之间的对应关系,从而可以准确、快速地确定目标参考温度,进而准确、快速地得到补偿温度。
在本实施例中,为了避免当前数据波动过大导致的误报,本实施例还基于多个当前数据、通过残差值的均值和标准差进行告警,使得告警更准确,每一当前数据对应一个残差值,每一残差值均包括温度残差均值和温度残差标准差,温度残差均值为对所有当前数据的残差值进行滑动平均计算得到,温度残差标准差为对所有当前数据的残差值进行标准差计算得到的,预设残差阈值包括预设均值范围和预设标准差范围。一种可能的实现方式为:若温度残差均值不在预设均值范围内、或者温度残差标准差不在预设标准差范围内,则判定待预警部件的温度异常,并对待预警部件的温度进行告警。在告警的准确性要求高的情况下,还可以采用另一种可能的实现方式:若温度残差均值不在预设均值范围内、且温度残差标准差不在预设标准差范围内,则判定待预警部件的温度异常。
在本实施例中,为了使风力发电机运行的当前数据更准确、更完备,避免数据突变影响预测结果的准确性,本实施例还提供一种获取当前数据的实现方式,具体为:
首先,采集风力发电机当前运行时的原始数据。
在本实施例中,对于容易受风向、风速变化的风机来说,数据时间间隔太长会导致原始数据突变过大,数据不准确,而采用时间间隔较长的数据平均值这种预处理计算方法不科学,容易丢失中间变化的很多信息,最终使得数据进一步失真,从而影响预测结果的准确性,本实施例采用1秒为采集时间间隔,能够降低和消除由于风向、风速的快速变化带来的数据突变,从数据本源上保证了原始数据输入的完备性和准确性。
其次,按照预设滑动窗口对原始数据进行滑动平均处理,将滑动平均处理后的数据作为当前数据。
在本实施例中,预设滑动窗口的大小对于滑动平均处理的效果也有影响,可以根据实际应用场景对预设滑动窗口的大小进行设置,例如,预设滑动窗口的大小为30秒,滑动平均处理的公式可以是:,其中,f k 为滑动平均处理后的数据,2n+1=m,m为滑动平均的点数,即预设滑动窗口的大小,N为原始数据的总数,k=n+1,n+2,···,N-n,为滑动平均处理前的数据。
在本实施例中,为了使预设残差阈值更客观,尽量减少根据主观经验对预设残差阈值进行设置产生的主观影响,本实施例提供了一种确定预设残差阈值的实现方式,请参照图3,图3为本发明实施例提供的基于NSET模型的风力发电机温度预警方法的流程示例图三,该方法包括以下步骤:
步骤S111,获取风力发电机在多种预设工况下运行的历史数据,历史数据包括风力发电机的待预警部件的样本温度和影响待预警部件的温度的相关因素的变量数据。
在本实施例中,历史数据为多个,例如,每1秒钟采集的历史数据,每一历史数据均包括当时采集的风力发电机的待预警部件的样本温度和影响待预警部件的温度的相关因素的变量数据,影响待预警部件的温度的相关因素的变量数据可以是与待预警部件的温度变化趋势相关的变量,例如,待预警部件为风力发电机的轴承,则与之相关因素包括、但不限于风力发电机的有功功率、风速、DE端轴承温度、NDE端轴承温度、转速、叶轮转速、环境温度、机舱温度、U、V、W三相温度、冷却风温度、对风角度、偏航位置等。
步骤S112,以样本温度为母因素、以相关因素为子因素,确定每一子因素影响母因素的影响权重。
在本实施例中,母因素和子因素的确定可以根据实际环境的需要进行调整,以待预警部件为风力发电机的轴承为例,风力发电机的DE端轴承温度和NDE端轴承温度之差值作为母因素,表示为:,n为母因素变量的点数,即历史数据的个数;其他因素为子因素,表示为:,i=1,2,,m,m为子因素的数量,确定每一子因素影响母因素的影响权重的方式可以为:
首先,对母因素和子因素序列做初值化无量纲处理,处理方法是:
其次,把无量纲处理的母因素和子因素序列代入如下公式:
由于将风力发电机的DE端轴承温度和NDE端轴承温度之差值作为母因素,排除了不同季节下风力发电机的DE端轴承温度和NDE端轴承实际值的变化,同时引入了机舱温度这一变量,也能反映不同季节的温度变化,进而利用这些量代入NSET模型后自动计算并匹配轴承温度的变化规律更准确,最终确定出的预设残差阈值也更准确。
其中,m`为母因素和子因素的个数之和。
步骤S113,按照影响权重从高到低的顺序,选取预设数目个子因素作为目标子因素。
在本实施例中,预设数目可以根据实际场景需要进行设置,例如,预设数目为4,以待预警部件为风力发电机的轴承为例,目标子因素为:发电机的有功功率、冷风温度、机舱温度、U相绕组温度。
步骤S114,根据样本温度、目标子因素的变量数据及NSET模型,确定预设残差阈值。
在本实施例中,历史数据为多个,确定预设残差阈值的方式可以是:
首先,对每一历史数据的样本温度进行补偿,得到每一历史数据的补偿样本温度。
在本实施例中,对样本温度的补偿方式与前述子步骤S1021~S1023中对当前温度的补偿方式类似,此处不再赘述。
其次,将每一历史数据的补偿样本温度及目标子因素的变量数据输入至NSET模型,得到每一历史数据的补偿样本温度和样本预测温度之间的样本残差值。
在本实施例中,将历史数据中的一部分数据作为样本数据,另一部分数据作为测试数据,样本数据和测试数据均为多个,为了减少误报,在输入NSET模型之前,可以先对样本数据和测试数据分别进行数据清洗,再对清洗后的数据进行归一化,再将归一化后的数据输入NSET模型,对NSET模型输出结果进行反归一化处理,最终计算出每一历史数据的样本残差值,一种处理方式如下:
(1)对样本数据和测试数据分别进行数据清洗。
在本实施例中,数据清洗包括、但不限于常识规则清洗、业务规则清洗、算法规则清洗中的至少一种,每一样本数据和每一测试数据均可以包括多个目标子因素,每一目标子因素包括多个值,数据清洗时对每一目标子因素的每一个值进行清洗。
常识规则清洗,SCADA系统中的变量数据(包括样本数据和测试数据)由于在传输、存储过程中容易出错,导致出现空值、非数字项内容(如*、#)或异常保持点出现,需要对这些异常值对应时刻的所有变量数据删除。
业务规则清洗, SCADA系统中的变量数据在业务上是有一定范围的,超出业务范围外的变量数据记录要予以删除。如有功功率的业务范围为0到额定功率(超发情况不在此考虑中),有功功率超出0到额定功率范围外的数据可认为是虚假数据,要予以删除。业务规则清洗采用的边界条件可以通过风力发电机的基础信息静态数据确定,基础信息静态数据包括、但不限于机组台账数据、机组安装数据、机组巡点检数据、机组检修记录、机组运维规程、机组检修指导书等。
算法规则清洗,应用3Sigma法对SCADA系统中的变量数据进行清洗,公式如下:
(2)对清洗后的数据进行归一化。
对清洗后的样本数据和测试数据分别进行归一化,归一化公式如下:
其中,为归一化处理后的样本数据集里的元素,即归一化后的样本数据,为样本数据集D里的第i个元素,即清洗后的样本数据,为归一化处理后的测试数据集里的元素,即归一化后的测试数据,为测试数据集里的元素,即清洗后的测试数据。
(3)将归一化后的数据输入NSET模型,得到归一化后的样本预测温度值。
NSET模型公式如下:
其中,为归一化处理后的样本预测温度值集,包括归一化处理后的所有样本测试温度值,对于待预警部件为风力发电机的轴承而言,为轴承的DE端与非DE端温差的预测值集,为归一化处理后的样本数据集,包括所有归一化处理后的样本数据,为归一化处理后的测试数据集,包括所有归一化处理后的测试数据,为归一化处理后的样本数据集的转置,为欧氏距离计算符号,为数据集之间的相乘符号。
需要说明的是,步骤S102中将补偿温度及运行数据输入至预先构建的NSET模型,得到待预警部件的预测温度与补偿温度的残差值的处理过程与计算出每一历史数据的样本残差值的处理过程类似。
(4)对归一化后的样本预测温度值进行反归一化处理。
反归一化处理的公式为:
其中,为反归一化处理后的样本预测温度值集,包括所有反归一化处理后的样本预测温度值,对于待预警部件为风力发电机的轴承而言,为反归一化处理后的DE端与非DE端温差的预测值集里的元素,即反归一化处理后的DE端与非DE端温差的预测值,为归一化处理后的样本预测温度值集中的元素,包括归一化处理后的所有样本预测温度值,对于待预警部件为风力发电机的轴承而言,为归一化处理后的DE端与非DE端温差的预测值集里的元素,即归一化处理后的DE端与非DE端温差的预测值。
(5)将返归一化处理后的样本预测温度值与测试数据的补偿样本温度做差值,得到样本残差值。
样本残差值的计算公式为:,其中,为样本残差值,为测试数据的补偿样本温度,为反归一化处理样本预测温度值,对于待预警部件为风力发电机的轴承而言,为风力发电机的轴承预测温度残差值,为SCADA系统的测试数据集,为反归一化处理的DE端与非DE端温差的预测值集。
第三,对所有历史数据的样本残差值进行滑动平均处理,得到预设残差阈值。
在本实施例中,样本残差值为多个,预设残差阈值包括预设均值范围和预设标准差范围,作为一种实施方式,滑动平均处理的方式可以为:
首先,依次滑动预设窗口,计算每次滑动后预设窗口内的样本残差值的样本残差均值和样本残差标准差,得到每次滑动对应的样本残差均值和样本残差标准差;
其次,根据绝对值最大的样本残差均值及绝对值最大的样本残差标准差,确定预设残差阈值。
为了更清楚地说明本发明实施例提供的风力发电机温度预警方法,以对风力发电机的轴承温度预警为例进行描述,具体步骤如下:
步骤1、以内蒙古某地运行的66#风机为例,将此风电机组的多种基础信息静态数据作为数据清洗的边界条件数据,以及模型输出结果的修正参数,这些数据包括:(a)机组台账数据;(b)机组安装数据;(c)机组巡点检数据;(d)机组检修记录;(e)机组运维规程;(f)机组检修指导书。通过这些数据,可以确定数据清洗中输入变量的数据范围,模型输出结果有报警时可以根据巡点检记录、检修记录查找相关原因,参照运维规程和检修指导书制定维修建议。
步骤2、获取SCADA系统中内蒙古某地风场的待测风电机组2016年8月1日至2016年8月15日共15天的数据为样本数据,包括了风机在各种风速、转速和有功功率的工况数据,以后以天单位,每天输入待测风电机组最新的实时数据作为在线测试数据按照本实施例提供的基于NSET模型的风力发电机温度预警方法进行运算并输出预测结果。此次应用实例中测试数据从2016年8月16日开始截止到2016年10月18日共计64天的数据。
本发明实施例从SCADA系统中获取的数据间隔为1秒,而不是其他时间间隔数据,如1分钟、10分钟等,保证数据的高密度性以不丢失任何细节信息;然后通过滑动平均的预处理方法,设置滑动窗口为30秒,即滑动平均的点数为30,滑动平均后的数据间隔也为秒级数据。
步骤3、确定最终的模型输入变量。首先从样本数据即样本数据中粗选模型输入变量,选取风力发电机DE端轴承温度和NDE端轴承温度差值为灰色关联分析法的母因素,选取有功功率、风速、发电机转速、叶轮转速、环境温度、机舱温度、发电机U、V、W三相温度、发电机冷却风温度、对风角度、偏航位置12个变量为灰色关联分析法的子因素,按照本实施例上文描述的方法确定权重向量比较大的4个子因素所对应的变量:有功功率、发电机冷却风温度、机舱温度、发电机V相温度。
步骤4、对选取的输入NSET模型的变量的样本数据和测试数据进行数据清洗。
(1)常识规则清洗,所述待测风电机组的SCADA系统中的变量数据有功功率、发电机冷却风温度、机舱温度、发电机V相温度数据中出现空值、#出现一共518条数据,对这些518条数据对应时刻的所有变量数据删除;
(2)业务规则清洗,发电机DE端轴承温度和NDE端轴承温度差范围为-100到100℃,有功功率的业务范围为0到1600kW(额定功率为1500kW),发电机冷却风温度-50到100℃,机舱温度-50到80℃,发电机V相温度-50到200℃,对于这些范围外的数据可认为是虚假数据,虚假数据一共2346条,予以删除。
(3)算法规则清洗,所述待测风电机组的SCADA系统中的变量数据应用3Sigma法进行清洗,此次实例中无异常值。
(4)温度补偿算法。此次所选样本数据和测试数据从2016年8月1日开始截止到2016年10月18日共有开停机213次,每次开停机从几分钟到几小时不等,温度补偿主要是补偿从停机到开机后的子因素包括发电机冷却风温度、机舱温度、发电机V相温度的补偿,温度补偿值等于温度实际值加上运行时间乘以有功功率统计下的温度平均值,补偿后的新值作为发电机冷却风温度、机舱温度、发电机V相温度的新的序列数据。
步骤5、对样本数据和测试数据分别进行归一化处理,归一化处理后的样本数据和测试数据取值范围均在0到1之间。
步骤6、对归一化处理后的变量数据代入NSET模型中,得出归一化处理后的发电机DE端与非DE端温差的预测值集。
步骤7、对归一化处理后的发电机DE端与非DE端温差的预测值集进行反归一化处理,得到反归一化处理的发电机DE端与非DE端温差的预测值集。
步骤8、计算发电机轴承预测温度残差值。
步骤9、根据发电机轴承预测温度残差值集计算其滑动平均值和标准差。
步骤11、通过NSET模型计算生成发电机轴承预测温度残差值集的滑动平均值报警阈值为±1°,请参照图4和图5,图4为本发明实施例提供的风力发电机DE端与NDE端轴承温差预测温度与实测温度趋势图,图5为本发明实施例提供的风力发电机DE端与NDE端轴承温差残差值趋势图,该风力发电机DE端与NDE端轴承温差残差值在9月3日就已经出现超出预警阈值,此模型发出预警警告信息,但现场人员忙于其他维护检修工作一直未做处理;到9月26日时才派人上去检查,发现发电机DE端轴承出现偶尔超温异常,由于缺少备品备件未做处理;此后预警模型一直提示超出预警值,且发电机DE端与NDE端轴承温差残差值一直在增大,最终在10月18日发电机DE端因温度急剧升高而损毁。这个应用案例验证了本发明实施例提供的基于NSET模型的风力发电机温度预警方法在实际应用中的提前预知性与准确性。
为了更充分地说明本发明实施例提供的基于NSET模型的风力发电机温度预警方法的效果,本实施例提供了现有技术的NSET模型输出的预测数据的示例图和利用本发明实施例的方法的NSET模型输出的预测数据的示例图。请参照图6,图6为本发明实施例提供的现有技术的NSET模型输出的预测数据的示例图,图6是针对齿轮箱运行时的温度进行预测的预测结果,从图6可以看出,齿轮箱正常时预测温差在±5℃范围内,精度较低,整个过程中,数据波动比较大,不稳定,容易造成误报警。请参照图7,图7为本发明实施例提供的利用本发明实施例的方法的NSET模型输出的预测数据的示例图,图7是针对风力发电机运行时的轴承温度进行预测的预测结果,从图7可以看出,风力发电机在正常运行时段内,预测温差在±1℃范围内,精度较高,利用本发明实施例的方法的NSET模型在风力发电机正常时输出的预测数据结果更稳定且波动小,预测温度与实际温度偏差小、预警敏感度高,容易识别且准确率更高。
为了执行上述实施例及各个可能的实施方式中的相应步骤,下面给出一种基于NSET模型的风力发电机温度预警装置100的实现方式。请参照图8,图8为本发明实施例提供的基于NSET模型的风力发电机温度预警装置100的方框示意图。需要说明的是,本实施例所提供的基于NSET模型的风力发电机温度预警装置100,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及指出。
基于NSET模型的风力发电机温度预警装置100包括获取模块110、补偿模块120、预测模块130、告警模块140及确定模块150。
获取模块110,用于获取风力发电机运行的当前数据,当前数据包括风力发电机的待预警部件的当前温度及影响待预警部件的温度的运行数据。
可选地,获取模块110具体用于:采集风力发电机当前运行时的原始数据;按照预设滑动窗口对原始数据进行滑动平均处理,将滑动平均处理后的数据作为当前数据。
补偿模块120,用于利用补偿时长和风力发电机的当前有功功率,对当前温度进行补偿,得到补偿温度,补偿时长为从风力发电机的开机时间起至待预警部件的温度上升至预设温度止的时长,预设温度为风力发电机最近一次停机时待预警部件的温度。
可选地,补偿模块120具体用于:利用预先建立的参考功率与参考温度之间的对应关系,确定当前有功功率对应的目标参考温度;将补偿时长与目标参考温度的乘积作为补偿值;将当前温度与补偿值之和作为补偿温度。
预测模块130,用于将补偿温度及运行数据输入至预先构建的NSET模型,得到待预警部件的预测温度与补偿温度的残差值。
告警模块140,用于根据残差值及预设残差阈值对待预警部件的温度进行告警。
可选地,当前数据为多个,每一当前数据对应一个残差值,每一残差值均包括温度残差均值和温度残差标准差,温度残差均值为对所有当前数据的残差值进行滑动平均计算得到,温度残差标准差为对所有当前数据的残差值进行标准差计算得到的,预设残差阈值包括预设均值范围和预设标准差范围,告警模块140具体用于:若温度残差均值不在预设均值范围内、或者温度残差标准差不在预设标准差范围内,则判定待预警部件的温度异常,并对待预警部件的温度进行告警。
可选地,确定模块150用于:获取风力发电机在多种预设工况下运行的历史数据,历史数据包括风力发电机的所述待预警部件的样本温度和影响待预警部件的温度的相关因素的变量数据;以样本温度为母因素、以相关因素为子因素,确定每一子因素影响母因素的影响权重;按照影响权重从高到低的顺序,选取预设数目个子因素作为目标子因素;根据样本温度、目标子因素的变量数据及NSET模型,确定预设残差阈值。
可选地,历史数据为多个,确定模块150具体用于:对每一历史数据的样本温度进行补偿,得到每一历史数据的补偿样本温度;将每一历史数据的补偿样本温度及目标子因素的变量数据输入至NSET模型,得到每一历史数据的补偿样本温度和样本预测温度之间的样本残差值;对所有历史数据的样本残差值进行滑动平均处理,得到预设残差阈值。
可选地,确定模块150在用于根据所有历史数据的样本残差值进行滑动平均处理,得到预设残差阈值时具体用于:依次滑动预设窗口,计算每次滑动后预设窗口内的样本残差值的样本残差均值和样本残差标准差,得到每次滑动对应的样本残差均值和样本残差标准差;根据绝对值最大的样本残差均值及绝对值最大的样本残差标准差,确定预设残差阈值。
请参照图9,图9为本发明实施例提供的电子设备10的方框示意图,电子设备10包括处理器11、存储器12、总线13。处理器11、存储器12通过总线13连接。
处理器11可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器11中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器11可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器12用于存储程序,例如本发明实施例中的基于NSET模型的风力发电机温度预警装置100,基于NSET模型的风力发电机温度预警装置100均包括至少一个可以软件或固件(firmware)的形式存储于存储器12中的软件功能模块,处理器11在接收到执行指令后,执行所述程序以实现本发明实施例中的基于NSET模型的风力发电机温度预警方法。
存储器12可能包括高速随机存取存储器(RAM:Random Access Memory),也可能还包括非易失存储器(non-volatile memory)。可选地,存储器12可以是内置于处理器11中的存储装置,也可以是独立于处理器11的存储装置。
总线13可以是ISA总线、PCI总线或EISA总线等。图8仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的基于NSET模型的风力发电机温度预警方法。
综上所述,本发明实施例提供了一种基于NSET模型的风力发电机温度预警方法及相关装置,所述方法包括:获取风力发电机运行的当前数据,当前数据包括风力发电机的待预警部件的当前温度及影响待预警部件的温度的运行数据;利用补偿时长和风力发电机的当前有功功率,对当前温度进行补偿,得到补偿温度,补偿时长为从风力发电机的开机时间起至待预警部件的温度上升至预设温度止的时长,预设温度为风力发电机最近一次停机时待预警部件的温度;将补偿温度及运行数据输入至预先构建的NSET模型,得到待预警部件的预测温度与补偿温度的残差值;根据所残差值及预设残差阈值对待预警部件的温度进行告警。与现有技术相比,本实施例通过对风力发电机的预警部件的当前温度进行补偿,克服了风力发电机停机一段时间后再开机的温度变化规律与热稳定不一致而导致的误报警问题,从而能够对风力发电机的温度进行准确地预警。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于NSET模型的风力发电机温度预警方法,其特征在于,所述方法包括:
获取风力发电机运行的当前数据,所述当前数据包括所述风力发电机的待预警部件的当前温度及影响所述待预警部件的温度的运行数据;
利用补偿时长和所述风力发电机的当前有功功率,对所述当前温度进行补偿,得到补偿温度,所述补偿时长为从所述风力发电机的开机时间起至所述待预警部件的温度上升至预设温度止的时长,所述预设温度为所述风力发电机最近一次停机时所述待预警部件的温度;
将所述补偿温度及所述运行数据输入至预先构建的NSET模型,得到所述待预警部件的预测温度与所述补偿温度的残差值;
根据所述残差值及预设残差阈值对所述待预警部件的温度进行告警。
2.如权利要求1所述的基于NSET模型的风力发电机温度预警方法,其特征在于,所述利用补偿时长和所述风力发电机的当前有功功率,对所述当前温度进行补偿,得到补偿温度的步骤包括:
利用预先建立的参考功率与参考温度之间的对应关系,确定所述当前有功功率对应的目标参考温度;
将所述补偿时长与所述目标参考温度的乘积作为补偿值;
将所述当前温度与所述补偿值之和作为所述补偿温度。
3.如权利要求1所述的基于NSET模型的风力发电机温度预警方法,其特征在于,所述当前数据为多个,每一所述当前数据对应一个残差值,每一所述残差值均包括温度残差均值和温度残差标准差,所述温度残差均值为对所有当前数据的残差值进行滑动平均计算得到,所述温度残差标准差为对所有当前数据的残差值进行标准差计算得到的,所述预设残差阈值包括预设均值范围和预设标准差范围,所述根据所述残差值及预设残差阈值对所述待预警部件的温度进行告警的步骤包括:
若所述温度残差均值不在所述预设均值范围内、或者所述温度残差标准差不在所述预设标准差范围内,则判定所述待预警部件的温度异常,并对所述待预警部件的温度进行告警。
4.如权利要求1所述的基于NSET模型的风力发电机温度预警方法,其特征在于,所述获取风力发电机运行的当前数据的步骤包括:
采集所述风力发电机当前运行时的原始数据;
按照预设滑动窗口对所述原始数据进行滑动平均处理,将滑动平均处理后的数据作为所述当前数据。
5.如权利要求1所述的基于NSET模型的风力发电机温度预警方法,其特征在于,所述方法还包括:
获取所述风力发电机在多种预设工况下运行的历史数据,所述历史数据包括所述风力发电机的所述待预警部件的样本温度和影响所述待预警部件的温度的相关因素的变量数据;
以所述样本温度为母因素、以所述相关因素为子因素,确定每一子因素影响所述母因素的影响权重;
按照所述影响权重从高到低的顺序,选取预设数目个子因素作为目标子因素;
根据所述样本温度、所述目标子因素的变量数据及所述NSET模型,确定所述预设残差阈值。
6.如权利要求5所述的基于NSET模型的风力发电机温度预警方法,其特征在于,所述历史数据为多个,所述根据所述样本温度、所述目标子因素的变量数据及所述NSET模型,确定所述预设残差阈值的步骤包括:
对每一所述历史数据的样本温度进行补偿,得到每一所述历史数据的补偿样本温度;
将每一所述历史数据的所述补偿样本温度及所述目标子因素的变量数据输入至所述NSET模型,得到每一所述历史数据的所述补偿样本温度和所述样本预测温度之间的样本残差值;
对所有所述历史数据的样本残差值进行滑动平均处理,得到所述预设残差阈值。
7.如权利要求6所述的基于NSET模型的风力发电机温度预警方法,其特征在于,所述根据所有所述历史数据的样本残差值进行滑动平均处理,得到所述预设残差阈值的步骤包括:
依次滑动预设窗口,计算每次滑动后所述预设窗口内的样本残差值的样本残差均值和样本残差标准差,得到每次滑动对应的样本残差均值和样本残差标准差;
根据绝对值最大的样本残差均值及绝对值最大的样本残差标准差,确定所述预设残差阈值。
8.一种基于NSET模型的风力发电机温度预警装置,其特征在于,所述装置包括:
获取模块,用于获取风力发电机运行的当前数据,所述当前数据包括所述风力发电机的待预警部件的当前温度及影响所述待预警部件的温度的运行数据;
补偿模块,用于利用补偿时长和所述风力发电机的当前有功功率,对所述当前温度进行补偿,得到补偿温度,所述补偿时长为从所述风力发电机的开机时间起至所述待预警部件的温度上升至预设温度止的时长,所述预设温度为所述风力发电机最近一次停机时所述待预警部件的温度;
预测模块,用于将所述补偿温度及所述运行数据输入至预先构建的NSET模型,得到所述待预警部件的预测温度与所述补偿温度的残差值;
告警模块,用于根据所述残差值及预设残差阈值对所述待预警部件的温度进行告警。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器用于存储程序,所述处理器用于在执行所述程序时,实现权利要求1-7中任一项所述的基于NSET模型的风力发电机温度预警方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于NSET模型的风力发电机温度预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290964.5A CN115374653B (zh) | 2022-10-21 | 2022-10-21 | 基于nset模型的风力发电机温度预警方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290964.5A CN115374653B (zh) | 2022-10-21 | 2022-10-21 | 基于nset模型的风力发电机温度预警方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115374653A CN115374653A (zh) | 2022-11-22 |
CN115374653B true CN115374653B (zh) | 2022-12-20 |
Family
ID=84073761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211290964.5A Active CN115374653B (zh) | 2022-10-21 | 2022-10-21 | 基于nset模型的风力发电机温度预警方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374653B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108869174A (zh) * | 2018-06-15 | 2018-11-23 | 西安交通大学 | 一种非线性建模的风力发电机叶片固有频率工况补偿方法 |
CN112231849A (zh) * | 2020-11-09 | 2021-01-15 | 北京国信会视科技有限公司 | 基于nest和sprt融合算法的轴温故障检测方法 |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
WO2022012137A1 (zh) * | 2020-07-15 | 2022-01-20 | 上海电气风电集团股份有限公司 | 风力发电机组的监控方法、系统及计算机可读存储介质 |
-
2022
- 2022-10-21 CN CN202211290964.5A patent/CN115374653B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108869174A (zh) * | 2018-06-15 | 2018-11-23 | 西安交通大学 | 一种非线性建模的风力发电机叶片固有频率工况补偿方法 |
WO2022012137A1 (zh) * | 2020-07-15 | 2022-01-20 | 上海电气风电集团股份有限公司 | 风力发电机组的监控方法、系统及计算机可读存储介质 |
CN112231849A (zh) * | 2020-11-09 | 2021-01-15 | 北京国信会视科技有限公司 | 基于nest和sprt融合算法的轴温故障检测方法 |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115374653A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11493911B2 (en) | System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets | |
WO2021107866A1 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
CN110006552B (zh) | 一种机组设备温度异常检测方法 | |
WO2022134495A1 (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN112504511B (zh) | 一种发电机定子温度监测方法、装置及介质 | |
CN110704964A (zh) | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 | |
WO2022048228A1 (zh) | 风电机组的载荷控制方法和装置 | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
CN110597232B (zh) | 一种基于动态置信规则库的变频器冷却水泵故障报警方法 | |
CN115655715A (zh) | 一种风电机组轴承异常温度的识别方法、装置和设备 | |
CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
US20210182749A1 (en) | Method of predicting component failure in drive train assembly of wind turbines | |
CN115374653B (zh) | 基于nset模型的风力发电机温度预警方法及相关装置 | |
CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
CN114444291B (zh) | 一种风机发电量损失精细化测算方法、系统、设备和介质 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN114235387B (zh) | 高速轴转速震荡检测方法、装置及作业机械 | |
CN115985072A (zh) | 基于机器学习的风力发电机机舱温度监测预警方法及系统 | |
Ye et al. | Machine Speed Condition Monitoring using Statistical Time-Domain Features Modeled with Graph | |
Wang et al. | Wind turbine spindle condition monitoring based on operational 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |