CN116384048A - 一种风力发电机组轴承寿命预测的方法 - Google Patents

一种风力发电机组轴承寿命预测的方法 Download PDF

Info

Publication number
CN116384048A
CN116384048A CN202310075755.7A CN202310075755A CN116384048A CN 116384048 A CN116384048 A CN 116384048A CN 202310075755 A CN202310075755 A CN 202310075755A CN 116384048 A CN116384048 A CN 116384048A
Authority
CN
China
Prior art keywords
bearing
representing
dimension
dimensional
characteristic parameter
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
CN202310075755.7A
Other languages
English (en)
Inventor
刘展
庞宇
汤立群
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.)
Beijing Nenggaopukang Measurement And Control Technology Co ltd
Original Assignee
Beijing Nenggaopukang Measurement And Control 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 Beijing Nenggaopukang Measurement And Control Technology Co ltd filed Critical Beijing Nenggaopukang Measurement And Control Technology Co ltd
Priority to CN202310075755.7A priority Critical patent/CN116384048A/zh
Publication of CN116384048A publication Critical patent/CN116384048A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Wind Motors (AREA)

Abstract

本发明基于理论推导和实际应用经验，提出一种风力发电机组轴承的寿命预测方法，该寿命预测系统整体结构如图所示，设计理论决策层结合大量轴承劣化理论进行高匹配度的模型构建，用于解决单一劣化理论模型构建失效的问题；设计风力发电环境因子参与特征参数的评估和敏感频带的提取以降低寿命预测的误差，用于解决目前轴承寿命预测方法在风力发电机上应用效果差的问题；设计低维特征参数选择决策层实现可视化退化趋势建模；设计反馈修正触发器实现对寿命预测系统整体的修正反馈功能，形成系统自适应闭环迭代升级。

Description

一种风力发电机组轴承寿命预测的方法
技术领域
本发明属于风力发电技术领域，涉及风力发电机组轴承健康监测与寿命预测方法。
背景技术
随着风力发电产业在国内外的蓬勃发展，对于风力发电机各部件的智能运营和维护的需求稳步提升。
风力发电机组轴承作为风机上的重要承重部件，特别是传动链上的主要承重轴承，其正常运行不仅维系着能量通过机械传动链转化成电能的稳定性，更关乎整个风力发电机组的安全运转，对其健康状态的监测和寿命预测的研究在智能运维的大趋势下是一个非常重要的课题。
对于风力发电机的智能运维而言，风力发电机轴承的健康情况监测以及寿命预测是风力发电机整体运营维护的重要一环，但由于风力发电受到复杂工况、特异干扰源的影响，导致常规基于数据驱动的轴承健康监测和寿命预测方法在风力发电机轴承的应用上出现了预测误差大、无有效反馈机制等问题。
常规的轴承寿命预测方法中往往基于特定的轴承劣化理论，并根据该理论预设进行模型构建，而轴承的实际劣化方式往往在各种因素的影响下表现出偏离劣化理论的情况，这种单一的模型构建方式在实际应用中往往容易出现较大的拟合误差而导致模型构建失败。
综上，常规的轴承健康监测和寿命预测方法对风电轴承由运行环境对振动信号产生的影响缺乏有效的解决措施，在轴承退化模型的构建方面也缺乏合理的优化机制，本发明提出理论决策层解决寿命预测系统在模型拟合失败后缺乏优化机制的问题；提出风电环境因子和特征参数评估决策层解决风力发电机组特异环境导致寿命预测误差大的问题；采用本征维度估计理论的降维思路实现数据降维融合以提高特征参数所含故障信息的密度；提出低维特征参数评估选择层以实现主成分维度的优化选择；提出反馈修正结构解决寿命预测系统缺乏自适应性迭代更新的问题。
发明内容
本发明基于理论推导和实际应用经验，提出一种风力发电机组轴承的寿命预测方法，该寿命预测系统整体结构如图1所示，设计理论决策层结合大量轴承劣化理论进行高匹配度的模型构建；设计风力发电环境因子参与特征参数的评估以及敏感频带的提取以降低寿命预测的误差；设计低维特征参数选择决策层实现可视化趋势方向建模；设计反馈修正触发器实现对寿命预测系统整体的修正反馈功能，形成系统自适应闭环迭代升级。
本发明技术构建的理论决策层是针对单一的轴承劣化理论与实际轴承劣化过程匹配度低的问题，通过评估和反馈机制匹配不同的轴承劣化理论和模糊聚类算法来最优化逼近被测试轴承的劣化过程，将模糊聚类的理论与轴承劣化理论的阶段性划分进行匹配，最终构建出匹配度高的分段式轴承退化模型，理论决策层运转如图2所示，初始化轴承劣化理论和模糊聚类算法分别为轴承失效四阶段理论和模糊C均值聚类算法。
本发明技术引入的风力发电环境因子
Figure SMS_1
用于降低风力发电机组轴承振动信号的 独特特性对寿命预测结果造成的误差，主要通过参与特征参数的评估决策以及信号敏感频 带的评估确定来实现，在上述两个环节中，风电环境因子作为辅助指标以及可控制变量参 与到评估决策中。
特征参数评估决策层基于各种特征参数在风力发电机组轴承寿命预测的实际效果和高阶统计量理论来对信号的时域、频域、时频域以及信息熵相关的所有特征参数进行综合评估选择，实际应用效果指的是特征参数在时间维度上的变化情况，通过特征参数的单调性、趋势性和鲁棒性指标的计算结果来体现，高阶统计量理论是通过计算特征参数高阶统计量的值来反应该特征参数在数据层面的特性，该决策层的输出结果为一个故障信息密度较高的高维特征参数集，通过对特征参数的优化选择解决了高维特征参数数据集蕴含轴承故障信息密度较低的问题。
轴承劣化理论与实际经验皆表明，随着轴承劣化过程的进行，轴承振动信号主要特征在频谱图中的分布是不断变化的，为了更准确地提取对应的故障特征，在特征参数评估决策层之前采用信号分解算法来对不同频带信号做一个敏感性评估和选择，频带敏感性评估和选择如图3所示，可以使用多种信号分解算法结合实际应用效果的评估指标进行信号敏感频带的评估和选择，其中敏感指标是通过计算个别特征参数在某个频带范围内对时间变化率的数值大小来表征的。
本发明设计的反馈修正结构，能够针对最终的寿命预测曲线与实际趋势曲线偏离度较高的情况进行修正或反馈，形成反馈决策层以优化整体寿命预测方法的稳定性，能够在对风电轴承的健康监测和寿命预测过程中逐步优化扩充轴承故障数据库，实现寿命预测系统整体上的动态优化和迭代升级，反馈修正结构如图4所示。
综上，本发明是基于模糊聚类理论与实际监测效果不断进行系统层次重构并优化决策的一种风力发电机轴承寿命预测方法，依托本征维度估计理论中的非线性降维算法实现风力发电机轴承故障信息的高密度特征融合，设计理论决策层、特征参数评估决策层、低维特征参数选择决策层以及反馈修正结构来灵活调整轴承劣化理论模型与实际劣化过程模型的契合度，反馈优化整个系统的故障样本库，既能够兼容风电环境下的轴承运行状态寿命监测，又提高了整个系统对风电轴承健康监测的稳定性和寿命预测的准确性。
附图说明
图1 一种风力发电机轴承寿命预测方法示意图
图2 理论决策层示意图
图3 敏感频带评估选择示意图
图4 反馈修正结构示意图
具体实施方式
首先利用风力发电机轴承的全周期故障数据作为训练数据集，按照轴承劣化理论 选择轴承劣化阶段数，确定模糊聚类算法的分类数量
Figure SMS_2
。
采用模糊聚类分析建模理论，可对数据的高维样本特征集进行分类并分别计算各类别数据的聚类中心，结合轴承退化理论的阶段特性可用于对轴承劣化过程进行定量评估和计算分析，模糊C均值聚类方法作为一种灵敏性较高的模糊聚类分析建模方法，以模糊C均值聚类方法为例的计算模型如下所示：
Figure SMS_3
其中
Figure SMS_4
表示高维样本特征集；
Figure SMS_5
表示S维特征空间
Figure SMS_6
的一个有限子集；
Figure SMS_7
表示子空间
Figure SMS_8
分成
Figure SMS_9
类后每类数据样本聚类中心；
Figure SMS_10
表示模糊加权控制指数；
Figure SMS_11
表示样本
Figure SMS_12
相对于第
Figure SMS_13
类的隶属度；
Figure SMS_14
表示分离矩阵；
Figure SMS_15
表示聚类中心矩阵；
记
Figure SMS_16
代表样本
Figure SMS_17
与聚类中心
Figure SMS_18
的距离；
Figure SMS_19
表示样本集合簇；
Figure SMS_20
表示与
Figure SMS_21
对应的补集簇；
对于任意测试样本数据
Figure SMS_22
，计算其对于类别
Figure SMS_23
的隶属值为：
Figure SMS_24
在轴承寿命预测模型的构建中，采用上述样本隶属值作为轴承退化指标即可绘制轴承退化趋势图，结合故障样本数据库中风电轴承退化各个阶段的退化趋势，可以对现有轴承劣化趋势进行分段式拟合和寿命预测。
对于提取得到的高维特征参数集，需采用非线性降维方法做数据预处理，以局部线性嵌入算法为例计算步骤如下所示：
通过下式计算高维数据空间局部特性权值矩阵：
Figure SMS_25
;
Figure SMS_26
表示样本数据点
Figure SMS_27
与其最近的
Figure SMS_28
个邻近点的权值；
Figure SMS_29
表示权值矩阵；
利用权值矩阵将高维数据空间局部特性传递至低维数据空间：
Figure SMS_30
;
上式中
Figure SMS_31
且满足
Figure SMS_32
;
局部线性嵌入算法通过上述计算完成高维数据向低维数据的压缩，与之相关的非线性降维方法还有MDS方法、ISOMAP方法等等，可以综合考虑各种非线性降维方法的优缺点以及实际应用效果进行最优化选择。
在应用各种非线性降维方法进行数据降维之前应先对高维特征数据做标准化处理和本征维数估计，本征维数能够从维度上反映高维特征数据的内部结构特性，用于确定数据降维的方向，直接决定了降维后留存的数据维数。
本征维数估计算法如下所示：
Figure SMS_33
式中
Figure SMS_34
表示流形本征维数估计；
Figure SMS_35
分别对应参数
Figure SMS_36
的最小线性二乘估计；
Figure SMS_37
表示一个给定的光滑低维流形；
Figure SMS_38
表示流形
Figure SMS_39
上相互独立的向量组；
Figure SMS_40
表示
Figure SMS_41
中所有采样点
Figure SMS_42
的
Figure SMS_43
个最邻近点集合；
Figure SMS_44
表示
Figure SMS_45
中所有点的
Figure SMS_46
-邻近图（K-NN）的总边长长度；
Figure SMS_47
为常数，由蒙特卡罗法对随机采样的单位立方体K-NN长度模拟确定；
Figure SMS_48
表示
Figure SMS_49
的K-NN图总长度
Figure SMS_50
流形的固有维数；
记
Figure SMS_51
，对应向量形式为
Figure SMS_52
;
上式中
Figure SMS_53
。
提取本征维数之前需先对特征参数进行标准化，标准化方法如下：
Figure SMS_54
Figure SMS_55
表示待标准化高维特征数据；
Figure SMS_56
表示均值；
Figure SMS_57
表示方差；
Figure SMS_58
表示完成标准化后的高维特征数据。
提取信号高维特征参数过程中，基于实际数据的特征参数提取效果测试以及针对 风机环境的理论分析，引入环境因子
Figure SMS_59
作为特征参数选取的评估指标之一构建特征参数评 估决策层，以降低使用的特征参数对风速波动随意性、偶发性冲击以及负载变化的敏感程 度，环境因子定义如下：
Figure SMS_60
；
Figure SMS_61
表示振动信号
Figure SMS_62
的解析信号；
Figure SMS_63
表示振动信号
Figure SMS_64
的平稳度；
Figure SMS_65
表示采样时间内风机转速变化率指标；
Figure SMS_66
表示柔性支撑指标；
对于数据降维后得到的低维数据集
Figure SMS_67
，可以进一步设 计低维特征参数选择决策层用于构建样本隶属值与时间的关系曲线，即为轴承退化趋势曲 线，而低维数据集中选取主元素的方法在构建样本隶属值曲线方面可以通过反馈修正结构 的作用实现优化选取。
利用信号分解算法进行各阶段训练数据以及测试数据的敏感频带选择，由敏感频 带评估决策层结合环境因子
Figure SMS_68
来综合评估决策各阶段故障数据所处的敏感频带范围
Figure SMS_69
，能够进一步增大特征参数中有效故障信息的密度。
在基于模糊聚类理论进行轴承寿命预测模型构建的过程中，设计反馈修正结构对实现整体寿命预测系统的优化，该结构通过识别轴承劣化趋势图中数据点的偏离度来决定是否进行实时修正数据点或反馈记录特定的偏离情况。
该反馈信息将逐级向上提供给低维特征参数选择决策层、特征参数评估决策层以及理论决策层，对于连续性偏离度较高的测试数据集，该结构也可以直接将数据集保存并反馈至故障信号样本库。
对于未触发反馈修正结构的测试数据集，按照其样本隶属值的分段趋势变化进行分段拟合，可以得到误差较低的轴承寿命预测曲线，进而实现对风电轴承寿命的预测。

Claims (7)

1.一种风力发电机轴承寿命预测的方法，包括理论决策层、特征参数评估决策层、低维特征参数选择决策层共三个主要决策层和一个特征参数降维思路以及一个反馈修正结构，其特征在于，能够适配多种轴承劣化理论进行风电轴承寿命预测、可以结合风力发电机环境针对性地对风电轴承特征参数进行评估、能够适配不同优点的非线性降维算法进行特征融合、可以在低维特征参数层面做进一步的评估和选择、能够从多次迭代的轴承退化趋势模型出发对上述三个主要决策层进行反馈和修正，同时优化故障样本数据库。
2.根据权利要求1所述的风力发电机轴承寿命预测方法，该方法是在模糊聚类理论的框架上设计理论决策层，其特征在于，针对各种轴承劣化理论对轴承劣化不同阶段数的划分以及阶段性特征概括内容的不同、不同模糊聚类算法对于特征值聚类特性以及聚类思路的不同，理论决策层初始化一个确定的轴承劣化理论和一个确定的模糊聚类算法，后将该模糊聚类算法与选定的轴承劣化理论结合来对故障阶段性特征进行分段计算和寿命预测模型的构建，再通过反馈修正结构对理论决策层中的轴承劣化理论和模糊聚类算法进行方向优化调整，初始化中采用最宽泛的轴承失效四阶段理论和模糊C均值聚类算法，其中模糊C均值聚类算法理论如下所示：
Figure QLYQS_1
；
其中
Figure QLYQS_2
表示高维样本特征集；
Figure QLYQS_3
表示S维特征空间/>
Figure QLYQS_4
的一个有限子集；
Figure QLYQS_5
表示子空间/>
Figure QLYQS_6
分成/>
Figure QLYQS_7
类后每类数据样本聚类中心；
Figure QLYQS_8
表示模糊加权控制指数；
Figure QLYQS_9
表示样本/>
Figure QLYQS_10
相对于第/>
Figure QLYQS_11
类的隶属度；
Figure QLYQS_12
表示分离矩阵；
Figure QLYQS_13
表示聚类中心矩阵；
记
Figure QLYQS_14
代表样本/>
Figure QLYQS_15
与聚类中心/>
Figure QLYQS_16
的距离；
Figure QLYQS_17
表示样本集合簇；
Figure QLYQS_18
表示与/>
Figure QLYQS_19
对应的补集簇；
对于任意测试样本数据
Figure QLYQS_20
，计算其对于类别/>
Figure QLYQS_21
的隶属值为：
Figure QLYQS_22
。
3.根据权利要求1所述的风力发电机轴承寿命预测方法，涉及的特征参数评估决策层，其特征是结合风力发电机的特异性发电环境和风力发电机轴承振动信号区别于一般轴承振动信号的特性，构造引入了风电环境因子作为评估指标之一参与特征参数的评估，特征参数的评估和决策是在高维特征参数标准化的基础上计算各特征参数的单调性、趋势性和鲁棒性评估指标与风电环境因子的加权结果综合进行的，特征参数的标准化方法和风力发电机环境因子定义如下：
Figure QLYQS_23
4.
Figure QLYQS_24
表示待标准化高维特征数据；
Figure QLYQS_25
表示均值；
Figure QLYQS_26
表示方差；
Figure QLYQS_27
表示完成标准化后的高维特征数据;
风力发电机环境因子
Figure QLYQS_28
定义如下：
Figure QLYQS_29
；
Figure QLYQS_30
表示振动信号/>
Figure QLYQS_31
的解析信号；
Figure QLYQS_32
表示振动信号/>
Figure QLYQS_33
的平稳度；
Figure QLYQS_34
表示采样时间内风机转速变化率指标；
Figure QLYQS_35
表示柔性支撑指标。
5.根据权利要求1所述的风力发电机轴承寿命预测方法，涉及到的一个特征参数的降维思路，其特征是对通过评估后的特征参数构成的高维特征参数集采用非线性降维算法来实现本征维度估计和低维特征参数数量的确定，进一步实现高维特征参数到低维特征参数的转化，可用于本征维度估计的非线性降维算法主要有局部线性嵌入算法和局部保持投影算法，其中局部线性嵌入算法在本征维度估计的应用思路如下所示：
局部线性嵌入算法通过下式计算高维数据空间局部特性权值矩阵；
Figure QLYQS_36
;
Figure QLYQS_37
表示样本数据点/>
Figure QLYQS_38
与其最近的/>
Figure QLYQS_39
个邻近点的权值；
Figure QLYQS_40
表示权值矩阵；
利用权值矩阵将高维数据空间局部特性传递至低维数据空间：
Figure QLYQS_41
;
上式
Figure QLYQS_42
且满足/>
Figure QLYQS_43
;
本征维数估计算法如下所示：
Figure QLYQS_44
；
式中
Figure QLYQS_45
表示流形本征维数估计；
Figure QLYQS_46
分别对应参数/>
Figure QLYQS_47
的最小线性二乘估计；
Figure QLYQS_48
表示一个给定的光滑低维流形；
Figure QLYQS_49
表示流形/>
Figure QLYQS_50
上相互独立的向量组；
Figure QLYQS_51
表示/>
Figure QLYQS_52
中所有采样点/>
Figure QLYQS_53
的/>
Figure QLYQS_54
个最邻近点集合；
Figure QLYQS_55
表示/>
Figure QLYQS_56
中所有点的/>
Figure QLYQS_57
-邻近图（K-NN）的总边长长度；
Figure QLYQS_58
为常数，由蒙特卡罗法对随机采样的单位立方体K-NN长度模拟确定；
Figure QLYQS_59
表示/>
Figure QLYQS_60
的K-NN图总长度/>
Figure QLYQS_61
流形的固有维数；
记
Figure QLYQS_62
，对应向量形式为/>
Figure QLYQS_63
;
上式中
Figure QLYQS_64
。
6.根据权利要求1所述的风力发电机轴承寿命预测方法，涉及到的低维特征参数选择决策层，其特征是对降维后得到的低维特征参数进行优化选择并记录两个维度得到二维特征参数集，将选择的结果与模糊聚类算法相结合构建二维数据点分类图，计算对应的聚类中心，并根据不同阶段数据聚类中心的位置分布情况确定最终的主成分维度，后基于主成分维度对测试数据进行退化指标的计算并构建出风电轴承退化趋势图，其中优化选择的逻辑是通过反馈修正结构的不断触发迭代下实现的。
7.根据权利要求1所述的风力发电机轴承寿命预测方法，提及的反馈修正结构，其特征是通过对偏离数据点的修正来减小预测结果的误差，通过逐级反馈机制对不符合预期理论模型的预测曲线进行系统性的逐级重构，该反馈结构还可以对尚未出现在故障样本数据库中的特异性轴承退化类型进行识别和保存，优化故障样本数据库，整体实现寿命预测系统的自适应性迭代升级。
CN202310075755.7A 2023-02-07 2023-02-07 一种风力发电机组轴承寿命预测的方法 Pending CN116384048A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310075755.7A CN116384048A (zh) 2023-02-07 2023-02-07 一种风力发电机组轴承寿命预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310075755.7A CN116384048A (zh) 2023-02-07 2023-02-07 一种风力发电机组轴承寿命预测的方法

Publications (1)

Publication Number Publication Date
CN116384048A true CN116384048A (zh) 2023-07-04

Family

ID=86973833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310075755.7A Pending CN116384048A (zh) 2023-02-07 2023-02-07 一种风力发电机组轴承寿命预测的方法

Country Status (1)

Country Link
CN (1) CN116384048A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702510A (zh) * 2023-08-01 2023-09-05 聊城市誉林工业设计有限公司 基于工业信息和数据处理的换向器超速性能仿真计算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702510A (zh) * 2023-08-01 2023-09-05 聊城市誉林工业设计有限公司 基于工业信息和数据处理的换向器超速性能仿真计算方法
CN116702510B (zh) * 2023-08-01 2023-10-20 聊城市誉林工业设计有限公司 基于工业信息和数据处理的换向器超速性能仿真计算方法

Similar Documents

Publication Publication Date Title
Lu et al. Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition
CN111709490B (zh) 一种基于gru神经网络的风机健康状态评估方法
CN110849626B (zh) 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统
CN106980822B (zh) 一种基于选择性集成学习的旋转机械故障诊断方法
Shi et al. Power system event identification based on deep neural network with information loading
CN111429034A (zh) 一种配电网故障预测的方法
Luo et al. A novel fault prediction method of wind turbine gearbox based on pair-copula construction and BP neural network
CN115270986A (zh) 数据异常检测方法、装置和计算机设备
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN116384048A (zh) 一种风力发电机组轴承寿命预测的方法
Fan et al. Fluctuation pattern recognition based ultra-short-term wind power probabilistic forecasting method
CN117371207A (zh) 一种特高压换流阀状态评价方法、介质及系统
CN117473411A (zh) 基于改进Transformer模型的轴承寿命预测方法
CN116308883A (zh) 一种基于大数据的区域电网数据统筹管理系统
CN117782198B (zh) 一种基于云边端架构的公路机电设备运行监测方法及系统
CN117458955A (zh) 电机的运行控制方法及系统
CN114298132A (zh) 风电功率预测方法及装置、电子设备
Yang et al. Assessment of equipment operation state with improved random forest
CN117520809A (zh) 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法
CN117743829A (zh) 一种基于深度学习的短期电力负荷量预测方法
CN117077532A (zh) 风电机组寿命预测的多模型融合方法
Liu et al. Enhancing short-term wind power forecasting accuracy for reliable and safe integration into power systems: A gray relational analysis and optimized support vector regression machine approach
CN113051809A (zh) 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法
CN111461565A (zh) 一种电力调控下的电源侧发电性能评估方法
Gu et al. Online monitoring of wind turbine operation efficiency and optimization based on benchmark values

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