CN116401536A - 一种风电机组风速计的故障诊断方法、装置及系统 - Google Patents

一种风电机组风速计的故障诊断方法、装置及系统 Download PDF

Info

Publication number
CN116401536A
CN116401536A CN202310673221.4A CN202310673221A CN116401536A CN 116401536 A CN116401536 A CN 116401536A CN 202310673221 A CN202310673221 A CN 202310673221A CN 116401536 A CN116401536 A CN 116401536A
Authority
CN
China
Prior art keywords
wind
wind speed
anemometer
wind turbine
value
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.)
Granted
Application number
CN202310673221.4A
Other languages
English (en)
Other versions
CN116401536B (zh
Inventor
张道全
孔德同
张乐平
马东
周宇昊
周璐
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.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric 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 Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN202310673221.4A priority Critical patent/CN116401536B/zh
Publication of CN116401536A publication Critical patent/CN116401536A/zh
Application granted granted Critical
Publication of CN116401536B publication Critical patent/CN116401536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
    • G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
    • G01P21/025—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers for measuring speed of fluids; for measuring speed of bodies relative to fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mechanical Engineering (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电机组风速计的故障诊断方法、装置及系统，涉及故障诊断领域，获取待测风电机组所在族群中所有的风电机组以及风速计的风速数据，将风速数据输入到第一预设机器学习模型中确定主成分特征，再将主成分特征输入到第二预设机器学习模型中确定风速拟合值，以便得到待测风电机组的风速拟合值，判断风速拟合值与测量风速值之间的差值是否大于预设差值，大于则判定待测风电机组的风速计故障。通过提取整个族群中所有风电机组及风速计的风速数据进行计算，可以在不需要额外架设传感器的前提上有效计算风速拟合值与待测风速计的测量风速值之间的偏差，在考虑邻比机组尾流影响和地形地貌影响的同时显著减少计算量和算法优化迭代的难度。

Description

一种风电机组风速计的故障诊断方法、装置及系统
技术领域
本发明涉及故障诊断领域，特别是涉及一种风电机组风速计的故障诊断方法、装置及系统。
背景技术
风速数据是风电机组中用于评估整个风电机组的功率特性、出力性能和运行状态等内容的重要变量，目前通常由安装在风电机组中的风速计测量风速，风速计测得的风速数据的准确性直接影响到整个风电机组的评估指标，因此，需要针对风速计本身进行故障诊断，保证风速计的稳定可靠。在现有技术中，为了对风速计进行故障诊断，通常是获取待测风电机组及其附近的几个风电机组风速计数据及运行数据，通过拟合算法对待测风电机组的风速计风速值进行拟合，基于风速拟合值和真实测得的风速值之间的残差与阈值进行比较来确定风速计的故障情况。这种方法仅通过邻比风机数据对待测风机风速数据进行拟合，对于附近的风电机组的尾流影响以及当地的地形地貌会对风资源的影响无法准确计算。
发明内容
本发明的目的是提供一种风电机组风速计的故障诊断方法、装置及系统，通过提取族群中风速数据主成分，考虑整场风资源情况并降低拟合模型中输入数据维度，在考虑了邻比机组尾流影响和地形地貌影响的同时显著地减少了计算量和算法优化迭代的难度。
为解决上述技术问题，本发明提供了一种风电机组风速计的故障诊断方法，包括：
获取待测风电机组所在族群中所有的风电机组的运行数据，并获取各个所述风电机组中的风速计的测量风速值作为风速数据；
将除所述待测风电机组外的其他所述风电机组的风速数据输入到第一预设机器学习模型中，确定所述风速数据中的主成分特征向量；其中，所述第一预设机器学习模型预先由多个所述风速数据训练得到；
将所述待测风电机组的运行数据和所述主成分特征向量均输入到第二预设机器学习模型中，确定所述待测风电机组的风速拟合值；其中，所述第二预设机器学习模型预先由预设数量的所述风速数据和所述运行数据训练得到；
判断所述风速拟合值与所述待测风电机组的风速计的测量风速值之间的差值是否大于预设差值；
若大于所述预设差值，则判定所述待测风电机组的风速计的故障诊断结果为故障。
一方面，确定所述风速数据中的主成分特征向量，包括：
在所述第一预设机器学习模型中，对所述风速数据进行空间重构变换，得到相同维度的特征向量数组；
确定所述特征向量数组中的各个特征向量的方差解释率；
以所述方差解释率由大到小的顺序获取多个所述特征向量作为所述主成分特征向量；其中，所有的所述主成分特征向量的方差解释率之和不小于预设方差解释率阈值。
一方面，确定所述特征向量数组中的各个特征向量的方差解释率，包括：
确定由所述风速数据构成的样本数据集的协方差；
基于所述协方差和拉格朗日法对所述方差解释率求解最大值，以确定所述样本数据集中的第一个所述特征向量的方差解释率；
利用所述样本数据集中剩余的所述特征向量重新确定协方差，并基于拉格朗日法对所述方差解释率求解最大值，直到确定每个所述特征向量的方差解释率。
一方面，将所述待测风电机组的运行数据和所述主成分特征向量均输入到第二预设机器学习模型中，包括：
根据所述待测风电机组的风速计测得的风向，将所述待测风电机组的运行数据和所述主成分特征向量输入到所述风向对应的第二预设机器学习模型中。
一方面，所述第二预设机器学习模型的训练过程包括：
获取多个所述风电机组的历史运行数据以及所述风速计的历史风速值共同作为训练数据集；
将所述训练数据集分别输入到各个风向对应的所述第二预设机器学习模型中，以便作为各个所述第二预设机器学习模型的训练样本。
一方面，所述第二预设机器学习模型的训练过程包括：
获取多个所述风电机组的历史运行数据以及所述风速计的历史风速值共同作为训练数据集；
根据获取到训练数据的时间点，确定各个所述时间点的预设权重值；
对于任一个所述训练数据，利用各个所述时间点的预设权重值和对应时间点获取到的所述训练数据确定所述训练数据的加权平均值；
以预设数据颗粒度将时间分成连续的多个时间段；
将处于同一个时间段中的所有的所述加权平均值均调整为所述时间段中的指定的所述加权平均值；
将所有的所述加权平均值作为所述第二预设机器学习模型的训练样本。
一方面，在判定所述待测风电机组的风速计的故障诊断结果为故障之后，还包括：
根据所述风速数据确定所述待测风电机组的风速计的故障类型；
确定所述故障类型对应的故障诊断方法；
生成包含所述故障诊断方法的预警信号并发送给预警模块，以便所述预警模块发出提示。
一方面，判断所述风速拟合值与所述待测风电机组的风速计的测量风速值之间的差值是否大于预设差值，包括：
确定当前时刻的所述风速拟合值与所述测量风速值之间的差值；
获取所述当前时刻之前的前M个时刻确定得到的所述风速拟合值与所述测量风速值之间的差值，M为不小于2的整数；
确定所有的所述差值之间的均方根；
判断所述均方根是否大于预设阈值；
若是，则判定大于所述预设差值。
本申请还提供一种风电机组风速计的故障诊断装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述的风电机组风速计的故障诊断方法的步骤。
本申请还提供一种风电机组风速计的故障诊断系统，包括：
风电机组、风速计以及如上述的风电机组风速计的故障诊断装置；
所述风速计与所述风电机组连接；
所述风速计和所述风电机组分别与所述风电机组风速计的故障诊断装置连接。
本申请的有益效果在于，通过获取待测风电机组所在族群中所有的风电机组以及风速计的风速数据，将风速数据输入到第一预设机器学习模型中确定主成分特征，再将主成分特征输入到第二预设机器学习模型中确定风速拟合值，以便得到待测风电机组的风速拟合值，判断风速拟合值与测量风速值之间的差值是否大于预设差值，大于则判定待测风电机组的风速计故障。通过提取整个族群中所有风电机组及风速计的风速数据进行计算，提取风机族群中风速数据主成分，考虑整场风资源情况并降低拟合模型中输入数据维度，可以在不需要额外架设传感器的前提上有效计算风速拟合值与待测风速计的测量风速值的偏差，在考虑了邻比机组尾流影响和地形地貌影响的同时显著减少了计算量和算法优化迭代的难度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本申请提供的一种风电机组风速计的故障诊断方法的流程图；
图2为本申请提供的一种主成分分析的碎石图；
图3为本申请提供的一种各风向的风速玫瑰图；
图4为本申请提供的另一种各风向的风速玫瑰图；
图5为本申请提供的一种风速拟合值与真实风速值随时间变化的曲线图；
图6为本申请提供的另一种风速拟合值与真实风速值随时间变化的曲线图；
图7为本申请提供的一种故障判断阈值的示意图；
图8为本申请提供的一种风电机组风速计的故障诊断装置的结构示意图；
图9为本申请提供的一种风电机组风速计的故障诊断系统的结构示意图。
具体实施方式
本发明的核心是提供一种风电机组风速计的故障诊断方法、装置及系统，通过提取风机族群中风速数据主成分，考虑整场风资源情况并降低拟合模型中输入数据维度，在考虑了邻比机组尾流影响和地形地貌影响的同时显著地减少了计算量和算法优化迭代的难度。
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。基于本发明中的实施例，本领域普通技术人员在没有做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。
风速是评估风电机组的功率特性和出力状态等内容的基础数据，风速计是测量风速的重要器件，其作为部件故障诊断的关键指标，保证其测得数据的质量是确保整个风电机组性能的评估有效性的重要前提。风速计故障通常可以分为两种类型：一是风速计的测量值长时间持续为零，这种数据易于捕获，也比较容易进行故障诊断；二是风速计的测量值不为零且不明显，例如测量值不稳定、较真实值波动过大的情况，诊断难度较高。此外，由于同区域甚至同风电场的风电机组因招标批次不同可能属于不同的厂家及型号，多种类型故障数据集难以有效聚合，通常的以分类为机器学习算法的诊断方法难以应用。
在现有技术中，通常是通过将待测风电机组及其附近的几个具有最佳风速空间相关性的其他风电机组划分为一个故障互诊群落，通过拟合算法对同一故障互诊群落中的各个风电机组的风速计风速值进行拟合，基于风速拟合值和真实测得的风速值之间的残差与阈值进行比较来确定风速计的故障情况；或者是加装激光雷达风速计进行风速测量，与原风速计测量值比较，通过相应评估参数是否达到阈值进行诊断。以邻比风机数据拟合待测风机风速值的方法会产生多重共线性问题，输入模型的信息完整度较低，难以做到针对邻比风电机组的尾流影响及当地的地形地貌对待测机组风资源影响的准确计算；根据风电机组的单机容量较小、机组间相隔距离较远的特性，外加传感器对目前发电企业来说投入成本较高，企业大多不愿加装。
为了解决上述技术问题，请参照图1，图1为本申请提供的一种风电机组风速计的故障诊断方法的流程图，包括：
S1：获取待测风电机组所在族群中所有的风电机组的运行数据，并获取各个风电机组中的风速计的测量风速值作为风速数据；
为了对风速计进行故障诊断，首先需要获取风电机组中的各种运行数据，例如：风速计数据、有功功率数据及其时间戳等数据，获取到的参数应与风速计的工作状态之间存在联系，而并非获取风电机组中的任意数据，例如，上述获取到的功率数据，因为风电机组的出力或者输出功率与转动轴的角速度有关，而转动轴角速度与叶片受到的气动力有关，也即与风速有关，因此需要获取功率数据。为了更贴合风电机组的实际情况，在获取历史运行数据和测量风速值提供给后续的机器学习模型进行训练时，可以以年为单位，获取至少1年，也就是连续12个月的运行数据和风速值提供给机器学习模型进行训练，以保证数据的季节性在模型中被充分挖掘。
为了充分提供相关数据输入拟合模型，并充分考虑风电机组附近的其他风电机组的尾流带来的影响，本申请中，可以根据风电机组的唯一标识符，例如所在地区的名称、制造该风电机组的厂商的名称或该风电机组的型号等来确定风电机组所在的族群，这是因为在实际应用中，每次招标架设的风电机组通常属于同一型号或者厂商，在实际架设时，也通常会根据风机经纬度及相关地形地势图，对这些风电机组按照区域、厂家和型号划分族群，也就是将同一批风电机组架设在同一族群域中。因为风电机组会受到同一族群中其他风电机组的影响，所以需要获取该族群中所有的风电机组的运行数据和风速值，根据这些风电机组所有风速计测得的风速值提供该族群地区风速信息，并考虑其尾流对待测风电机组风速计的影响。进一步的，还可以计算出风电机组各自的风速拟合值，从而实现对整个族群进行风速计的故障诊断。
S2：将除待测风电机组外的其他风电机组的风速数据输入到第一预设机器学习模型中，确定风速数据中的主成分特征向量；其中，第一预设机器学习模型预先由多个风速数据训练得到；
族群中包含多个风电机组，将其风速值全部设为输入数据会导致维度过高的问题，同时变量两变量之间过高的相关性将导致多重共线性问题。为了减少计算量、消除多重共线性，本申请中，首先需要先将风速数据集发送到第一预设机器学习模型中，第一预设机器学习模型是一种主成分分析模型，根据每个风速值之间的关联性的差异，为越是能描述风速数据集变化的成分赋予越高的方差贡献率，为越是对样本数据集没影响的成分赋予越低的方差贡献率，从而得到每个成分的方差贡献率，其中，方差贡献率大的成分也就是主成分特征向量。
S3：将待测风电机组的运行数据和主成分特征向量均输入到第二预设机器学习模型中，确定待测风电机组的风速拟合值；其中，第二预设机器学习模型预先由预设数量的风速数据和运行数据训练得到；
本申请所采用的第二预设机器学习模型为支持向量机回归模型，通过建立多维度空间中基于核函数的回归模型，在小样本、非线性及高维数据训练中表现出许多特有的优势。支持向量机回归是通过构建一个带有误差项的间隔带为厚度的超平面，将两组点到该分界面的最大距离平方之和作为损失函数，确定损失函数最小时的超平面的位置，即为最佳回归模型。其中，若样本点位于间隙带内，则该项损失为零。
本模型以该风机族群中其他风机风速计测量值和本风机的运行数据为输入变量，拟合待测风速计风速值，因此，第二预设机器学习模型的输入需要是待测风电机组本身的运行数据以及待测风电机组族群中其他所有风电机组的风速数据，利用超平面加误差项的形式建立回归函数，寻找损失函数最小时的超平面的位置。若待测风电机组的运行数据位于间隙带内，则损失为零。其公式为：
Figure SMS_1
其中，yi是待测风电机组的测量风速值，xi是除待测风电机组外的所有风电机组的风速组合形成的向量，wi是偏置向量，Ɛ是根据实际应用所定义的误差值。
然后对每个xi两侧加入松弛变量ζi，且ζi小于等于0；两侧的ζi分别为ζ
Figure SMS_2
和ζ/>
Figure SMS_3
，对不在间隙带内xi的函数进行求导，公式为：
Figure SMS_4
利用拉格朗日对偶性，可以将目标优化函数变换成无约束形式，即可求出偏置矩阵w，也就是回归模型参数；另外，其中的C为常数，m为不在间隙带的xi的个数。
若映射情况为线性不可分时，可以利用核函数通过空间映射将样本点输入到高维度中，在高维特征空间中构造出最优回归的超平面再进行计算。基于此，本申请采用支持向量机回归模型作为第二预设机器学习模型，利用其自带正则惩罚项，算法结构化风险大幅降低，泛化能力及抗噪能力较强，对异常值数据存在鲁棒性，适用性广。
S4：判断风速拟合值与待测风电机组的风速计的测量风速值之间的差值是否大于预设差值；
S5：若大于预设差值，则判定待测风电机组的风速计的故障诊断结果为故障。
在诊断风速计是否会发生故障时，可以用一开始获取到的风速计的真实的测量风速值与机器学习模型计算出来的虚拟的风速拟合值之间作差，若两者之间的差值过大则判定风速计的故障诊断结果为故障。进一步的，为了准确地进行诊断，可以在经过一个时间段后，判断这一时间段内的风速计的真实风速值的趋势是否与风速拟合值的趋势近似，若不近似则判定风速计的故障诊断结果为故障。此外，若在这一时间段中的真实风速值的波动过大；或者在S2之前，检测到测量风速值持续为0或风速计电气故障，这种明显的情况可以直接判定风速计的故障诊断结果为故障。
综上，通过获取待测风电机组所在族群中所有的风电机组以及风速计的风速数据，将风速数据输入到第一预设机器学习模型中确定主成分特征，再将主成分特征输入到第二预设机器学习模型中确定风速拟合值，以便得到待测风电机组的风速拟合值，判断风速拟合值与测量风速值之间的差值是否大于预设差值，大于则判定待测风电机组的风速计故障。通过提取整个族群中所有风电机组及风速计的风速数据进行计算，提取风机族群中风速数据主成分，考虑整场风资源情况并降低拟合模型中输入数据维度，可以在不需要额外架设传感器的前提上有效计算风速拟合值与待测风速计的测量风速值的偏差，在考虑了邻比机组尾流影响和地形地貌影响的同时显著减少了计算量和算法优化迭代的难度，显著地减少了风机智能化监测手段的费用。
在上述实施例的基础上：
在一些实施例中，确定风速数据中的主成分特征向量，包括：
在第一预设机器学习模型中，对风速数据进行空间重构变换，得到相同维度的特征向量数组；
确定特征向量数组中的各个特征向量的方差解释率；
以方差解释率由大到小的顺序获取多个特征向量作为主成分特征向量；其中，所有的主成分特征向量的方差解释率之和不小于预设方差解释率阈值。
族群中包含多个风电机组，将其风速值全部设为输入数据会导致维度过高的问题，同时变量两变量之间过高的相关性将导致多重共线性问题。为了减少计算量、消除多重共线性，本申请中，需要先将风速数据集发送到第一预设机器学习模型中，第一预设机器学习模型是一种主成分分析模型，根据每个风速值之间的关联性的差异，为越是能描述风速数据集变化的成分赋予越高的方差贡献率，为越是对样本数据集没影响的成分赋予越低的方差贡献率，从而得到每个成分的方差贡献率，其中，方差贡献率大的成分也就是主成分特征向量。根据实际需求和每个特征向量的方差贡献率，求出所需主成分特征向量的数量，以便为第二预设机器学习模型在低维向量空间里提供相对充足的信息描述观测点的变化，例如，可以提供所有主成分特征的权重之和不小于98%时的数量作为后续第二预设机器学习模型的输入，请参照图2，图2为本申请提供的一种主成分分析的碎石图，按方差贡献率由大到小进行排序并逐个统计主成分特征向量数量增加后的方差贡献率总和，为选取主成分特征向量的个数提供数据支持。在实际应用时，根据第一预设机器学习模型获取待测风电机组族群中其他风电机组算得的主成分特征向量，并与待测机组运行数据共同输入第二预设机器学习模型拟合待测风电机组的风速计风速值。可见，主成分分析模型可以通过重构数组在相同维度下提取更多样本变化趋势信息，在减少样本量和计算量的前提上保证变化趋势的准确性。
在一些实施例中，确定特征向量数组中的各个特征向量的方差解释率，包括：
确定由风速数据构成的样本数据集的协方差；
基于协方差和拉格朗日法对方差解释率求解最大值，以确定样本数据集中的第一个特征向量的方差解释率；
利用样本数据集中剩余的特征向量重新确定协方差，并基于拉格朗日法对方差解释率求解最大值，直到确定每个特征向量的方差解释率。
为了得到充分的样本数据集变化信息，本申请中，将各个风速数据的方差解释率的大小作为其判断标准。具体的，首先将运行数据由p维度的空间向量转换为q维度的空间向量，公式为：
Figure SMS_5
其中，Y为通过原风速数据集经过线性变换方式降维后的一维向量，X为风速样本点矩阵，C为常数，u为降维参数矩阵，空间转换原则为映射数据在新坐标系方差最大化。
然后对Y1~Yq中的任一个分别进行求解，公式为：
Figure SMS_6
其中，xj为样本观测向量，
Figure SMS_7
为样本观测平均值，S是风速数据集的协方差矩阵，u 1为风速数据集通过线性组合方式降维的一维向量，n是风速数据的样本点个数。为保证变换后方差幅值一致，同时解决参数数组同比缩放产生的多种解问题，需要将u 1'乘以u 1约束为1。
然后，用拉格朗日方法求解最大化u 1'Su 1，公式为：
Figure SMS_8
该种情况为凸问题，满足KKT（Karush-Kuhn-Tucker，卡罗需-库恩-塔克条件）条件，因此对函数进行求导，在导数为0时函数应到达最大值，公式为：
Figure SMS_9
其中，λ 1为特征值，即方差解释率，其反映了该对应的特征向量对风速变化的能力，λ 1的具体数值为该特征向量可解释的方差除以整个风速数据数据集的方差的百分比。
本申请中的第一预设机器学习模型采用无监督学习实现。在代数角度，无监督学习的方式以构建非相关的线性变量组合的方式在最大程度上表达变量变化特征，组合之间符合正交对角化的原则。在几何角度，无监督学习的方式通过旋转原始系统建立新的坐标系，以将样本点映射在新建坐标系的方式获得降低维度后的线性组合表达式，坐标系的构建位置是以损失函数为所有样本点与其在新坐标系上投影的均方距离决定，同时新坐标系可以在最大程度上描述样本点序列的分布。
可以理解的是，不同型号和不同厂商的风电机组的结构参数不同，在同一应用场景中的运行数据范围不同；同种的风电机组在不同应用场景中的运行数据范围也不同；例如，不同种的风电机组在相同风速下的输出功率不同，同种的风电机组在不同的应用场景下受到的风能利用率不同，等等。
在一些实施例中，将待测风电机组的运行数据和主成分特征向量均输入到第二预设机器学习模型中，包括：
根据待测风电机组的风速计测得的风向，将待测风电机组的运行数据和主成分特征向量输入到风向对应的第二预设机器学习模型中。
第二预设机器学习模型的训练过程包括：
获取多个风电机组的历史运行数据以及风速计的历史风速值共同作为训练数据集；
将训练数据集分别输入到各个风向对应的第二预设机器学习模型中，以便作为各个第二预设机器学习模型的训练样本。
为了对风电机组的全年风能分布进行分析，梳理不同风向下的风速计测量值数据特征，需要以风电机组本体为圆心分成N个扇形区域，每个扇形区域作为一个风向区间，根据风电机组地理位置分布及地形地貌特征，分析风电机组在接受不同方向的风能，相邻风电机组对其尾流扰动强度情况，判断不同风向区间下样本数据集风速关联性是否存在差别。因此，在训练时以及实际应用时需要根据样本点风向将该样本点分配至其中一个风向区间的机器学习模型中进行计算，通过构建基于风向的风速拟合模型的形式，削减风电机组受到不同风向上的尾流扰动损失风能不同而对风速拟合模型的影响。请参照图3和图4，图3为本申请提供的一种各风向的风速玫瑰图，图4为本申请提供的另一种各风向的风速玫瑰图。根据各个方向上的风能大小，可以明显得出风电机组受到哪个方向上的风能影响最显著，如图3和图4中可以清楚地确认左下和右上的风速最大，其他方向上的风速很小，基于此可以进一步认为主风向属于影响最显著的方向。
对于N的具体数值，只要是可以体现出风电机组在各个方向上受到的风能即可，本申请对此不作限定。例如，N可以是12，以30度为扇形角度构建12个风向区间，将待测风电机组的运行数据和风速数据集主成分特征向量分别输入到12个机器学习模型中进行计算。
在一些实施例中，第二预设机器学习模型的训练过程包括：
获取多个风电机组的历史运行数据以及风速计的历史风速值共同作为训练数据集；
根据获取到训练数据的时间点，确定各个时间点的预设权重值；
对于任一个训练数据，利用各个时间点的预设权重值和对应时间点获取到的训练数据确定训练数据的加权平均值；
以预设数据颗粒度将时间分成连续的多个时间段；
将处于同一个时间段中的所有的加权平均值均调整为时间段中的指定的加权平均值；
将所有的加权平均值作为第二预设机器学习模型的训练样本。
为了提高机器学习模型的精度，本申请中，为了得到有效且准确的训练样本，需要对这些训练样本对时准确，采用加权平均值方法来计算每个训练样本的数值。具体的，合理的设定数据点颗粒度，如以5分钟或10分钟为一个时长，据获取到训练样本数据集的时间点所在的时长，将同一时长内的各个训练数据统一化，从而减小空气流动产生的不同风电机组风速的滞后性以及序列相关性的影响。例如，以数据点颗粒度5分钟为例，假设每30秒获取一次训练数据，则可以是第0分钟到第3分钟为同一数据，第3分钟到第5分钟为另一个同一数据，也可以是这5分钟都是同一数据。基于此，可以避免变量滞后性带来的影响，提高训练样本的可靠性，提高机器学习模型的精度。另外，为了进一步提高机器学习模型的精度，在获取到这些训练样本之后，需要先对其中的异常样本进行清除，具体是清除其中的空值样本、数据缺失的样本、数据明显异常的样本（例如，风速过大、风速小于0、功率过大和功率小于0等异常样本）以及一些根据工作人员以往的工作经验和历史故障信息发现的一些表示故障的样本，以此来保证给机器学习模型训练的样本都是正常情况下的样本。
在一些实施例中，在判定待测风电机组的风速计的故障诊断结果为故障之后，还包括：
根据风速数据确定待测风电机组的风速计的故障类型；
确定故障类型对应的故障诊断方法；
生成包含故障诊断方法的预警信号并发送给预警模块，以便预警模块发出提示。
为了方便维护，本申请中，考虑到风电机组的风速计的故障类型的数量有限，而且工作人员通常是了解风速计的各种故障的解决方法的。因此，可以预先根据风速计的各种故障类型及其对应的解决方法之间建立起对应关系，在实际确定故障类型之后，可以根据其对应关系找到这种故障类型的解决方法并通过提示模块发送给工作人员，以便工作人员简单明了地确定风速计的故障类型，从而方便后续维护和维修。进一步的，还可以结合故障类型以及此时的运行数据和风速值等共同进行判断，可以预先将运行数据、风速值、故障类型与其对应的解决方法之间建立起对应关系，在实际确定故障类型之后，判断该种故障类型对应的运行数据和风速值与当前时刻实际获取到的运行数据和风速值是否近似，近似则可以确定故障诊断方法；若不近似，也可以确定同种故障诊断方法，还需要将运行数据和风速值一并发送给工作人员，以便工作人员判断是否属于这种故障类型，后续还根据工作人员的反馈内容来优化该对应关系，从而更好地确定。基于此，通过自动确定故障诊断方法，可以方便工作人员后续进行维护和维修。
在一些实施例中，判断风速拟合值与待测风电机组的风速计的测量风速值之间的差值是否大于预设差值，包括：
确定当前时刻的风速拟合值与测量风速值之间的差值；
获取当前时刻之前的前M个时刻确定得到的风速拟合值与测量风速值之间的差值，M为不小于2的整数；
确定所有的差值之间的均方根；
判断均方根是否大于预设阈值；
若是，则判定大于预设差值。
为了保证故障诊断的时效性和有效性，本申请中，请参照图5、图6和图7，图5为本申请提供的一种风速拟合值与真实风速值随时间变化的曲线图，图6为本申请提供的另一种风速拟合值与真实风速值随时间变化的曲线图，图7为本申请提供的一种故障判断阈值的示意图。设置有一个滑动窗口，例如是4小时的滑动窗口，将在此滑动窗口中获取到的所有的真实风速值以及计算得到的风速拟合值分别作曲线，并计算两条曲线之间的偏离程度，以图5和图6为例，图5中的真实风速的曲线与风速拟合值的曲线非常近似，而图6中的两条曲线有较大的差异。基于此，计算该滑动窗口内每个同一时刻的风速拟合值与风速计真实风速值之间的差值，考虑到实际应用中可能会出现某一时刻的风速拟合值计算不准确或者真实风速值采集错误等原因，可能会出现某一时刻存在较大偏差，采用均方根误差（RMSE，Root Mean Squared Error）统计一个时间段内整体偏差情况，因RMSE中具有对较大偏离测点的正则项惩罚因子，符合实际工作中对风速计偏离状态的考核需求，可以准确评估曲线拟合程度，计算滑动窗口中所有的差值的均方根作为判定标准，如图7中，横坐标指的是每一个滑动窗口，纵坐标则是均方根的实际数值，图7中有少数几个均方根超过预设阈值，说明在这几个滑动窗口中（也就是那几个时间段，并非只是某个时刻测得的风速拟合值与真实风速之间的差值）的风速计的诊断结果均为故障。基于此，通过设定滑动窗口，可以保证故障诊断的时效性；另外通过滑动窗口内每个时刻的风速拟合值与风速计真实风速值之间的差值计算均方根，可以有效地诊断故障。
请参照图8，图8为本申请提供的一种风电机组风速计的故障诊断装置的结构示意图，包括：
存储器21，用于存储计算机程序；
处理器22，用于执行计算机程序时实现如上述的风电机组风速计的故障诊断方法的步骤。
对于本申请提供的一种风电机组风速计的故障诊断装置的详细介绍，请参照上述风电机组风速计的故障诊断方法的实施例，本申请在此不再赘述。
请参照图9，图9为本申请提供的一种风电机组风速计的故障诊断系统的结构示意图，包括：
风电机组31、风速计32以及如上述的风电机组风速计的故障诊断装置33；
风速计32与风电机组31连接；
风速计32和风电机组31均与风电机组风速计的故障诊断装置33连接。
对于本申请提供的一种风电机组风速计的故障诊断系统的详细介绍，请参照上述风电机组风速计的故障诊断方法的实施例，本申请在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种风电机组风速计的故障诊断方法，其特征在于，包括：
获取待测风电机组所在族群中所有的风电机组的运行数据，并获取各个所述风电机组中的风速计的测量风速值作为风速数据；
将除所述待测风电机组外的其他所述风电机组的风速数据输入到第一预设机器学习模型中，确定所述风速数据中的主成分特征向量；其中，所述第一预设机器学习模型预先由多个所述风速数据训练得到；
将所述待测风电机组的运行数据和所述主成分特征向量均输入到第二预设机器学习模型中，确定所述待测风电机组的风速拟合值；其中，所述第二预设机器学习模型预先由预设数量的所述风速数据和所述运行数据训练得到；
判断所述风速拟合值与所述待测风电机组的风速计的测量风速值之间的差值是否大于预设差值；
若大于所述预设差值，则判定所述待测风电机组的风速计的故障诊断结果为故障。
2.如权利要求1所述的风电机组风速计的故障诊断方法，其特征在于，确定所述风速数据中的主成分特征向量，包括：
在所述第一预设机器学习模型中，对所述风速数据进行空间重构变换，得到相同维度的特征向量数组；
确定所述特征向量数组中的各个特征向量的方差解释率；
以所述方差解释率由大到小的顺序获取多个所述特征向量作为所述主成分特征向量；其中，所有的所述主成分特征向量的方差解释率之和不小于预设方差解释率阈值。
3.如权利要求2所述的风电机组风速计的故障诊断方法，其特征在于，确定所述特征向量数组中的各个特征向量的方差解释率，包括：
确定由所述风速数据构成的样本数据集的协方差；
基于所述协方差和拉格朗日法对所述方差解释率求解最大值，以确定所述样本数据集中的第一个所述特征向量的方差解释率；
利用所述样本数据集中剩余的所述特征向量重新确定协方差，并基于拉格朗日法对所述方差解释率求解最大值，直到确定每个所述特征向量的方差解释率。
4.如权利要求1所述的风电机组风速计的故障诊断方法，其特征在于，将所述待测风电机组的运行数据和所述主成分特征向量均输入到第二预设机器学习模型中，包括：
根据所述待测风电机组的风速计测得的风向，将所述待测风电机组的运行数据和所述主成分特征向量输入到所述风向对应的第二预设机器学习模型中。
5.如权利要求4所述的风电机组风速计的故障诊断方法，其特征在于，所述第二预设机器学习模型的训练过程包括：
获取多个所述风电机组的历史运行数据以及所述风速计的历史风速值共同作为训练数据集；
将所述训练数据集分别输入到各个风向对应的所述第二预设机器学习模型中，以便作为各个所述第二预设机器学习模型的训练样本。
6.如权利要求1所述的风电机组风速计的故障诊断方法，其特征在于，所述第二预设机器学习模型的训练过程包括：
获取多个所述风电机组的历史运行数据以及所述风速计的历史风速值共同作为训练数据集；
根据获取到训练数据的时间点，确定各个所述时间点的预设权重值；
对于任一个所述训练数据，利用各个所述时间点的预设权重值和对应时间点获取到的所述训练数据确定所述训练数据的加权平均值；
以预设数据颗粒度将时间分成连续的多个时间段；
将处于同一个时间段中的所有的所述加权平均值均调整为所述时间段中的指定的所述加权平均值；
将所有的所述加权平均值作为所述第二预设机器学习模型的训练样本。
7.如权利要求1所述的风电机组风速计的故障诊断方法，其特征在于，在判定所述待测风电机组的风速计的故障诊断结果为故障之后，还包括：
根据所述风速数据确定所述待测风电机组的风速计的故障类型；
确定所述故障类型对应的故障诊断方法；
生成包含所述故障诊断方法的预警信号并发送给预警模块，以便所述预警模块发出提示。
8.如权利要求1至7任一项所述的风电机组风速计的故障诊断方法，其特征在于，判断所述风速拟合值与所述待测风电机组的风速计的测量风速值之间的差值是否大于预设差值，包括：
确定当前时刻的所述风速拟合值与所述测量风速值之间的差值；
获取所述当前时刻之前的前M个时刻确定得到的所述风速拟合值与所述测量风速值之间的差值，M为不小于2的整数；
确定所有的所述差值之间的均方根；
判断所述均方根是否大于预设阈值；
若是，则判定大于所述预设差值。
9.一种风电机组风速计的故障诊断装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述的风电机组风速计的故障诊断方法的步骤。
10.一种风电机组风速计的故障诊断系统，其特征在于，包括：
风电机组、风速计以及如权利要求9所述的风电机组风速计的故障诊断装置；
所述风速计与所述风电机组连接；
所述风速计和所述风电机组分别与所述风电机组风速计的故障诊断装置连接。
CN202310673221.4A 2023-06-08 2023-06-08 一种风电机组风速计的故障诊断方法、装置及系统 Active CN116401536B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310673221.4A CN116401536B (zh) 2023-06-08 2023-06-08 一种风电机组风速计的故障诊断方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310673221.4A CN116401536B (zh) 2023-06-08 2023-06-08 一种风电机组风速计的故障诊断方法、装置及系统

Publications (2)

Publication Number Publication Date
CN116401536A true CN116401536A (zh) 2023-07-07
CN116401536B CN116401536B (zh) 2023-08-15

Family

ID=87010929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310673221.4A Active CN116401536B (zh) 2023-06-08 2023-06-08 一种风电机组风速计的故障诊断方法、装置及系统

Country Status (1)

Country Link
CN (1) CN116401536B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116858854A (zh) * 2023-09-04 2023-10-10 季华实验室 掺杂浓度的修正方法、装置、电子设备及存储介质
CN117171590A (zh) * 2023-11-02 2023-12-05 默拓(江苏)电气驱动技术有限公司 一种电机智能驱动优化方法及系统
CN117436322A (zh) * 2023-12-21 2024-01-23 浙江远算科技有限公司 基于叶素理论的风力机叶片气动弹性仿真方法和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109709483A (zh) * 2018-12-26 2019-05-03 天津瑞源电气有限公司 一种风电机组变桨距系统故障诊断方法
CN110410282A (zh) * 2019-07-24 2019-11-05 河北工业大学 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
KR102097595B1 (ko) * 2019-05-29 2020-05-26 한국기계연구원 풍력발전기 진단방법
CN113297728A (zh) * 2021-04-30 2021-08-24 东方电气风电有限公司 一种基于风场风速关联的单风机虚拟风速计算方法及系统
CN114444382A (zh) * 2021-12-09 2022-05-06 中广核(北京)新能源科技有限公司 基于机器学习算法的风电机组齿轮箱故障诊断分析方法
WO2023065580A1 (zh) * 2021-10-18 2023-04-27 中国华能集团清洁能源技术研究院有限公司 风电机组齿轮箱的故障诊断方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109709483A (zh) * 2018-12-26 2019-05-03 天津瑞源电气有限公司 一种风电机组变桨距系统故障诊断方法
KR102097595B1 (ko) * 2019-05-29 2020-05-26 한국기계연구원 풍력발전기 진단방법
CN110410282A (zh) * 2019-07-24 2019-11-05 河北工业大学 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
CN113297728A (zh) * 2021-04-30 2021-08-24 东方电气风电有限公司 一种基于风场风速关联的单风机虚拟风速计算方法及系统
WO2023065580A1 (zh) * 2021-10-18 2023-04-27 中国华能集团清洁能源技术研究院有限公司 风电机组齿轮箱的故障诊断方法及装置
CN114444382A (zh) * 2021-12-09 2022-05-06 中广核(北京)新能源科技有限公司 基于机器学习算法的风电机组齿轮箱故障诊断分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴立增;: "基于相邻风机相关性模型的风速计监测方法", 华电技术, no. 01 *
熊中杰;邱颖宁;冯延晖;程强;: "基于机器学习的风电机组变桨系统故障研究", 太阳能学报, no. 05 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116858854A (zh) * 2023-09-04 2023-10-10 季华实验室 掺杂浓度的修正方法、装置、电子设备及存储介质
CN117171590A (zh) * 2023-11-02 2023-12-05 默拓(江苏)电气驱动技术有限公司 一种电机智能驱动优化方法及系统
CN117171590B (zh) * 2023-11-02 2024-01-26 默拓(江苏)电气驱动技术有限公司 一种电机智能驱动优化方法及系统
CN117436322A (zh) * 2023-12-21 2024-01-23 浙江远算科技有限公司 基于叶素理论的风力机叶片气动弹性仿真方法和介质
CN117436322B (zh) * 2023-12-21 2024-04-19 浙江远算科技有限公司 基于叶素理论的风力机叶片气动弹性仿真方法和介质

Also Published As

Publication number Publication date
CN116401536B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN116401536B (zh) 一种风电机组风速计的故障诊断方法、装置及系统
CN108291529B (zh) 一种监测和评估风力涡轮机功率性能变化的方法
US8606418B1 (en) Wind prediction for wind farms through the use of weather radar
CN108291527B (zh) 一种监测和评估风力涡轮机功率性能变化的方法
Avendaño-Valencia et al. Virtual fatigue diagnostics of wake-affected wind turbine via Gaussian Process Regression
CN105205569B (zh) 风机齿轮箱状态在线评估模型建立方法及在线评估方法
US11460003B2 (en) Wind turbine damage detection system using machine learning
CN112215305A (zh) 基于风机相互预警的虚拟激光雷达系统及方法
Pandit et al. Accounting for environmental conditions in data-driven wind turbine power models
CN103822786A (zh) 基于多元统计分析的风电机组机械设备状态诊断方法
Dimitrov et al. Wind turbine load validation using lidar‐based wind retrievals
CN110362045A (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
Xu et al. Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals
CN112065668A (zh) 一种风电机组状态异常评估方法及系统
Zhou et al. Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process
Yang et al. Short-term wind power prediction based on multi-parameters similarity wind process matching and weighed-voting-based deep learning model selection
Song et al. One year monitoring of an offshore wind turbine: Variability of modal parameters to ambient and operational conditions
Mehlan et al. Rotor imbalance detection and diagnosis in floating wind turbines by means of drivetrain condition monitoring
Guo et al. Unsupervised statistical estimation of offshore wind turbine vibration for structural damage detection under varying environmental conditions
CN111563685B (zh) 一种基于自联想核回归算法的发电设备状态预警方法
CN116596165B (zh) 一种风力发电功率预测方法及系统
Jin et al. A physics-based and data-driven feature extraction model for blades icing detection of wind turbines
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
Yang et al. Detection of wind turbine blade abnormalities through a deep learning model integrating VAE and neural ODE
Muto et al. Model-based load estimation for wind turbine blade with Kalman filter

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