CN116432361A - 风力发电机组的寿命评估方法和装置 - Google Patents

风力发电机组的寿命评估方法和装置 Download PDF

Info

Publication number
CN116432361A
CN116432361A CN202111612735.6A CN202111612735A CN116432361A CN 116432361 A CN116432361 A CN 116432361A CN 202111612735 A CN202111612735 A CN 202111612735A CN 116432361 A CN116432361 A CN 116432361A
Authority
CN
China
Prior art keywords
historical
data
parameter
duty ratio
equivalent fatigue
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
CN202111612735.6A
Other languages
English (en)
Inventor
米玉霞
张鹏飞
赵世培
韩炜
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 Goldwind Science and Creation Windpower Equipment Co Ltd
Original Assignee
Beijing Goldwind Science and Creation Windpower Equipment 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 Goldwind Science and Creation Windpower Equipment Co Ltd filed Critical Beijing Goldwind Science and Creation Windpower Equipment Co Ltd
Priority to CN202111612735.6A priority Critical patent/CN116432361A/zh
Priority to PCT/CN2022/080682 priority patent/WO2023123685A1/zh
Publication of CN116432361A publication Critical patent/CN116432361A/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Abstract

本公开提供一种风力发电机组的寿命评估方法和装置。寿命评估方法包括：获取风力发电机组在目标历史时段的历史数据，历史数据包括历史运行数据；对历史运行数据执行分类处理，以将历史运行数据归入不同的运行状态类别，并将历史数据中的其他数据归于对应的历史运行数据所属的运行状态类别；根据历史运行数据对应的时间信息，确定每个运行状态类别的时间占比，记为第一占比；根据每个运行状态类别下的历史数据，确定每个运行状态类别对应的等效疲劳载荷；基于第一占比，对各个运行状态类别对应的等效疲劳载荷进行叠加处理，得到机组等效疲劳载荷；根据机组等效疲劳载荷，确定风力发电机组在目标历史时段的已消耗寿命。

Description

风力发电机组的寿命评估方法和装置
技术领域
本公开涉及风力发电领域，更具体地，涉及一种风力发电机组的寿命评估方法和装置。
背景技术
一般风电机组的设计寿命为20年。目前大批量机组运行时长已达到或者即将达到设计年限，但机组设计时是根据IEC61400-1标准设计风区进行设计，并根据设计载荷进行风电场设计，存在实际机组运行的风资源条件低于设计条件，或者出现未考虑情况，造成机组实际运行寿命与设计寿命不符。所以，如何根据现场机组所处环境以及机组实际运行情况对机组寿命状态进行可靠评估，成为亟待解决的问题。
发明内容
因此，合理利用风力发电机组的现场数据，对于如何可靠评估机组寿命状态至关重要。
在一个总的方面，提供一种风力发电机组的寿命评估方法，所述寿命评估方法包括：获取所述风力发电机组在目标历史时段的历史数据，所述历史数据包括历史运行数据；对所述历史运行数据执行分类处理，以将所述历史运行数据归入不同的运行状态类别，并将所述历史数据中的其他数据归于对应的所述历史运行数据所属的运行状态类别；根据所述历史运行数据对应的时间信息，确定每个运行状态类别的时间占比，记为第一占比；根据每个运行状态类别下的所述历史数据，确定每个运行状态类别对应的等效疲劳载荷；基于所述第一占比，对各个运行状态类别对应的所述等效疲劳载荷进行叠加处理，得到机组等效疲劳载荷；根据所述机组等效疲劳载荷，确定所述风力发电机组在所述目标历史时段的已消耗寿命。
可选地，所述基于所述第一占比，对各个运行状态类别对应的所述等效疲劳载荷进行叠加处理，得到机组等效疲劳载荷，包括：对每个运行状态类别，确定所述等效疲劳载荷的m次幂与所述第一占比的乘积，并对各个运行状态类别对应的所述乘积求和，得到参考载荷，其中，m是所述风力发电机组的目标部件的材料沃尔系数；确定所述参考载荷的1/m次幂，作为所述机组等效疲劳载荷。
可选地，所述根据每个运行状态类别下的所述历史数据，确定每个运行状态类别对应的等效疲劳载荷，包括：从所述历史数据中选择第一参考参数；基于每个运行状态类别下的所述历史数据，按照所述第一参考参数的不同取值区间，构建多个参数仓，每个参数仓包括相应取值区间的所述第一参考参数所对应的所述历史数据的特征向量；针对每个运行状态类别，根据所述多个参数仓，确定相应运行状态类别对应的所述等效疲劳载荷。
可选地，所述历史数据还包括历史风资源数据，所述历史风资源数据与所述历史运行数据在时间上相对应，所述历史风资源数据包括第二参考参数，所述第二参考参数与所述第一参考参数之间存在取值对应关系，其中，所述将所述历史数据中的其他数据归于对应的所述历史运行数据所属的运行状态类别，包括：将所述历史风资源数据归于时间上相对应的所述历史运行数据所属的运行状态类别；其中，所述基于每个运行状态类别下的所述历史数据，按照所述第一参考参数的不同取值区间，构建多个参数仓，包括：针对每个运行状态类别，按照所述第一参考参数的不同取值区间，对所述历史运行数据进行分仓处理，得到多个初始参数仓；基于所述第二参考参数与所述第一参考参数的取值对应关系，确定所述历史风资源数据与所述多个初始参数仓的对应关系，并对所述历史风资源数据进行分仓处理，以扩展所述多个初始参数仓，得到所述多个参数仓。
可选地，所述根据所述多个参数仓，确定相应运行状态类别对应的所述等效疲劳载荷，包括：基于每个参数仓进行仿真计算，得到每个参数仓对应的参数仓等效疲劳载荷；根据每个参数仓对应的所述历史数据的时间信息，确定每个参数仓的时间占比，记为第二占比；基于所述第二占比，对各个参数仓对应的所述参数仓等效疲劳载荷进行叠加处理，得到相应运行状态类别对应的所述等效疲劳载荷。
可选地，所述历史运行数据包括叶轮风速、功率、叶轮转速、发电机扭矩、桨距角、偏航角度、故障次数、故障种类中的至少一个，所述第一参考参数为叶轮风速。
可选地，所述对所述历史运行数据执行分类处理，以将所述历史运行数据归入不同的运行状态类别，包括：对所述历史运行数据中的至少部分数据执行聚类处理，以将所述历史运行数据归入不同的运行状态类别。
可选地，所述历史运行数据中的至少部分数据为叶轮风速、功率、叶轮转速、发电机扭矩、桨距角。
在另一总的方面，提供一种风力发电机组的寿命评估装置，所述寿命评估装置包括：获取单元，被配置为：获取所述风力发电机组在目标历史时段的历史数据，所述历史数据包括历史运行数据；分类单元，被配置为：对所述历史运行数据执行分类处理，以将所述历史运行数据归入不同的运行状态类别，并将所述历史数据中的其他数据归于对应的所述历史运行数据所属的运行状态类别；计时单元，被配置为：根据所述历史运行数据对应的时间信息，确定每个运行状态类别的时间占比，记为第一占比；等效单元，被配置为：根据每个运行状态类别下的所述历史数据，确定每个运行状态类别对应的等效疲劳载荷；叠加单元，被配置为：基于所述第一占比，对各个运行状态类别对应的所述等效疲劳载荷进行叠加处理，得到机组等效疲劳载荷；评估单元，被配置为：根据所述机组等效疲劳载荷，确定所述风力发电机组在所述目标历史时段的已消耗寿命。
可选地，所述叠加单元还被配置为：对每个运行状态类别，确定所述等效疲劳载荷的m次幂与所述第一占比的乘积，并对各个运行状态类别对应的所述乘积求和，得到参考载荷，其中，m是所述风力发电机组的目标部件的材料沃尔系数；确定所述参考载荷的1/m次幂，作为所述机组等效疲劳载荷。
可选地，所述等效单元还被配置为：从所述历史数据中选择第一参考参数；基于每个运行状态类别下的所述历史数据，按照所述第一参考参数的不同取值区间，构建多个参数仓，每个参数仓包括相应取值区间的所述第一参考参数所对应的所述历史数据的特征向量；针对每个运行状态类别，根据所述多个参数仓，确定相应运行状态类别对应的所述等效疲劳载荷。
可选地，所述历史数据还包括历史风资源数据，所述历史风资源数据与所述历史运行数据在时间上相对应，所述历史风资源数据包括第二参考参数，所述第二参考参数与所述第一参考参数之间存在取值对应关系，其中，所述分类单元还被配置为：将所述历史风资源数据归于时间上相对应的所述历史运行数据所属的运行状态类别；所述等效单元还被配置为：针对每个运行状态类别，按照所述第一参考参数的不同取值区间，对所述历史运行数据进行分仓处理，得到多个初始参数仓；基于所述第二参考参数与所述第一参考参数的取值对应关系，确定所述历史风资源数据与所述多个初始参数仓的对应关系，并对所述历史风资源数据进行分仓处理，以扩展所述多个初始参数仓，得到所述多个参数仓。
可选地，所述等效单元还被配置为：基于每个参数仓进行仿真计算，得到每个参数仓对应的参数仓等效疲劳载荷；根据每个参数仓对应的所述历史数据的时间信息，确定每个参数仓的时间占比，记为第二占比；基于所述第二占比，对各个参数仓对应的所述参数仓等效疲劳载荷进行叠加处理，得到相应运行状态类别对应的所述等效疲劳载荷。
可选地，所述历史运行数据包括叶轮风速、功率、叶轮转速、发电机扭矩、桨距角、偏航角度、故障次数、故障种类中的至少一个，所述第一参考参数为叶轮风速。
可选地，所述分类单元还被配置为：对所述历史运行数据中的至少部分数据执行聚类处理，以将所述历史运行数据归入不同的运行状态类别。
可选地，所述历史运行数据中的至少部分数据为叶轮风速、功率、叶轮转速、发电机扭矩、桨距角。
在另一总的方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令被至少一个处理器运行时，促使所述至少一个处理器执行如上所述的寿命评估方法。
在另一总的方面，提供一种计算机设备，包括：至少一个处理器；至少一个存储计算机可执行指令的存储器，其中，所述计算机可执行指令在被所述至少一个处理器运行时，促使所述至少一个处理器执行如上所述的寿命评估方法。
本公开利用风力发电机组运行过程中本身就会采集的、包括历史运行数据在内的历史数据来实现机组寿命评估，先对历史数据分类，得到不同运行状态类别下的历史数据以及不同运行状态类别的时间占比，再对每个运行状态类别，分别根据相应的历史数据确定等效疲劳载荷，继而按照时间占比叠加这些等效疲劳载荷，可得到综合反映风力发电机组历史运行情况的机组等效疲劳载荷，最后据此评估出风力发电机组的已消耗寿命。通过区分不同的运行状态，分别确定等效疲劳载荷，可提升评估结果准确性，再结合时间占比叠加等效疲劳载荷，可有效整合不同运行状态的评估结果，从而充分利用风力发电机组的现场数据，对现场运行情况进行分析，有助于提升寿命评估的可靠性，为现场风力发电机组的安全性以及未来发展方向提供了参考。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1是示出根据本公开的实施例的风力发电机组的寿命评估方法的流程图。
图2是示出根据本公开的实施例的风力发电机组寿命评估方法的流程示意图。
图3是示出根据本公开的实施例的风力发电机组的寿命评估装置的框图。
图4是示出根据本公开的实施例的计算机设备的框图。
具体实施方式
提供下面的具体实施方式以帮助读者获得对在此描述的方法、设备和/或系统的全面理解。然而，在理解本申请的公开之后，在此描述的方法、设备和/或系统的各种改变、修改和等同物将是清楚的。例如，在此描述的操作的顺序仅是示例，并且不限于在此阐述的那些顺序，而是除了必须以特定的顺序发生的操作之外，可如在理解本申请的公开之后将是清楚的那样被改变。此外，为了更加清楚和简明，本领域已知的特征的描述可被省略。
在此描述的特征可以以不同的形式来实现，而不应被解释为限于在此描述的示例。相反，已提供在此描述的示例，以仅示出实现在此描述的方法、设备和/或系统的许多可行方式中的一些可行方式，所述许多可行方式在理解本申请的公开之后将是清楚的。
如在此使用的，术语“和/或”包括相关联的所列项中的任何一个以及任何两个或更多个的任何组合。
尽管在此可使用诸如“第一”、“第二”和“第三”的术语来描述各种构件、组件、区域、层或部分，但是这些构件、组件、区域、层或部分不应被这些术语所限制。相反，这些术语仅用于将一个构件、组件、区域、层或部分与另一构件、组件、区域、层或部分进行区分。因此，在不脱离示例的教导的情况下，在此描述的示例中所称的第一构件、第一组件、第一区域、第一层或第一部分也可被称为第二构件、第二组件、第二区域、第二层或第二部分。
在说明书中，当元件(诸如，层、区域或基底)被描述为“在”另一元件上、“连接到”或“结合到”另一元件时，该元件可直接“在”另一元件上、直接“连接到”或“结合到”另一元件，或者可存在介于其间的一个或多个其他元件。相反，当元件被描述为“直接在”另一元件上、“直接连接到”或“直接结合到”另一元件时，可不存在介于其间的其他元件。
在此使用的术语仅用于描述各种示例，并不将用于限制公开。除非上下文另外清楚地指示，否则单数形式也意在包括复数形式。术语“包含”、“包括”和“具有”说明存在叙述的特征、数量、操作、构件、元件和/或它们的组合，但不排除存在或添加一个或多个其他特征、数量、操作、构件、元件和/或它们的组合。
除非另有定义，否则在此使用的所有术语(包括技术术语和科学术语)具有与由本公开所属领域的普通技术人员在理解本公开之后通常理解的含义相同的含义。除非在此明确地如此定义，否则术语(诸如，在通用词典中定义的术语)应被解释为具有与它们在相关领域的上下文和本公开中的含义一致的含义，并且不应被理想化或过于形式化地解释。
此外，在示例的描述中，当认为公知的相关结构或功能的详细描述将引起对本公开的模糊解释时，将省略这样的详细描述。
图1是示出根据本公开的实施例的风力发电机组的寿命评估方法的流程图。图2是示出根据本公开的实施例的风力发电机组的寿命评估方法的流程示意图。
参照图1，在步骤S101，获取风力发电机组在目标历史时段的历史数据，历史数据包括历史运行数据。该步骤获取风力发电机组的包括历史运行数据在内的历史数据，作为该风力发电机组的寿命评估数据基础。具体地，历史数据中可包含多个具体的参数，可根据获取参数数据的具体时间对历史数据进行分组，例如将同一时刻(受精度影响，允许一定的时间误差)获取到的数据作为一组历史数据。需说明，目标历史时段可以是风力发电机组自投入使用到当前时刻所经历的全部时段，以便更全面、准确地评估风力发电机组的寿命；目标历史时段也可以是指定的一个具体的时段，从而在非首次寿命评估时，可以先对未评估过的目标历史时段进行数据处理，再结合此前评估过的历史时段的数据处理结果，综合评估风力发电机组的寿命，以减少数据处理量。
可选地，历史运行数据具体是SCADA(Supervisory Control And DataAcquisition，即数据采集与监视控制系统)数据，包括叶轮风速、功率、叶轮转速、发电机扭矩、桨距角、偏航角度、故障次数、故障种类中的至少一个，能够充分反映机组运行情况，有助于提高寿命评估结果的可靠性。此外，由于这些是机组运行过程中本身就会采集的数据，不需要额外的数据采集，也就不必配置额外的数据采集传感器，可降低产品成本，并节约寿命评估的时间成本，提升经济性能。
在步骤S102，对历史运行数据执行分类处理，以将历史运行数据归入不同的运行状态类别，并将历史数据中的其他数据归于对应的历史运行数据所属的运行状态类别。
可选地，对历史运行数据执行的分类处理具体包括：对历史运行数据中的至少部分数据执行聚类处理，以将历史运行数据归入不同的运行状态类别。风力发电机组运行过程中，并不是一直处于正常发电状态，经常会受外在条件影响，进行限功率操作或是无法避免地发生故障等情况，如果对风力发电机组运行状态不加以区分进行评估，结果必然不够准确。此外，虽然控制器会根据运行的需求，主动控制风力发电机组的运行状态，例如在未收到限功率指令时控制风力发电机组正常发电，在收到限功率指令时控制风力发电机组停机或限功率运行，但机组的实际运行过程精细复杂，受到响应速度、周围环境等的影响，往往与控制指令要求的状态不完全一致。通过选取历史运行数据中能够反映风力发电机组实际的运行状态的数据，并执行聚类处理，可借助聚类算法为数据分类，从而得到各组历史数据实际所属的运行状态类别，有助于对不同运行状态下的机组寿命分别进行评估，有助于提升评估结果的准确性。
可选地，历史运行数据中用于执行聚类处理的至少部分数据为叶轮风速、功率、叶轮转速、发电机扭矩、桨距角。
具体来说，参照图2，对于历史运行数据，在某一时刻t，以叶轮风速Wspt、功率Pwrt、叶轮转速rt、发电机扭矩Tt、桨距角Pat构成的数组作为风电机组状态评估器的输入，对该时刻机组的运行状态进行评估(如图2所示，将相应的时刻也一并输入，以便区分不同时刻的数据)，可以将运行状态分为正常发电、限功率运行、空转/停机、故障四种类别，基本覆盖机组运行过程中全部状态，各个状态中机组状态参数情况基本如下。
Figure BDA0003435523780000081
Figure BDA0003435523780000082
Figure BDA0003435523780000083
Figure BDA0003435523780000084
其中，Wspcutin、Wspcutout为该风电机组的切入、切出风速，Pwrideal为风电机组设计时的在t时刻的风速下的理论有功功率。
采用聚类算法，对风电机组的历史运行数据进行分类。接下来以采用FCM(FuzzyC-means，模糊C均值)算法为例，对聚类过程进行介绍。
如上所述，运行状态可以划分为四种类别。首先根据各状态的特点并尽量使中心位置相距远，设置初始聚类中心位置，如下所示，v1、v2、v3、v4分别为正常发电、限功率运行、空转/停机、故障四种状态的初始聚类中心位置，r下标表示机组额定参数，a、b、c为限功率比例系数，可根据以往风电机组控制策略得到或者按照比例进行假设。由于输入的量级不一致，可先将数据进行标准归一化，再进行聚类。
Figure BDA0003435523780000085
采用S形、高斯型等隶属度函数，计算每个数据点归属于某类的概率，形成隶属度矩阵。假设有n个数据点，隶属度矩阵如下所示，并且每个数据点的隶属度之和为1，即隶属度矩阵中的每一列数据之和均为1。
Figure BDA0003435523780000091
再计算各个数据点与中心点的欧式距离，五维空间计算公式如下。
Figure BDA0003435523780000092
其中，i代表运行状态类别的序号，j代表数据点的序号。以隶属度为权重，加权距离最小值为目标函数，多次迭代得到各状态的最佳聚类中心位置以及分类。目标函数如下。
Figure BDA0003435523780000093
其中，m是一个隶属度的因子，一般为2。需说明的是，此处的隶属度因子m与后文将介绍的材料沃尔系数m是不同的参数，只是在各自的技术领域中都习惯用字母m表示。
按照上述聚类方法，对风电机组的历史运行数据进行训练后得到正常发电、限功率运行、空转/停机、故障四种运行状态对应的类，然后针对研究机组的历史运行数据，进行隶属度(即该t时刻数据属于不同状态的概率)的计算，下式展示了t时刻数据属于四种运行状态的隶属度。比较四个隶属度，以隶属度最大为准，对该时刻机组的运行状态进行分类。例如，若正常发电对应的隶属度p1t最大，就认为该时刻机组的运行状态为正常发电状态。
Figure BDA0003435523780000094
应理解，历史运行数据可以按照获取时刻进行分组，若聚类处理仅使用功率其中的一部分参数，也就是一组历史运行数据中还有未参与聚类的数据，那么可以将这些未参与聚类的数据按照获取时刻，归入同一时刻参与聚类的数据所属的运行状态类别。
可选地，历史数据还包括历史风资源数据，历史风资源数据与历史运行数据在时间上相对应。应理解，历史运行数据作为同样反映机组运行情况的数据，往往由同一数据采集系统(例如前述的SCADA)在同一时刻采集(如前所述，可能具有一定的误差)，而历史风资源数据作为反映现场环境的数据，往往由另一数据采集系统(例如测风塔系统)获取，因而采集时刻上的误差可能更大，所以这里的时间上相对应，可以是同属于同一个时段，以适当扩大误差范围，保障了历史风资源数据与历史运行数据的对应。基于此，步骤S102在为历史风资源数据归类时，可将历史风资源数据归于时间上相对应的历史运行数据所属的运行状态类别。
在步骤S103，根据历史运行数据对应的时间信息，确定每个运行状态类别的时间占比，记为第一占比。由于历史运行数据往往带有时间信息，同一时刻的历史运行数据又归属于同一运行状态类别，因而可以结合每个运行状态类别的历史运行数据的时间信息，统计出每个运行状态类别在哪些时段出现，进而计算每个运行状态类别对应出现的时段与目标历史时段的比值，可得到相应运行状态类别的时间占比，作为第一占比，可反映不同运行状态在目标历史时段的时间分布。应理解，各个运行状态类别的第一占比之和等于1。具体地，可将历史运行数据导入如图2所示的风机状态参数捕获器，得到第一占比。
在步骤S104，根据每个运行状态类别下的历史数据，确定每个运行状态类别对应的等效疲劳载荷。通过在运行状态类别相同的情况下确定能够反映机组运行消耗的等效疲劳载荷，可保证工况近似，提升了确定的等效疲劳载荷的准确性。
可选地，步骤S104可具体包括：从历史数据中选择第一参考参数；基于每个运行状态类别下的历史数据，按照第一参考参数的不同取值区间，构建多个参数仓，每个参数仓包括相应取值区间的第一参考参数所对应的历史数据的特征向量；针对每个运行状态类别，根据多个参数仓，确定相应运行状态类别对应的等效疲劳载荷。对于每个运行状态类别，通过按照第一参考参数对历史数据执行分仓处理，可进一步细分工况，以得到准确性更高的等效疲劳载荷。此外，对于正常发电、限功率运行、空转/停机、故障四种运行状态类别，由于机组发生故障后，往往处于空转或停机的状态，因此可将故障状态归入空转/停机状态，仅对三个运行状态类别进行计算，可减少分类数量。
具体来说，第一参考参数例如为叶轮风速，执行分仓处理时，可将叶轮风速划分为n个区间，对应n个参数仓，每个参数仓中取对应的历史数据的参数特征值，参数特征值例如为同一参数的平均值、最大最小值、方差等，对于一个参数仓，历史数据中的所有参数的特征值汇总在一起，就构成了特征向量。
进一步地，历史数据包括前述的历史运行数据和历史风资源数据，历史风资源数据包括与第一参考参数存在取值对应关系的第二参考参数，也就是可以利用一定的转换关系，将第一参考参数换算为第二参考参数，从而可基于第一参考参数和第二参考参数的取值对应关系，将历史运行数据与历史风资源数据对应起来。
基于此，构建多个参数仓的步骤可为，首先针对每个运行状态类别，按照第一参考参数的不同取值区间，对历史运行数据的特征向量进行分仓，得到多个初始参数仓。例如对于步骤S101中介绍的叶轮风速Wsp、功率Pwr、叶轮转速r、发电机扭矩T、桨距角Pa、偏航角度Yaw、故障次数Ft_N、故障种类Ft，可仍将叶轮风速Wsp作为第一参考参数，先按照叶轮风速Wsp的不同取值区间，对这些历史运行数据进行划分，再对每个取值区间对应的历史运行数据取参数的特征值，得到描述风电机组运行状态的多个初始参数仓bin：
Figure BDA0003435523780000111
接下来，仍然针对每个运行状态类别，基于第二参考参数与第一参考参数的取值对应关系，确定历史风资源数据与多个初始参数仓的对应关系，并对历史风资源数据进行分仓处理，以扩展多个初始参数仓，得到多个参数仓。例如历史风资源数据包括风速Wspin、空气密度Air、入流角Inflow、风剪切Shear、湍流强度ti，其中，湍流强度ti可以根据风速Wspin的标准差和平均值计算得到。此外，参考IEC 61400-12-2，可将叶轮风速Wsp转换到实际作用在叶轮上的来流风的风速Wspin，因此可将风速Wspin作为第二参考参数。扩展初始参数仓时，可以先计算出风速Wspin对应的叶轮风速Wsp的取值。由于每个初始参数仓都有对应的叶轮风速Wsp取值区间，因而可确定出与每个叶轮风速Wsp取值区间相对应的风速Wspin取值区间。而历史风资源数据作为同样反映现场环境的数据，往往由同一数据采集系统(例如测风塔系统)在同一时刻采集(类似于历史运行数据，这个同一时刻可能具有一定的误差)，所以能够在时间上对应，进而可按照风速Wspin取值区间将相应的历史风资源数据与各个初始参数仓对应起来，实现历史风资源数据的分仓。此后，对每个初始参数仓对应的历史风资源数据取各个参数的特征值，可得到特征向量，实现初始参数仓的扩展，最终得到多个参数仓bin：
Figure BDA0003435523780000121
具体地，如图2所示的风机状态参数捕获器除得到第一占比外，还可以得到上述的初始参数仓；另可将历史风资源数据导入如图2所示的环境参数捕获器，以实现其分仓，再将二者的结果汇合，即可扩展初始参数仓，得到最终的参数仓。
可选地，步骤S104中的根据多个参数仓，确定相应运行状态类别对应的等效疲劳载荷，具体可包括：基于每个参数仓进行仿真计算，得到每个参数仓对应的参数仓等效疲劳载荷；根据每个参数仓对应的历史数据的时间信息，确定每个参数仓的时间占比，记为第二占比；基于第二占比，对各个参数仓对应的参数仓等效疲劳载荷进行叠加处理，得到相应运行状态类别对应的等效疲劳载荷。通过对每个参数仓分别进行仿真计算，即可得到相应工况下的参数仓等效疲劳载荷。类似于确定第一占比的方式，可确定出一个运行状态类别中，各个参数仓的时间占比，作为第二占比，可反映不同参数仓对应的工况在当前运行状态类别中的时间分布，而不同的工况下，参数仓等效疲劳载荷往往有所不同，此后按照第二占比，叠加一个运行状态类别中各个参数仓对应的参数仓等效疲劳载荷，即可实现多个参数仓评估结果的合理叠加，得到相应运行状态类别的等效疲劳载荷，提升了等效疲劳载荷的准确性。具体的叠加方法，可参考后续步骤S105，在此不作赘述。
在步骤S105，基于第一占比，对各个运行状态类别对应的等效疲劳载荷进行叠加处理，得到机组等效疲劳载荷。第一占比反映了不同运行状态在目标历史时段的时间分布，而不同的运行状态下，等效疲劳载荷往往有所不同。通过按照第一占比，叠加各个运行状态类别对应的等效疲劳载荷，即可实现多个运行状态类别评估结果的合理叠加，得到目标历史时段的机组等效疲劳载荷，提升了机组等效疲劳载荷的准确性。
可选地，步骤S105具体包括：对每个运行状态类别，确定等效疲劳载荷的m次幂与第一占比的乘积，并对各个运行状态类别对应的乘积求和，得到参考载荷，其中，m是风力发电机组的目标部件的材料沃尔系数；确定参考载荷的1/m次幂，作为机组等效疲劳载荷。该叠加方式可确保得到的机组等效疲劳载荷更可靠地反映风电机组的损耗。目标部件可以是机组中较容易损耗的部件，以借助目标部件的寿命来代表整个机组的寿命。用公式表达为：
Figure BDA0003435523780000131
其中，DEQsite是机组等效疲劳载荷，
Figure BDA0003435523780000132
是运行状态类别i对应的等效疲劳载荷，Li是运行状态类别i的第一占比。需说明，由于将故障状态归入了空转/停机状态，所以此处运行状态类别的数量减少为3。
在步骤S106，根据机组等效疲劳载荷，确定风力发电机组在目标历史时段的已消耗寿命。具体地，可先确定风电机组的设计等效疲劳载荷与机组等效疲劳载荷的比值，并计算其m次幂，同时确定机组实际运行时长与机组设计寿命的比值，计算二者的乘积，作为已消耗寿命。
Figure BDA0003435523780000133
其中，lifetime是已消耗寿命，DEQdesign是机组的设计等效疲劳载荷，yearsite是机组实际运行时长，yeardesign是机组设计寿命。
根据本公开的实施例的风力发电机组的寿命评估方法，利用风力发电机组运行过程中本身就会采集的、包括历史运行数据在内的历史数据来实现机组寿命评估，先对历史数据分类，得到不同运行状态类别下的历史数据以及不同运行状态类别的时间占比，再对每个运行状态类别，分别根据相应的历史数据确定等效疲劳载荷，继而按照时间占比叠加这些等效疲劳载荷，可得到综合反映风力发电机组历史运行情况的机组等效疲劳载荷，最后据此评估出风力发电机组的已消耗寿命。通过区分不同的运行状态，分别确定等效疲劳载荷，可提升评估结果准确性，再结合时间占比叠加等效疲劳载荷，可有效整合不同运行状态的评估结果，从而充分利用风力发电机组的现场数据，对现场运行情况进行分析，有助于提升寿命评估的可靠性，为现场风力发电机组的安全性以及未来发展方向提供了参考。
图3是示出根据本公开的一个实施例的风力发电机组的寿命评估装置的框图。
参照图3，风力发电机组的寿命评估装置300包括获取单元301、分类单元302、计时单元303、等效单元304、叠加单元305、评估单元306。
获取单元301可获取所述风力发电机组在目标历史时段的历史数据，所述历史数据包括历史运行数据。
分类单元302可对所述历史运行数据执行分类处理，以将所述历史运行数据归入不同的运行状态类别，并将所述历史数据中的其他数据归于对应的所述历史运行数据所属的运行状态类别。
计时单元303可根据所述历史运行数据对应的时间信息，确定每个运行状态类别的时间占比，记为第一占比。
等效单元304可根据每个运行状态类别下的所述历史数据，确定每个运行状态类别对应的等效疲劳载荷。
叠加单元305可基于所述第一占比，对各个运行状态类别对应的所述等效疲劳载荷进行叠加处理，得到机组等效疲劳载荷。
评估单元306可根据所述机组等效疲劳载荷，确定所述风力发电机组在所述目标历史时段的已消耗寿命。
根据本公开的实施例的风力发电机组的寿命评估装置300，其各个单元执行的动作与前述的根据本公开的实施例的风力发电机组的寿命评估方法一一对应，因而具备该寿命评估方法的全部有益效果，在此不再赘述。
根据本公开的实施例的风力发电机组的寿命评估方法可被编写为计算机程序并被存储在计算机可读存储介质上。当所述计算机程序对应的指令被处理器执行时，可实现如上所述的风力发电机组的寿命评估方法。计算机可读存储介质的示例包括：只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如，多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置，所述任何其他装置被配置为以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。在一个示例中，计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上，使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
图4是示出根据本公开的实施例的计算机设备的框图。
参照图4，计算机设备400包括至少一个存储器401和至少一个处理器402，所述至少一个存储器401中存储有计算机可执行指令集合，当计算机可执行指令集合被至少一个处理器402执行时，执行根据本公开的示例性实施例的风力发电机组的寿命评估方法。
作为示例，计算机设备400可以是PC计算机、平板装置、个人数字助理、智能手机、或其他能够执行上述指令集合的装置。这里，计算机设备400并非必须是单个的电子设备，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算机设备400还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子设备。
在计算机设备400中，处理器402可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
处理器402可运行存储在存储器401中的指令或代码，其中，存储器401还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，网络接口装置可采用任何已知的传输协议。
存储器401可与处理器402集成为一体，例如，将RAM或闪存布置在集成电路微处理器等之内。此外，存储器401可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器401和处理器402可在操作上进行耦合，或者可例如通过I/O端口、网络连接等互相通信，使得处理器402能够读取存储在存储器中的文件。
此外，计算机设备400还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。计算机设备400的所有组件可经由总线和/或网络而彼此连接。
本公开利用风力发电机组运行过程中本身就会采集的、包括历史运行数据在内的历史数据来实现机组寿命评估，先对历史数据分类，得到不同运行状态类别下的历史数据以及不同运行状态类别的时间占比，再对每个运行状态类别，分别根据相应的历史数据确定等效疲劳载荷，继而按照时间占比叠加这些等效疲劳载荷，可得到综合反映风力发电机组历史运行情况的机组等效疲劳载荷，最后据此评估出风力发电机组的已消耗寿命。通过区分不同的运行状态，分别确定等效疲劳载荷，可提升评估结果准确性，再结合时间占比叠加等效疲劳载荷，可有效整合不同运行状态的评估结果，从而充分利用风力发电机组的现场数据，对现场运行情况进行分析，有助于提升寿命评估的可靠性，为现场风力发电机组的安全性以及未来发展方向提供了参考。
以上对本公开的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下，可对这些实施例进行修改和变型，这些修改和变型也应在本公开的权利要求的保护范围内。

Claims (11)

1.一种风力发电机组的寿命评估方法，其特征在于，所述寿命评估方法包括：
获取所述风力发电机组在目标历史时段的历史数据，所述历史数据包括历史运行数据；
对所述历史运行数据执行分类处理，以将所述历史运行数据归入不同的运行状态类别，并将所述历史数据中的其他数据归于对应的所述历史运行数据所属的运行状态类别；
根据所述历史运行数据对应的时间信息，确定每个运行状态类别的时间占比，记为第一占比；
根据每个运行状态类别下的所述历史数据，确定每个运行状态类别对应的等效疲劳载荷；
基于所述第一占比，对各个运行状态类别对应的所述等效疲劳载荷进行叠加处理，得到机组等效疲劳载荷；
根据所述机组等效疲劳载荷，确定所述风力发电机组在所述目标历史时段的已消耗寿命。
2.如权利要求1所述的寿命评估方法，其特征在于，所述基于所述第一占比，对各个运行状态类别对应的所述等效疲劳载荷进行叠加处理，得到机组等效疲劳载荷，包括：
对每个运行状态类别，确定所述等效疲劳载荷的m次幂与所述第一占比的乘积，并对各个运行状态类别对应的所述乘积求和，得到参考载荷，其中，m是所述风力发电机组的目标部件的材料沃尔系数；
确定所述参考载荷的1/m次幂，作为所述机组等效疲劳载荷。
3.如权利要求1所述的寿命评估方法，其特征在于，所述根据每个运行状态类别下的所述历史数据，确定每个运行状态类别对应的等效疲劳载荷，包括：
从所述历史数据中选择第一参考参数；
基于每个运行状态类别下的所述历史数据，按照所述第一参考参数的不同取值区间，构建多个参数仓，每个参数仓包括相应取值区间的所述第一参考参数所对应的所述历史数据的特征向量；
针对每个运行状态类别，根据所述多个参数仓，确定相应运行状态类别对应的所述等效疲劳载荷。
4.如权利要求3所述的寿命评估方法，其特征在于，所述历史数据还包括历史风资源数据，所述历史风资源数据与所述历史运行数据在时间上相对应，所述历史风资源数据包括第二参考参数，所述第二参考参数与所述第一参考参数之间存在取值对应关系，
其中，所述将所述历史数据中的其他数据归于对应的所述历史运行数据所属的运行状态类别，包括：
将所述历史风资源数据归于时间上相对应的所述历史运行数据所属的运行状态类别；
其中，所述基于每个运行状态类别下的所述历史数据，按照所述第一参考参数的不同取值区间，构建多个参数仓，包括：
针对每个运行状态类别，按照所述第一参考参数的不同取值区间，对所述历史运行数据进行分仓处理，得到多个初始参数仓；
基于所述第二参考参数与所述第一参考参数的取值对应关系，确定所述历史风资源数据与所述多个初始参数仓的对应关系，并对所述历史风资源数据进行分仓处理，以扩展所述多个初始参数仓，得到所述多个参数仓。
5.如权利要求3所述的寿命评估方法，其特征在于，所述根据所述多个参数仓，确定相应运行状态类别对应的所述等效疲劳载荷，包括：
基于每个参数仓进行仿真计算，得到每个参数仓对应的参数仓等效疲劳载荷；
根据每个参数仓对应的所述历史数据的时间信息，确定每个参数仓的时间占比，记为第二占比；
基于所述第二占比，对各个参数仓对应的所述参数仓等效疲劳载荷进行叠加处理，得到相应运行状态类别对应的所述等效疲劳载荷。
6.如权利要求3所述的寿命评估方法，其特征在于，所述历史运行数据包括叶轮风速、功率、叶轮转速、发电机扭矩、桨距角、偏航角度、故障次数、故障种类中的至少一个，所述第一参考参数为叶轮风速。
7.如权利要求1所述的寿命评估方法，其特征在于，所述对所述历史运行数据执行分类处理，以将所述历史运行数据归入不同的运行状态类别，包括：
对所述历史运行数据中的至少部分数据执行聚类处理，以将所述历史运行数据归入不同的运行状态类别。
8.如权利要求7所述的寿命评估方法，其特征在于，所述历史运行数据中的至少部分数据为叶轮风速、功率、叶轮转速、发电机扭矩、桨距角。
9.一种风力发电机组的寿命评估装置，其特征在于，所述寿命评估装置包括：
获取单元，被配置为：获取所述风力发电机组在目标历史时段的历史数据，所述历史数据包括历史运行数据；
分类单元，被配置为：对所述历史运行数据执行分类处理，以将所述历史运行数据归入不同的运行状态类别，并将所述历史数据中的其他数据归于对应的所述历史运行数据所属的运行状态类别；
计时单元，被配置为：根据所述历史运行数据对应的时间信息，确定每个运行状态类别的时间占比，记为第一占比；
等效单元，被配置为：根据每个运行状态类别下的所述历史数据，确定每个运行状态类别对应的等效疲劳载荷；
叠加单元，被配置为：基于所述第一占比，对各个运行状态类别对应的所述等效疲劳载荷进行叠加处理，得到机组等效疲劳载荷；
评估单元，被配置为：根据所述机组等效疲劳载荷，确定所述风力发电机组在所述目标历史时段的已消耗寿命。
10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令被至少一个处理器运行时，促使所述至少一个处理器执行如权利要求1到8中的任一权利要求所述的寿命评估方法。
11.一种计算机设备，其特征在于，包括：
至少一个处理器；
至少一个存储计算机可执行指令的存储器，
其中，所述计算机可执行指令在被所述至少一个处理器运行时，促使所述至少一个处理器执行如权利要求1到8中的任一权利要求所述的寿命评估方法。
CN202111612735.6A 2021-12-27 2021-12-27 风力发电机组的寿命评估方法和装置 Pending CN116432361A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111612735.6A CN116432361A (zh) 2021-12-27 2021-12-27 风力发电机组的寿命评估方法和装置
PCT/CN2022/080682 WO2023123685A1 (zh) 2021-12-27 2022-03-14 风力发电机组的寿命评估方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111612735.6A CN116432361A (zh) 2021-12-27 2021-12-27 风力发电机组的寿命评估方法和装置

Publications (1)

Publication Number Publication Date
CN116432361A true CN116432361A (zh) 2023-07-14

Family

ID=86997286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111612735.6A Pending CN116432361A (zh) 2021-12-27 2021-12-27 风力发电机组的寿命评估方法和装置

Country Status (2)

Country Link
CN (1) CN116432361A (zh)
WO (1) WO2023123685A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707035B (zh) * 2023-08-07 2023-09-29 江苏蔚风能源科技有限公司 一种依赖低风速动态规划的有功功率控制方法
CN117056758B (zh) * 2023-10-11 2024-01-30 中国华能集团清洁能源技术研究院有限公司 风电机组运行状态识别方法、装置及设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701337A (zh) * 2015-12-31 2016-06-22 北京金风科创风电设备有限公司 风电机组的疲劳寿命预测方法和装置
CN107850048A (zh) * 2015-06-30 2018-03-27 维斯塔斯风力系统集团公司 用于生成风力涡轮机控制安排的方法以及系统
JP2018185171A (ja) * 2017-04-24 2018-11-22 株式会社東芝 風車発電機の疲労寿命解析装置、風力発電システム、及び風車発電機の疲労寿命解析方法
CN108869173A (zh) * 2018-01-31 2018-11-23 北京金风科创风电设备有限公司 风电机组的功率控制方法和设备
CN110379673A (zh) * 2019-07-08 2019-10-25 广州小鹏汽车科技有限公司 继电器保护方法及装置
CN111460718A (zh) * 2020-04-03 2020-07-28 天津智惠未来科技有限责任公司 一种风电叶片剩余疲劳寿命评估方法
CN112052604A (zh) * 2020-09-29 2020-12-08 上海电气风电集团股份有限公司 风机等效疲劳载荷的预测方法、系统、设备及可读介质
CN112611584A (zh) * 2020-05-18 2021-04-06 北京金风慧能技术有限公司 风力发电机组的疲劳失效检测方法、装置、设备及介质
CN113374652A (zh) * 2021-06-10 2021-09-10 中国三峡建工(集团)有限公司 一种风力发电机组寿命评估方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2912102T3 (es) * 2011-05-20 2022-05-24 Insight Analytics Solutions Holdings Ltd Determinación de daños y vida útil restante de maquinaria rotativa incluyendo trenes de transmisión, cajas de engranajes y generadores
KR101706508B1 (ko) * 2016-07-12 2017-02-16 한국에너지기술연구원 풍력 발전기의 피로 해석 및 등가하중 해석 시스템
ES2947834T3 (es) * 2019-04-01 2023-08-21 Acciona Generacion Renovable S A Un método para calcular la vida útil restante de los componentes de una turbina eólica operativa
CN113821979B (zh) * 2021-09-29 2022-12-09 中国华能集团清洁能源技术研究院有限公司 一种风电机组疲劳损伤和寿命评估方法、计算机设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107850048A (zh) * 2015-06-30 2018-03-27 维斯塔斯风力系统集团公司 用于生成风力涡轮机控制安排的方法以及系统
CN105701337A (zh) * 2015-12-31 2016-06-22 北京金风科创风电设备有限公司 风电机组的疲劳寿命预测方法和装置
JP2018185171A (ja) * 2017-04-24 2018-11-22 株式会社東芝 風車発電機の疲労寿命解析装置、風力発電システム、及び風車発電機の疲労寿命解析方法
CN108869173A (zh) * 2018-01-31 2018-11-23 北京金风科创风电设备有限公司 风电机组的功率控制方法和设备
CN110379673A (zh) * 2019-07-08 2019-10-25 广州小鹏汽车科技有限公司 继电器保护方法及装置
CN111460718A (zh) * 2020-04-03 2020-07-28 天津智惠未来科技有限责任公司 一种风电叶片剩余疲劳寿命评估方法
CN112611584A (zh) * 2020-05-18 2021-04-06 北京金风慧能技术有限公司 风力发电机组的疲劳失效检测方法、装置、设备及介质
CN112052604A (zh) * 2020-09-29 2020-12-08 上海电气风电集团股份有限公司 风机等效疲劳载荷的预测方法、系统、设备及可读介质
CN113374652A (zh) * 2021-06-10 2021-09-10 中国三峡建工(集团)有限公司 一种风力发电机组寿命评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PATRICK TIBBITS: "DRAFT: FATIGUE LOAD EQUIVALENT TO DISTRIBUTION", ASME, pages 1 - 8 *
张建华: "风力机叶片疲劳寿命估算方法研究", 中国优秀硕士论文电子期刊网, pages 042 - 124 *
曾庆忠: "风力发电机组疲劳载荷的影响因素分析", 东方电气评论, pages 49 - 52 *
莫继华;何炎平;李勇刚;张二虎;: "近海风电机组单桩式支撑结构疲劳分析", 上海交通大学学报, no. 04, pages 132 - 136 *

Also Published As

Publication number Publication date
WO2023123685A1 (zh) 2023-07-06

Similar Documents

Publication Publication Date Title
Zhang et al. A data-driven design for fault detection of wind turbines using random forests and XGboost
CN116432361A (zh) 风力发电机组的寿命评估方法和装置
Kusiak et al. A data-mining approach to monitoring wind turbines
Bruton et al. Review of automated fault detection and diagnostic tools in air handling units
EP2644889B1 (en) Detecting a wake situation in a wind farm
Kramer et al. Short-term wind energy forecasting using support vector regression
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
Wang et al. Wind turbines abnormality detection through analysis of wind farm power curves
Kile et al. Data reduction via clustering and averaging for contingency and reliability analysis
Mochammad et al. Stable hybrid feature selection method for compressor fault diagnosis
Movahed et al. A bi-level data-driven framework for fault-detection and diagnosis of HVAC systems
Dehestani et al. Robust fault tolerant application for HVAC system based on combination of online SVM and ANN black box model
de Carvalho Michalski et al. Applying moving window principal component analysis (MWPCA) for fault detection in hydrogenerator
Zhou et al. An unsupervised data mining strategy for performance evaluation of ground source heat pump systems
CN108876073A (zh) 风电机组可靠性确定方法和装置
Wang et al. Kernel principle component analysis and random under sampling boost based fault diagnosis method and its application to a pressurized water reactor
Zhang et al. Robust fault‐detection based on residual K–L divergence for wind turbines
CN116191554A (zh) 风电场的功率控制方法和装置
CN112287522B (zh) 风电机组变桨系统驱动能力的优化方法、系统及计算机可读存储介质
CN116204762A (zh) 风力发电机组变桨轴承的寿命评估方法和装置
TWI771098B (zh) 路側單元之雷達系統之狀態之錯誤診斷系統及方法
Gamberini et al. Active trailing edge flap system fault detection via machine learning
Lützen et al. Predictive Maintenance for Offshore Wind Turbines through Deep Learning and Online Clustering of Unsupervised Subsystems: A Real-World Implementation
Eriksson Machine learning for predictive maintenance on wind turbines: Using SCADA data and the Apache Hadoop ecosystem
CN117609940A (zh) 一种盘设备全生命周期故障预测方法

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