CN116579632B - 一种基于深度学习技术实现风电设备的服役状态监测方法 - Google Patents
一种基于深度学习技术实现风电设备的服役状态监测方法 Download PDFInfo
- Publication number
- CN116579632B CN116579632B CN202310847600.0A CN202310847600A CN116579632B CN 116579632 B CN116579632 B CN 116579632B CN 202310847600 A CN202310847600 A CN 202310847600A CN 116579632 B CN116579632 B CN 116579632B
- Authority
- CN
- China
- Prior art keywords
- factor
- data
- wind power
- power equipment
- evaluated
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000013441 quality evaluation Methods 0.000 claims abstract description 66
- 230000009467 reduction Effects 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 72
- 238000001914 filtration Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 34
- 238000006243 chemical reaction Methods 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013016 damping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010223 real-time analysis Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- NGVDGCNFYWLIFO-UHFFFAOYSA-N pyridoxal 5'-phosphate Chemical compound CC1=NC=C(COP(O)(O)=O)C(C=O)=C1O NGVDGCNFYWLIFO-UHFFFAOYSA-N 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic 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
- 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
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
本发明涉及状态监测领域,揭露一种基于深度学习技术实现风电设备的服役状态监测方法,包括:查询待评估风电设备的质量评价指标,并识别质量评价指标在待评估风电设备中的关联因子;获取待评估风电设备的历史状态数据,基于历史状态数据,识别关联因子的统计特征,根据统计特征,构建关联因子的因子等级;根据因子等级,对关联因子进行三次筛选,得到降维关联因子;计算历史状态数据对应降维关联因子的因子状态数据,根据因子状态数据,确定待评估风电设备的状态监测模型;获取待评估风电设备的实时状态数据,根据实时状态数据,利用状态监测模型,确定待评估风电设备的实时服役状态。本发明可以提高风电设备服役状态监测的准确性。
Description
技术领域
本发明涉及状态监测领域,尤其涉及一种基于深度学习技术实现风电设备的服役状态监测方法。
背景技术
目前,风电设备故障主要通过建立设备及子部件物理模型的方法来检测,但由于风能的随机性和风电设备复杂的故障机理,导致设备参数的多元耦合建模困难,从而极大的降低了风电设备服役状态监测的准确性。
发明内容
本发明提供一种基于深度学习技术实现风电设备的服役状态监测方法,其主要目的在于提高风电设备服役状态监测的准确性。
为实现上述目的,本发明提供的一种基于深度学习技术实现风电设备的服役状态监测方法,包括:
查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标,并识别所述质量评价指标在所述待评估风电设备中的关联因子;
获取所述待评估风电设备的历史状态数据,基于所述历史状态数据,识别所述关联因子的统计特征,根据所述统计特征,构建所述关联因子关于所述质量评价指标的因子等级;
根据所述因子等级,对所述关联因子进行筛选,得到初始关联因子,对所述初始关联因子进行过滤,得到过滤关联因子,对所述过滤关联因子进行降维处理,得到降维关联因子;
计算所述历史状态数据对应所述降维关联因子的因子状态数据,根据因子状态数据,确定所述待评估风电设备的状态监测模型;
获取所述待评估风电设备的实时状态数据,根据所述实时状态数据,利用所述状态监测模型,确定所述待评估风电设备的实时服役状态。
可选地,所述查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标,包括:
识别所述待评估风电设备的业务场景,根据所述业务场景,分析所述待评估风电设备的业务需求,并对所述业务需求进行关键词提取,得到需求关键词;
提取所述服役质量评价体系中的体系质量指标,分别对所述体系质量指标和所述需求关键词进行向量转换,得到指标转换向量和需求转换向量;
根据所述需求转换向量和所述指标转换向量,计算所述业务需求与所述体系质量指标之间的语义相似度,根据所述语义相似度,确定所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标。
可选地,所述对所述业务需求进行关键词提取,得到需求关键词,包括:
对所述业务需求进行文本分词处理,得到需求分词,识别所述需求分词之间的共现关系,映射所述需求分词为图节点,映射所述共现关系为图边;
根据所述图节点和所述图边,构建所述需求分词的连接图,基于所述连接图,构建所述需求分词的邻接矩阵,并对所述邻接矩阵进行标准化处理,得到标准转移矩阵;
根据所述标准转移矩阵,计算所述需求分词的目标权重向量,提取所述目标权重向量的权重分量,对所述权重分量进行降序排列,得到降序权重序列,选取所述降序权重序列中的前面预设数量阈值的权重分量对应的所述需求分词,根据所述需求分词,确定所述需求关键词。
可选地,所述根据所述标准转移矩阵,计算所述需求分词的目标权重向量,包括:
利用下述公式计算所述需求分词的迭代权重向量:
;
其中,表示第/>次迭代权重向量,/>表示阻尼系数,/>表示标准转移矩阵,/>表示第/>-1次迭代权重向量,/>表示迭代次数,另外,/>可初始化为形式:/>),也可设定为其他形式;
在所述迭代权重向量达到预设迭代条件时,将所述迭代权重向量确定为所述需求分词的目标权重向量。
可选地,所述根据所述需求转换向量和所述指标转换向量,计算所述业务需求与所述体系质量指标之间的语义相似度,包括:
利用下述公式计算所述业务需求与所述体系质量指标之间的语义相似度:
;
其中,表示业务需求与体系质量指标之间的语义相似度,/>表示第/>个需求转换向量,/>表示第/>个指标转换向量,/>体系质量指标,/>表示业务需求,/>表示需求转换向量的序号,/>表示需求转换向量的数量,/>表示体系质量指标的序号,/>表示体系质量指标的数量,/>表示余弦函数符号,/>表示条件概率符号。
可选地,所述识别所述质量评价指标在所述待评估风电设备中的关联因子,包括:
识别所述待评估风电设备的关键部件,提取所述关键部件的关键影响因子,获取所述质量评价指标和所述关键影响因子一一对应的指标数据样本和因子数据样本;
对所述指标数据样本和所述因子数据样本进行等级划分,得到指标等级数据和因子等级数据,根据所述指标等级数据和所述因子等级数据,计算所述质量评价指标与所述关键影响因子之间的等级相关系数;
根据所述等级相关系数,确定与所述质量评价指标相关的所述关联因子。
可选地,所述对所述初始关联因子进行过滤,得到过滤关联因子,包括:
获取所述初始关联因子在预设状态数据库中的初始因子样本,从所述初始因子样本中随机选择一个随机样本,识别与所述随机样本相同的同类样本及与所述随机样本不相同的不同类样本;
配置所述初始关联因子的初始因子权重,分别从所述同类样本和所述不同类样本中提取预设个数的同类近邻样本和不同类近邻样本,根据所述初始因子权重、所述随机样本、所述同类近邻样本及所述不同类近邻样本,计算所述初始关联因子的关联因子权重;
在所述关联因子权重不小于预设阈值时,确定所述关联因子权重对应的所述初始关联因子为所述过滤关联因子。
可选地,所述根据所述初始因子权重、所述随机样本、所述同类近邻样本及所述不同类近邻样本,计算所述初始关联因子的关联因子权重,包括:
利用下述公式计算所述初始关联因子的关联因子权重:
;
;
其中,表示关联因子权重,/>表示初始因子权重,/>表示第/>个初始关联因子,/>表示随机样本,/>表示随机样本的第/>个同类近邻样本,/>表示样本/>和同类近邻样本/>在特征/>上的差,/>表示样本抽样次数,/>抽取近邻样本的预设个数,/>表示样本/>的所属类别,/>表示/>类样本在总样本中所占比例,/>表示样本和不同类近邻样本/>在特征/>上的差,/>表示样本/>和样本/>在特征/>上的差,/>分别表示样本/>、/>在特征/>上的值,/>表示差分函数符号。
可选地,所述对所述过滤关联因子进行降维处理,得到降维关联因子,包括:
获取所述过滤关联因子对应的过滤状态数据,对所述过滤状态数据进行随机加噪处理,得到加噪数据;
将所述加噪数据输入到预设特征提取模型中的特征编码器,利用下述公式计算所述加噪数据的编码的编码特征数据:
;
其中,表示编码特征数据,/>表示sigmoid函数,/>表示编码权重矩阵,/>表示加噪数据,/>表示编码偏置向量;
将所述编码特征数据输入到所述预设特征提取模型中的特征解码器,利用下述公式计算所述编码特征数据的编码的解码特征数据:
;
其中,表示解码特征数据,/>表示sigmoid函数,/>表示解码权重矩阵,/>表示编码特征数据,/>表示解码偏置向量;
利用下述公式计算所述过滤状态数据和所述解码特征数据之间重构误差:
;
其中,表示重构误差,/>表示第/>个解码特征数据,/>表示第/>个过滤状态数据,/>表示过滤状态数据的数量,/>表示过滤状态数据的序号;
基于所述重构误差,调整所述预设特征提取模型的模型参数,得到最优模型参数,根据所述最优模型参数,确定训练好的特征提取模型;
识别所述训练好的特征提取模型中的所述特征编码器的编码关系,根据所述编码关系,确定所述过滤关联因子的降维关联因子。
可选地,所述根据因子状态数据,确定所述待评估风电设备的状态监测模型,包括:
构建所述待评估风电设备的候选监测模型集,并构建所述因子状态数据的数据样本集,将所述数据样本集切分为预设数量且不相交的子样本集;
选取所述数据样本集中的任意一个所述子样本集作为测试样本集,从所述数据样本集中去除所述测试样本集,得到训练样本集;
利用所述测试样本集,对所述候选监测模型集中的候选监测模型进行模型训练,得到初始监测模型,利用所述测试样本集,对所述初始监测模型进行模型测试,得到测试误差,计算所述测试误差的平均测试误差;
计算所述平均测试误差的最小测试误差,确定所述最小测试误差对应的所述候选监测模型为所述待评估风电设备的选定监测模型,利用所述数据样本集,对所述选定监测模型进行模型训练,得到所述待评估风电设备的状态监测模型。
可以看出,本发明实施例通过查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标可以为后续更便捷对待评估风电设备开展状态监测工作提供更直观的评价依据,识别所述质量评价指标在所述待评估风电设备中的关联因子可以得到质量评价指标在待评估风电设备中的影响构成因素,以为后续构建设备状态监测模型提供原始分析特征,通过获取所述待评估风电设备的历史状态数据为建立待评估风电设备的状态监测模型提供数据基础,基于所述历史状态数据,识别所述关联因子的统计特征可以得到判定关联因子的特征指标,并根据所述统计特征,构建所述关联因子关于所述质量评价指标的因子等级可以确定关联因子的故障发生概率及故障重要性,以为后续对关联因子进行初步筛选提供支撑;其次,本发明实施例通过根据所述因子等级,对所述关联因子进行筛选可以去除故障发生概率低或影响小的关联因子以实现对关联因子的初步筛选,对所述初始关联因子进行过滤可以过滤掉重要性低的关联因子以实现对关联因子的二次筛选,对所述过滤关联因子进行降维处理可以去除过滤关联因子之间的冗余以实现对关联因子的三次筛选,得到更具鲁棒性的降维关联因子;进一步地,本发明实施例通过计算所述历史状态数据对应所述降维关联因子的因子状态数据可以为待评估风电设备的服役状态监测提供基本监测数据,并根据因子状态数据,确定所述待评估风电设备的状态监测模型可以为后续实现对待评估风电设备服役状态的实时监测提供依据,以提高状态监测的准确性,获取所述待评估风电设备的实时状态数据可以为待评估风电设备服役状态的实时监测提供实时分析数据,及根据所述实时状态数据,利用所述状态监测模型,确定所述待评估风电设备的实时服役状态可以最终实现对待评估风电设备的服役状态更准确的实时监测,以为应对设备故障更及时地实施维护策略。因此,本发明实施例提出的一种基于深度学习技术实现风电设备的服役状态监测方法,可以提高风电设备服役状态监测的准确性。
附图说明
图1为本发明一实施例提供的基于深度学习技术实现风电设备的服役状态监测方法的流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
S1、查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标,并识别所述质量评价指标在所述待评估风电设备中的关联因子。
本发明实施例通过查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标可以为后续更便捷对待评估风电设备开展状态监测工作提供更直观的评价依据。其中,所述服役质量评价体系是指在计划和统计工作中,反映或衡量生产效果或工作质量的分析系统,其包含很多质量评定指标,如温度、振动、噪声、能效、安全性、退化度、设备利用率等。所述质量评价指标是反映剖析生产效果或工作质量的总量指标。
进一步地,作为本发明的一个可选实施例,所述查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标,包括:识别所述待评估风电设备的业务场景,根据所述业务场景,分析所述待评估风电设备的业务需求,并对所述业务需求进行关键词提取,得到需求关键词;提取所述服役质量评价体系中的体系质量指标,分别对所述体系质量指标和所述需求关键词进行向量转换,得到指标转换向量和需求转换向量;根据所述需求转换向量和所述指标转换向量,计算所述业务需求与所述体系质量指标之间的语义相似度,根据所述语义相似度,确定所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标。
可选地,所述对所述业务需求进行关键词提取,得到需求关键词,包括:对所述业务需求进行文本分词处理,得到需求分词,识别所述需求分词之间的共现关系,映射所述需求分词为图节点,映射所述共现关系为图边;根据所述图节点和所述图边,构建所述需求分词的连接图,基于所述连接图,构建所述需求分词的邻接矩阵,并对所述邻接矩阵进行标准化处理,得到标准转移矩阵;根据所述标准转移矩阵,计算所述需求分词的目标权重向量,提取所述目标权重向量的权重分量,对所述权重分量进行降序排列,得到降序权重序列,选取所述降序权重序列中的前面预设数量阈值的权重分量对应的所述需求分词,根据所述需求分词,确定所述需求关键词。其中,所述预设数量阈值可理解为根据应用场景选取的表示数量的临界值。
可选地,所述对所述业务需求进行文本分词处理,得到需求分词可通过正向最大匹配法、N-最短路径方法、基于词感知机的分词方法及基于CRF的分词方法等实现。所述识别所述需求分词之间的共现关系可通过统计需求分词之间是否在移动窗口中同时出现来识别。
可选地,所述根据所述标准转移矩阵,计算所述需求分词的目标权重向量,包括:
利用下述公式计算所述需求分词的迭代权重向量:
;
其中,表示第/>次迭代权重向量,/>表示阻尼系数,/>表示标准转移矩阵,/>表示第/>-1次迭代权重向量,/>表示迭代次数,另外,/>可初始化为形式:/>),也可设定为其他形式;
在所述迭代权重向量达到预设迭代条件时,将所述迭代权重向量确定为所述需求分词的目标权重向量。
其中,所述预设迭代条件是指迭代终止的条件,可以为具体迭代次数或迭代权重向量趋于稳定的状态。
可选地,所述分别对所述体系质量指标和所述需求关键词进行向量转换,得到指标转换向量和需求转换向量可通过Word2Vec算法实现。
可选地,所述根据所述需求转换向量和所述指标转换向量,计算所述业务需求与所述体系质量指标之间的语义相似度,包括:
利用下述公式计算所述业务需求与所述体系质量指标之间的语义相似度:
;
其中,表示业务需求与体系质量指标之间的语义相似度,/>表示第/>个需求转换向量,/>表示第/>个指标转换向量,/>体系质量指标,/>表示业务需求,/>表示需求转换向量的序号,/>表示需求转换向量的数量,/>表示体系质量指标的序号,/>表示体系质量指标的数量,/>表示余弦函数符号,/>表示条件概率符号。
可选地,所述根据所述语义相似度,确定所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标可以通过根据预设相似度阈值,在所述语义相似度不小于所述预设相似度阈值时,确定所述语义相似度对应的体系质量指标为所述质量评价指标。其中,所述预设相似度阈值是判定体系质量指标状态的临界值。
进一步地,本发明实施例通过识别所述质量评价指标在所述待评估风电设备中的关联因子可以得到质量评价指标在待评估风电设备中的影响构成因素,以为后续构建设备状态监测模型提供原始分析特征。
进一步地,作为本发明的一个可选实施例,所述识别所述质量评价指标在所述待评估风电设备中的关联因子,包括:识别所述待评估风电设备的关键部件,提取所述关键部件的关键影响因子,获取所述质量评价指标和所述关键影响因子一一对应的指标数据样本和因子数据样本;对所述指标数据样本和所述因子数据样本进行等级划分,得到指标等级数据和因子等级数据,根据所述指标等级数据和所述因子等级数据,计算所述质量评价指标与所述关键影响因子之间的等级相关系数;根据所述等级相关系数,确定与所述质量评价指标相关的所述关联因子。
可选地,所述根据所述指标等级数据和所述因子等级数据,计算所述质量评价指标与所述关键影响因子之间的等级相关系数,包括:
利用下述公式计算所述质量评价指标与所述关键影响因子之间的等级相关系数:
;
其中,表示等级相关系数,/>表示指标等级数据,/>表示因子等级数据,/>表示指标等级数据的平均值,/>表示因子等级数据的平均值,/>,/>分别表示等级数据对的序号,/>表示等级数据对的数量。
S2、获取所述待评估风电设备的历史状态数据,基于所述历史状态数据,识别所述关联因子的统计特征,根据所述统计特征,构建所述关联因子关于所述质量评价指标的因子等级。
本发明实施例中,所述历史状态数据是指待评估风电设备的过去长期的与设备运行状态相关的数据,其可通过数据脚本获取,所述数据脚本可通过JS脚本语言进行编译。
进一步地,本发明实施例通过基于所述历史状态数据,识别所述关联因子的统计特征可以得到判定关联因子的特征指标。其中,所述统计特征是反映与总体的各个个体相联系的数量特征和属性特征,如异常次数、异常频率、发生异常的平均时间及异常类别等。
进一步地,作为本发明的一个可选实施例,所述基于所述历史状态数据,识别所述关联因子的统计特征,包括:查询所述关联因子在所述历史状态数据中的因子故障数据,利用预设时间范围,分析所述因子故障数据在所述预设时间范围的故障统计特征,根据所述故障统计特征,确定所述关联因子的统计特征。其中,所述预设时间范围是指一定时间的区间,如一个月、三个月等。
进一步地,本发明实施例通过根据所述统计特征,构建所述关联因子关于所述质量评价指标的因子等级可以确定关联因子的故障发生概率及故障重要性,以为后续对关联因子进行初步筛选提供支撑。其中,所述因子等级是指关联因子按某一标准区分的高下差别,如关键故障、高重要度的故障及低重要度的故障等。
进一步地,作为本发明的一个可选实施例,所述根据所述统计特征,构建所述关联因子关于所述质量评价指标的因子等级,包括:构建所述统计特征的评分函数,基于所述评分函数和所述统计特征值,计算所述关联因子的统计得分;并计算每个所述统计得分的统计总得分,根据所述统计总得分,利用预设故障等级标准,确定所述关联因子关于所述质量评价指标的因子等级。其中,所述预设故障等级标准是指根据专家经验制定的关于故障影响程度的标准。其中,所述评分函数通常基于信息论准则,衡量变量、指标等的性能特性水平的映射关系,如PLP、 ChemScore、X-Score及GlideScore等。
可选地,所述构建所述统计特征的评分函数可以根据专家经验,定义统计特征的数值范围与评分之间的隶属度函数构建。
S3、根据所述因子等级,对所述关联因子进行筛选,得到初始关联因子,对所述初始关联因子进行过滤,得到过滤关联因子,对所述过滤关联因子进行降维处理,得到降维关联因子。
本发明实施例通过根据所述因子等级,对所述关联因子进行筛选可以去除故障发生概率低或影响小的关联因子以实现对关联因子的初步筛选。
进一步地,本发明实施例通过对所述初始关联因子进行过滤可以过滤掉重要性低的关联因子以实现对关联因子的二次筛选。
进一步地,作为本发明的一个可选实施例,所述对所述初始关联因子进行过滤,得到过滤关联因子,包括:获取所述初始关联因子在预设状态数据库中的初始因子样本,从所述初始因子样本中随机选择一个随机样本,识别与所述随机样本相同的同类样本及与所述随机样本不相同的不同类样本;配置所述初始关联因子的初始因子权重,分别从所述同类样本和所述不同类样本中提取预设个数的同类近邻样本和不同类近邻样本,根据所述初始因子权重、所述随机样本、所述同类近邻样本及所述不同类近邻样本,计算所述初始关联因子的关联因子权重;在所述关联因子权重不小于预设阈值时,确定所述关联因子权重对应的所述初始关联因子为所述过滤关联因子。
可选地,所述根据所述初始因子权重、所述随机样本、所述同类近邻样本及所述不同类近邻样本,计算所述初始关联因子的关联因子权重,包括:
利用下述公式计算所述初始关联因子的关联因子权重:
;
;
其中,表示关联因子权重,/>表示初始因子权重,/>表示第/>个初始关联因子,/>表示随机样本,/>表示随机样本的第/>个同类近邻样本,/>表示样本/>和同类近邻样本/>在特征/>上的差,/>表示样本抽样次数,/>抽取近邻样本的预设个数,/>表示样本/>的所属类别,/>表示/>类样本在总样本中所占比例,/>表示样本和不同类近邻样本/>在特征/>上的差,/>表示样本/>和样本/>在特征/>上的差,/>分别表示样本/>、/>在特征/>上的值,/>表示差分函数符号。
进一步地,本发明实施例通过对所述过滤关联因子进行降维处理可以去除过滤关联因子之间的冗余以实现对关联因子的三次筛选,得到更具鲁棒性的降维关联因子。
进一步地,作为本发明的一个可选实施例,所述对所述过滤关联因子进行降维处理,得到降维关联因子,包括:
获取所述过滤关联因子对应的过滤状态数据,对所述过滤状态数据进行随机加噪处理,得到加噪数据;
将所述加噪数据输入到预设特征提取模型中的特征编码器,利用下述公式计算所述加噪数据的编码的编码特征数据:
;
其中,表示编码特征数据,/>表示sigmoid函数,/>表示编码权重矩阵,/>表示加噪数据,/>表示编码偏置向量;
将所述编码特征数据输入到所述预设特征提取模型中的特征解码器,利用下述公式计算所述编码特征数据的编码的解码特征数据:
;
其中,表示解码特征数据,/>表示sigmoid函数,/>表示解码权重矩阵,/>表示编码特征数据,/>表示解码偏置向量;
利用下述公式计算所述过滤状态数据和所述解码特征数据之间重构误差:
;
其中,表示重构误差,/>表示第/>个解码特征数据,/>表示第/>个过滤状态数据,/>表示过滤状态数据的数量,/>表示过滤状态数据的序号;
基于所述重构误差,调整所述预设特征提取模型的模型参数,所述模型参数包括所述编码权重矩阵、所述编码偏置向量、所述解码权重矩阵、所述解码偏置向量,得到最优模型参数,根据所述最优模型参数,确定训练好的特征提取模型;
识别所述训练好的特征提取模型中的所述特征编码器的编码关系,根据所述编码关系,确定所述过滤关联因子的降维关联因子。
S4、计算所述历史状态数据对应所述降维关联因子的因子状态数据,根据因子状态数据,确定所述待评估风电设备的状态监测模型。
本发明实施例通过计算所述历史状态数据对应所述降维关联因子的因子状态数据可以为待评估风电设备的服役状态监测提供基本监测数据,所述因子状态数据可通过上述特征提取模型中的特征解码器计算得到。
进一步地,本发明实施例通过根据因子状态数据,确定所述待评估风电设备的状态监测模型可以为后续实现对待评估风电设备服役状态的实时监测提供依据,以提高状态监测的准确性。
进一步地,作为本发明的一个可选实施例,所述根据因子状态数据,确定所述待评估风电设备的状态监测模型,包括:构建所述待评估风电设备的候选监测模型集,并构建所述因子状态数据的数据样本集,将所述数据样本集切分为预设数量且不相交的子样本集;选取所述数据样本集中的任意一个所述子样本集作为测试样本集,从所述数据样本集中去除所述测试样本集,得到训练样本集;利用所述测试样本集,对所述候选监测模型集中的候选监测模型进行模型训练,得到初始监测模型,利用所述测试样本集,对所述初始监测模型进行模型测试,得到测试误差,计算所述测试误差的平均测试误差;计算所述平均测试误差的最小测试误差,确定所述最小测试误差对应的所述候选监测模型为所述待评估风电设备的选定监测模型,利用所述数据样本集,对所述选定监测模型进行模型训练,得到所述待评估风电设备的状态监测模型。
S5、获取所述待评估风电设备的实时状态数据,根据所述实时状态数据,利用所述状态监测模型,确定所述待评估风电设备的实时服役状态。
本发明实施例通过获取所述待评估风电设备的实时状态数据可以为待评估风电设备服役状态的实时监测提供实时分析数据,所述实时状态数据可通过多源数据库获取,如SCADA数据库、CMS系统数据库及风电实验测试数据库等。
进一步地,本发明实施例通过根据所述实时状态数据,利用所述状态监测模型,确定所述待评估风电设备的实时服役状态可以最终实现对待评估风电设备的服役状态更准确的实时监测,以为应对设备故障更及时地实施维护策略。
进一步地,本发明实施例通过根据所述实时状态数据,利用所述状态监测模型,确定所述待评估风电设备的实时服役状态,包括:识别所述待评估风电设备的降维关联因子,计算所述实时状态数据对应所述降维关联因子的实时状态数据,根据所述实时状态数据,利用所述状态监测模型,确定所述待评估风电设备的实时服役状态。
可以看出,本发明实施例通过查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标可以为后续更便捷对待评估风电设备开展状态监测工作提供更直观的评价依据,识别所述质量评价指标在所述待评估风电设备中的关联因子可以得到质量评价指标在待评估风电设备中的影响构成因素,以为后续构建设备状态监测模型提供原始分析特征,通过获取所述待评估风电设备的历史状态数据为建立待评估风电设备的状态监测模型提供数据基础,基于所述历史状态数据,识别所述关联因子的统计特征可以得到判定关联因子的特征指标,并根据所述统计特征,构建所述关联因子关于所述质量评价指标的因子等级可以确定关联因子的故障发生概率及故障重要性,以为后续对关联因子进行初步筛选提供支撑;其次,本发明实施例通过根据所述因子等级,对所述关联因子进行筛选可以去除故障发生概率低或影响小的关联因子以实现对关联因子的初步筛选,对所述初始关联因子进行过滤可以过滤掉重要性低的关联因子以实现对关联因子的二次筛选,对所述过滤关联因子进行降维处理可以去除过滤关联因子之间的冗余以实现对关联因子的三次筛选,得到更具鲁棒性的降维关联因子;进一步地,本发明实施例通过计算所述历史状态数据对应所述降维关联因子的因子状态数据可以为待评估风电设备的服役状态监测提供基本监测数据,并根据因子状态数据,确定所述待评估风电设备的状态监测模型可以为后续实现对待评估风电设备服役状态的实时监测提供依据,以提高状态监测的准确性,获取所述待评估风电设备的实时状态数据可以为待评估风电设备服役状态的实时监测提供实时分析数据,及根据所述实时状态数据,利用所述状态监测模型,确定所述待评估风电设备的实时服役状态可以最终实现对待评估风电设备的服役状态更准确的实时监测,以为应对设备故障更及时地实施维护策略。因此,本发明实施例提出的一种基于深度学习技术实现风电设备的服役状态监测方法,可以提高风电设备服役状态监测的准确性。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于深度学习技术实现风电设备的服役状态监测方法,其特征在于,所述方法包括:
查询待评估风电设备在预构建的服役质量评价体系中的质量评价指标,并识别所述质量评价指标在所述待评估风电设备中的关联因子;
所述识别所述质量评价指标在所述待评估风电设备中的关联因子,包括:
识别所述待评估风电设备的关键部件,提取所述关键部件的关键影响因子,获取所述质量评价指标和所述关键影响因子一一对应的指标数据样本和因子数据样本;
对所述指标数据样本和所述因子数据样本进行等级划分,得到指标等级数据和因子等级数据,根据所述指标等级数据和所述因子等级数据,计算所述质量评价指标与所述关键影响因子之间的等级相关系数;
根据所述等级相关系数,确定与所述质量评价指标相关的所述关联因子;
获取所述待评估风电设备的历史状态数据,基于所述历史状态数据,识别所述关联因子的统计特征,根据所述统计特征,构建所述关联因子关于所述质量评价指标的因子等级;
根据所述因子等级,对所述关联因子进行筛选,得到初始关联因子,对所述初始关联因子进行过滤,得到过滤关联因子,对所述过滤关联因子进行降维处理,得到降维关联因子;
所述对所述初始关联因子进行过滤,得到过滤关联因子,包括:
获取所述初始关联因子在预设状态数据库中的初始因子样本,从所述初始因子样本中随机选择一个随机样本,识别与所述随机样本相同的同类样本及与所述随机样本不相同的不同类样本;
配置所述初始关联因子的初始因子权重,分别从所述同类样本和所述不同类样本中提取预设个数的同类近邻样本和不同类近邻样本,根据所述初始因子权重、所述随机样本、所述同类近邻样本及所述不同类近邻样本,计算所述初始关联因子的关联因子权重;
在所述关联因子权重不小于预设阈值时,确定所述关联因子权重对应的所述初始关联因子为所述过滤关联因子;
所述根据所述初始因子权重、所述随机样本、所述同类近邻样本及所述不同类近邻样本,计算所述初始关联因子的关联因子权重,包括:
利用下述公式计算所述初始关联因子的关联因子权重:
;
;
其中,表示关联因子权重,/>表示初始因子权重,/>表示第/>个初始关联因子,/>表示随机样本,/>表示随机样本的第/>个同类近邻样本,/>表示样本/>和同类近邻样本/>在特征/>上的差,/>表示样本抽样次数,/>抽取近邻样本的预设个数,/>表示样本/>的所属类别,/>表示/>类样本在总样本中所占比例,/>表示样本/>和不同类近邻样本/>在特征/>上的差,/>表示样本/>和样本/>在特征/>上的差,分别表示样本/>、/>在特征/>上的值,/>表示差分函数符号;
所述对所述过滤关联因子进行降维处理,得到降维关联因子,包括:
获取所述过滤关联因子对应的过滤状态数据,对所述过滤状态数据进行随机加噪处理,得到加噪数据;
将所述加噪数据输入到预设特征提取模型中的特征编码器,利用下述公式计算所述加噪数据的编码的编码特征数据:
;
其中,表示编码特征数据,/>表示sigmoid函数,/>表示编码权重矩阵,/>表示加噪数据,/>表示编码偏置向量;
将所述编码特征数据输入到所述预设特征提取模型中的特征解码器,利用下述公式计算所述编码特征数据的编码的解码特征数据:
;
其中,表示解码特征数据,/>表示sigmoid函数,/>表示解码权重矩阵,/>表示编码特征数据,/>表示解码偏置向量;
利用下述公式计算所述过滤状态数据和所述解码特征数据之间重构误差:
;
其中,表示重构误差,/>表示第/>个解码特征数据,/>表示第/>个过滤状态数据,/>表示过滤状态数据的数量,/>表示过滤状态数据的序号;
基于所述重构误差,调整所述预设特征提取模型的模型参数,得到最优模型参数,根据所述最优模型参数,确定训练好的特征提取模型;
识别所述训练好的特征提取模型中的所述特征编码器的编码关系,根据所述编码关系,确定所述过滤关联因子的降维关联因子;
计算所述历史状态数据对应所述降维关联因子的因子状态数据,根据因子状态数据,确定所述待评估风电设备的状态监测模型;
获取所述待评估风电设备的实时状态数据,根据所述实时状态数据,利用所述状态监测模型,确定所述待评估风电设备的实时服役状态。
2.如权利要求1所述的一种基于深度学习技术实现风电设备的服役状态监测方法,其特征在于,所述查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标,包括:
识别所述待评估风电设备的业务场景,根据所述业务场景,分析所述待评估风电设备的业务需求,并对所述业务需求进行关键词提取,得到需求关键词;
提取所述服役质量评价体系中的体系质量指标,分别对所述体系质量指标和所述需求关键词进行向量转换,得到指标转换向量和需求转换向量;
根据所述需求转换向量和所述指标转换向量,计算所述业务需求与所述体系质量指标之间的语义相似度,根据所述语义相似度,确定所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标。
3.如权利要求2所述的一种基于深度学习技术实现风电设备的服役状态监测方法,其特征在于,所述对所述业务需求进行关键词提取,得到需求关键词,包括:
对所述业务需求进行文本分词处理,得到需求分词,识别所述需求分词之间的共现关系,映射所述需求分词为图节点,映射所述共现关系为图边;
根据所述图节点和所述图边,构建所述需求分词的连接图,基于所述连接图,构建所述需求分词的邻接矩阵,并对所述邻接矩阵进行标准化处理,得到标准转移矩阵;
根据所述标准转移矩阵,计算所述需求分词的目标权重向量,提取所述目标权重向量的权重分量,对所述权重分量进行降序排列,得到降序权重序列,选取所述降序权重序列中的前面预设数量阈值的权重分量对应的所述需求分词,根据所述需求分词,确定所述需求关键词。
4.如权利要求3所述的一种基于深度学习技术实现风电设备的服役状态监测方法,其特征在于,所述根据所述标准转移矩阵,计算所述需求分词的目标权重向量,包括:
利用下述公式计算所述需求分词的迭代权重向量:
;
其中,表示第/>次迭代权重向量,/>表示阻尼系数,/>表示标准转移矩阵,/>表示第/>-1次迭代权重向量,/>表示迭代次数,另外,/>可初始化为形式:/>),也可设定为其他形式;
在所述迭代权重向量达到预设迭代条件时,将所述迭代权重向量确定为所述需求分词的目标权重向量。
5.如权利要求2所述的一种基于深度学习技术实现风电设备的服役状态监测方法,其特征在于,所述根据所述需求转换向量和所述指标转换向量,计算所述业务需求与所述体系质量指标之间的语义相似度,包括:
利用下述公式计算所述业务需求与所述体系质量指标之间的语义相似度:
;
其中,表示业务需求与体系质量指标之间的语义相似度,/>表示第/>个需求转换向量,/>表示第/>个指标转换向量,/>体系质量指标,/>表示业务需求,/>表示需求转换向量的序号,/>表示需求转换向量的数量,/>表示体系质量指标的序号,/>表示体系质量指标的数量,/>表示余弦函数符号,/>表示条件概率符号。
6.如权利要求1所述的基于深度学习技术实现风电设备的服役状态监测方法,其特征在于,所述根据因子状态数据,确定所述待评估风电设备的状态监测模型,包括:
构建所述待评估风电设备的候选监测模型集,并构建所述因子状态数据的数据样本集,将所述数据样本集切分为预设数量且不相交的子样本集;
选取所述数据样本集中的任意一个所述子样本集作为测试样本集,从所述数据样本集中去除所述测试样本集,得到训练样本集;
利用所述测试样本集,对所述候选监测模型集中的候选监测模型进行模型训练,得到初始监测模型,利用所述测试样本集,对所述初始监测模型进行模型测试,得到测试误差,计算所述测试误差的平均测试误差;
计算所述平均测试误差的最小测试误差,确定所述最小测试误差对应的所述候选监测模型为所述待评估风电设备的选定监测模型,利用所述数据样本集,对所述选定监测模型进行模型训练,得到所述待评估风电设备的状态监测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847600.0A CN116579632B (zh) | 2023-07-12 | 2023-07-12 | 一种基于深度学习技术实现风电设备的服役状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847600.0A CN116579632B (zh) | 2023-07-12 | 2023-07-12 | 一种基于深度学习技术实现风电设备的服役状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116579632A CN116579632A (zh) | 2023-08-11 |
CN116579632B true CN116579632B (zh) | 2023-11-17 |
Family
ID=87544020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310847600.0A Active CN116579632B (zh) | 2023-07-12 | 2023-07-12 | 一种基于深度学习技术实现风电设备的服役状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579632B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170078989A (ko) * | 2015-12-29 | 2017-07-10 | 한국 전기안전공사 | 비상발전기-eess 연계 운전 시스템 및 그의 품질 평가 방법 |
CN207368674U (zh) * | 2017-11-02 | 2018-05-15 | 湖南省计量检测研究院 | 一种基于双稳态控制的风电并网电能质量监控系统 |
CN110544003A (zh) * | 2019-07-18 | 2019-12-06 | 湖南科技大学 | 一种基于温度预测的风电场风电机组变频器状态评价方法 |
CN112241587A (zh) * | 2020-09-18 | 2021-01-19 | 国电南瑞科技股份有限公司 | 配电线路风险评估模型构建方法、风险评估方法及系统 |
CN114723285A (zh) * | 2022-04-07 | 2022-07-08 | 广州汉光电气股份有限公司 | 一种电网设备安全性评估预测方法 |
WO2022248004A1 (en) * | 2021-05-28 | 2022-12-01 | Kk Wind Solutions A/S | Establishing health indicator of a rotating component |
CN115456048A (zh) * | 2022-08-23 | 2022-12-09 | 华能新能源股份有限公司 | 海上风机的可靠性评估系统及其方法 |
-
2023
- 2023-07-12 CN CN202310847600.0A patent/CN116579632B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170078989A (ko) * | 2015-12-29 | 2017-07-10 | 한국 전기안전공사 | 비상발전기-eess 연계 운전 시스템 및 그의 품질 평가 방법 |
CN207368674U (zh) * | 2017-11-02 | 2018-05-15 | 湖南省计量检测研究院 | 一种基于双稳态控制的风电并网电能质量监控系统 |
CN110544003A (zh) * | 2019-07-18 | 2019-12-06 | 湖南科技大学 | 一种基于温度预测的风电场风电机组变频器状态评价方法 |
CN112241587A (zh) * | 2020-09-18 | 2021-01-19 | 国电南瑞科技股份有限公司 | 配电线路风险评估模型构建方法、风险评估方法及系统 |
WO2022248004A1 (en) * | 2021-05-28 | 2022-12-01 | Kk Wind Solutions A/S | Establishing health indicator of a rotating component |
CN114723285A (zh) * | 2022-04-07 | 2022-07-08 | 广州汉光电气股份有限公司 | 一种电网设备安全性评估预测方法 |
CN115456048A (zh) * | 2022-08-23 | 2022-12-09 | 华能新能源股份有限公司 | 海上风机的可靠性评估系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116579632A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832353B (zh) | 一种社交媒体平台虚假信息识别方法 | |
CN110134946B (zh) | 一种针对复杂数据的机器阅读理解方法 | |
CN109102005A (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN111709244B (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
Su | Analysis of optimisation method for online education data mining based on big data assessment technology | |
CN114580291A (zh) | 一种基于lstm-vae的动设备健康状况评估方法 | |
CN115310677A (zh) | 一种基于二进制编码表示与多分类的航迹预测方法及装置 | |
CN115905959A (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
CN116304020A (zh) | 一种基于义原分析和跨度特征的工业文本实体抽取方法 | |
CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN116579632B (zh) | 一种基于深度学习技术实现风电设备的服役状态监测方法 | |
CN113569048A (zh) | 一种基于企业经营范围自动划分所属行业的方法及系统 | |
CN117096867A (zh) | 一种短期电力负荷预测方法、装置、系统及存储介质 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
CN114897260A (zh) | 基于lstm神经网络的短期风速预测模型建模方法及预测方法 | |
CN114819260A (zh) | 一种水文时间序列预测模型动态生成方法 | |
CN113850483A (zh) | 一种企业信用风险评级系统 | |
CN115209441A (zh) | 基站退服告警预测方法、装置、设备及存储介质 | |
CN113821571A (zh) | 基于bert和改进pcnn的食品安全关系抽取方法 | |
Thangarasu et al. | Detection of Cyberbullying Tweets in Twitter Media Using Random Forest Classification | |
CN111581975B (zh) | 案件的笔录文本的处理方法、装置、存储介质和处理器 | |
CN115438101B (zh) | 一种基于特征形态和数据关系的数据特征构建系统和方法 | |
CN117014382B (zh) | 基于汇聚分流设备的数据流处理系统及其方法 | |
CN113064962B (zh) | 一种环境类投诉举报事件相似度分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |