CN116976650B - 一种基于大数据的电网精益化管理调控方法 - Google Patents
一种基于大数据的电网精益化管理调控方法 Download PDFInfo
- Publication number
- CN116976650B CN116976650B CN202311222909.7A CN202311222909A CN116976650B CN 116976650 B CN116976650 B CN 116976650B CN 202311222909 A CN202311222909 A CN 202311222909A CN 116976650 B CN116976650 B CN 116976650B
- Authority
- CN
- China
- Prior art keywords
- matrix
- sensor
- initial
- relation
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 101
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000007667 floating Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Abstract
本发明涉及电力控制技术领域,公开了一种基于大数据的电网精益化管理调控方法,包括以下步骤:步骤101,生成传感器关系图;步骤102,标记发生故障的传感器的第二单元;步骤103,为传感器关系图中的单元生成单元初始特征;步骤104,将传感器关系图和单元初始特征输入关系生成模型中,获得数据关系矩阵;步骤105,将单元初始特征和数据关系矩阵输入故障数据还原模型,输出表示发生故障的传感器所要检测的环境参数的值;步骤106,基于传感器的测量值控制风电机组;本发明综合正常的传感器的测量值来生成发生故障的传感器的测量值,逼近于真实的环境数据,提高了风电机组调控的准确度。
Description
技术领域
本发明涉及电力控制技术领域,更具体地说,它涉及一种基于大数据的电网精益化管理调控方法。
背景技术
漂浮式风电机组是利用海洋风能的发电设备,由于应用环境的特殊性,漂浮式风电机组需要使用大量的传感器来采集环境数据,通过采集环境数据来对风电机组的运行进行控制,传感器的故障会使采集的环境数据与实际的环境参数产生较大的偏差,无法对存在故障的传感器的风电机组进行正常的控制;一般检测到传感器采集的数据异常时会通过随机选择邻近的风电机组采集的环境数据来乘以经验性的传递系数获得环境数据作为该传感器的测量值,控制存在故障传感器的风电机组,这种方式忽略了风电机组所处环境的复杂性;不同的整体环境下相邻的风电机组的环境状态的差异是不同的,不同类型的环境数据之间的差异也是不同的,通过前述的获得的存在故障的传感器的风电机组的测量值来对风电机组进行调控的准确度差,为了实现风电场微电网良好的并网,保证风电机组的控制的准确度是前提。
发明内容
本发明提供一种基于大数据的电网精益化管理调控方法,解决相关技术中故障传感器的检测值降低风电机组进行调控的准确度的技术问题。
本发明提供了一种基于大数据的电网精益化管理调控方法,包括以下步骤:步骤101,生成传感器关系图,传感器关系图中包括单元和边,单元包括第一单元和第二单元,每个第一单元对应表示一个风电机组,每个第二单元对应表示一个传感器;
步骤102,标记发生故障的传感器的第二单元;
步骤103,为传感器关系图中的单元生成单元初始特征,其中第一单元的单元初始特征基于风电机组的运行参数生成,无故障的传感器的第二单元的单元初始特征基于传感器采集的数据生成,发生故障的传感器的第二单元的单元初始特征基于缺省数据生成;
步骤104,将传感器关系图和单元初始特征输入关系生成模型中,关系生成模型包括第一生成层和第二生成层,传感器关系图和单元初始特征输入第一生成层,输出联合特征矩阵到第二生成层,第二生成层输出数据关系矩阵,数据关系矩阵的元素的值为1或0;
步骤105,将单元初始特征和数据关系矩阵输入故障数据还原模型,故障数据还原模型包括还原层和全连接层,其中还原层输入单元初始特征和数据关系矩阵,输出还原特征矩阵,还原特征矩阵的第u个行向量表示第u个传感器的还原特征,将发生故障的传感器的还原特征输入全连接层,全连接层输出表示发生故障的传感器所要检测的环境参数的值,并将该值作为发生故障的传感器的测量值;
步骤106,基于传感器的测量值控制风电机组。
进一步地,相邻的风电机组所对应的第一单元之间存在边,第二单元与第一单元连接表示第二单元对应的传感器属于该第一单元对应的风电机组。
进一步地,缺省数据与传感器采集的数据的格式相同,缺省数据的值为0。
进一步地,第一单元的单元初始特征表示为,其中/>、/>、/>、/>、/>分别表示风电机组的风轮转速、桨距角、电磁转矩、叶尖速比、风轮直径。
进一步地,第一生成层的计算公式如下:
其中表示输出的联合特征矩阵,/>表示输入的初始特征矩阵,初始特征矩阵的一个行向量对应一个单元的单元初始特征,/>表示初始关系矩阵与单位矩阵的和,/>表示的度矩阵,/>表示第一生成层的第一权重矩阵,/>为ReLU激活函数;初始关系矩阵的元素表示传感器关系图中的边,其第K行第L列的元素表示第K个单元和第L个单元之间的边,如果存在边则该元素的值为1,否则该元素的值为0。
进一步地,第二生成层的计算公式如下:
T表示矩阵的转置,表示logistic sigmoid函数,/>表示联合特征矩阵,E表示数据关系矩阵。
进一步地,关系生成模型在训练时的交叉熵损失函数为:
如果数据关系矩阵与标注的初始关系矩阵的第i行第j列的元素相同,则,否则/>,/>表示数据关系矩阵中值为1的元素的比例,/>表示数据关系矩阵中值为0的元素的比例;
计算该损失函数时对初始关系矩阵
中为值为0的元素进行掩码处理,对E中同样位置的元素进行掩码处理;
关系生成模型在训练时在初始关系矩阵的基础上进行标注获得标注的初始关系矩阵,标注的方法是将初始关系矩阵中值为0的元素变更为1,提取两个传感器设定时间内的采集的数值,进行方差分析获得F值与设定的阈值比较,如果小于设定的阈值,则将初始关系矩阵中表示两个传感器对应的第二单元的边的元素变更为1,如果大于或等于设定的阈值,则不进行元素的变更。
进一步地,还原层的计算公式如下:
其中表示还原特征矩阵,/>表示初始特征矩阵,/>表示数据关系矩阵与单位矩阵的和,/>表示/>的度矩阵,/>表示还原层的第三权重矩阵,/>为ReLU激活函数。
进一步地,传感器采集的环境参数的类型名称包括漂浮式基础纵摇角度、漂浮式基础横摇角度、漂浮式基础首摇角度、风轮有效风速。
进一步地,风轮有效风速输入带有增益调度系统的变桨控制器,对风电机组的桨距角进行控制。
本发明的有益效果在于:本发明能够基于所有风电机组的全局数据来发现当前风电场的传感器的环境数据的传递关系,并基于传递关系来综合正常的传感器的测量值来生成发生故障的传感器的测量值,逼近于真实的环境数据,提高了风电机组调控的准确度。
附图说明
图1是本发明的一种基于大数据的电网精益化管理调控方法的流程图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,一种基于大数据的电网精益化管理调控方法,包括以下步骤:
步骤101,生成传感器关系图,传感器关系图中包括单元和边,单元包括第一单元和第二单元,每个第一单元对应表示一个风电机组,每个第二单元对应表示一个传感器;
相邻的风电机组所对应的第一单元之间存在边,第二单元与第一单元连接表示第二单元对应的传感器属于该第一单元对应的风电机组。
步骤102,标记发生故障的传感器的第二单元;
传感器发生故障的判断为现有技术,本发明在此提供以下方式:
为每个传感器设置对应的参数阈值,如果采集的数值超过对应的参数阈值则判断发生故障。
为每个传感器设置对应的时间阈值,如果采集的数值维持不变的时间超过对应的时间阈值,则判断发生故障。
步骤103,为传感器关系图中的单元生成单元初始特征,其中第一单元的单元初始特征基于风电机组的运行参数生成,无故障的传感器的第二单元的单元初始特征基于传感器采集的数据生成,发生故障的传感器的第二单元的单元初始特征基于缺省数据生成,缺省数据与传感器采集的数据的格式相同,缺省数据的值为0。
例如某一传感器采集的数据为12.35,则同类的传感器的缺省数据为00.00。
本发明提供一种第一单元的单元初始特征的生成方法,第一单元的单元初始特征表示为,其中/>、/>、/>、/>、/>分别表示风电机组的风轮转速、桨距角、电磁转矩、叶尖速比、风轮直径,通过风电机组的上述运行参数即可生成第一单元的单元初始特征;
本发明提供一种无故障的传感器的第二单元的单元初始特征的生成方法,将无故障的传感器的采集的数值直接作为其单元初始特征。
本发明提供另一种无故障的传感器的第二单元的单元初始特征的生成方法,将无故障的传感器采集的环境参数的类型名称进行语义编码生成语义向量,然后将该语义向量与无故障的传感器的采集的数值拼接生成第二单元的单元初始特征。
本发明提供一种发生故障的传感器的第二单元的单元初始特征的生成方法,将发生故障的传感器的缺省数据的数值直接作为其单元初始特征。
本发明提供另一种发生故障的传感器的第二单元的单元初始特征的生成方法,将发生故障的传感器采集的环境参数的类型名称进行语义编码生成语义向量,然后将该语义向量与缺省数据的数值拼接生成第二单元的单元初始特征。
传感器采集的环境参数的类型名称包括漂浮式基础(风力发电机组的基础)纵摇角度、漂浮式基础横摇角度、漂浮式基础首摇角度、风轮有效风速;
步骤104,将传感器关系图和单元初始特征输入关系生成模型中,关系生成模型包括第一生成层和第二生成层,传感器关系图和单元初始特征输入第一生成层,输出联合特征矩阵到第二生成层,第二生成层输出数据关系矩阵,数据关系矩阵的元素的值为1或0。
第一生成层的计算公式如下:
其中表示输出的联合特征矩阵,/>表示输入的初始特征矩阵,初始特征矩阵的一个行向量对应一个单元的单元初始特征,/>表示初始关系矩阵与单位矩阵的和,/>表示的度矩阵,/>表示第一生成层的第一权重矩阵,/>为ReLU激活函数;
单位矩阵的主对角线上的元素的值均为1,其余元素的值为0。
初始关系矩阵的元素表示传感器关系图中的边,其第K行第L列的元素表示第K个单元和第L个单元之间的边,如果存在边则该元素的值为1,否则该元素的值为0。
第二生成层的计算公式如下:
T表示矩阵的转置,表示logistic sigmoid函数,logistic回归结合sigmoid函数来输出0或1的值,/>表示联合特征矩阵,E表示数据关系矩阵;
关系生成模型在训练时的交叉熵损失函数为:
数据关系矩阵与标注的初始关系矩阵的第i行第j列的元素相同,则,否则,/>表示数据关系矩阵中值为1的元素的比例,/>表示数据关系矩阵中值为0的元素的比例;
计算该损失函数时对初始关系矩阵中为值为0的元素进行掩码处理,对E中同样位置的元素进行掩码处理,使关系生成模型着重于发现传感器关系图中单元之间不存在的边,这些不存在的边表示了传感器的数据的关联关系。
关系生成模型在训练时在初始关系矩阵的基础上进行标注,标注的方法是将初始关系矩阵中值为0的元素变更为1,提取两个传感器设定时间内的采集的数值,进行方差分析获得F值与设定的阈值比较,如果小于设定的阈值,则判断两个传感器采集的数值的同步性大于设定的条件,将初始关系矩阵中表示两个传感器对应的第二单元的边的元素变更为1,如果大于或等于设定的阈值,则不进行元素的变更。
当然也可以用其他离散数据相似度的判断方式来判断两个传感器采集的数据的同步性。
在本发明的一个实施例中,关系生成模型还包括线性层,线性层用于对输入单元初始特征进行线性变换,所有单元初始特征经过线性变换后的维数相同。
步骤105,将单元初始特征和数据关系矩阵输入故障数据还原模型,故障数据还原模型包括还原层和全连接层,其中还原层输入单元初始特征和数据关系矩阵,输出还原特征矩阵,还原特征矩阵的第u个行向量表示第u个传感器的还原特征,将发生故障的传感器的还原特征输入全连接层,全连接层输出表示发生故障的传感器所要检测的环境参数的值,并将该值作为发生故障的传感器的测量值;
还原层的计算公式如下:
其中表示还原特征矩阵,/>表示初始特征矩阵,/>表示数据关系矩阵与单位矩阵的和,/>表示/>的度矩阵,/>表示还原层的第三权重矩阵,/>为ReLU激活函数。
故障数据还原模型的损失基于发生故障的传感器所要检测的环境参数的值与真实的环境参数的值的差进行计算。
步骤106,基于传感器的测量值控制风电机组。
基于传感器的测量值进行风电机组的控制为现有技术,本非本发明的创造性的内容,可以包括桨距角控制、转动惯量控制等。
例如进行叶片变桨控制时,带有增益调度系统的变桨控制器输入风轮有效风速等参数,对风电机组的桨距角进行控制。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (2)
1.一种基于大数据的电网精益化管理调控方法,其特征在于,包括以下步骤:步骤101,生成传感器关系图,传感器关系图中包括单元和边,单元包括第一单元和第二单元,每个第一单元对应表示一个风电机组,每个第二单元对应表示一个传感器;相邻的风电机组所对应的第一单元之间存在边,第二单元与第一单元连接表示第二单元对应的传感器属于该第一单元对应的风电机组;
步骤102,标记发生故障的传感器的第二单元;
步骤103,为传感器关系图中的单元生成单元初始特征,其中第一单元的单元初始特征基于风电机组的运行参数生成,无故障的传感器的第二单元的单元初始特征基于传感器采集的数据生成,发生故障的传感器的第二单元的单元初始特征基于缺省数据生成;缺省数据与传感器采集的数据的格式相同,缺省数据的值为0;
传感器采集的环境参数的类型名称包括漂浮式基础纵摇角度、漂浮式基础横摇角度、漂浮式基础首摇角度、风轮有效风速;
第一单元的单元初始特征表示为,其中/>、/>、/>、、/>分别表示风电机组的风轮转速、桨距角、电磁转矩、叶尖速比、风轮直径;
步骤104,将传感器关系图和单元初始特征输入关系生成模型中,关系生成模型包括第一生成层和第二生成层,传感器关系图和单元初始特征输入第一生成层,输出联合特征矩阵到第二生成层,第二生成层输出数据关系矩阵,数据关系矩阵的元素的值为1或0;
第一生成层的计算公式如下:
;其中/>表示输出的联合特征矩阵,/>表示输入的初始特征矩阵,初始特征矩阵的一个行向量对应一个单元的单元初始特征,/>表示初始关系矩阵与单位矩阵的和,/>表示/>的度矩阵,/>表示第一生成层的第一权重矩阵,/>为ReLU激活函数;初始关系矩阵的元素表示传感器关系图中的边,其第K行第L列的元素表示第K个单元和第L个单元之间的边,如果存在边则该元素的值为1,否则该元素的值为0;
第二生成层的计算公式如下:
;T表示矩阵的转置,/>表示logistic sigmoid函数,/>表示联合特征矩阵,E表示数据关系矩阵;
关系生成模型在训练时的交叉熵损失函数为:
;如果数据关系矩阵与标注的初始关系矩阵的第i行第j列的元素相同,则/>,否则/>,/>表示数据关系矩阵中值为1的元素的比例,/>表示数据关系矩阵中值为0的元素的比例;
计算该损失函数时对初始关系矩阵中为值为0的元素进行掩码处理,对E中同样位置的元素进行掩码处理;
关系生成模型在训练时在初始关系矩阵的基础上进行标注获得标注的初始关系矩阵,标注的方法是将初始关系矩阵中值为0的元素变更为1,提取两个传感器设定时间内的采集的数值,进行方差分析获得F值与设定的阈值比较,如果小于设定的阈值,则将初始关系矩阵中表示两个传感器对应的第二单元的边的元素变更为1,如果大于或等于设定的阈值,则不进行元素的变更;
还原层的计算公式如下:
;其中/>表示还原特征矩阵,/>表示初始特征矩阵,/>表示数据关系矩阵与单位矩阵的和,/>表示/>的度矩阵,/>表示还原层的第三权重矩阵,/>为ReLU激活函数;
步骤105,将单元初始特征和数据关系矩阵输入故障数据还原模型,故障数据还原模型包括还原层和全连接层,其中还原层输入单元初始特征和数据关系矩阵,输出还原特征矩阵,还原特征矩阵的第u个行向量表示第u个传感器的还原特征,将发生故障的传感器的还原特征输入全连接层,全连接层输出表示发生故障的传感器所要检测的环境参数的值,并将该值作为发生故障的传感器的测量值;
步骤106,基于传感器的测量值控制风电机组。
2.根据权利要求1所述的一种基于大数据的电网精益化管理调控方法,其特征在于,风轮有效风速输入带有增益调度系统的变桨控制器,对风电机组的桨距角进行控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222909.7A CN116976650B (zh) | 2023-09-21 | 2023-09-21 | 一种基于大数据的电网精益化管理调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222909.7A CN116976650B (zh) | 2023-09-21 | 2023-09-21 | 一种基于大数据的电网精益化管理调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976650A CN116976650A (zh) | 2023-10-31 |
CN116976650B true CN116976650B (zh) | 2023-12-12 |
Family
ID=88476904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311222909.7A Active CN116976650B (zh) | 2023-09-21 | 2023-09-21 | 一种基于大数据的电网精益化管理调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976650B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034763A (zh) * | 2012-12-12 | 2013-04-10 | 上海市电力公司 | 大容量风电场风机聚合模型建立和仿真方法 |
WO2017091918A1 (zh) * | 2015-11-30 | 2017-06-08 | 徐立民 | 单极直流电磁传动机及其应用系统 |
CN110854907A (zh) * | 2019-11-07 | 2020-02-28 | 华北电力大学 | 通信故障下配电网风电场的协同优化运行方法及系统 |
CN110927520A (zh) * | 2019-11-25 | 2020-03-27 | 山东理工大学 | 一种直流配电线路多端行波故障定位方法及定位装置 |
CN111881575A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种考虑子系统多状态和故障相关性的风电机组可靠性分配方法 |
CN112395766A (zh) * | 2020-11-24 | 2021-02-23 | 华能新能源股份有限公司 | 一种考虑故障传播影响的风电机组故障模式与影响分析方法 |
CN113191919A (zh) * | 2021-04-22 | 2021-07-30 | 辽宁国能新创技术有限公司 | 一种基于物联网的风电机组智能巡点检系统和方法 |
CN113654587A (zh) * | 2021-07-02 | 2021-11-16 | 上海电机学院 | 一种风电场环境数据监测装置 |
CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
CN114332363A (zh) * | 2021-12-17 | 2022-04-12 | 上海九洲信息技术有限公司 | 基于虚拟现实的海上风电送出系统故障定位方法、系统 |
CN114856941A (zh) * | 2022-05-18 | 2022-08-05 | 江苏科技大学 | 海上风电场及机组故障诊断运维系统及其诊断运维方法 |
CN115013261A (zh) * | 2022-08-08 | 2022-09-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及系统 |
CN115329986A (zh) * | 2022-07-21 | 2022-11-11 | 燕山大学 | 基于可解释性图神经网络的风电机组异常检测与定位方法 |
CN218121220U (zh) * | 2022-05-06 | 2022-12-23 | 内蒙古龙源蒙东新能源有限公司 | 热敏电阻故障检测仪及系统 |
CN115524639A (zh) * | 2022-10-31 | 2022-12-27 | 硕能(上海)自动化科技有限公司 | 基于mems传感器的空心线圈电缆故障检测系统 |
CN115632433A (zh) * | 2022-10-19 | 2023-01-20 | 中国华能集团清洁能源技术研究院有限公司 | 风-机-场-网全景联合仿真系统及方法 |
DE102021210569A1 (de) * | 2021-09-23 | 2023-03-23 | Zf Friedrichshafen Ag | Verfahren zum Betreiben einer Windenergieanlage in einem Windpark und Windparkmanager |
CN115940273A (zh) * | 2022-12-29 | 2023-04-07 | 国网浙江省电力有限公司舟山供电公司 | 一种海上新能源并网和调度运行管控方法及系统 |
CN115935737A (zh) * | 2022-11-29 | 2023-04-07 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于数字孪生的海上风电场运维方法及系统 |
CN116244617A (zh) * | 2022-12-19 | 2023-06-09 | 国网安徽省电力有限公司电力科学研究院 | 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 |
CN116609055A (zh) * | 2023-06-14 | 2023-08-18 | 华北电力大学 | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10209291B2 (en) * | 2016-02-04 | 2019-02-19 | The University Of Akron | System and method for condition monitoring of electricity transmission structures |
EP3704501A1 (en) * | 2017-10-31 | 2020-09-09 | ABB Power Grids Switzerland AG | System and method for analyzing fault data of a power transmission network |
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
US11509136B2 (en) * | 2019-12-30 | 2022-11-22 | Utopus Insights, Inc. | Scalable systems and methods for assessing healthy condition scores in renewable asset management |
-
2023
- 2023-09-21 CN CN202311222909.7A patent/CN116976650B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034763A (zh) * | 2012-12-12 | 2013-04-10 | 上海市电力公司 | 大容量风电场风机聚合模型建立和仿真方法 |
WO2017091918A1 (zh) * | 2015-11-30 | 2017-06-08 | 徐立民 | 单极直流电磁传动机及其应用系统 |
CN110854907A (zh) * | 2019-11-07 | 2020-02-28 | 华北电力大学 | 通信故障下配电网风电场的协同优化运行方法及系统 |
CN110927520A (zh) * | 2019-11-25 | 2020-03-27 | 山东理工大学 | 一种直流配电线路多端行波故障定位方法及定位装置 |
CN111881575A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种考虑子系统多状态和故障相关性的风电机组可靠性分配方法 |
CN112395766A (zh) * | 2020-11-24 | 2021-02-23 | 华能新能源股份有限公司 | 一种考虑故障传播影响的风电机组故障模式与影响分析方法 |
CN113191919A (zh) * | 2021-04-22 | 2021-07-30 | 辽宁国能新创技术有限公司 | 一种基于物联网的风电机组智能巡点检系统和方法 |
CN113654587A (zh) * | 2021-07-02 | 2021-11-16 | 上海电机学院 | 一种风电场环境数据监测装置 |
DE102021210569A1 (de) * | 2021-09-23 | 2023-03-23 | Zf Friedrichshafen Ag | Verfahren zum Betreiben einer Windenergieanlage in einem Windpark und Windparkmanager |
CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
CN114332363A (zh) * | 2021-12-17 | 2022-04-12 | 上海九洲信息技术有限公司 | 基于虚拟现实的海上风电送出系统故障定位方法、系统 |
CN218121220U (zh) * | 2022-05-06 | 2022-12-23 | 内蒙古龙源蒙东新能源有限公司 | 热敏电阻故障检测仪及系统 |
CN114856941A (zh) * | 2022-05-18 | 2022-08-05 | 江苏科技大学 | 海上风电场及机组故障诊断运维系统及其诊断运维方法 |
CN115329986A (zh) * | 2022-07-21 | 2022-11-11 | 燕山大学 | 基于可解释性图神经网络的风电机组异常检测与定位方法 |
CN115013261A (zh) * | 2022-08-08 | 2022-09-06 | 国网浙江省电力有限公司舟山供电公司 | 一种用于海上风电场的状态监测方法及系统 |
CN115632433A (zh) * | 2022-10-19 | 2023-01-20 | 中国华能集团清洁能源技术研究院有限公司 | 风-机-场-网全景联合仿真系统及方法 |
CN115524639A (zh) * | 2022-10-31 | 2022-12-27 | 硕能(上海)自动化科技有限公司 | 基于mems传感器的空心线圈电缆故障检测系统 |
CN115935737A (zh) * | 2022-11-29 | 2023-04-07 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于数字孪生的海上风电场运维方法及系统 |
CN116244617A (zh) * | 2022-12-19 | 2023-06-09 | 国网安徽省电力有限公司电力科学研究院 | 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 |
CN115940273A (zh) * | 2022-12-29 | 2023-04-07 | 国网浙江省电力有限公司舟山供电公司 | 一种海上新能源并网和调度运行管控方法及系统 |
CN116609055A (zh) * | 2023-06-14 | 2023-08-18 | 华北电力大学 | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 |
Non-Patent Citations (2)
Title |
---|
基于组合赋权和云模型的风电机组健康状态评估;董兴辉;张鑫淼;郑凯;王帅;;太阳能学报(第08期);2139-2146 * |
董兴辉 ; 张鑫淼 ; 郑凯 ; 王帅 ; .基于组合赋权和云模型的风电机组健康状态评估.太阳能学报.2018,(第08期),2139-2146. * |
Also Published As
Publication number | Publication date |
---|---|
CN116976650A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shokrzadeh et al. | Wind turbine power curve modeling using advanced parametric and nonparametric methods | |
Fleming et al. | Computational fluid dynamics simulation study of active power control in wind plants | |
CN110566403A (zh) | 一种风力发电t-s模糊鲁棒调度容错控制方法 | |
CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
Schulte et al. | Fault-tolerant control of wind turbines with hydrostatic transmission using Takagi–Sugeno and sliding mode techniques | |
KR102143757B1 (ko) | 딥러닝을 포함한 인공지능을 적용시킨 풍력 발전장치 | |
Asghar et al. | Estimation of wind turbine power coefficient by adaptive neuro-fuzzy methodology | |
Sami et al. | An FTC approach to wind turbine power maximisation via TS fuzzy modelling and control | |
CN107947228B (zh) | 基于Markov理论的含风电电力系统随机稳定性分析方法 | |
CN106014877A (zh) | 风力发电系统多故障诊断与容错控制 | |
CN112330165B (zh) | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 | |
Branlard et al. | A digital twin based on OpenFAST linearizations for real-time load and fatigue estimation of land-based turbines | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
Yan et al. | Deep learning based total transfer capability calculation model | |
CN115017731A (zh) | 一种海上风电场动态尾流建模方法及装置 | |
CN116976650B (zh) | 一种基于大数据的电网精益化管理调控方法 | |
CN106894949A (zh) | 基于环境因素的风机功率信号反馈方法 | |
Lamouchi et al. | Active fault tolerant control using zonotopic techniques for linear parameter varying systems: Application to wind turbine system | |
CN116542030A (zh) | 基于轨迹灵敏度的双馈风机参数辨识方法、系统及设备 | |
Abdelmalki et al. | The fuzzy tracking control of output vector of double fed induction generator DFIG via T–S fuzzy model | |
Pang et al. | Multi kernel fusion convolutional neural network for wind turbine fault diagnosis | |
CN109657380A (zh) | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 | |
CN114320773A (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 | |
CN114297908A (zh) | 风电机组能效状态异常检测方法及系统 | |
CN113761692A (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 |
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 |