CN106407589A - 一种风机状态评估与预测方法及*** - Google Patents
一种风机状态评估与预测方法及*** Download PDFInfo
- Publication number
- CN106407589A CN106407589A CN201610866535.6A CN201610866535A CN106407589A CN 106407589 A CN106407589 A CN 106407589A CN 201610866535 A CN201610866535 A CN 201610866535A CN 106407589 A CN106407589 A CN 106407589A
- Authority
- CN
- China
- Prior art keywords
- health
- parameter
- fan
- model
- wind turbine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 title abstract 2
- 230000036541 health Effects 0.000 claims abstract description 68
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 230000003862 health status Effects 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000007935 neutral effect Effects 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种风机状态评估与预测方法及***，所述方法包括：从同一机型风机历史数据中获取健康时段数据，统计生成不同时空维度的指标参数的健康值范围，并给定各参数与健康值范围的偏离程度所对应的权值，建立健康模型；将同一机型风机历史数据中同一参数的变化情况视为一个空间域，提取带有风机故障的时空中指标参数的变化趋势和范围，建立故障模型；将实时监测的风机参数分别与健康模型和故障模型比对，评估与预测当前的风机状态，适时输出告警。本发明能够准确、可靠、有效地对风机健康状态实时监测和评估，并对风机故障进行预测，使得风场工作人员能够提前做出维护工作计划，减小由于风机故障带来的损失。
Description
技术领域
本发明涉及风电技术领域，特别是涉及一种风机状态评估与预测方法及***。
背景技术
每年风机故障损失的发电量和故障导致的维护费用都给风电场带来巨大的经济损失。从减少故障维护时间和维护成本上讲，风机健康情况的评估和故障预测机制是非常必要的。因此，一个能够对风机的健康状态进行评估并且能够对风机故障进行预测的方法及***是必要的。
发明内容
本发明的目的是提供一种准确、可靠、有效的风机状态评估与预测方法，能够对风机健康状态实时监测和评估，并对风机故障进行预测，从而使得风场工作人员能够提前做出维护工作计划，减小风场由于风机故障导致停机带来的经济损失。
为实现上述目的，本发明采用如下技术方案：
一种风机状态评估与预测方法，包括：从同一机型风机历史数据中获取健康时段数据，统计生成不同时空维度的指标参数的健康值范围，并给定各参数与健康值范围的偏离程度所对应的权值，建立健康模型；将同一机型风机历史数据中同一参数的变化情况视为一个空间域，提取带有风机故障的时空中指标参数的变化趋势和范围，建立故障模型；将实时监测的风机参数与所述健康模型比对，若当前参数超出其健康值范围，根据偏离程度所对应的权值计算并输出风机当前的健康状态值；将实时监测的风机参数从当前时刻向前回溯不同时段内的变化情况与所述故障模型比对，获得各时段参数的变化情况与所述故障模型的重合度，当最大重合度超过预设阀值时输出告警。
作为进一步地改进，所述当最大重合度超过预设阀值时，还根据该重合度匹配的故障模型预测可能发生的后续事件。
所述同一机型风机历史数据先经过清洗、去脏、修复的预处理过程。
所述各参数的健康值范围通过数据挖掘技术获得，所述数据挖掘技术为分类算法、回归算法、神经网络、聚类或基于时间序列的预测算法。
所述各参数与健康值范围的偏离程度所对应的权值通过结合规则库与业务知识给定初始值，并通过自学习和/或人工修改方式提高准确度。
一种风机状态评估与预测***，包括：健康模型建立模块，用于从同一机型风机历史数据中获取健康时段数据，统计生成不同时空维度的各参数的健康值范围，并给定各参数与健康值范围的偏离程度所对应的权值，建立健康模型；故障模型建立模块，用于将同一机型风机历史数据中同一参数的变化情况视为一个空间域，提取带有风机故障的时空中各参数的变化趋势和范围，建立故障模型；健康模型比对模块，将实时监测的风机参数与所述健康模型比对，当所述参数超出其健康值范围时，根据偏离程度所对应的权值计算并输出风机当前的健康状态值；故障模型比对模块，用于将实时监测的风机参数从当前时刻向前回溯不同时段内的变化情况与所述故障模型比对，获得各时段参数的变化情况与所述故障模型的重合度，当重合度超过预设阀值时输出告警。
作为进一步地改进，还包括预测模块，用于当最大重合度超过预设阀值时，根据该重合度匹配的故障模型预测可能发生的后续事件。
还包括数据预处理模块，用于对所述风机历史数据进行清洗、去脏、修复的预处理。
所述各参数的健康值范围通过数据挖掘技术获得，所述数据挖掘技术为分类算法、回归算法、神经网络、聚类或基于时间序列的预测算法。
所述各参数与健康值范围的偏离程度所对应的权值通过结合规则库与业务知识给定初始值，并通过自学习和/或人工修改方式提高准确度。
由于采用上述技术方案，本发明至少具有以下优点：
本发明提供了一种风机状态评估与预测方法及***，分别从风机健康状态实时检测、故障预测两个方面对风机运行状态进行评估，评估结果准确、可靠、有效，利于风场工作人员提前做出维护工作计划，从而减少了由于风机发生故障后停机导致的人力费用、风机维修费用、风机故障损失电量等经济损失。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是健康指标参数的修改配置界面。
图2是三维健康指标参数图。
图3是某指标参数偏离健康值的示例。
图4是三维实时检测模型图。
具体实施方式
本发明提供了一种风机状态评估与预测方法及***，通过以平行空间理论作为理论支撑点，并从健康和故障两个方面来进行建模，以大数据技术作为建模的技术手段，来创建基于平行空间的风机健康模型和故障模型，通过实时监测数据与健康模型和故障模型的比对，对风机状态评估与预测，以此来提高风机运行效率，减少风机维护带来的损失。
本发明的风机状态评估与预测方法，包括：从同一机型风机历史数据中获取健康时段数据，统计生成不同时空维度的指标参数的健康值范围，并给定各参数与健康值范围的偏离程度所对应的权值，建立健康模型；将同一机型风机历史数据中同一参数的变化情况视为一个空间域，提取带有风机故障的时空中指标参数的变化趋势和范围，建立故障模型；将实时监测的风机参数与所述健康模型比对，若当前参数超出其健康值范围，根据偏离程度所对应的权值计算并输出风机当前的健康状态值；将实时监测的风机参数从当前时刻向前回溯不同时段内的变化情况与所述故障模型比对，获得各时段参数的变化情况与所述故障模型的重合度，当最大重合度超过预设阀值时输出告警。进一步地，当最大重合度超过预设阀值时，还根据该重合度匹配的故障模型预测可能发生的后续事件。
其中，所述健康模型和故障模的构建主要包括以下过程。
健康模型：数据平台采集风机参数的历史数据，通过对相同型号风机历史数据的清洗、去脏、修复等工作，同时去除风机故障征兆期、停机、报警等时间段的数据，留下健康时间段的数据。以平行空间理论作为出发点，将健康模型的各个参数条件作为影响时空走向的各个因素，可以是各个风机参数(如风速、环境温度、空气密度、液压压力、发电时间等)的值，或者某几个参数经过某些运算得出的新的值，也可以是参数在某个时间段内的频率或是值的变化次数，例如将风向、偏航角度、风速这三个参数经过主成份分析方法得出一个新的参数，该参数就是这三个参数经过逻辑运算得出的新值。利用数据挖掘技术和规则库等知识相结合，例如分类算法、回归算法、神经网络、聚类、基于时间序列的一些预测算法等，采用R语言和mat l ab进行建模，计算出各个时空中各参数(如图2所示的三维健康指标参数)的健康值范围，并结合规则库以及业务知识给出具体空间内各个指标初始不同幅度的越限权值，根据不同的权值来决定每个指标具体值的影响力的大小。而指标初始权值大小是业务人员根据业务知识和规则库设定的。模型实时运行时会根据风机各个维度的健康值的范围以及权值计算出可风机实时状态的健康状态值。其中，健康值范围以及权值可以进行自学习以及用户手动修改等方式进行准确度的提高，如图1所示的健康值配置窗口可以通过用户手动编辑修改。
故障模型：数据平台采集风机参数的历史数据，通过对相同型号风机历史数据的清洗、去脏、修复等工作，将同一机型相同参数的值变化情况视为一个空间域，并提取带有故障的一个时空多个相关参数变化趋势、范围作为故障模型。通过实时检测风机各参数的当前时刻向前不同时段(假设当前时刻为T时刻，向前依次有t1、t2、t3、t4时刻，则此处所述的不同时段为T-t1、T-t2、T-t3、T-t4时段)的变化情况与故障预警模型的重合度判断风机是否处于某故障的时空，并给出与各个故障模型(多个故障模型位于不同的故障时空中)重合度的值，根据风机所处时空分段后续事件对风机的运行状态及故障进行预测。
上述过程中，对健康时段和非健康时段、风机影响时空维度的指标参数的选择，生成各维度指标参数的范围和模型比对等是本发明的重要步骤，而数据筛选、参数范围的自学习、报警方式等为可选部分。
作为具体的实施例，本发明的风机状态评估与预测方法可概括为下述过程：
健康模型：自定义风机健康状态(例如，用户可自己定义哪些为非健康时间段是需要去除的)→选择风机影响时空维度的指标参数→生成所选择的风机各个维度指标的健康值范围→实时监控风机健康状态，查看风机当前时空维度内各指标是否处于健康值范围(如图4是实时监测风机三维数据，图3是某指标参数偏离健康值的示例)→不满足健康指标进行提示并存库。
故障模型：选择风机故障时空→生成风机故障模型→进行故障模型匹配→对匹配度达到设定值的风机进行预警。
综上所述，本发明创造性的结合平行空间理论，风机故障的趋势性、相关性、重复性思想，对风机进行健康情况的评估和故障的预测。通过采用分别从风机健康状态实时检测、故障预测两个方面对风机运行状态进行评估，评估结果准确，可靠，从而减少了由于风机发生故障后停机导致的人力费用、风机维修费用、风机故障损失电量等经济损失。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
Claims (10)
1.一种风机状态评估与预测方法，其特征在于，包括：
从同一机型风机历史数据中获取健康时段数据，统计生成不同时空维度的指标参数的健康值范围，并给定各参数与健康值范围的偏离程度所对应的权值，建立健康模型；
将同一机型风机历史数据中同一参数的变化情况视为一个空间域，提取带有风机故障的时空中指标参数的变化趋势和范围，建立故障模型；
将实时监测的风机参数与所述健康模型比对，若当前参数超出其健康值范围，根据偏离程度所对应的权值计算并输出风机当前的健康状态值；
将实时监测的风机参数从当前时刻向前回溯不同时段内的变化情况与所述故障模型比对，获得各时段参数的变化情况与所述故障模型的重合度，当最大重合度超过预设阀值时输出告警。
2.根据权利要求1所述的一种风机状态评估与预测方法，其特征在于，所述当最大重合度超过预设阀值时，还根据该重合度匹配的故障模型预测可能发生的后续事件。
3.根据权利要求1所述的一种风机状态评估与预测方法，其特征在于，所述同一机型风机历史数据先经过清洗、去脏、修复的预处理过程。
4.根据权利要求1所述的一种风机状态评估与预测方法，其特征在于，所述各参数的健康值范围通过数据挖掘技术获得，所述数据挖掘技术为分类算法、回归算法、神经网络、聚类或基于时间序列的预测算法。
5.根据权利要求1所述的一种风机状态评估与预测方法，其特征在于，所述各参数与健康值范围的偏离程度所对应的权值通过结合规则库与业务知识给定初始值，并通过自学习和/或人工修改方式提高准确度。
6.一种风机状态评估与预测***，其特征在于，包括：
健康模型建立模块，用于从同一机型风机历史数据中获取健康时段数据，统计生成不同时空维度的各参数的健康值范围，并给定各参数与健康值范围的偏离程度所对应的权值，建立健康模型；
故障模型建立模块，用于将同一机型风机历史数据中同一参数的变化情况视为一个空间域，提取带有风机故障的时空中各参数的变化趋势和范围，建立故障模型；
健康模型比对模块，将实时监测的风机参数与所述健康模型比对，当所述参数超出其健康值范围时，根据偏离程度所对应的权值计算并输出风机当前的健康状态值；
故障模型比对模块，用于将实时监测的风机参数从当前时刻向前回溯不同时段内的变化情况与所述故障模型比对，获得各时段参数的变化情况与所述故障模型的重合度，当最大重合度超过预设阀值时输出告警。
7.根据权利要求6所述的一种风机状态评估与预测***，其特征在于，还包括预测模块，用于当最大重合度超过预设阀值时，根据该重合度匹配的故障模型预测可能发生的后续事件。
8.根据权利要求6所述的一种风机状态评估与预测***，其特征在于，还包括数据预处理模块，用于对所述风机历史数据进行清洗、去脏、修复的预处理。
9.根据权利要求6所述的一种风机状态评估与预测***，其特征在于，所述各参数的健康值范围通过数据挖掘技术获得，所述数据挖掘技术为分类算法、回归算法、神经网络、聚类或基于时间序列的预测算法。
10.根据权利要求6所述的一种风机状态评估与预测***，其特征在于，所述各参数与健康值范围的偏离程度所对应的权值通过结合规则库与业务知识给定初始值，并通过自学习和/或人工修改方式提高准确度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610866535.6A CN106407589B (zh) | 2016-09-29 | 2016-09-29 | 一种风机状态评估与预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610866535.6A CN106407589B (zh) | 2016-09-29 | 2016-09-29 | 一种风机状态评估与预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106407589A true CN106407589A (zh) | 2017-02-15 |
| CN106407589B CN106407589B (zh) | 2020-01-21 |
Family
ID=59229344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610866535.6A Active CN106407589B (zh) | 2016-09-29 | 2016-09-29 | 一种风机状态评估与预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106407589B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107146004A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨***健康状态识别***及方法 |
| CN107247997A (zh) * | 2017-05-18 | 2017-10-13 | 北京唐浩电力工程技术研究有限公司 | 一种风电场风机电量分析方法 |
| CN107832896A (zh) * | 2017-11-29 | 2018-03-23 | 广东电网有限责任公司电力科学研究院 | 一种电厂设备缓变故障预警方法及装置 |
| CN108228785A (zh) * | 2017-12-28 | 2018-06-29 | 中国神华能源股份有限公司 | 设备参数的核查方法和核查装置 |
| CN108960688A (zh) * | 2018-08-30 | 2018-12-07 | 北京光耀电力科技股份有限公司 | 一种风电机组的综合管理*** |
| CN109386435A (zh) * | 2017-08-04 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 风电机故障监控方法、装置和*** |
| CN109412892A (zh) * | 2018-10-23 | 2019-03-01 | 株洲中车时代电气股份有限公司 | 一种网络通信质量评估***及方法 |
| CN109492777A (zh) * | 2018-09-14 | 2019-03-19 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学***台的风电机组健康管理方法 |
| CN109829245A (zh) * | 2019-02-25 | 2019-05-31 | 中科诺维(北京)科技有限公司 | 轴承故障预警方法和装置 |
| CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及*** |
| CN114757048A (zh) * | 2022-04-28 | 2022-07-15 | 北京千尧新能源科技开发有限公司 | 一种风机基础的健康状态评估方法、装置、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150473A (zh) * | 2013-03-01 | 2013-06-12 | 风脉（武汉）可再生能源技术有限责任公司 | 一种风电机组发电效率实时监控诊断方法及装置 |
| CN103670921A (zh) * | 2013-11-11 | 2014-03-26 | 北京能高自动化技术股份有限公司 | 风力发电机组智能状态监控*** |
| CN104329222A (zh) * | 2014-10-09 | 2015-02-04 | 国电南瑞科技股份有限公司 | 一种集成于风机主控***内的在线状态监测与故障诊断方法 |
| CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨***的状态监测和故障诊断方法 |
| CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学（保定） | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
-
2016
- 2016-09-29 CN CN201610866535.6A patent/CN106407589B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150473A (zh) * | 2013-03-01 | 2013-06-12 | 风脉（武汉）可再生能源技术有限责任公司 | 一种风电机组发电效率实时监控诊断方法及装置 |
| CN103670921A (zh) * | 2013-11-11 | 2014-03-26 | 北京能高自动化技术股份有限公司 | 风力发电机组智能状态监控*** |
| CN104329222A (zh) * | 2014-10-09 | 2015-02-04 | 国电南瑞科技股份有限公司 | 一种集成于风机主控***内的在线状态监测与故障诊断方法 |
| CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨***的状态监测和故障诊断方法 |
| CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学（保定） | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
Non-Patent Citations (5)
| Title |
|---|
| MINGLI YANG 等: "The Real-time Wind Turbine Fault Diagnosis Mehtod Based on Safety Evaluation Model", 《ADVANCED MATERIALS RESEARCH》 * |
| 朱永峰 等: "风电机组健康状态评估模型的设计与应用", 《风能》 * |
| 李思亮 等: "风电机组主要部件故障预警及其***实现", 《第三届中国风电后市场专题研讨会论文集》 * |
| 陈晓清 等: "基于设备故障相关参数筛选模型建立风电机组故障预警体系", 《风能》 * |
| 黄丽丽: "基于SCADA的风力机故障预测与健康管理技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107146004B (zh) * | 2017-04-20 | 2018-02-16 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨***健康状态识别***及方法 |
| CN107146004A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨***健康状态识别***及方法 |
| CN107247997A (zh) * | 2017-05-18 | 2017-10-13 | 北京唐浩电力工程技术研究有限公司 | 一种风电场风机电量分析方法 |
| CN109386435A (zh) * | 2017-08-04 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 风电机故障监控方法、装置和*** |
| CN109386435B (zh) * | 2017-08-04 | 2021-01-01 | 阿里巴巴集团控股有限公司 | 风电机故障监控方法、装置和*** |
| CN107832896A (zh) * | 2017-11-29 | 2018-03-23 | 广东电网有限责任公司电力科学研究院 | 一种电厂设备缓变故障预警方法及装置 |
| CN108228785A (zh) * | 2017-12-28 | 2018-06-29 | 中国神华能源股份有限公司 | 设备参数的核查方法和核查装置 |
| CN108960688A (zh) * | 2018-08-30 | 2018-12-07 | 北京光耀电力科技股份有限公司 | 一种风电机组的综合管理*** |
| CN109492777A (zh) * | 2018-09-14 | 2019-03-19 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学***台的风电机组健康管理方法 |
| CN109412892A (zh) * | 2018-10-23 | 2019-03-01 | 株洲中车时代电气股份有限公司 | 一种网络通信质量评估***及方法 |
| CN109412892B (zh) * | 2018-10-23 | 2022-03-01 | 株洲中车时代电气股份有限公司 | 一种网络通信质量评估***及方法 |
| CN109829245A (zh) * | 2019-02-25 | 2019-05-31 | 中科诺维(北京)科技有限公司 | 轴承故障预警方法和装置 |
| CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及*** |
| CN114757048A (zh) * | 2022-04-28 | 2022-07-15 | 北京千尧新能源科技开发有限公司 | 一种风机基础的健康状态评估方法、装置、设备和介质 |
| CN114757048B (zh) * | 2022-04-28 | 2023-03-24 | 北京千尧新能源科技开发有限公司 | 一种风机基础的健康状态评估方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106407589B (zh) | 2020-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106407589A (zh) | 一种风机状态评估与预测方法及*** | |
| CN106054104B (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
| CN104537487B (zh) | 一种输变电设备运行动态风险的评估方法 | |
| CN103793854B (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
| CN103872782B (zh) | 一种电能质量数据综合服务*** | |
| CN109543210A (zh) | 一种基于机器学***台的风电机组故障预测*** | |
| CN107358366A (zh) | 一种配电变压器故障风险监测方法及*** | |
| CN103793853A (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
| CN106598791A (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
| CN104091070A (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和*** | |
| CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN104933477A (zh) | 一种利用输变电设备风险评估优化检修策略的方法 | |
| CN107038453A (zh) | 一种风电机组的故障预警***及判断方法 | |
| CN109782124B (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及*** | |
| CN109583520A (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
| CN111126820A (zh) | 反窃电方法及*** | |
| CN110472851A (zh) | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 | |
| CN104182623A (zh) | 一种基于当量变化率计算的热工过程数据检测方法 | |
| CN110709789A (zh) | 用于监测可再生发电装置或微电网内的子***的状况的方法和设备 | |
| Ak et al. | Data analytics and uncertainty quantification for energy prediction in manufacturing | |
| CN114519923A (zh) | 一种电厂智能诊断预警方法和*** | |
| CN117854013A (zh) | 用于电气设备的火灾监控***及方法 | |
| CN117892882A (zh) | 基于网络通讯平台的黄河坝岸监控报警报险***及方法 | |
| CN117829382A (zh) | 一种公路施工进度智能预测方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |