CN107291991A - 一种基于动态网络标志的风电机组早期缺陷预警方法 - Google Patents

一种基于动态网络标志的风电机组早期缺陷预警方法 Download PDF

Info

Publication number
CN107291991A
CN107291991A CN201710379072.5A CN201710379072A CN107291991A CN 107291991 A CN107291991 A CN 107291991A CN 201710379072 A CN201710379072 A CN 201710379072A CN 107291991 A CN107291991 A CN 107291991A
Authority
CN
China
Prior art keywords
dnm
wind turbines
variable
data
dynamic network
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
CN201710379072.5A
Other languages
English (en)
Other versions
CN107291991B (zh
Inventor
方瑞明
吴敏玲
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN201710379072.5A priority Critical patent/CN107291991B/zh
Publication of CN107291991A publication Critical patent/CN107291991A/zh
Application granted granted Critical
Publication of CN107291991B publication Critical patent/CN107291991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于动态网络标志的风电机组早期缺陷预警方法，其根据风电机组的拓扑图对风电机组状态变化的影响特性，结合支持向量回归和概率分布嵌入方案对风电机组实时运行数据进行处理，然后采用动态网络标志方法检测不同时段的动态网络标志量化值在机组状态转变前的动态变化，将机组各子***与元件间复杂的交互耦合关联以及机组的临界状态特性综合考虑进机组状态评估过程中，对机组可能发生故障的时间点以及部位进行预警。本发明减少了大噪声对机组故障预测精度的影响，能够较准确地提前发现机组潜在故障的临界转折时间点以及定位跟踪故障可能发生的位置，最终实现全面把握机组发展变化的趋势。

Description

一种基于动态网络标志的风电机组早期缺陷预警方法
技术领域
本发明涉及发电***安全防御技术领域，特别是涉及一种基于动态网络标志的风电机组早期缺陷预警方法。
背景技术
通过近年来全球新能源的发展动向，可以看出风能已成为能源开发的重要角色，风电也随之得到了极大的发展。然而，在我国风电行业的建设过程中还存在着很多技术问题尚未解决，其中最为突出的就是风电机组故障率高、故障停机时间长、故障影响大、维护成本昂贵。据统计，风电产业的运行和维护成本高达10％-15％，是其发展的最大瓶颈，这使得风电产业在安全性能与经济效益方面与传统能源相比都缺乏竞争性。因此为了提高风力发电机组状态评估预测的准确性，提前发现机组的潜伏性故障，研究并寻求合适的风电机组故障预警方法对风电机组状态检修的合理安排具有重要意义。
风电机组故障预警研究的理论基础是故障诊断学。故障诊断法一般分为基于数学模型的方法和基于人工智能的方法。现有研究大多数是针对风电机组不同子***的不同特性以及监测项目的不同特征，如机组的温度量、速度、振动量、频谱、扭矩等多方面，分别应用上述故障诊断方法对机组特定元件进行故障预警，从而对机组早期的异常运行状态进行监测。这种仅针对***中的某个特定元件或部件的风电机组故障预警方法虽然概念清晰、实现过程简单，但是忽略了机组各子***与部件间的强交互耦合性，不能从整体层面全面把握机组的发展变化趋势并从宏观***角度对机组的潜在故障做出预判。
随着风电机组故障预警研究的深入，近年相关研究的角度开始从风电机组内某特定元件上升到风电机组整体，进一步将机组各子***与部件间的强交互耦合性考虑进故障预警方法中。然而，现有的少部分研究虽然能够针对风电机组故障的整体行为出发，但是缺少考虑机组发生状态转变前的临界特性，还是无法全面把握机组故障的演变过程和特点，只能对机组的潜在故障做出大概的时间预警，而不能做到定时定点的预警；另外，在研究过程中对机组的大噪声干扰缺少有效处理，这将影响风电机组故障预警的精度。因此，如何降低大噪声对机组故障预警精度的影响，并将机组各子***与元部件间的强交互耦合性以及状态转变前的临界特性同时考虑进风电机组故障预警方法中是需进一步解决的问题。
发明内容
本发明提供了一种基于动态网络标志的风电机组早期缺陷预警方法方法，其克服了现有技术的基于动态网络标志的风电机组早期缺陷预警方法所存在的不足之处。
本发明解决其技术问题所采用的技术方案是：一种基于动态网络标志的风电机组早期缺陷预警方法，包括以下步骤：
S1：根据风电机组的拓扑图对影响风电机组状态变化的具有强交互耦合性的多变量进行确定，然后结合支持向量回归对各个变量的参照数据组和观测数据组进行选取，并使用概率分布嵌入方案对参照数据组和观测数据组的数据进行降噪处理，处理后得到新的参照数据序列和观测数据序列；
S2：将步骤S1中降噪处理后的参照数据序列和观测数据序列分别分成n段，并将各个时间段内的参照数据序列和观测数据序列数据进行偏差对比后，分别选出各个时段内变化显著的变量进行相关性聚类，得出各时段内显著影响风电机组状态变化的若干个候选DNM群；
S3：分别计算步骤S2中得到的各时段每个候选DNM群内变量的平均标准偏差Sd'、平均皮尔逊相关系数PCCin'及每个候选DNM群与其他候选DNM群内变量的平均皮尔逊系数PCCout'，判断各个候选DNM群的平均标准偏差Sd'、平均皮尔逊相关系数PCCin'及平均皮尔逊系数PCCout'是否同时满足风电机组状态转变前的三个临界特性，若符合则将该候选DNM群作为显著影响风电机组状态变化的主导DNM群；
S4：分别计算步骤S3中主导DNM群在各时间段内的动态网络标志的量化值I，通过检测不同时段的动态网络标志的量化值在机组状态转变前的动态变化，对机组可能发生故障的时间点以及部位进行预警。
其中，所述步骤S1中风电机组的拓扑结构图由风电机组装设的SCADA***提供的多个监测项目进行表示；
所述步骤S1具体包括以下步骤：
S101：选取SCADA***提供的多个监测项目中的多项主要的SCADA连续量监测项目作为研究的多变量；
S102：基于步骤S101中选取的多项SCADA监测项目的历史无故障数据，应用具有回归预测能力的支持向量机，以单变量为支持向量回归模型输出量，而其他变量为支持向量回归模型输入量的模式，建立各个监测项目的支持向量回归模型；
S103：基于风电机组安全运行的情况下采集的监测运行数据，分别使用步骤S102建立的模型对各个监测项目进行状态变化趋势预测，得到的预测数据为所述参照数据组；而将与风电机组运行状态相关的监测项目的实测运行数据作为所述观测数据组；
S104：基于概率分布嵌入方案，选取合适的窗口间隔k，通过多时刻展开的方式对步骤S103中得到的带有大噪声的参照数据组和观测数据组进行转变，得到在高维空间中带有更小噪声的相应概率分布的新的参照数据序列和观测数据序列。
其中，所述步骤S104中多时刻展开方式转变带有大噪声的参照数据组和观测数据组时，将原有参照数据组和观测数据组数据维度扩展到二阶，即一阶m1(t))、二阶m2(t)，其中，m1(t)＝[x(t-k)+x(t-k+1)+x(t-k+2)+...+x(t)]/k,t,k∈N*,t＜k，式中，x(t)为某时刻的参照数据或观测数据，k为窗口间隔。
其中，所述步骤S2具体包括以下步骤：
S201：采用t检验法对已分好的n个时间段内的数据进行偏差对比分析，具体过程为，设置显著性水平p＝0.05，分别计算各时段内各监测项目的检验值，记为pi(vi)，其中i＝1，2，...n，n表示某个时段的编号，vi＝1,2,...,33表示某个监测项目的编号；
S202：结合错误发现率，判断各时段内各监测项目的pi(vi)值是否满足pi(vi)＜(vi/controlsize(i))×0.05，其中，controlsize(i)是第i个时段的数据截取长度，若满足则将其初步归类为该时段显著影响风电机组状态变化的监测项目之一；
S203：结合两倍数变化分析对各时段初步得出的变化显著的监测项目进行结果修正后，得到最终各时段内变化显著的监测项目，并进行相关性聚类，得出若干个所述候选DNM群。
其中，所述步骤S3中候选DNM群的平均标准偏差Sd'、平均皮尔逊相关系数PCCin'及平均皮尔逊系数PCCout'的计算公式分别为：式中，xi(i＝1,2,…,N)为标志群内变量；表示群内各变量xi的平均值；式中ri表示候选DNM群内第i个变量与参照数据序列内参考变量之间的相关系数；式中Ri表示指定候选DNM群内第i个变量与其他候选DNM群内参照数据序列的参考变量之间的相关系数。
其中，所述候选DNM群内第i个变量与参照数据序列内参考变量之间的相关系数ri的计算公式为：式中，xij表示第i个变量的第j个样本值；yj表示参照数据序列的参考变量的第i个样本值；表示第i个变量的样本均值；表示参照数据序列的参考变量的样本均值；
所述指定候选DNM群内第i个变量与其他候选DNM群内参照数据序列的参考变量之间的相关系数Ri的计算公式为：式中，xij表示第i个变量的第j个样本值；yj表示其他候选DNM群内参照数据序列的参考变量的第j个样本值；表示第i个变量的样本均值；表示参照数据序列的参考变量的样本均值。
其中，所述步骤S3中的三个临界特性具体包括在风电机组状态转变前，主导DNM群内变量的平均标准偏差Sd'会显著增加、主导DNM群内各对变量的平均皮尔逊相关系数PCCin'会增加及主导DNM群内变量与非主导DNM群内变量的平均皮尔逊系数PCCout'会降低。
其中，所述步骤S4中动态网络标志的量化值I的计算公式为：ε∈(0,1)是一个用来避免分母为零的小的正常数。
相较于现有技术，本发明具有以下有益效果：本发明从风电机组的整体性出发，首先结合支持向量回归模型和概率分布嵌入方案，对机组运行数据的环境噪声进行适当处理后，然后采用动态网络标志将机组各子***与元件间复杂的交互耦合关联以及机组的临界状态特性综合考虑进机组状态评估过程中，减少了大噪声对机组故障预测精度的影响，能够较准确地提前发现机组潜在故障的临界转折时间点以及定位跟踪故障可能发生的位置，全面把握机组发展变化的趋势，对机组发生事故前的故障进行预警。
以下结合附图及实施例对本发明作进一步详细说明；但本发明的一种基于动态网络标志的风电机组早期缺陷预警方法不局限于实施例。
附图说明
图1是本发明的流程框图；
图2是本发明的风电机组类型为GE1.5SLE的拓扑图；
图3是本发明的支持向量回归模型建立过程框图；
图4为本发明的各时段的每个候选DNM群的平均标准偏差Sd'值；
图5为本发明的各时段的每个候选DNM群的平均皮尔逊相关系数PCCin'值；
图6为本发明的各时段的候选DNM群的平均皮尔逊系数PCCout'值；
图7为本发明的各时段的主导候选DNM群的量化值I；
图8为本发明的各时间段选出的主导DNM群及群内变量编号图；
图9为本发明图8中在时间段1时各监测项目的动态网络标志变化图；
图10为本发明图8中在时间段2时各监测项目的动态网络标志变化图；
图11为本发明图8中在时间段3时各监测项目的动态网络标志变化图；
图12为本发明图8中在时间段4时各监测项目的动态网络标志变化图；
图13为本发明图8中在时间段5时各监测项目的动态网络标志变化图；
图14为本发明图8中在时间段6时各监测项目的动态网络标志变化图；
图15为本发明图8中在时间段7时各监测项目的动态网络标志变化图；
图16为本发明图8中在时间段8时各监测项目的动态网络标志变化图。
具体实施方式
实施例，请参见图1，本实施例以风电机组类型为GE1.5SLE，单机额定容量为1.5MW的风电机组为例，该机组的拓扑图如图2所示，以MATLAB为工作平台对本发明进行仿真说明，选取的该台机组于2012年1月22日2时41分时因故障引起的一次非计划停机前40分钟内的33项相关监测项目(见表1)数据作为模型的观察数据组，选取停机前40分钟内的33项相关监测项目的支持向量回归模型预测值作为参考数据组，这里使用的SVR模型由图3所示流程建立而成，具体过程为，首先选取核函数，对所选核函数进行初始化参数处理，并同步将选取的33项相关检测项目的观察数据组作为样本数据进行学习，有时，为避免模型建立过程中诸多的步骤，也可对样本数据直接进行预测对比，不需要对数据组进行学习，对样本数据的学习过程为对数据进行筛选及归一化处理，判断所选样本是否具有代表性，若有，则将样本结合核函数进行算法训练，建立初始模型，并对建立的初始模型采用网络搜索法优化参数，接着将预测数据与实际数据进行对比分析，误差如果在允许的范围内，则确定最终的支持向量回归预测模型，如果不在误差范围内，则回到对核函数重新进行算法训练；若所选样本不具有代表性，则回到数据筛选和归一化处理步骤；将上述所建立的SVR模型预测得到的数据组做为参考数据组。根据SCADA***的记录，该故障发生前，机组所有的监测数据均显示正常，未显示出任何存在潜伏故障的征兆。
表1选取的33项SCADA连续量监测项目
续表1选取的33项SCADA连续量监测项目
对上述选取的参考数据组和观察数据组基于概率分布嵌入方案，选取合适的窗口间隔k，通过多时刻展开的方式进行转变，得到在高维空间中带有更小噪声的相应概率分布的新的参照数据序列和观测数据序列；具体为将原有参照数据组和观测数据组数据维度扩展到二阶，具体计算公式为：
m1(t)＝[x(t-k)+x(t-k+1)+x(t-k+2)+...+x(t)]/k,t,k∈N*,t＜k
式中，x(t)为某时刻的参照数据或观测数据，k为窗口间隔。
对选取的参考数据组和观察数据组进行上述的降噪处理后，将其分别分成8个时间段，其中每个时间段包含5个采样点。然后，采用t检验法对已分好的8个时间段内的参考数据组和观察数据组数据进行偏差对比分析，具体过程为，设置显著性水平p＝0.05，分别计算各时段内各监测项目的检验值，记为pi(vi)，其中i＝1，2，...n，n表示时段的编号，vi＝1,2,...,33表示监测项目的编号；接着，结合错误发现率，判断各时段内各监测项目的pi(vi)值是否满足，pi(vi)＜(vi/controlsize(i))×0.05，其中，controlsize(i)是第i个时段的数据截取长度，若满足则将其初步归类为该时段显著影响风电机组状态变化的监测项目之一；最后结合两倍数变化分析对各时段初步得出的变化显著的监测项目进行结果修正后，得到最终各时段内变化显著的监测项目，并进行相关性聚类，得出若干个所述候选DNM群。
将各时段处理后的数据输入到图1流程中进行动态网络标志计算，各个时间段内动态网络标志的平均标准偏差Sd'、平均皮尔逊相关系数PCCin'及平均皮尔逊系数PCCout'，分别采用计算公式：式中，xi(i＝1,2,…,N)为标志群内变量；表示群内各变量xi的平均值；式中ri表示候选DNM群内第i个变量与参照数据序列的参考变量之间的相关系数，计算公式为式中，xij表示第i个变量的第j个样本值；yj表示参照数据序列的参考变量的第i个样本值；表示第i个变量的样本均值；表示参照数据序列的参考变量的样本均值；式中Ri表示指定候选DNM群内第i个变量与其他候选DNM群内参照数据序列的参考变量之间的相关系数，计算公式为式中，xij表示第i个变量的第j个样本值；yj表示其他候选DNM群内参照数据序列的参考变量的第j个样本值；表示第i个变量的样本均值；表示参照数据序列的参考变量的样本均值；计算结果如图4-6所示，从而得到各时段内选出的主导DNM群及群内变量编号如图8所示，接着计算主导动态网络标志的量化值I，ε是一个用来避免分母为零的小的正常数，这里具体取ε＝0.001计算结果如图7所示，各时段对应的动态网络标志变化如图9-16所示。
具体来说，该台机组这次非计划性停机是由于SCADA***于2012年1月22日2:41:00因输出功率为负值而给出“总故障”报警而导致的。经维护人员确认，故障点为传动控制***控制器输入模板功能失效，维修并更换元件导致停机约9小时。
由图4-7可得，与各时段内主导DNM群的参考数据组的各个指标变化相对比，各时段内主导DNM群的观察数据组的各个指标出现不同程度的明显变化，说明所选的各时段的主导DNM群能够逐步体现机组临界状态的转变。其中动态网络标志计算的量化值在时段3过后开始急速上升，在时段4达到顶峰，该时段内的主导DNM群出现了最为明显的临界转变预警信号，表明通过动态网络标志量化值的计算，风电机组能够在故障出现前20分钟进行预警，对预防风电机组的故障和集群连锁故障的传播起到一定的作用。
图9-16中黑实心圆为与研究无关的项目，圆内图案为小黑点或斜条纹的圆为动态网络标志点，其中斜条纹图案的圆的出现表示***进入临界转***。结合图8和图9-16可得，在各个时段的动态网络标志动态标志定位的过程中，动态标志物主要集中出现在传动控制***，在时段4出现最为明显的临界转变预警信号的时候，主导DNM群的动态定位为机舱柜温度和叶轮转速。机舱柜作为控制***的输入枢纽，主要功能是采集机舱内各传感器测量的温度、压力、转速以及环境参数等信号，通过现场总线将这些信息传递给塔底柜，以及执行塔底柜输出的信号，如变桨、偏航、解缆以及电机、油泵、风扇等设备的控制，若机舱柜温度出现异常，将影响到控制器的输入功能。而由风电机主拓扑图(图2)可知，机舱柜的变化直接影响着叶轮转速，因此这里故障定位为传动控制***的机舱柜温度和叶轮转速符合实际情况和实际检修结果。
可见，本发明提出的基于动态网络标志的风电机组故障预警方法能够较全面地把握机组运行状态的演变过程，降低大噪声对机组故障预警精度的影响，对机组运行变化的临界态进行定时定点的检测，最终起到在机组发生事故前发出预警信号的作用。
上述实施例仅用来进一步说明本发明的一种基于动态网络标志的风电机组早期缺陷预警方法方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。

Claims (8)

1.一种基于动态网络标志的风电机组早期缺陷预警方法，其特征在于，所述方法包括以下步骤：
S1：根据风电机组的拓扑图对影响风电机组状态变化的具有强交互耦合性的多变量进行确定，然后结合支持向量回归对各个变量的参照数据组和观测数据组进行选取，并使用概率分布嵌入方案对参照数据组和观测数据组的数据进行降噪处理，处理后得到新的参照数据序列和观测数据序列；
S2：将步骤S1中降噪处理后的参照数据序列和观测数据序列分别分成n段，并将各个时间段内的参照数据序列和观测数据序列数据进行偏差对比后，分别选出各个时段内变化显著的变量进行相关性聚类，得出各时段内显著影响风电机组状态变化的若干个候选动态网络标志群，这里将动态网络标志群记为DNM群；
S3：分别计算步骤S2中得到的各时段每个候选DNM群内变量的平均标准偏差Sd'、平均皮尔逊相关系数PCCin'及每个候选DNM群与其他候选DNM群内变量的平均皮尔逊系数PCCout'，判断各个候选DNM群的平均标准偏差Sd'、平均皮尔逊相关系数PCCin'及平均皮尔逊系数PCCout'是否同时满足风电机组状态转变前的三个临界特性，若符合则将该候选DNM群作为显著影响风电机组状态变化的主导DNM群；
S4：分别计算步骤S3中主导DNM群在各时间段内的动态网络标志的量化值I，通过检测不同时段的动态网络标志的量化值在机组状态转变前的动态变化，对机组可能发生故障的时间点以及部位进行预警。
2.根据权利要求1所述的一种基于动态网络标志的风电机组早期缺陷预警方法，其特征在于：所述步骤S1中风电机组的拓扑结构图由风电机组装设的SCADA***提供的多个监测项目进行表示；
所述步骤S1具体包括以下步骤：
S101：选取SCADA***提供的多个监测项目中的多项主要的SCADA连续量监测项目作为研究的多变量；
S102：基于步骤S101中选取的多项SCADA监测项目的历史无故障数据，应用具有回归预测能力的支持向量机，以单变量为支持向量回归模型输出量，而其他变量为支持向量回归模型输入量的模式，建立各个监测项目的支持向量回归模型；
S103：基于风电机组安全运行的情况下采集的监测运行数据，分别使用步骤S102建立的模型对各个监测项目进行状态变化趋势预测，得到的预测数据为所述参照数据组；而将与风电机组运行状态相关的监测项目的实测运行数据作为所述观测数据组；
S104：基于概率分布嵌入方案，选取合适的窗口间隔k，通过多时刻展开的方式对步骤S103中得到的带有大噪声的参照数据组和观测数据组进行转变，得到在高维空间中带有更小噪声的相应概率分布的新的参照数据序列和观测数据序列。
3.根据权利要求2所述的一种基于动态网络标志的风电机组早期缺陷预警方法，其特征在于：所述步骤S104中多时刻展开方式转变带有大噪声的参照数据组和观测数据组时，将原有参照数据组和观测数据组数据维度扩展到二阶，即一阶m1(t))、二阶m2(t)，其中，m1(t)＝[x(t-k)+x(t-k+1)+x(t-k+2)+...+x(t)]/k,t,k∈N*,t＜k，式中，x(t)为某时刻的参照数据或观测数据，k为窗口间隔。
4.根据权利要求1所述的一种基于动态网络标志的风电机组早期缺陷预警方法，其特征在于：所述步骤S2具体包括以下步骤：
S201：采用t检验法对已分好的n个时间段内的数据进行偏差对比分析，具体过程为，设置显著性水平p＝0.05，分别计算各时段内各监测项目的检验值，记为pi(vi)，其中i＝1，2，...n，n表示某个时段的编号，vi＝1,2,...,33表示某个监测项目的编号；
S202：结合错误发现率，判断各时段内各监测项目的pi(vi)值是否满足pi(vi)＜(vi/controlsize(i))×0.05，其中，controlsize(i)是第i个时段的数据截取长度，若满足则将其初步归类为该时段显著影响风电机组状态变化的监测项目之一；
S203：结合两倍数变化分析对各时段初步得出的变化显著的监测项目进行结果修正后，得到最终各时段内变化显著的监测项目，并进行相关性聚类，得出若干个所述候选DNM群。
5.根据权利要求1所述的一种基于动态网络标志的风电机组早期缺陷预警方法，其特征在于：所述步骤S3中候选DNM群的平均标准偏差Sd'、平均皮尔逊相关系数PCCin'及平均皮尔逊系数PCCout'的计算公式分别为：式中，xi(i＝1,2,…,N)为标志群内变量；表示群内各变量xi的平均值；式中ri表示候选DNM群内第i个变量与参照数据序列内参考变量之间的相关系数；式中Ri表示指定候选DNM群内第i个变量与其他候选DNM群内参照数据序列的参考变量之间的相关系数。
6.根据权利要求5所述的一种基于动态网络标志的风电机组早期缺陷预警方法，其特征在于：所述候选DNM群内第i个变量与参照数据序列内参考变量之间的相关系数ri的计算公式为：式中，xij表示第i个变量的第j个样本值；yj表示参照数据序列的参考变量的第i个样本值；表示第i个变量的样本均值；表示参照数据序列的参考变量的样本均值；
所述指定候选DNM群内第i个变量与其他候选DNM群内参照数据序列的参考变量之间的相关系数Ri的计算公式为：式中，xij表示第i个变量的第j个样本值；yj表示其他候选DNM群内参照数据序列的参考变量的第j个样本值；表示第i个变量的样本均值；表示参照数据序列的参考变量的样本均值。
7.根据权利要求1所述的一种基于动态网络标志的风电机组早期缺陷预警方法，其特征在于：所述步骤S3中的三个临界特性具体包括在风电机组状态转变前，主导DNM群内变量的平均标准偏差Sd'会显著增加、主导DNM群内各对变量的平均皮尔逊相关系数PCCin'会增加及主导DNM群内变量与非主导DNM群内变量的平均皮尔逊系数PCCout'会降低。
8.根据权利要求1所述的一种基于动态网络标志的风电机组早期缺陷预警方法，其特征在于：所述步骤S4中动态网络标志的量化值I的计算公式为：ε∈(0,1)是一个用来避免分母为零的小的正常数。
CN201710379072.5A 2017-05-25 2017-05-25 一种基于动态网络标志的风电机组早期缺陷预警方法 Active CN107291991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710379072.5A CN107291991B (zh) 2017-05-25 2017-05-25 一种基于动态网络标志的风电机组早期缺陷预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710379072.5A CN107291991B (zh) 2017-05-25 2017-05-25 一种基于动态网络标志的风电机组早期缺陷预警方法

Publications (2)

Publication Number Publication Date
CN107291991A true CN107291991A (zh) 2017-10-24
CN107291991B CN107291991B (zh) 2020-08-07

Family

ID=60094043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710379072.5A Active CN107291991B (zh) 2017-05-25 2017-05-25 一种基于动态网络标志的风电机组早期缺陷预警方法

Country Status (1)

Country Link
CN (1) CN107291991B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108563525A (zh) * 2018-04-13 2018-09-21 中国人民解放军陆军装甲兵学院 复杂***可靠性仿真中智能体环境任务干涉方法及***
CN109657982A (zh) * 2018-12-20 2019-04-19 三重能有限公司 一种故障预警方法及装置
CN109993189A (zh) * 2018-01-02 2019-07-09 ***通信有限公司研究院 一种网络故障预警方法、装置和介质
CN110503133A (zh) * 2019-07-26 2019-11-26 东北大学 一种基于深度学习的离心式压缩机故障预测方法
CN111579731A (zh) * 2020-06-28 2020-08-25 华侨大学 一种基于组合模型的变压器早期缺陷预警方法
CN112232427A (zh) * 2020-10-13 2021-01-15 宁波大学 一种基于分布式回归模型的风力发电机故障检测方法
CN112307619A (zh) * 2020-10-29 2021-02-02 北京航天测控技术有限公司 预警模型的构建方法、装备故障预警方法及装置
CN112861350A (zh) * 2021-02-08 2021-05-28 华侨大学 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7216061B2 (en) * 2004-08-25 2007-05-08 Siemens Corporate Research, Inc. Apparatus and methods for detecting system faults using hidden process drivers
WO2012050262A1 (ko) * 2010-10-15 2012-04-19 한국전력공사 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템
CN104951851A (zh) * 2015-07-08 2015-09-30 华侨大学 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法
CN105160444A (zh) * 2015-10-22 2015-12-16 广东电网有限责任公司电力调度控制中心 电力设备故障率确定方法及***
CN106096276A (zh) * 2016-06-13 2016-11-09 江南大学 一种基于动态网络标志物的甲流疫情早期预警模型

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7216061B2 (en) * 2004-08-25 2007-05-08 Siemens Corporate Research, Inc. Apparatus and methods for detecting system faults using hidden process drivers
WO2012050262A1 (ko) * 2010-10-15 2012-04-19 한국전력공사 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템
CN104951851A (zh) * 2015-07-08 2015-09-30 华侨大学 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法
CN105160444A (zh) * 2015-10-22 2015-12-16 广东电网有限责任公司电力调度控制中心 电力设备故障率确定方法及***
CN106096276A (zh) * 2016-06-13 2016-11-09 江南大学 一种基于动态网络标志物的甲流疫情早期预警模型

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FANG R ET AL: "Failure Prediction of Wind Turbines Using Improved Gray Relation Analysis Based Support Vector Machine Method", 《JOURNAL OF COMPUTATIONAL & THEORETICAL NANOSCIENCE》 *
OYA S ET AL: "Forecasting abrupt changes in foreign exchange markets: method using dynamical network marker", 《NEW JOURNAL OF PHYSICS》 *
梁颖等: "基于SCADA和支持向量回归的风电机组状态在线评估方法", 《电力***自动化》 *
许奇歆等: "电力***故障预测方法研究", 《电工文摘》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993189A (zh) * 2018-01-02 2019-07-09 ***通信有限公司研究院 一种网络故障预警方法、装置和介质
CN108563525A (zh) * 2018-04-13 2018-09-21 中国人民解放军陆军装甲兵学院 复杂***可靠性仿真中智能体环境任务干涉方法及***
CN108563525B (zh) * 2018-04-13 2021-04-20 中国人民解放军陆军装甲兵学院 复杂***可靠性仿真中智能体环境任务干涉方法及***
CN109657982A (zh) * 2018-12-20 2019-04-19 三重能有限公司 一种故障预警方法及装置
CN110503133A (zh) * 2019-07-26 2019-11-26 东北大学 一种基于深度学习的离心式压缩机故障预测方法
CN111579731A (zh) * 2020-06-28 2020-08-25 华侨大学 一种基于组合模型的变压器早期缺陷预警方法
CN112232427A (zh) * 2020-10-13 2021-01-15 宁波大学 一种基于分布式回归模型的风力发电机故障检测方法
CN112232427B (zh) * 2020-10-13 2023-10-03 宁波大学 一种基于分布式回归模型的风力发电机故障检测方法
CN112307619A (zh) * 2020-10-29 2021-02-02 北京航天测控技术有限公司 预警模型的构建方法、装备故障预警方法及装置
CN112307619B (zh) * 2020-10-29 2024-06-11 北京航天测控技术有限公司 预警模型的构建方法、装备故障预警方法及装置
CN112861350A (zh) * 2021-02-08 2021-05-28 华侨大学 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN112861350B (zh) * 2021-02-08 2023-03-07 华侨大学 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法

Also Published As

Publication number Publication date
CN107291991B (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN107291991A (zh) 一种基于动态网络标志的风电机组早期缺陷预警方法
Cheliotis et al. Machine learning and data-driven fault detection for ship systems operations
Hsu et al. Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning
Guo et al. Remaining useful life prediction for rolling bearings using EMD-RISI-LSTM
Ahmad et al. A review of condition-based maintenance decision-making
Patro et al. A hybrid approach estimates the real-time health state of a bearing by accelerated degradation tests, Machine learning
Afridi et al. Artificial intelligence based prognostic maintenance of renewable energy systems: A review of techniques, challenges, and future research directions
Yang et al. Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy
CN115526375A (zh) 一种航天装备预测性维护***
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
CN108506171A (zh) 一种大型半直驱机组齿轮箱冷却***故障预警方法
Wang Key techniques in intelligent predictive maintenance (IPdM)–a framework of intelligent faults diagnosis and prognosis system (IFDaPS)
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN117151684A (zh) 风电风机数据分析预警方法、***、装置及可读存储介质
CN110794683A (zh) 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法
Srilakshmi et al. A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements
Baker et al. Degrader analysis for diagnostic and predictive capabilities: a demonstration of progress in DoD CBM+ initiatives
CN115774955A (zh) 一种风电齿轮箱健康度智能评估方法
Yang et al. Wear Prediction of Petrochemical Granulator Gearbox Using Multiscale Temporal Convolutional Network via Online Oil Monitoring
Kenyon et al. Development of an intelligent system for detection of exhaust gas temperature anomalies in gas turbines
Wei et al. Multi-sensor monitoring based on-line diesel engine anomaly detection with baseline deviation
Najjar et al. Predictive maintenance of Urban Metro Vehicles: Classification of air production unit failures using machine learning
CN114091811A (zh) 一种核电厂循环水泵维修决策***及设计方法
Carratù et al. A novel methodology for unsupervised anomaly detection in industrial electrical systems
CN114151291B (zh) 一种风电机组早期故障监测方法

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
GR01 Patent grant
GR01 Patent grant