CN107797063A - 基于scada的风电机组运行状态评估及故障诊断方法 - Google Patents
基于scada的风电机组运行状态评估及故障诊断方法 Download PDFInfo
- Publication number
- CN107797063A CN107797063A CN201710848286.2A CN201710848286A CN107797063A CN 107797063 A CN107797063 A CN 107797063A CN 201710848286 A CN201710848286 A CN 201710848286A CN 107797063 A CN107797063 A CN 107797063A
- Authority
- CN
- China
- Prior art keywords
- running
- generating set
- wind
- wind generating
- scada
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 238000003066 decision tree Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000011160 research Methods 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003653 coastal water Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于SCADA的风电机组运行状态评估及故障诊断方法,包括:基于SCADA***提取的样本数据,研究风电机组运行数据与主要部件运行特性间的关联关系;研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法;研究风电机组故障诊断方法,采用决策树模型和关联规则理论,结合风电机组长期稳定运行状态的统计特性,研究故障诊断规则。本发明能够有效实现风电机组运行状态评估及故障诊断。
Description
技术领域
本发明涉及分析方法技术领域,特别是指一种基于SCADA的风电机组运行状态评估及故障诊断方法。
背景技术
随着我国的风电装机容量迅猛增长,总装机容量比例逐年增加,单机容量为兆瓦级大型风力发电机组以及上百兆瓦风电场正得到迅速发展;随着陆上风电技术的相对成熟和海上风资源的巨大开发前景,大容量风力发电场的建设正由陆地向近海发展,甚至向深海区域发展的趋势。相比陆地风力发电机组,海上风电机组将面临更恶劣的运行环境条件和更高的运行维护成本。如丹麦2002年建设并运行的160MW Horns Rev风电场,在运行初期,风力发电机组的安全***、电控***、变压器等都出现了较多故障,仅在2003年到2004年运行期间,80台风力发电机组几乎平均每天每台维护2次,如此高的现场故障维护率是运营商Elsam未曾预料到的。因此,及时全面准确的监测和评估并网风电机组的运行状态,有效避免故障及连锁故障的发生,对于优化风电场的维修策略和实现大规模风力发电机组安全高效的并网具有重要的现实意义。
基于我国发展和建设智能电网的规划以及低碳经济战略目标的提出,如何安全、可靠、大规模地利用各种可再生能源是当前面临的挑战之一,而风力发电正是我国可再生能源中最具有大规模开发和利用的一种发电方式,单机容量为兆瓦级大型风力发电机组以及上百兆瓦风电场正得到迅速发展。随着我国陆上风力发电技术的相对成熟和海上风能资源的逐步开发,大容量风力发电场的建设正由陆地向近海及深海区域发展。相比陆地风力发电机组,海上风力发电机组将面临更恶劣的运行环境、检修条件和更高的维护成本。--如丹麦2002年建设并运行的160MW Horns Rev风电场,在运行初期,风力发电机组的安全***、电控***、变压器等都出现了较多故障,仅在2003年到2004年运行期间,80台风力发电机组几乎平均每台每天维护2次,直接导致2004年近4000万欧元的损失,如此高的现场故障维护率以及带来的高维护成本是运营商未曾预料到的。因此,如何提高风力发电机组(简称风电机组)可利用率,降低运行维护成本,确保海上风电机组的高可靠性,已成为我国发展海上风电技术迫切需要解决的关键问题,同时也将成为我国海上风电机组制造商和风电场运营商追求的重要技术和经济指标。特别是随着我国风电机组安装数量的迅猛增加以及海上风电机组的发展,对风电机组运行状态综合分析、故障诊断以及可靠性研究等方面有望成为我国风电产业新的增长点。
发明内容
有鉴于此,本发明的目的在于提出一种基于SCADA的风电机组运行状态评估及故障诊断方法,有效实现风电机组运行状态评估及故障诊断。
基于上述目的本发明提供的一种基于SCADA的风电机组运行状态评估及故障诊断方法,包括:
基于SCADA***提取的样本数据,研究风电机组运行数据与主要部件运行特性间的关联关系;
研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法;
研究风电机组故障诊断方法,采用决策树模型和关联规则理论,结合风电机组长期稳定运行状态的统计特性,研究故障诊断规则。
在一些实施方式中,所述基于SCADA***提取的样本数据,研究风电机组运行数据与主要部件运行特性间的关联关系包括:
研究基于大数据和数据挖掘技术的风电机组运行数据清洗及数据预处理技术。
在一些实施方式中,所述基于SCADA***提取的样本数据,研究风电机组运行数据与主要部件运行特性间的关联关系包括:
研究风电机组功率、转速、变桨,以及风电机组主轴承温度、振动等不同运行参数的统计学特性。
在一些实施方式中,所述研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法包括:
研究基于数理统计和机器学习方法的SCADA数据建模技术,建立风电机组齿轮箱、发电机、主轴等主要零部件运行状态评价模型。
在一些实施方式中,所述研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法包括:
研究不同数据时间尺度下的风电机组运行状态建模方法。
在一些实施方式中,所述研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法包括:
结合风电机组稳定运行状态的统计特性,采用模糊逻辑、距离识别等方式,研究故障阈值辨识方法。
在一些实施方式中,所述机器学习方法包括:多元线性回归、神经网络、支持向量机。
在一些实施方式中,所述研究风电机组故障诊断方法,采用决策树模型和关联规则理论,结合风电机组长期稳定运行状态的统计特性,研究故障诊断规则包括:分析风电机组典型故障特征参数,建立数据挖掘训练/学习样本库。
在一些实施方式中,所述研究风电机组故障诊断方法,采用决策树模型和关联规则理论,结合风电机组长期稳定运行状态的统计特性,研究故障诊断规则包括:研究基于决策树模型和关联分析理论的风电机组故障判定及故障分类方法,建立风电机组故障数据库及故障判定规则。
另一方面,本发明还提供了一种网关设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一项所述的方法。
从上面所述可以看出,本发明提供的基于SCADA的风电机组运行状态评估及故障诊断方法,能够有效实现风电机组运行状态评估及故障诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于SCADA的风电机组运行状态评估及故障诊断方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明实施例提供了一种基于SCADA的风电机组运行状态评估及故障诊断方法,参考图1,所述方法包括以下步骤:
步骤101、基于SCADA***提取的样本数据,研究风电机组运行数据与主要部件运行特性间的关联关系。
本步骤包括:研究基于大数据和数据挖掘技术的风电机组运行数据清洗及数据预处理技术;研究风电机组功率、转速、变桨,以及风电机组主轴承温度、振动等不同运行参数的统计学特性。
步骤102、研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法。
本步骤包括:研究基于数理统计和机器学习方法的SCADA数据建模技术,建立风电机组齿轮箱、发电机、主轴等主要零部件运行状态评价模型;研究不同数据时间尺度下的风电机组运行状态建模方法;结合风电机组稳定运行状态的统计特性,采用模糊逻辑、距离识别等方式,研究故障阈值辨识方法。
步骤103、研究风电机组故障诊断方法,采用决策树模型和关联规则理论,结合风电机组长期稳定运行状态的统计特性,研究故障诊断规则。
本步骤包括:分析风电机组典型故障特征参数,建立数据挖掘训练/学习样本库;研究基于决策树模型和关联分析理论的风电机组故障判定及故障分类方法,建立风电机组故障数据库及故障判定规则。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于SCADA的风电机组运行状态评估及故障诊断方法,其特征在于,包括:
基于SCADA***提取的样本数据,研究风电机组运行数据与主要部件运行特性间的关联关系;
研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法;
研究风电机组故障诊断方法,采用决策树模型和关联规则理论,结合风电机组长期稳定运行状态的统计特性,研究故障诊断规则。
2.根据权利要求1所述的基于SCADA的风电机组运行状态评估及故障诊断方法,其特征在于,所述基于SCADA***提取的样本数据,研究风电机组运行数据与主要部件运行特性间的关联关系包括:
研究基于大数据和数据挖掘技术的风电机组运行数据清洗及数据预处理技术。
3.根据权利要求1所述的基于SCADA的风电机组运行状态评估及故障诊断方法,其特征在于,所述基于SCADA***提取的样本数据,研究风电机组运行数据与主要部件运行特性间的关联关系包括:
研究风电机组功率、转速、变桨,以及风电机组主轴承温度、振动等不同运行参数的统计学特性。
4.根据权利要求1所述的基于SCADA的风电机组运行状态评估及故障诊断方法,其特征在于,所述研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法包括:
研究基于数理统计和机器学习方法的SCADA数据建模技术,建立风电机组齿轮箱、发电机、主轴等主要零部件运行状态评价模型。
5.根据权利要求1所述的基于SCADA的风电机组运行状态评估及故障诊断方法,其特征在于,所述研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法包括:
研究不同数据时间尺度下的风电机组运行状态建模方法。
6.根据权利要求1所述的基于SCADA的风电机组运行状态评估及故障诊断方法,其特征在于,所述研究基于聚类算法、集群分析和机器学习方法的风电机组运行状态预测方法包括:
结合风电机组稳定运行状态的统计特性,采用模糊逻辑、距离识别等方式,研究故障阈值辨识方法。
7.根据权利要求1所述的基于SCADA的风电机组运行状态评估及故障诊断方法,其特征在于,所述机器学习方法包括:多元线性回归、神经网络、支持向量机。
8.根据权利要求1所述的基于SCADA的风电机组运行状态评估及故障诊断方法,其特征在于,所述研究风电机组故障诊断方法,采用决策树模型和关联规则理论,结合风电机组长期稳定运行状态的统计特性,研究故障诊断规则包括:分析风电机组典型故障特征参数,建立数据挖掘训练/学习样本库。
9.根据权利要求1所述的基于SCADA的风电机组运行状态评估及故障诊断方法,其特征在于,所述研究风电机组故障诊断方法,采用决策树模型和关联规则理论,结合风电机组长期稳定运行状态的统计特性,研究故障诊断规则包括:研究基于决策树模型和关联分析理论的风电机组故障判定及故障分类方法,建立风电机组故障数据库及故障判定规则。
10.一种网关设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710848286.2A CN107797063A (zh) | 2017-09-19 | 2017-09-19 | 基于scada的风电机组运行状态评估及故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710848286.2A CN107797063A (zh) | 2017-09-19 | 2017-09-19 | 基于scada的风电机组运行状态评估及故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107797063A true CN107797063A (zh) | 2018-03-13 |
Family
ID=61532371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710848286.2A Pending CN107797063A (zh) | 2017-09-19 | 2017-09-19 | 基于scada的风电机组运行状态评估及故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107797063A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629095A (zh) * | 2018-04-23 | 2018-10-09 | 明阳智慧能源集团股份公司 | 一种风电机组齿轮箱轴承温度的建模方法 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学***台的风电机组故障预测*** |
CN109685371A (zh) * | 2018-12-25 | 2019-04-26 | 华能陕西定边电力有限公司 | 基于贝叶斯网的动态概权风电机组运行状态综合评估方法 |
CN109840666A (zh) * | 2017-11-29 | 2019-06-04 | 中国电力科学研究院有限公司 | 一种预测未来风电机组发生故障的模型构建方法及*** |
CN109946605A (zh) * | 2019-04-02 | 2019-06-28 | 中交机电工程局有限公司 | 电动机起动过程中的动态特性的在线监测*** |
CN110259648A (zh) * | 2019-07-05 | 2019-09-20 | 河北工业大学 | 一种基于优化K-means聚类的风机叶片故障诊断方法 |
CN110673561A (zh) * | 2019-10-18 | 2020-01-10 | 孚亨工业科技(昆山)有限公司 | 热源***服役质量管控*** |
CN110968069A (zh) * | 2018-09-28 | 2020-04-07 | 新疆金风科技股份有限公司 | 风力发电机组的故障预测方法、相应的装置及电子设备 |
CN111287912A (zh) * | 2020-02-18 | 2020-06-16 | 广州特种承压设备检测研究院 | 风力发电机变桨***故障诊断方法 |
CN111444950A (zh) * | 2020-03-24 | 2020-07-24 | 湖南盛鼎科技发展有限责任公司 | 基于磁悬浮列车数据的svm轨道信息及运行状态识别方法 |
CN111881617A (zh) * | 2020-07-02 | 2020-11-03 | 上海电气风电集团股份有限公司 | 数据处理方法、风力发电机组的性能评估方法及*** |
CN113127237A (zh) * | 2019-12-27 | 2021-07-16 | 北京金风慧能技术有限公司 | 风力发电机组的主故障识别方法和*** |
CN113449913A (zh) * | 2021-06-25 | 2021-09-28 | 上海电机学院 | 一种基于scada的轨道交通线路跳闸智能预警*** |
CN113589098A (zh) * | 2021-07-12 | 2021-11-02 | 国网河南省电力公司灵宝市供电公司 | 基于大数据驱动的电网故障预测和诊断方法 |
CN113742472A (zh) * | 2021-09-15 | 2021-12-03 | 达而观科技(北京)有限公司 | 一种基于客服营销场景下的数据挖掘方法及装置 |
CN114740352A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市永达电子信息股份有限公司 | 一种非接触电机故障检测方法和*** |
CN116010896A (zh) * | 2023-02-03 | 2023-04-25 | 南京南瑞继保电气有限公司 | 基于对抗训练与Transformer的风力发电机故障诊断方法 |
WO2023065580A1 (zh) * | 2021-10-18 | 2023-04-27 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组齿轮箱的故障诊断方法及装置 |
-
2017
- 2017-09-19 CN CN201710848286.2A patent/CN107797063A/zh active Pending
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840666A (zh) * | 2017-11-29 | 2019-06-04 | 中国电力科学研究院有限公司 | 一种预测未来风电机组发生故障的模型构建方法及*** |
CN109840666B (zh) * | 2017-11-29 | 2020-12-18 | 中国电力科学研究院有限公司 | 一种预测未来风电机组发生故障的模型构建方法及*** |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN108629095A (zh) * | 2018-04-23 | 2018-10-09 | 明阳智慧能源集团股份公司 | 一种风电机组齿轮箱轴承温度的建模方法 |
CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学***台的风电机组故障预测*** |
CN110968069A (zh) * | 2018-09-28 | 2020-04-07 | 新疆金风科技股份有限公司 | 风力发电机组的故障预测方法、相应的装置及电子设备 |
CN110968069B (zh) * | 2018-09-28 | 2022-01-25 | 新疆金风科技股份有限公司 | 风力发电机组的故障预测方法、相应的装置及电子设备 |
CN109685371A (zh) * | 2018-12-25 | 2019-04-26 | 华能陕西定边电力有限公司 | 基于贝叶斯网的动态概权风电机组运行状态综合评估方法 |
CN109685371B (zh) * | 2018-12-25 | 2021-07-13 | 华能陕西定边电力有限公司 | 基于贝叶斯网的动态概权风电机组运行状态综合评估方法 |
CN109946605A (zh) * | 2019-04-02 | 2019-06-28 | 中交机电工程局有限公司 | 电动机起动过程中的动态特性的在线监测*** |
CN109946605B (zh) * | 2019-04-02 | 2021-02-02 | 中交机电工程局有限公司 | 电动机起动过程中的动态特性的在线监测*** |
CN110259648A (zh) * | 2019-07-05 | 2019-09-20 | 河北工业大学 | 一种基于优化K-means聚类的风机叶片故障诊断方法 |
CN110259648B (zh) * | 2019-07-05 | 2020-10-09 | 河北工业大学 | 一种基于优化K-means聚类的风机叶片故障诊断方法 |
CN110673561A (zh) * | 2019-10-18 | 2020-01-10 | 孚亨工业科技(昆山)有限公司 | 热源***服役质量管控*** |
CN113127237A (zh) * | 2019-12-27 | 2021-07-16 | 北京金风慧能技术有限公司 | 风力发电机组的主故障识别方法和*** |
CN111287912A (zh) * | 2020-02-18 | 2020-06-16 | 广州特种承压设备检测研究院 | 风力发电机变桨***故障诊断方法 |
CN111444950A (zh) * | 2020-03-24 | 2020-07-24 | 湖南盛鼎科技发展有限责任公司 | 基于磁悬浮列车数据的svm轨道信息及运行状态识别方法 |
CN111881617A (zh) * | 2020-07-02 | 2020-11-03 | 上海电气风电集团股份有限公司 | 数据处理方法、风力发电机组的性能评估方法及*** |
CN111881617B (zh) * | 2020-07-02 | 2024-03-26 | 上海电气风电集团股份有限公司 | 数据处理方法、风力发电机组的性能评估方法及*** |
CN113449913A (zh) * | 2021-06-25 | 2021-09-28 | 上海电机学院 | 一种基于scada的轨道交通线路跳闸智能预警*** |
CN113449913B (zh) * | 2021-06-25 | 2022-10-28 | 上海电机学院 | 一种基于scada的轨道交通线路跳闸智能预警*** |
CN113589098A (zh) * | 2021-07-12 | 2021-11-02 | 国网河南省电力公司灵宝市供电公司 | 基于大数据驱动的电网故障预测和诊断方法 |
CN113589098B (zh) * | 2021-07-12 | 2024-06-07 | 国网河南省电力公司灵宝市供电公司 | 基于大数据驱动的电网故障预测和诊断方法 |
CN113742472A (zh) * | 2021-09-15 | 2021-12-03 | 达而观科技(北京)有限公司 | 一种基于客服营销场景下的数据挖掘方法及装置 |
WO2023065580A1 (zh) * | 2021-10-18 | 2023-04-27 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组齿轮箱的故障诊断方法及装置 |
CN114740352A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市永达电子信息股份有限公司 | 一种非接触电机故障检测方法和*** |
CN116010896A (zh) * | 2023-02-03 | 2023-04-25 | 南京南瑞继保电气有限公司 | 基于对抗训练与Transformer的风力发电机故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107797063A (zh) | 基于scada的风电机组运行状态评估及故障诊断方法 | |
Leahy et al. | Diagnosing wind turbine faults using machine learning techniques applied to operational data | |
CN103711645B (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
Dinmohammadi et al. | A fuzzy-FMEA risk assessment approach for offshore wind turbines | |
CN107732970B (zh) | 一种新能源并网电力***的静态安全概率评估方法 | |
CN108072524A (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
Peng et al. | Wind turbine failure prediction and health assessment based on adaptive maximum mean discrepancy | |
Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
Sun et al. | Abnormal detection of wind turbine operating conditions based on state curves | |
Wang et al. | Wind farm dynamic equivalent modeling method for power system probabilistic stability assessment | |
CN113586336B (zh) | 风力发电机组的控制方法及其控制装置及计算机可读存储介质 | |
Ma et al. | A study of fault statistical analysis and maintenance policy of wind turbine system | |
CN114048767A (zh) | 一种风电主控***故障监测及预警方法 | |
Wilson et al. | Modeling the relationship between wind turbine failure modes and the environment | |
Du et al. | A SOM based Anomaly detection method for wind turbines health management through SCADA data | |
Kumar et al. | Prospects of wind energy production in the western Fiji—An empirical study using machine learning forecasting algorithms | |
Wang et al. | Reliability assessment of wind farm active power based on sequential monte-carlo method | |
Zhou et al. | Research on offshore wind power system based on Internet of Things technology | |
Gao et al. | Real-time monitoring, fault prediction and health management for offshore wind turbine systems | |
CN115842408A (zh) | 基于scada的风电场运行状态检测***及方法 | |
Choudhary et al. | Revolutionizing Wind Energy: A Enhanced Machine Learning Perspective on Wind Turbines Fault Prediction | |
Lou et al. | A new condition monitoring method for wind turbines based on power curve model | |
Wang et al. | Evaluation and prediction of operation status for pitch system based on SCADA data | |
Zheng et al. | The multiple uncertainty impact of large-scale grid-connected PV system on available transfer capability assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180313 |
|
WD01 | Invention patent application deemed withdrawn after publication |