CN113436194B - 一种风电机组的异常检测方法、装置及设备 - Google Patents
一种风电机组的异常检测方法、装置及设备 Download PDFInfo
- Publication number
- CN113436194B CN113436194B CN202110985186.0A CN202110985186A CN113436194B CN 113436194 B CN113436194 B CN 113436194B CN 202110985186 A CN202110985186 A CN 202110985186A CN 113436194 B CN113436194 B CN 113436194B
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- turbine generator
- image
- obtaining
- gray
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明的实施例提供一种风电机组的异常检测方法、装置及设备,所述方法包括:获得风电机组的部件的待检测时间序列数据;根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;获得标准风电机组的部件的运行状态的第二灰度图像;根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常。本发明的实施例可实现对风电机组的异常实时进行监测。
Description
技术领域
本发明涉及设备检测技术领域,特别是指一种风电机组的异常检测方法、装置及设备。
背景技术
齿轮箱是风电机组中将机械能转化为电能的主要部件,连接着主轴和发电机。由于其长期处于高转速、高负载的运行状态,长期运行容易发生故障,为风电场带来巨大经济损失。齿轮箱润滑油有着减少齿轮摩擦,为齿轮箱降温的作用。当齿轮箱内部机械结构出现故障(如磨损严重、断齿等)或者温度控制***出现问题(如降温风扇失控、齿轮箱油压力不足等)会导致齿轮箱油温异常。对齿轮箱油温异常进行实时监测可以及时发现上述问题,为风力发电机组保驾护航。
目前风电场现场的检修人员一般采用的是使用手机对监控***全场机组温度拍照(温度是实时变化的数据,需要靠拍照定格在同一时间),然后横向对比温度的高低,这样做的缺点是缺乏实时监测,并且也没有考虑不同机组工况的不同。使用机器学习模型或者深度学习模型必须对各种异常工况做数据剔除,并且大多数模型不可解释,最终不能落地。
发明内容
本发明提供了一种风电机组的异常检测方法、装置及设备。实现了最终计算的异常度是可解释的,可以对异常度进行溯源。
为解决上述技术问题,本发明的实施例提供以下方案:
一种风电机组的异常检测方法,包括:
获得风电机组的部件的待检测时间序列数据;
根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;
获得标准风电机组的部件的运行状态的第二灰度图像;
根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常。
可选的,根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像,包括:
根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一散点图;
根据所述第一散点图,得到所述第一灰度图像。
可选的,根据所述待检测时间序列数据,得到所述部件的实际运行状态的散点图,包括:
所述待检测时间序列数据进行预处理,得到预处理结果;
根据所述预处理结果中的至少一种属性参数信息,绘制得到所述部件的实际运行状态的第一散点图。
可选的,根据所述第一散点图,生成第一灰度图像,包括:
根据所述第一散点图,选取所述预处理结果中的至少一种属性参数信息在预设范围内的数据;
获得至少一种属性参数信息在预设范围内的数据的第一密度值;
根据所述第一密度值,得到所述第一灰度图像。
可选的,获得标准风电机组的部件的运行状态的第二灰度图像,包括:
将所述风电机组所在风电场的与所述风电机组相同型号的所有风电机组作为标准风电机组,获得所述标准风电机组的部件的运行状态的第二散点图;
根据所述第二散点图,生成第二灰度图像。
可选的,根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常,包括:
根据公式:
根据所述相似度,确定所述风电机组是否异常;
其中di表示第i台风电机组的第一灰度图像与标准风电机组的第二灰度图像之间的相似度,xijk表示第i台风电机组的第一灰度图像的第j行k列的像素点,yjk表示所述标准风电机组的第二灰度图像的第j行k列像素点;M为行数上界,N为列数上界。
可选的,根据所述相似度,确定所述风电机组是否异常,包括:
通过,将所述相似度归一化处理,得到归一化值;其中,其中,C为归一化值,D表示计算得到的D台风电机组的相似度,di表示第i台风电机组与标准风电机组的相似度,max(D)为D台风电机组的相似度的最大值,min(D)为D台风电机组的相似度的最小值;
根据所述归一化值与一预设阈值,确定所述风电机组是否异常。
本发明的实施例还提供一种风电机组的异常检测装置,包括:
获取模块,用于获得风电机组的部件的待检测时间序列数据;
处理模块,用于根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;获得标准风电机组的部件的运行状态的第二灰度图像根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常。
本发明的实施例还提供一种电子设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上所述的风电机组的异常检测方法。
本发明的实施例还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上所述的风电机组的异常检测方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,通过获得风电机组的部件的待检测时间序列数据;根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;获得标准风电机组的部件的运行状态的第二灰度图像;根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常。将散点图中包含的密度、形状等信息转化为灰度图,充分的体现了在计算机组中的异常度,取得了最终计算的异常度是可解释的,可以对异常度进行溯源的有益效果。
附图说明
图1为本发明实施例的风电机组的异常检测方法的流程图;
图2为本发明实施例的一种真实示例的正常机组齿轮箱油温的散点图示意图;
图3为本发明实施例的一种真实示例的异常机组齿轮箱油温的散点图示意图;
图4为本发明实施例的一种真实示例的异常机组油温的灰度图像示意图;
图5为本发明实施例的一种真实示例的异常度时间序列变化示意图;
图6为本发明实施例的一种真实示例的齿轮箱油温异常度模型结果展示图;
图7为本发明实施例的具体的风电机组的异常检测方法的流程图;
图8为本发明实施例的风电机组的异常检测装置的结构示意图;
图9示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示,本发明提供一种风电机组的异常检测方法,包括:
步骤11,获得风电机组的部件的待检测时间序列数据;
步骤12,根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;
步骤13,获得标准风电机组的部件的运行状态的第二灰度图像;
步骤14,根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常。
该实施例中,通过获得风电机组的部件的待检测时间序列数据;根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;获得标准风电机组的部件的运行状态的第二灰度图像;根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常。将散点图中包含的密度、形状等信息转化为灰度图,充分的体现了在计算机组中的异常度,取得了最终计算的异常度是可解释的,可以对异常度进行溯源的有益效果。当灰度图计算时,全部计算的是相对密度(密度最大的为灰度255),这样可以避免因为每台数据量不同导致数据密度不同。同时可以自动计算基准机组的灰度图像,极大的减少了对专家的依赖。
在本发明的一可选的实施例中,步骤12可以包括:
步骤121,根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一散点图;
步骤122,根据所述第一散点图,得到所述第一灰度图像。
该实施例中,散点图是由一些散乱的点组成的图表,这些点在哪个位置,是由其X值和Y值确定的。将散点图转换为灰度图像后,可以充分的展示数据的分布和聚合情况,也可以通过灰度图像得到趋势线公式。
在本发明的又一可选的实施例中,步骤121可以包括:
步骤1211,所述待检测时间序列数据进行预处理,得到预处理结果;
具体的,首先将所述待检测时间序列数据进行离群点处理,即将数据的离群点筛选出并删掉,得到离群点处理后的结果,这样避免了异常数据对总体数据的影响。
其次将离群点处理后的结果进行数据重采样,即将秒级数据重采样为分钟级别数据,得到数据重采样后的结果,这样可以降低传感器零漂等对数据的干扰。
最后将数据重采样后的结果进行去除异常工况数据,即将限电、停机等异常工况数据删除,这样可以保证机组在正常的工作状态。
步骤1212,根据所述预处理结果中的至少一种属性参数信息,绘制得到所述部件的实际运行状态的第一散点图,所述属性参数信息包括:功率信息和齿轮箱油温信息等,但不限于如上所述。
具体的,如图2和图3所示,以一种真实示例的正常机组齿轮箱油温为例,可以看出正常机组与异常机组的散点图有很大不同,正常机组随着功率变大,齿轮箱油温在50~60℃上下浮动,而异常机组呈发散或者浮动范围与正常机组不同。
该实施例中,监控***(SCADA)数据是由多个传感器采集的时间序列数据,经常受到极端环境和通讯异常影响,因此需要经过数据预处理才能更好的反应机组的实际状态。
在本发明的又一可选的实施例中,步骤122可以包括:
步骤1221,根据所述第一散点图,选取所述预处理结果中的至少一种属性参数信息在预设范围内的数据;
具体的,属性参数信息以功率—齿轮箱温度为例,为了避免功率较低时油温不规则分布,功率较高时数据量较少,随机性较大,选取功率范围[400,1200],齿轮箱油温范围[40,80]。当数据范围统一后,不同机组形成的灰度图尺寸也是相同的,方便进一步计算。
步骤1222,获得至少一种属性参数信息在预设范围内的数据的第一密度值;
具体的,属性参数信息同样以功率—齿轮箱温度为例,将散点图的密度信息考虑在内,计算齿轮箱油温异常。将功率划分为80份(每20kW),齿轮箱油温划分为40份(每1度),形成40×40的网格,计算每个网格中的点数即为密度值P。
步骤1223,根据所述第一密度值,得到所述第一灰度图像。
在本发明的又一可选的实施例中,步骤13可以包括:
步骤131,将所述风电机组所在风电场的与所述风电机组相同型号的所有风电机组作为标准风电机组,获得所述标准风电机组的部件的运行状态的第二散点图;
具体的,属性参数信息同样以功率—齿轮箱温度为例,为了降低异常机组数据对基准灰度图像的影响,使用LOF异常识别算法对第二散点图进行异常数据识别,并对异常数据进行剔除。LOF算法的优点是计算的数据的相对密度,避免了因功率升高而数据密度逐步降低的情况。
步骤132,根据所述第二散点图,生成第二灰度图像。
具体的,属性参数信息同样以功率—齿轮箱温度为例,将散点图的密度信息考虑在内,计算齿轮箱标准油温。将功率划分为80份(每20kW),齿轮箱油温划分为40份(每1度),形成40×40的网格,计算每个网格中的点数即为密度值A。
该实施例中,属性参数信息同样以功率—齿轮箱温度为例,考虑到同一个风电场同一个机型的机组有着相似的特性,并且大部分机组运行状态良好,可以将所有机组的功率—齿轮箱温度放在一张散点图上,即第二散点图。
在本发明的又一可选的实施例中,步骤14可以包括:
其中di表示第i台风电机组的第一灰度图像与标准风电机组的第二灰度图像之间的相似度,xijk表示第i台风电机组的第一灰度图像的第j行k列的像素点,yjk表示所述标准风电机组的第二灰度图像的第j行k列像素点;M为行数上界,N为列数上界;
步骤142,根据所述相似度,确定所述风电机组是否异常。
该实施例中,可使用欧式距离计算每台机组的灰度图像与基准机组灰度图像的相似度确定所述风电机组是否异常,结果越小说明相似度越高,则所述部件不为异常,结果越大说明相似度越低,则所述风电机组为异常,也可根据所述相似度,进一步更精确的判断所述风电机组是否异常。
在本发明的又一可选的实施例中,步骤142可以包括:
步骤1421,通过,将所述相似度归一化处理,得到归一化值;其中,其中,C为归一化值,D表示计算得到的D台风电机组的相似度,di表示第i台风电机组与标准风电机组的相似度,max(D)为D台风电机组的相似度的最大值,min(D)为D台风电机组的相似度的最小值;
步骤1422,根据所述归一化值与一预设阈值,确定所述风电机组是否异常。
具体的,可将所述相似度归一化到[0,1]中,所述归一化值越接近1说明机组异常度越高。
该实施例中,计算的是统一时间片段,全场各台机组横向对比,按照异常度进行排名,可以确定异常的程度,能有效的帮助现场检修人员选择先去检修异常程度高的机组,极大的提高了效率。
在本发明的再一可选的实施例中,步骤14之后还可以包括:
步骤143,计算连续时间序列片段的异常度,根据连续时间序列片段的异常度变化确定机组状态;
步骤144,根据所述连续时间序列片段的异常度变化构建新的特征,通过计算所述新的特征判断是否提前发现机组异常,所述新的特征包括:斜率,但不限于如上所述。
如图5和图6所示,该实施例中,可以更加精确的掌握机组异常的渐变过程,提前预知异常。以一种真实的异常度时间序列变化为例,如果只根据横向对比,当异常度超过0.8时才会报警,但是5月份至6月份的斜率较大,则6月份会发出报警。
下面结合图7说明上述方法实施例的具体实现过程:
如图7所示,该方法包括:
首先将每台机组的功率—齿轮箱温度散点图处理为灰度图像;
其次计算每台机组的灰度图像与基准机组灰度图像的相似度;
然后确定每台机组的异常度。
最后识别异常机组。
本发明的实施例中获得风电机组的部件的待检测时间序列数据;根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;获得标准风电机组的部件的运行状态的第二灰度图像;根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常。将散点图中包含的密度、形状等信息转化为灰度图,充分的体现了在计算机组中的异常度,取得了最终计算的异常度是可解释的,可以对异常度进行溯源的有益效果。当灰度图计算时,全部计算的是相对密度(密度最大的为灰度255),这样可以避免因为每台数据量不同导致数据密度不同。同时可以自动计算基准机组的灰度图像,极大的减少了对专家的依赖。
如图8所示,本发明还提供一种风电机组的异常检测装置80,所述装置包括:
获取模块81,用于获得风电机组的部件的待检测时间序列数据;
处理模块82,用于根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;获得标准风电机组的部件的运行状态的第二灰度图像根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常。
可选的,所述处理模块82还用于根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一散点图;
根据所述第一散点图,得到所述第一灰度图像。
可选的,所述处理模块82还用于所述待检测时间序列数据进行预处理,得到预处理结果;
根据所述预处理结果中的至少一种属性参数信息,得到所述部件的实际运行状态的第一散点图。
可选的,所述处理模块82还用于根据所述第一散点图,选取所述预处理结果中的至少一种属性参数信息在预设范围内的数据;
获得至少一种属性参数信息在预设范围内的数据的第一密度值;
根据所述第一密度值,得到所述第一灰度图像。
可选的,所述处理模块82还用于将所述风电机组所在风电场的与所述风电机组相同型号的所有风电机组作为标准风电机组,获得所述标准风电机组的部件的运行状态的第二散点图;
根据所述第二散点图,生成第二灰度图像。
根据所述相似度,确定所述风电机组是否异常;
其中,di表示第i台风电机组的第一灰度图像与标准风电机组的第二灰度图像之间的相似度,xijk表示第i台风电机组的第一灰度图像的第j行k列的像素点,yjk表示所述标准风电机组的第二灰度图像的第j行k列像素点;M为行数上界,N为列数上界。
可选的,所述处理模块82还用于通过,将所述相似度归一化处理,得到归一化值;其中,C为归一化值,D表示计算得到的D台风电机组的相似度,di表示第i台风电机组与标准风电机组的相似度,max(D)为D台风电机组的相似度的最大值,min(D)为D台风电机组的相似度的最小值;
根据所述归一化值与一预设阈值,确定所述风电机组是否异常。
需要说明的是,该装置是与上述方法对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
如图9所示,本发明的实施例还提供一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上所述的风电机组的异常检测方法对应的操作。
本发明的实施例还提供一种计算机可读存储介质,存储有指令,所述指令在计算机上运行时,使得计算机执行如上所述的方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种风电机组的异常检测方法,其特征在于,包括:
获得风电机组的部件的待检测时间序列数据;
根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;
获得标准风电机组的部件的运行状态的第二灰度图像;
根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常;
其中,根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像,包括:
对所述待检测时间序列数据进行预处理,得到预处理结果;
根据所述预处理结果中的至少一属性参数信息,得到所述部件的实际运行状态的第一散点图;
根据所述第一散点图,生成第一灰度图像;
其中,根据所述第一散点图,生成第一灰度图像,包括:
根据所述第一散点图,选取所述预处理结果中的至少一属性参数信息在预设范围内的数据;
获得至少一属性参数信息在预设范围内的数据的第一密度值;
根据所述第一密度值,得到所述第一灰度图像。
2.根据权利要求1所述的风电机组的异常检测方法,其特征在于,获得标准风电机组的部件的运行状态的第二灰度图像,包括:
将所述风电机组所在风电场的与所述风电机组相同型号的所有风电机组作为标准风电机组,获得所述标准风电机组的部件的运行状态的第二散点图;
根据所述第二散点图,生成第二灰度图像。
5.一种风电机组的异常检测装置,其特征在于,所述装置包括:
获取模块,用于获得风电机组的部件的待检测时间序列数据;
处理模块,用于根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像;获得标准风电机组的部件的运行状态的第二灰度图像;根据所述第一灰度图像和第二灰度图像,确定所述风电机组是否异常;其中,根据所述待检测时间序列数据,得到所述部件的实际运行状态的第一灰度图像,包括:对所述待检测时间序列数据进行预处理,得到预处理结果;根据所述预处理结果中的至少一属性参数信息,得到所述部件的实际运行状态的第一散点图;根据所述第一散点图,生成第一灰度图像;其中,根据所述第一散点图,生成第一灰度图像,包括:根据所述第一散点图,选取所述预处理结果中的至少一属性参数信息在预设范围内的数据;获得至少一属性参数信息在预设范围内的数据的第一密度值;根据所述第一密度值,得到所述第一灰度图像。
6.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的风电机组的异常检测方法对应的操作。
7.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-4中任一项所述的风电机组的异常检测方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110985186.0A CN113436194B (zh) | 2021-08-26 | 2021-08-26 | 一种风电机组的异常检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110985186.0A CN113436194B (zh) | 2021-08-26 | 2021-08-26 | 一种风电机组的异常检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436194A CN113436194A (zh) | 2021-09-24 |
CN113436194B true CN113436194B (zh) | 2021-11-23 |
Family
ID=77797973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110985186.0A Active CN113436194B (zh) | 2021-08-26 | 2021-08-26 | 一种风电机组的异常检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436194B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115858613B (zh) * | 2022-11-18 | 2023-11-17 | 中节能风力发电股份有限公司 | 一种基于时间顺序信息的风电数据显示方法和*** |
CN116881655B (zh) * | 2023-07-06 | 2024-02-27 | 中节能风力发电股份有限公司 | 基于散点图联动的风电数据处理方法、***及存储介质 |
CN117034178B (zh) * | 2023-10-08 | 2024-01-12 | 北京日光旭升精细化工技术研究所 | 用于洗涤剂生产设备在线监测*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510038B (zh) * | 2015-12-31 | 2018-07-27 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
CN109858441A (zh) * | 2019-01-30 | 2019-06-07 | 广州轨道交通建设监理有限公司 | 一种用于施工现场的异常状态监测方法与装置 |
CN111145109B (zh) * | 2019-12-09 | 2023-03-31 | 深圳先进技术研究院 | 基于图像的风力发电功率曲线异常数据识别与清洗方法 |
-
2021
- 2021-08-26 CN CN202110985186.0A patent/CN113436194B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113436194A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436194B (zh) | 一种风电机组的异常检测方法、装置及设备 | |
CN110991666A (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
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 | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN111878320B (zh) | 风力发电机组的监控方法、***及计算机可读存储介质 | |
Sun et al. | Stacked denoising autoencoder with density-grid based clustering method for detecting outlier of wind turbine components | |
CN114444382B (zh) | 基于机器学习算法的风电机组齿轮箱故障诊断分析方法 | |
Peng et al. | Wind turbine failure prediction and health assessment based on adaptive maximum mean discrepancy | |
CN114450646B (zh) | 用于使用深度学习来检测风力涡***作异常的***和方法 | |
CN114757380A (zh) | 一种火电厂故障预警***、方法、电子设备及存储介质 | |
Bette et al. | Nonstationarity in correlation matrices for wind turbine SCADA‐data | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN117846894A (zh) | 风电机组的数据处理方法、预警方法及装置、设备、介质 | |
Jastrzebska et al. | Measuring wind turbine health using fuzzy-concept-based drifting models | |
CN111308016A (zh) | 一种齿轮箱故障诊断方法、***、设备及存储介质 | |
CN115842408A (zh) | 基于scada的风电场运行状态检测***及方法 | |
CN113761692B (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 | |
CN113268552B (zh) | 一种基于局部敏感哈希的发电机设备隐患预警方法 | |
Galloway et al. | Anomaly detection techniques for the condition monitoring of tidal turbines | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
CN114151147A (zh) | 汽轮机转速异常的故障预警方法、***、设备及介质 | |
Tingting et al. | Early warning method for power station auxiliary failure considering large-scale operating conditions | |
Shen | Classification of Wind Turbine Blade Performance State Through Statistical Methods | |
CN117152355B (zh) | 一种基于工厂数据的可视化监管*** |
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 |