CN114237206A - 一种面向复杂运行工况的风电变桨***故障检测方法 - Google Patents
一种面向复杂运行工况的风电变桨***故障检测方法 Download PDFInfo
- Publication number
- CN114237206A CN114237206A CN202111554303.4A CN202111554303A CN114237206A CN 114237206 A CN114237206 A CN 114237206A CN 202111554303 A CN202111554303 A CN 202111554303A CN 114237206 A CN114237206 A CN 114237206A
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- stage
- distance
- fault detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004140 cleaning Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000000429 assembly Methods 0.000 abstract description 2
- 230000000712 assembly Effects 0.000 abstract description 2
- 230000025518 detection of mechanical stimulus involved in sensory perception of wind Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Wind Motors (AREA)
Abstract
本发明属于风力发电组件故障检测技术领域，尤其涉及一种面向复杂运行工况的风电变桨***故障检测方法。其有效的避免了复杂运行工况的相互交叉，更好的描绘了具体工况的运行状态，可以有效的降低故障检测过程的误报率和漏报率。包括以下步骤：步骤1、风电机组SCADA数据清洗；步骤2、风电机组变桨***关联特征选择；步骤3、利用正常行为样本进行离线建模；步骤4、通过离线偏差分布确定预警阈值；步骤5、通过相似状态差异性度量进行在线评估；步骤6、根据在线评估结果与阈值的关系实现异常辨识。
Description
技术领域
本发明属于风力发电组件故障检测技术领域，尤其涉及一种面向复杂运行 工况的风电变桨***故障检测方法。
背景技术
发展低碳经济、开发和利用清洁可再生能源已成为人类可持续发展和能源 战略的重点。风力发电作为技术成熟、开发规模大、商业化发展好的新能源发 电方式，已成为全球增长最快的绿色能源。风电机组关键组件频繁故障造成巨 额经济损失，故障诊断技术通过分析风电机组各组件的实时运行参数，掌握机 组运行状态的变化，及时发现故障隐患，避免重大事故发生，是降低风电机组 运维成本、提高经济效益的有效途径。
变桨***属于故障高风险组件，由其造成的频繁停机将带来较大经济损失， 同时变桨***故障将直接导致机组承受的载荷不可控，甚至引起严重破坏性事 故。现有风电机组变桨***故障检测研究通过不同方法实现运行状态的实时监 测，其中针对风电装备复杂运行工况的研究主要集中于对运行工况进行划分， 建立分散式异常检测模型。其中，基于聚类的方法对分散式建模更加合理，然 而与基于条件判断的方法类似，分散式检测模型评价过程中各子模型贡献的取 舍会对检测结果造成较大影响，不仅延误故障检测实时性，也是制约误报率、 漏报率进一步降低的关键因素。此外，基于工况划分的局部建模复杂程度取决 于样本规模与工况个数，而工况数的确定缺乏理论依据。因此设计针对复杂工 况的风电机组变桨***的故障检测方案有实际应用价值。
发明内容
本发明就是针对现有技术存在的缺陷，提供一种面向复杂运行工况的风电 变桨***故障检测方法。
为实现上述目的，本发明采用如下技术方案，包括以下步骤：
步骤1、风电机组SCADA数据清洗；
步骤2、风电机组变桨***关联特征选择；
步骤3、利用正常行为样本进行离线建模；
步骤4、通过离线偏差分布确定预警阈值；
步骤5、通过相似状态差异性度量进行在线评估；
步骤6、根据在线评估结果与阈值的关系实现异常辨识。
进一步地，所述步骤1中，分为第一阶段及第二阶段；
第一阶段清洗步骤为：
步骤1.1：计算离线样本xi的最近邻距离
其中，yi为xi的最近邻样本，n为特征维数，i＝1，2，…，N，N为离线样本 总量，对Di进行升序排列，并以第α1％×N个样本的近邻距离
作为相似样本 剔除的阈值；
步骤1.2：令i＝1，对第i个样本计算其最近邻距离Di；
步骤1.3：若
则删除该样本，并且N＝N-1，否则保留该样本；
步骤1.4：i＝i+1，在剩余N个样本中计算其最近邻距离Di+1，若
删除该样本N＝N-1，否则保留该样本；
步骤1.5：重复步骤1.4，直到遍历所有剩余样本；
在第一阶段的清洗过程，定义所有样本最近邻距离的均值为平均拥挤度， 并作为该阶段的清洗评价指标：
当平均拥挤度越大，则样本分布就更加均匀，其中高相似的样本就越少。
进一步地，第二阶段清洗步骤为：
计算所有样本xi的k近邻距离
其中，yi，j为样本xi的第j个近邻样本，n为特征维数，i＝1，2，…，N，N 为当前样本总量，对所有样本的
进行降序排列，并以第α2％×N个样本的近邻 距离
作为相似样本剔除的阈值；对于所有样本的k近邻距离Di k，若
则剔除该样本，否则保留该样本；
在第二阶段的清洗过程，定义所有样本k近邻距离的均值为平均离散度， 并作为该阶段的清洗评价指标
进一步地，步骤3中，离线模型建立阶段为：
步骤3.1：对训练集合中的所有样本，寻找k近邻样本；
步骤3.2：对每个样本计算其kNN距离，对于样本i的kNN距离Di 2定义为 样本i到其k近邻距离的总和：
其中，
为样本i到其第j个近邻的欧式距离；
步骤3.3：确定异常状态判别阈值。
进一步地，在步骤4中，若假设训练样本之间的k近邻距离dij服从均值非 零的正态分布，且dij平方和随机选取，即可得到非中心χ2分布；由于kNN距离 的计算不是一个随机过程，所以的分布只能近似为非中心χ2分布，使用PLS工 具箱中的Matlab中的chilimit函数估计置信度α的阈值Da 2。
进一步地，在步骤5中，在线状态检测阶段具体步骤为：
步骤5.1：对在线输入样本x，从训练数据集中寻找其k个近邻样本。
步骤5.2：计算x的kNN距离
与现有技术相比本发明有益效果。
一、基于近邻距离的两阶段清洗方案，在第一阶段，采用单样本循环式的 最近邻距离评估剔除相似度较高的样本；第二阶段采用基于k近邻整体样本评 估的方法去除异常数据以及噪声数据，实现对风电机组运行状态数据的清洗。
二、基于相似状态差异度的变桨***故障检测方法，每步分析仅取决于若 干个相似状态之间的距离关系，有效的避免了复杂运行工况的相互交叉，更好 的描绘了具体工况的运行状态，可以有效的降低故障检测过程的误报率和漏报 率。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不 仅局限于以下内容的表述。
图1是风电机组变桨***数据清洗整体方案图。
图2是基于近似状态相似性的变桨***故障检测流程图。
图3是SCADA数据风速-功率关系图。
图4(a)是不同α1下平均拥挤度对比图。
图4(b)是不同α2下离散度对比图。
图5是风电机组SCADA数据清洗过程。
具体实施方式
如图1-5所示，本发明一种面向复杂运行工况的风电变桨***故障检测方 法，所述方法包括如下步骤：
(1)风电机组SCADA数据清洗。
(2)风电机组变桨***关联特征选择。
(3)利用正常行为样本进行离线建模。
(4)通过离线偏差分布确定预警阈值。
(5)通过相似状态差异性度量进行在线评估。
(6)根据在线评估结果与阈值的关系实现异常辨识。
在步骤(1)中，具体的清洗步骤为：
第一阶段：相似样本清洗。
在故障诊断过程中，高度重叠的数据会直接影响对状态的判别，为降低重 复数据或高相似数据在后续故障检测建模过程的影响，提出基于最近邻距离的 单样本循环相似样本清洗方法，具体步骤如下：
步骤1：计算离线样本xi的最近邻距离
其中，yi为xi的最近邻样本，n为特征维数，i＝1，2，…，N，N为离线样本 总量，对Di进行升序排列，并以第α1％×N个样本的近邻距离
作为相似样本 剔除的阈值。
步骤2：令i＝1，对第i个样本计算其最近邻距离Di。
步骤3：若
则删除该样本，并且N＝N-1，否则保留该样本。
步骤4：i＝i+1，在剩余N个样本中计算其最近邻距离Di+1，若
删 除该样本N＝＝＝N-1，否则保留该样本。
步骤5：重复步骤4，直到遍历所有剩余样本。
该方法通过对阈值α1的设定能够调整剔除相似样本的比例，而单样本循环 的形式可以避免同时剔除掉局部相似状态所有样本，造成样本缺失的情况。由 于采取单样本循环策略，随着样本量的减少，后续样本的最近邻距离会产生变 化，因此，实际剔除的数据比例将小于α1。
在第一阶段的清洗过程，定义所有样本最近邻距离的均值为平均拥挤度， 并作为该阶段的清洗评价指标：
显然当平均拥挤度越大，则样本分布就更加均匀，其中高相似的样本就越 少。
第二阶段：孤立样本清洗。
当正常运行数据足够覆盖所有运行工况时，风速-功率曲线图中的孤立点有 可能是噪声点或者异常点，因此有必要将孤立点剔除，使风速-功率曲线图更近 似理想状态。本节采用整体样本k近邻距离度量的手段剔除原始数据中的相对 孤立点，具体步骤如下：
计算所有样本xi的k近邻距离
其中，yi，j为样本xi的第j个近邻样本，n为特征维数，i＝1，2，…，N，N 为当前样本总量，对所有样本的
进行降序排列，并以第α2％×N个样本的近邻 距离
作为相似样本剔除的阈值。对于所有样本的k近邻距离Di k，若
则剔除该样本，否则保留该样本。
在第二阶段的清洗过程，定义所有样本k近邻距离的均值为平均离散度， 并作为该阶段的清洗评价指标
两阶段数据清洗的流 程图如图1所示。
在步骤(2)中采用ReliefF算法进行风电机组状态参数选择时，首先，人 为剔除无关状态参数，确定大致的相关状态参数范围，参数总数为p；带标签的 历史运行数据作为ReliefF算法的训练数据；每个历史样本的状态类型(正常 运行或故障类型)作为ReliefF算法的分类标签。通过设置适当的迭代次数与 最近邻样本数即可获取对风电机组运行状态区分能力的状态参数排序以及对应 特征权重。
在步骤(3)中，离线模型建立阶段具体步骤为：
步骤1：对训练集合中的所有样本，寻找其k近邻样本。
步骤2：对每个样本计算其kNN距离，对于样本i的kNN距离
定义为样 本i到其k近邻距离的总和：
其中，
为样本i到其第j个近邻的欧式距离。
步骤3：确定异常状态判别阈值。
在步骤(4)中，若假设训练样本之间的k近邻距离dij服从均值非零的正态 分布，且dij平方和随机选取，即可得到非中心χ2分布。由于kNN距离的计算不 是一个随机过程，所以的分布只能近似为非中心χ2分布，因此，使用PLS工具 箱中的Matlab中的chilimit函数可估计置信度α的阈值Dα 2。
在步骤(5)中，在线状态检测阶段具体步骤为：
步骤1：对在线输入样本x，从训练数据集中寻找其k个近邻样本。
步骤2：计算x的kNN距离
在步骤(6)中，比较
与阈值Dα 2的大小关系。若
则为正常运行 状态，否则为故障状态。图2为基于相似状态差异性故障检测的流程图。
具体实施例：
以风电机组变桨***常见的变桨电机过温故障、变桨角度异常故障以及变 桨角度不对称故障为例说明本发明的实现过程。故障描述如表1所示。SCADA 实验数据采集自大连驼山风电场，型号为金风GW77-1.5MW的直驱型风电机组， 以5分钟为间隔，采集2014年2月至3月间25000组运行数据。根据部分SCADA 数据绘制其风速-功率散点关系图，如图3所示。
表1变桨***故障描述
在SCADA***中选择与变桨***相关的15个监测变量用于故障检测，如 表2所示。其中风速、功率与发电机转速是衡量风电机组运行状态的关键变量， 变桨电机的电流与温度是用于监测变桨电机过温故障的关键状态变量，而编码 器位置与冗余编码器位置是用于监测变桨角度异常故障以及变桨角度不对称的 关键状态变量。
表2变桨***相关SCADA监测变量
选择大连驼山风场中7号机组，以5分钟为间隔，采集2014年2月至3月 间25000组运行数据，通过剔除小于切入风速点与低功率点之后还剩余20380 组样本点。之后对剩余样本采用本章提出的两阶段数据清洗方法，设置α1从 0.1～0.5以0.1为间隔进行设置，每种参数下评估整体样本的平均拥挤距离，如 图4(a)所示，由图中对比结果可见随着α1值的增大，平均拥挤度逐渐变大， 验证了所提出的方法的有效性，将α1取0.5以保证样本数量。对α1取0.5的结 果进行第二阶段清洗，以近邻数为5，设置α2从0.1～0.5以0.1为间隔进行设置， 每种参数下评估整体样本的平均离散度，如图4(b)所示。
当α1与α2均取0.5时整个清洗过程如图5所示，其中图5中(a)为原始数 据集，第一阶段剔除相似样本，结果如图5中(b)所示；第二阶段剔除孤立数 据，结果如图5中(c)所示；图5中(d)为各阶段的数据量变化。
通过本发明对三种变桨***故障进行检测，考虑在SCADA***发出报警前 风电机组的状态参数有可能已经发生异常，因此，本实验中仅统计前300组样 本的误报率以及后200组样本的漏报率。对于表1所示的三种变桨***故障， 表5、表6分别为本发明故障检测方法与PCA故障检测和KPCA故障检测方法 的漏报率和误报率的对比。
表5变桨***故障漏报率对比
表6变桨***故障误报率对比
通过表5、表6可以看出，当检测到故障特征时，由于PCA故障检测方法 对对非线性的处理能力较差，因此，对3种故障的检测结果均不理想，漏报率、 误报率较高。而基于近似状态相似性的方法相比于两种基于主元分析能够得到 更低的漏报率和误报率，这是由于k近邻的故障检测机制能够更好的处理风电 机组多工况运行模式的数据特点，采取“分而治之”的手段，仅依赖若干相似样本 对在线样本进行监测。
风电机组变桨***运行状态复杂，不同运行工况间区别模糊，传统正常行 为模型难以避免复杂运行突变的影响。本发明利用近似状态差异度对在线样本 进行评估，在离线阶段通过对历史样本的近邻距离的分布确定正常状态的容许 阈值，在线阶段，每个状态的近邻差异度通过其k个相似状态的距离进行评估。 无论是离线阶段，还是在线阶段都避免了大规模数据的同时参与，每步分析仅 取决于若干个相似状态之间的距离关系，有效的避免了复杂运行工况的相互交 叉，更好的描绘了具体工况的运行状态，可以有效的降低故障检测过程的误报 率和漏报率。
风电机组变桨***运行工况频繁切换，实时运行状态难以准确评估。为此， 本发明提出一种基于相似状态差异度的风电变桨***故障检测方法。
首先，提出了基于近邻距离度量的两阶段风电机组数据清洗方法：在第一 阶段，采用单样本循环式的最近邻距离评估剔除相似度较高的样本。第二阶段 采用基于k近邻距离度量的整体样本评估方法，以剔除异常数据以及噪声数据。
之后，利用相似运行状态建立故障检测模型，以应对变桨距风电机组复杂 运行工况下的故障检测问题。在线样本的异常程度仅取决于其近邻样本，以处 理复杂工况对集中式建模的精度影响。
本发明可以更准确的描绘风电变桨***的不同的运行工况，有效降低故障 检测的误报率与漏报率。
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受 限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然 可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需 要，都在本发明的保护范围之内。
Claims (6)
1.一种面向复杂运行工况的风电变桨***故障检测方法，其特征在于：包括以下步骤：
步骤1、风电机组SCADA数据清洗；
步骤2、风电机组变桨***关联特征选择；
步骤3、利用正常行为样本进行离线建模；
步骤4、通过离线偏差分布确定预警阈值；
步骤5、通过相似状态差异性度量进行在线评估；
步骤6、根据在线评估结果与阈值的关系实现异常辨识。
2.根据权利要求1所述的一种面向复杂运行工况的风电变桨***故障检测方法，其特征在于：所述步骤1中，分为第一阶段及第二阶段；
第一阶段清洗步骤为：
步骤1.1：计算离线样本xi的最近邻距离Di：
其中，yi为xi的最近邻样本，n为特征维数，i＝1,2,…,N，N为离线样本总量，对Di进行升序排列，并以第α1％×N个样本的近邻距离
作为相似样本剔除的阈值；
步骤1.2：令i＝1，对第i个样本计算其最近邻距离Di；
步骤1.3：若
则删除该样本，并且N＝N-1，否则保留该样本；
步骤1.4：i＝i+1，在剩余N个样本中计算其最近邻距离Di+1，若
删除该样本N＝N-1，否则保留该样本；
步骤1.5：重复步骤1.4，直到遍历所有剩余样本；
在第一阶段的清洗过程，定义所有样本最近邻距离的均值为平均拥挤度，并作为该阶段的清洗评价指标：
当平均拥挤度越大，则样本分布就更加均匀，其中高相似的样本就越少。
3.根据权利要求1所述的一种面向复杂运行工况的风电变桨***故障检测方法，其特征在于：第二阶段清洗步骤为：
计算所有样本xi的k近邻距离Di k：
其中，yi,j为样本xi的第j个近邻样本，n为特征维数，i＝1,2,…,N，N为当前样本总量，对所有样本的
进行降序排列，并以第α2％×N个样本的近邻距离
作为相似样本剔除的阈值；对于所有样本的k近邻距离Di k，若
则剔除该样本，否则保留该样本；
在第二阶段的清洗过程，定义所有样本k近邻距离的均值为平均离散度，并作为该阶段的清洗评价指标
4.根据权利要求1所述的一种面向复杂运行工况的风电变桨***故障检测方法，其特征在于：步骤3中，离线模型建立阶段为：
步骤3.1：对训练集合中的所有样本，寻找k近邻样本；
步骤3.2：对每个样本计算其kNN距离，对于样本i的kNN距离Di 2定义为样本i到其k近邻距离的总和：
其中，
为样本i到其第j个近邻的欧式距离；
步骤3.3：确定异常状态判别阈值。
5.根据权利要求1所述的一种面向复杂运行工况的风电变桨***故障检测方法，其特征在于：在步骤4中，若假设训练样本之间的k近邻距离dij服从均值非零的正态分布，且dij平方和随机选取，即可得到非中心χ2分布；由于kNN距离的计算不是一个随机过程，所以的分布只能近似为非中心χ2分布，使用PLS工具箱中的Matlab中的chilimit函数估计置信度α的阈值Dα 2。
6.根据权利要求1所述的一种面向复杂运行工况的风电变桨***故障检测方法，其特征在于：在步骤5中，在线状态检测阶段具体步骤为：
步骤5.1：对在线输入样本x，从训练数据集中寻找其k个近邻样本。
步骤5.2：计算x的kNN距离Dx 2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111554303.4A CN114237206A (zh) | 2021-12-17 | 2021-12-17 | 一种面向复杂运行工况的风电变桨***故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111554303.4A CN114237206A (zh) | 2021-12-17 | 2021-12-17 | 一种面向复杂运行工况的风电变桨***故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114237206A true CN114237206A (zh) | 2022-03-25 |
Family
ID=80758351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111554303.4A Pending CN114237206A (zh) | 2021-12-17 | 2021-12-17 | 一种面向复杂运行工况的风电变桨***故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114237206A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089890A (zh) * | 2022-12-28 | 2023-05-09 | 大唐可再生能源试验研究院有限公司 | 一种智慧风电场的故障预警检测方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135995A (zh) * | 2011-03-17 | 2011-07-27 | 新太科技股份有限公司 | 一种etl数据清洗设计方法 |
| CN103488561A (zh) * | 2013-07-09 | 2014-01-01 | 沈阳化工大学 | 一种在线升级主样本模型的kNN故障检测方法 |
| CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
| 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 |
| CN109459409A (zh) * | 2017-09-06 | 2019-03-12 | 盐城工学院 | 一种基于knn的近红外异常光谱识别方法 |
-
2021
- 2021-12-17 CN CN202111554303.4A patent/CN114237206A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135995A (zh) * | 2011-03-17 | 2011-07-27 | 新太科技股份有限公司 | 一种etl数据清洗设计方法 |
| CN103488561A (zh) * | 2013-07-09 | 2014-01-01 | 沈阳化工大学 | 一种在线升级主样本模型的kNN故障检测方法 |
| CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
| 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 |
| CN109459409A (zh) * | 2017-09-06 | 2019-03-12 | 盐城工学院 | 一种基于knn的近红外异常光谱识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 申传华;: "数据挖掘过程中的数据清洗研究", 通讯世界, no. 24, pages 81 * |
| 钱小毅: "基于k近邻与规则挖掘的风电机组故障诊断研究", 中国博士学位论文全文数据库（电子期刊）工程科技Ⅱ辑, no. 07, 15 July 2021 (2021-07-15), pages 042 - 3 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089890A (zh) * | 2022-12-28 | 2023-05-09 | 大唐可再生能源试验研究院有限公司 | 一种智慧风电场的故障预警检测方法及*** |
| CN116089890B (zh) * | 2022-12-28 | 2024-03-12 | 大唐可再生能源试验研究院有限公司 | 一种智慧风电场的故障预警检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023197461A1 (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及*** | |
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN105631596B (zh) | 一种基于多维分段拟合的设备故障诊断方法 | |
| CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
| Wang et al. | A fast abnormal data cleaning algorithm for performance evaluation of wind turbine | |
| CN111260503B (zh) | 一种基于聚类中心优化的风电机组功率曲线离群点检测方法 | |
| CN110097209A (zh) | 一种基于参数残差的设备劣化分析方法 | |
| CN110533314A (zh) | 一种基于概率密度分布的风电场异常机组识别方法 | |
| CN114237206A (zh) | 一种面向复杂运行工况的风电变桨***故障检测方法 | |
| CN111814848B (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
| CN114386718A (zh) | 一种结合粒子群神经网络的风电场输出功率短时预测算法 | |
| Yao et al. | Power curve modeling for wind turbine using hybrid-driven outlier detection method | |
| Oprime et al. | X-bar control chart design with asymmetric control limits and triple sampling | |
| CN111273635B (zh) | 一种工控设备未知异常检测方法 | |
| CN111414970A (zh) | 一种风电齿轮箱异常数据分类方法 | |
| CN115271423A (zh) | 基于混合相似度的风力发电机组运行状态评估方法 | |
| CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
| CN113986892A (zh) | 一种火电机组煤耗预测、数据清洗方法及*** | |
| Zhou et al. | Abnormal data processing of wind turbine based on combined algorithm and class center imputation | |
| CN113505818A (zh) | 改进决策树算法的熔铝炉能耗异常诊断方法和***及设备 | |
| CN114033631B (zh) | 一种风电机组风能利用系数在线辨识方法 | |
| Ding et al. | Wind power prediction based on multiple support vector machines | |
| Wang et al. | Wind turbine abnormal data cleaning method considering multi-scene parameter adaptation | |
| CN114021992B (zh) | 一种面向大型风电机组实时出力性能的评估方法 | |
| CN110807555A (zh) | 一种基于视觉引导算法预测旋转机组中转子脱落的方法 |
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 |