CN116771610A - 一种调整风电机组变桨***故障评估值的方法 - Google Patents
一种调整风电机组变桨***故障评估值的方法 Download PDFInfo
- Publication number
- CN116771610A CN116771610A CN202310569073.1A CN202310569073A CN116771610A CN 116771610 A CN116771610 A CN 116771610A CN 202310569073 A CN202310569073 A CN 202310569073A CN 116771610 A CN116771610 A CN 116771610A
- Authority
- CN
- China
- Prior art keywords
- data
- wind turbine
- pitch system
- value
- adjusting
- 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 43
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000036541 health Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Combustion & Propulsion (AREA)
- Medical Informatics (AREA)
- Sustainable Energy (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Sustainable Development (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种调整风电机组变桨***故障评估值的方法，通过获取风电机组正常运行的SCADA数据；提取变桨***中三个叶片共有参数，得到变换后的二维特征；构建训练模型进行训练；得到健康阈值；获得取均值后的状态指标，将状态指标与健康阈值对比，当测试数据状态指标连续24个点均超出阈值时调整故障评估值，从而发出报警。本发明具有预测准确的优点。
Description
技术领域
本发明属于新能源发电设备状态监测与故障诊断领域， 尤其涉及一种调整风电机组变桨***故障评估值的方法。
背景技术
叶轮作为风力发电机最重要的***之一，承担着转化风能和保护机组免受强风破坏的功能，为了更好的利用风能和控制机组运行，现代大型风力发电机组均采用主动变桨方式对叶片进行控制，从而保证机组在实际风速高于额定风速时仍然具有很高的风能转换效率和避免叶轮超速。但是由于实际环境风况变化频繁，叶片长年工作在复杂多变的载荷下，因而故障频发，据相关统计，风力发电机组中与叶片变桨***相关的故障发生频率占到所有故障次数中的13%，仅次于电气故障和传感器故障。SCADA***被广泛应用于风力发电机状态检测与控制，其数据采集频率为每分钟或每10分钟一次，测点涵盖范围广但采样频率低，难以运用传统信号分析方法来诊断部件故障。得益于人工智能的发展，大量机器学习算法和神经网络模型被引入工业检测领域，对于风力发电机组涌现了许多故障检测算法，但这些检测算法主要关注的是齿轮箱、发电机等部件，利用SCADA数据进行变桨***故障识别的工作相对较少。变桨指通过改变风力发电机叶片的桨距角，实现最大发电量。
专利文献CN115079626公开了一种风力发电机组部件潜在运行风险的预警方法及***，该预警方法，利用风电机组的历史数据进行统计分析，基于风电机组的历史数据和现在值，找出对应部件在异常状态下的数据特征；基于在异常状态下的数据特征进行风机当前运行时数据的数据甄别，从而判定风机该部件在不同工况下部件运行状态是否正常，并对不正常的运行状态进行预警。该发明解决了现有技术存在的对于部件自身无问题但因部件运行逻辑和外界风况环境造成影响所导致的部件运行表现的异常并没有进行预警等问题。专利文献CN103410660B公开了一种基于支持向量机的滑模变桨距控制方法。学***稳调节，减轻了机组疲劳度和组件间的磨损。
为了挖掘SCADA数据信息，实现对故障率较高的变桨***进行监测预警，本发明提出了一种调整风电机组变桨***故障评估值的方法，用于帮助风场维修人员预知故障和定位故障，合理组织维修计划，避免事后维修造成的巨大停机损失，提高维护效率。
发明内容
为实现风力发电机组变桨***的故障识别，减少机组因变桨***故障而造成的非必要停机时间，给维修人员提供维修建议，本发明公开了一种调整风电机组变桨***故障评估值的方法，包括以下步骤：
步骤1：获取风电机组正常运行的的振动信号，振动信号为SCADA数据；
步骤2：提取变桨***中三个叶片共有参数，得到变换后的二维特征；
步骤3：构建基于单类支持向量机类的单分器模型，以高斯核函数作为模型的核函数，用步骤2获得的二维特征作为输入数据训练模型；
步骤4：用正常数据代入训练好的模型计算其正常状态下的状态指标值，然后用3σ法则计算阈值；
步骤5：用正常数据的状态指标计算健康阈值；
步骤6：获取所有超出阈值样本，计算样本的每种参数投影变换后二维数据与正常样本集对应二维数据中心连线相对坐标轴的余弦相似度；
步骤7：根据余弦相似度之和调整叶片的故障评估值。
进一步的，步骤1中正常运行数据不包括如下数据：所述的故障、停机、不工作数据。
进一步的，其特征在于步骤2中所述投影变换是指：对于变桨***中三个叶片共有参数，每种类型参数绘制在三个互成120度角且共原点的平面坐标轴上，再三个点所组成的三角形的重心投影到等刻度同原点平面直角坐标系上，得到变换后的二维特征。
进一步的，步骤3中构建的单分类器为单分类支持向量机，以高斯核函数作为模型的核函数，用所有投影变换后的特征值作为输入数据训练模型。
进一步的，步骤5所述的计算健康阈值用3σ法则确定，具体为：先用正常数据代入训练好的模型计算其正常状态下的状态指标值，然后计算阈值，计算公式为，其中/>，/>，yi表示正常数据状态指标，n表示数据长度。
进一步的，在步骤5之后还包括步骤5.1和步骤5.2：
步骤5.1：测试时，测试数据按步骤1、2处理数据，后代入训练好的单分类支持向量机模型并计算得到状态指标，状态指标利用指数加权移动平均法平滑，平滑后按每小时聚合取均值；
步骤5.2：平滑和取均值后的状态指标与健康阈值对比，当测试数据状态指标连续24个点均超出阈值时发出报警；
其中，步骤5.2中，以每个投影变换后的特征点与模型训练得到的决策边界的欧式距离作为状态指标。
进一步的，步骤5.1所述的测试数据诊断过程中，计算得到的状态指标用指数加权移动平均平滑，具体为对于原始状态指标yi，它的平滑值，其中λ为加权系数，i>1，/>，μ为正常数据的状态指标均值，从步骤4中获得。
进一步的，步骤5.2中进行预警时，当状态指标连续24个超出阈值时发出报警。
进一步的，步骤6所述故障定位过程中提取超限数据作为定位样本，计算每种类型参数二维特征与正常数据对应参数二维特征中心的连线向量相对于坐标轴的余弦相似度，并取其绝对值，前述坐标轴为步骤2中使用的互成120度的坐标轴。
进一步的，步骤7中，计算完所有参数相对三个坐标轴的余弦相似度后，求每条坐标轴下余弦相似度之和，根据余弦相似度之和调整叶片的故障评估值，余弦相似度最大的对应叶片的故障评估值调整到警示值以上。
本发明公开了一种利用SCADA数据发现变桨***故障的方法，其有益效果为：提出一种基于三叶片共有参数的特征重构方法，用其组成的三角形重心表示状态，消除了工况的影响，提高了数据信噪比。并基于这种参数重构方法提出了相应的状态指标计算和故障叶片定位方法，使模型诊断高效并且可解释。
附图说明
图1示出了本发明实施例中状态指标随时间的变化图。
图2示出了本发明实施例中机组驱动器温度投影后二维坐标散点图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。须知，下列实施例中未具体注明的工艺设备或装置均采用本领域内的常规设备或装置。此外应理解，本发明中提到的一个或多个方法步骤并不排斥在所述组合步骤前后还可以存在其他方法步骤或在这些明确提到的步骤之间还可以***其他方法步骤，除非另有说明；还应理解，本发明中提到的一个或多个设备/装置之间的组合连接关系并不排斥在所述组合设备/装置前后还可以存在其他设备/装置或在这些明确提到的两个设备/装置之间还可以***其他设备/装置，除非另有说明。而且，除非另有说明，各方法步骤的编号仅为鉴别各方法步骤的便利工具，而非为限制各方法步骤的排列次序或限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容的情况下，当亦视为本发明可实施的范畴。
本发明实施例机组为某2.5MW双馈型风电机组，2019年5月28日机组进行变桨***深度维护时，检查发现变桨3号柜变桨驱动器接线端子烧坏，更换变桨驱动器故障恢复。本发明的具体实施流程如下：
步骤1：查验该机组维修记录，发现2018年11月之前机组无变桨***故障记录，因此取2018年4月至2018年11月 的SCADA数据作为正常数据，然后删除数据中功率小于等于0、轮毂转速小于等于0的数据。
步骤2： 数据预处理。提取变桨***中三个叶片共有参数：叶片电机温度，叶片控制柜温度，驱动器温度，叶片散热器温度，每种类型参数绘制在三个互成120度角且共原点的平面坐标轴上，三个点所组成的三角形的重心投影到等刻度同原点平面直角坐标系上，得到变换后的二维特征。即对于参数，投影变换后的特征为：，/>。四种参数变换完成后得到8个新构建的特征，这8个特征拼接成1个向量/>即为投影变换后的特征。
步骤3：构训练模型。构建一个基于单类支持向量机类的单分器模型，以高斯核函数作为模型的核函数，支持向量误差限取0.01，用所有投影变换后的特征值作为输入数据训练模型，输入数据维数为12394´8。
步骤4：阈值计算。用正常数据代入训练好的模型计算其正常状态下的状态指标值，然后用3σ法则计算阈值，计算公式为，其中/>，，y i 表示状态指标，n表示数据长度，为12394。
步骤5：测试数据取2018年12月至2019年7月之间的数据，按步骤1、2处理数据，后代入训练好的模型并计算得到状态指标。
步骤5.1：状态指标平滑。测试数据的状态指标用指数加权移动平均平滑，对于原始测试数据状态指标y i ，它的平滑值为，其中λ为加权系数取0.2，i={1, 2, …, 12394}，/>。平滑后再按每小时取一个平均值，图1显示了平滑后状态指标随时间的变化情况。
步骤5.2：故障报警。步骤5.1处理后的状态指标与健康阈值12.969对比，当状态指标连续24个超出阈值时发出报警。图1显示在2019年1月10日时本发明算法就已经发出报警，而人工发现故障的时间为2019年5月29日，算法至少提前139天发现变桨***故障。
步骤6：故障定位。2019年1月10日发出报警后，取2019年1月10日至2019年5月29日之间的数据，获取样本中每种类型参数二维特征与正常数据对应参数二维特征中心的连线形成的向量，计算该向量相对于坐标轴的余弦相似度，并取其绝对值。具体计算公式为：，其中k表示参数类型；j表示坐标轴的序号，j={1, 2, 3}；为正常数据集中第k种参数特征的中心；/>为异常点第k种参数的二维特征坐标点；表示第j个坐标轴的单位向量，即/>，/>，/>。
步骤7：求每条坐标轴下余弦相似度之和，余弦相似度最大的对应叶片的故障评估值调整到警示值以上，即，其中/>表示第j个叶片的故障指数，K为总参数类型，为4；m为超限点个数；/>最大对应的j为故障叶片。经过计算/>,, />,/>的值最大，因此判断3号叶片发生了故障，与维修记录一致。从图2中可以看到，异常数据中变桨驱动器温度位于正常数据的右下角，大概与直角坐标系横轴呈30度关系，与特征投影分配的角度一致（在特征投影时，将1号叶片参数坐标与直角坐标系中的纵轴重合）。
以上所述，仅为本申请的具体实施方式，在本申请的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本申请的目的，本申请的保护范围应以权利要求的保护范围为准。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
Claims (10)
1.一种调整风电机组变桨***故障评估值的方法，其特征在于包括以下步骤：
步骤1：获取风电机组正常运行的的振动信号，振动信号为SCADA数据；
步骤2：提取变桨***中三个叶片共有参数，得到变换后的二维特征；
步骤3：构建基于单类支持向量机类的单分器模型，以高斯核函数作为模型的核函数，用步骤2获得的二维特征作为输入数据训练模型；
步骤4：用正常数据代入训练好的模型计算其正常状态下的状态指标值，然后用3σ法则计算阈值；
步骤5：用正常数据的状态指标计算健康阈值；
步骤6：获取所有超出阈值样本，计算样本的每种参数投影变换后二维数据与正常样本集对应二维数据中心连线相对坐标轴的余弦相似度；
步骤7：根据余弦相似度之和调整叶片的故障评估值。
2.根据权利要求1中所述的调整风电机组变桨***故障评估值的方法，其特征在于：步骤1中正常运行数据不包括如下数据：所述的故障、停机、不工作数据。
3.根据权利要求1中所述的调整风电机组变桨***故障评估值的方法，其特征在于步骤2中所述投影变换是指：对于变桨***中三个叶片共有参数，每种类型参数绘制在三个互成120度角且共原点的平面坐标轴上，再三个点所组成的三角形的重心投影到等刻度同原点平面直角坐标系上，得到变换后的二维特征。
4.根据权利要求1中所述的调整风电机组变桨***故障评估值的方法，其特征在于：步骤3中构建的单分类器为单分类支持向量机，以高斯核函数作为模型的核函数，用所有投影变换后的特征值作为输入数据训练模型。
5.根据权利要求1中所述的调整风电机组变桨***故障评估值的方法，其特征在于：步骤5所述的计算健康阈值用3σ法则确定，具体为：先用正常数据代入训练好的模型计算其正常状态下的状态指标值，然后计算阈值，计算公式为，其中/>，，yi表示正常数据状态指标，n表示数据长度。
6.根据权利要求1中所述的调整风电机组变桨***故障评估值的方法，其特征在于：在步骤5之后还包括步骤5.1和步骤5.2：
步骤5.1：测试时，测试数据按步骤1、2处理数据，后代入训练好的单分类支持向量机模型并计算得到状态指标，状态指标利用指数加权移动平均法平滑，平滑后按每小时聚合取均值；
步骤5.2：平滑和取均值后的状态指标与健康阈值对比，当测试数据状态指标连续24个点均超出阈值时发出报警；
其中，步骤5.2中，以每个投影变换后的特征点与模型训练得到的决策边界的欧式距离作为状态指标。
7.根据权利要求6中所述的调整风电机组变桨***故障评估值的方法，其特征在于步骤5.1所述的测试数据诊断过程中，计算得到的状态指标用指数加权移动平均平滑，具体为对于原始状态指标yi，它的平滑值，其中λ为加权系数，i > 1，，μ为正常数据的状态指标均值，从步骤4中获得。
8.根据权利要求6中所述的调整风电机组变桨***故障评估值的方法，其特征在于：步骤5.2中进行预警时，当状态指标连续24个超出阈值时发出报警。
9.根据权利要求1中所述的调整风电机组变桨***故障评估值的方法，其特征在于：步骤6所述故障定位过程中提取超限数据作为定位样本，计算每种类型参数二维特征与正常数据对应参数二维特征中心的连线向量相对于坐标轴的余弦相似度，并取其绝对值，前述坐标轴为步骤2中使用的互成120度的坐标轴。
10.根据权利要求1中所述的调整风电机组变桨***故障评估值的方法，其特征在于步骤7中，计算完所有参数相对三个坐标轴的余弦相似度后，求每条坐标轴下余弦相似度之和，根据余弦相似度之和调整叶片的故障评估值，余弦相似度最大的对应叶片的故障评估值调整到警示值以上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310569073.1A CN116771610A (zh) | 2023-05-19 | 2023-05-19 | 一种调整风电机组变桨***故障评估值的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310569073.1A CN116771610A (zh) | 2023-05-19 | 2023-05-19 | 一种调整风电机组变桨***故障评估值的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116771610A true CN116771610A (zh) | 2023-09-19 |
Family
ID=87995395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310569073.1A Pending CN116771610A (zh) | 2023-05-19 | 2023-05-19 | 一种调整风电机组变桨***故障评估值的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116771610A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390519A (zh) * | 2023-12-06 | 2024-01-12 | 中汽研汽车检验中心（天津）有限公司 | 一种轮毂电机故障情况预测方法 |
| CN117668739A (zh) * | 2024-02-01 | 2024-03-08 | 中国水利水电科学研究院 | 基于特征样本的水电机组故障诊断方法和*** |
-
2023
- 2023-05-19 CN CN202310569073.1A patent/CN116771610A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390519A (zh) * | 2023-12-06 | 2024-01-12 | 中汽研汽车检验中心（天津）有限公司 | 一种轮毂电机故障情况预测方法 |
| CN117390519B (zh) * | 2023-12-06 | 2024-04-09 | 中汽研汽车检验中心（天津）有限公司 | 一种轮毂电机故障情况预测方法 |
| CN117668739A (zh) * | 2024-02-01 | 2024-03-08 | 中国水利水电科学研究院 | 基于特征样本的水电机组故障诊断方法和*** |
| CN117668739B (zh) * | 2024-02-01 | 2024-04-26 | 中国水利水电科学研究院 | 基于特征样本的水电机组故障诊断方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| Huang et al. | Fault diagnosis of bearing in wind turbine gearbox under actual operating conditions driven by limited data with noise labels | |
| Zhang et al. | Wind turbine fault detection based on SCADA data analysis using ANN | |
| 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 | |
| CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
| CN116771610A (zh) | 一种调整风电机组变桨***故障评估值的方法 | |
| CN107728059B (zh) | 一种变桨***状态评估方法 | |
| CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| CN111878320B (zh) | 风力发电机组的监控方法、***及计算机可读存储介质 | |
| Du et al. | A SCADA data based anomaly detection method for wind turbines | |
| Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
| CN114165392A (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
| CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
| KR102226971B1 (ko) | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
| CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
| CN113468728B (zh) | 一种基于神经网络的变桨***故障预测方法 | |
| CN111623905B (zh) | 风电机组轴承温度预警方法及装置 | |
| CN112855458B (zh) | 一种风力发电机组的风速仪故障诊断方法、***及介质 | |
| CN112696481A (zh) | 风电机组齿轮箱轴温异常智能诊断方法及装置 | |
| CN117332353A (zh) | 一种汽轮发电机转子异常振动故障诊断方法 | |
| CN110705581A (zh) | 一种基于改进的隐马尔可夫模型的变桨轴承故障识别方法 | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| Bao et al. | Iterative modeling of wind turbine power curve based on least‐square B‐spline approximation |
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 |