CN117744859A - 基于自适应双控制策略的风电机组发电机故障预警方法 - Google Patents
基于自适应双控制策略的风电机组发电机故障预警方法 Download PDFInfo
- Publication number
- CN117744859A CN117744859A CN202311662364.1A CN202311662364A CN117744859A CN 117744859 A CN117744859 A CN 117744859A CN 202311662364 A CN202311662364 A CN 202311662364A CN 117744859 A CN117744859 A CN 117744859A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- training
- wind turbine
- control strategy
- 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 57
- 238000011217 control strategy Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000009977 dual effect Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及故障预警技术领域,尤其是涉及基于自适应双控制策略的风电机组发电机故障预警方法,该方法包括以下步骤:S1、利用数据采集与监视控制***获取风电机组的历史运行数据,并对该历史运行数据进行预处理;S2、将数据集导入训练模型,再设定该训练模型的输入与输出,进行模型训练,训练完毕后保存为类别梯度提升基准模型;S3、利用随机搜索寻找类别梯度提升基准模型的最优超参数变量;S4、计算预测值与实际值之间的残差,再构建自适应双控制策略,动态判断残差的变化趋势;S5、通过自适应双控制策略判断故障点。本发明可用于海上风电机组群和陆地风电机组群实时的预警报警,具有鲁棒性、普适性、准确高效地进行故障预警。
Description
技术领域
本发明涉及故障预警技术领域,尤其是涉及基于自适应双控制策略的风电机组发电机故障预警方法。
背景技术
风能是当前最具大规模开发和商业化发展前景的可再生能源之一,也是发展速度最快的可再生能源。然而,风电机组的工作环境非常恶劣,通常位于偏远郊区和恶劣的沿海区域,且在交变载荷下全天候运行,导致故障频发,造成巨额的维护成本和经济损失。
风电机组中最重要的部件就是发电机,因此针对风电发电机的智能运维,利用数据采集与监视控制***(Supervisory Control And Data Acquisition, SCADA)数据进行处理分析,大多算法预警是通过统计学指标或者设置硬阈值指标来进行相关部件预警的,硬阈值的设定需要经验设定,误报率多。因此,通过大数据算法对SCADA进行分析,提取数据特征,增加算法的准确率。
传统的随机森林、GBDT、XGBoost算法需要调节大量的参数、训练时间成本高。所需要的算法是要批量处理的是一台风电机组连续的数据,数据量大、维度高,传统的算法的普适性不高。因此,适应性强、稳定性高、数据处理快的预警算法是当下风电场健康监测中必不可少的组成部分。
发明内容
基于此,有必要针对上述技术问题,提供基于自适应双控制策略的风电机组发电机故障预警方法。
本发明提供了基于自适应双控制策略的风电机组发电机故障预警方法,该方法包括以下步骤:
S1、利用数据采集与监视控制***获取风电机组的历史运行数据,并对该历史运行数据进行预处理,最终组合形成新的数据集;
S2、将数据集导入训练模型,再设定该训练模型的输入与输出,进行模型训练,训练完毕后保存为类别梯度提升基准模型;
S3、利用随机搜索寻找类别梯度提升基准模型的最优超参数变量;
S4、计算预测值与实际值之间的残差,再构建自适应双控制策略,动态判断残差的变化趋势,防止预警误报和提前报警;
S5、在执行新数据预测的过程中,预先加载类别梯度提升基准模型及预测的数据,通过自适应双控制策略判断故障点,输出预警信息。
进一步的,对该历史运行数据进行预处理,最终组合形成新的数据集包括以下步骤:
S11、对历史运行数据中的特殊点数据进行剔除;
S12、利用皮尔逊相关系数算法对历史运行数据的数据特征进行提取,选取相关值大于0.5的数据列,并对数据列进行定性删除参数;
S13、将最终保留的数据列组合形成新的数据集。
进一步的,特殊点数据包括负值、零值、无穷大值、空值及乱码,定性删除参数包括风电机组中桨叶2与桨叶3的数据。
进一步的,设定该训练模型的输入与输出,进行模型训练,训练完毕后保存为类别梯度提升基准模型包括以下步骤:
S21、将数据集的数据格式转换为数据集格式,再利用极大极小归一化算法对数据集中的数据进行数据标准化处理;
S22、将数据集以7:2:1的比例划分为训练集、测试集与验证集;
S23、将训练集设定为训练模型的输入端,将发电机驱动端轴承的预测温度设定为训练模型的输出端,再选择默认的基本超参数,进行模型训练,最终训练完毕后保存为类别梯度提升基准模型。
进一步的,利用随机搜索寻找类别梯度提升基准模型的最优超参数变量包括以下步骤:
S31、挑选类别梯度提升基准模型的关键参数进行设定与调整,其余参数选择默认值,并在参数调整之前检查拟合或欠拟合;
S32、采用网格搜索方法进行自动搜索最优参数,对变量进行排列组合,并遍历每一种组合,通过交叉验证的方式,在训练集与验证集上对多种超参数选择进行验证,选取平均误差最小的超参数;
S33、超参数选取完毕后,合并训练集与验证集,再对类别梯度提升基准模型进行再次训练,得到最终的类别梯度提升基准模型;
S34、利用测试集对类别梯度提升基准模型进行测试。
进一步的,关键参数包括迭代次数、最佳模型应该具有的树的最小数目及树深。
进一步的,计算预测值与实际值之间的残差,再构建自适应双控制策略,动态判断残差的变化趋势,防止预警误报和提前报警包括以下步骤:
S41、将验证集导入类别梯度提升基准模型,得到发电机驱动端轴承温度的预测值,通过反归一化方法将预测值转换为与温度一致的维度,再与发电机驱动端轴承温度的实际值做残差计算,得到残差曲线;
S42、分别对残差进行硬阈值和软阈值求解,将残差数值的软硬双层阈值保护设定为自适应双控制策略,防止类别梯度提升基准模型的预警误报和提前报警现象的发生。
进一步的,硬阈值的求解方法为假设一组残差数据只含有随机误差,对原始数据进行计算处理得到标准差,然后按照预设概率确定一个判断区间,若误差超过该判断区间,则判断该数据属于异常值。
进一步的,软阈值的求解方法为比较两个样本数据是否来自于相同的分布,动态的计算每个区间段的误差分布,两个样本数据分表代表发电机驱动端温度实际值和预测值。
进一步的,通过自适应双控制策略判断故障点,输出预警信息包括以下步骤:
S51、若残差数值单点大于软阈值曲线,则注意观察残差点位置;
S52、若残差数值单点大于硬阈值曲线,则判断为该故障危害大,需要执行该风电机组的停机检查;
S53、若残差数值单点小于软阈值曲线,则判断时间正常;
S54、若残差数据单点大于软阈值曲线且小于硬阈值曲线,则判断故障即将发生,该风电机组在报警过程中一直处于被观察状态。
本发明的有益效果为:通过提供自适应双控制策略的风电机组发电机故障预警方法,能够防止数据的冗余,在数据清洗过程中,利用了双重特征提取对历史运行数据进行数据整合和降维;针对SCADA监控采集的数据量大、数据维度高问题,利用CatBoost高效性的特点降低基本参数量的选择,很好的解决了数据量大导致的时间成本问题;针对报警事件,分为正常、预警、时刻观察、停机检查四个部分,更加合理的为故障发生预留时间和控制提前停机产生的经济成本;本发明可用于海上风电机组群和陆地风电机组群实时的预警报警,具有鲁棒性、普适性、准确高效地进行故障预警。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的基于自适应双控制策略的风电机组发电机故障预警方法的流程图;
图2是根据本发明实施例的基于自适应双控制策略的风电机组发电机故障预警方法的故障预警流程图;
图3是根据本发明实施例的基于自适应双控制策略的风电机组发电机故障预警方法的温度回归预测算法流程图;
图4是根据本发明实施例的基于自适应双控制策略的风电机组发电机故障预警方法的发电机驱动端轴承温度预测图;
图5是根据本发明实施例的基于自适应双控制策略的风电机组发电机故障预警方法的自适应双控制策略得到的预警效果图之一;
图6是根据本发明实施例的基于自适应双控制策略的风电机组发电机故障预警方法的自适应双控制策略得到的预警效果图之二;
图7是根据本发明实施例的基于自适应双控制策略的风电机组发电机故障预警方法的自适应双控制策略得到的预警效果图之三;
图8是根据本发明实施例的基于自适应双控制策略的风电机组发电机故障预警方法的自适应双控制策略得到的预警效果图之四;
图9是根据本发明实施例的基于自适应双控制策略的风电机组发电机故障预警方法的自适应双控制策略得到的预警效果图之五。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1-图3,提供了基于自适应双控制策略的风电机组发电机故障预警方法,该方法包括以下步骤:
S1、利用数据采集与监视控制***获取风电机组的历史运行数据,并对该历史运行数据进行预处理,最终组合形成新的数据集。
数据采集与监视控制***(Supervisory Control And Data Acquisition,SCADA)是一种用于实时监控和控制工业过程的***。
SCADA***通常包含以下关键组件:远程终端单元(RTU)或PLC、传感器和执行器、通信网络、SCADA主站、人机界面(HMI)、数据库***、报警***及远程访问,SCADA***被广泛应用于工业、能源、公共事业等领域,它提供了对工业过程的实时监控、故障诊断和远程控制的能力,有助于提高生产效率和***可靠性。
在本发明的描述中,对该历史运行数据进行预处理,最终组合形成新的数据集包括以下步骤:
S11、对历史运行数据中的特殊点数据进行剔除。
特殊点数据包括负值、零值、无穷大值、空值及乱码。
S12、利用皮尔逊相关系数算法对历史运行数据的数据特征进行提取,选取相关值大于0.5的数据列,并对数据列进行定性删除参数。
利用皮尔逊相关系数算法具有抗噪声鲁棒性好、相关变化程度敏感等特点,对数据特征进行提取,对数据进行相关性分析并提取相关值大于0.5的数据列,对提取的数据列进行定性删除参数,有助于减少数据冗余。
其中删除的数据有:桨叶2和桨叶3的数据,因为三个桨叶相对于发电机内在作用都是一样的。
S13、将最终保留的数据列组合形成新的数据集。
S2、将数据集导入训练模型,再设定该训练模型的输入与输出,进行模型训练,训练完毕后保存为类别梯度提升(CatBoost)基准模型。
在本发明的描述中,设定该训练模型的输入与输出,进行模型训练,训练完毕后保存为类别梯度提升基准模型包括以下步骤:
S21、将数据集的数据格式转换为数据集(Dataset)格式,再利用极大极小归一化算法对数据集中的数据进行数据标准化处理。
选用极大极小归一化算法在sklearn库(该库为机器学习算法库)中集成好的函数MinMaxScaler();其中极大极小归一化算法将特征缩放到给定的最小值和最大值之间,也可以将每个特征的最大绝对值转换至单位大小。这种方法是对原始数据的线性变换,将数据归一到[0,1]中间,可以保证异常值数据点也能在一定的范围内呈现规律性。
S22、将数据集以7:2:1的比例划分为训练集、测试集与验证集。
S23、将训练集设定为训练模型的输入端,将发电机驱动端轴承的预测温度设定为训练模型的输出端,再选择默认的基本超参数,进行模型训练,最终训练完毕后保存为类别梯度提升(CatBoost)基准模型。
CatBoost是一个基于梯度提升算法的机器学习框架,专门设计用于处理类别特征,它可以在分类和回归问题上取得良好的性能,而且在处理大规模数据集时也表现得相当出色,表现为:能够自动处理类别特征,无需进行独热编码或其他繁琐的预处理步骤,在处理实际数据集时更为方便;实现了基于梯度提升的算法,能够有效地学习非线性关系和复杂模式,其性能通常较好,特别是在大规模数据集上;能够自动处理缺失值,无需用户进行额外的处理,使得模型训练更加容易且健壮;另外,CatBoost采用有效的正则化技术,有助于防止过拟合,提高模型的泛化能力。
S3、利用随机搜索寻找类别梯度提升基准模型的最优超参数变量。
在本发明的描述中,利用随机搜索寻找类别梯度提升基准模型的最优超参数变量包括以下步骤:
S31、挑选类别梯度提升基准模型的关键参数进行设定与调整,其余参数选择默认值,并在参数调整之前检查拟合或欠拟合。
关键参数包括迭代次数(iterations)、最佳模型应该具有的树的最小数目(best_model_min_trees)及树深(depth)。
S32、采用网格搜索方法进行自动搜索最优参数,对变量进行排列组合,并遍历每一种组合,通过交叉验证的方式,在训练集与验证集上对多种超参数选择进行验证,选取平均误差最小的超参数。
S33、超参数选取完毕后,合并训练集与验证集,再对类别梯度提升基准模型进行再次训练,得到最终的类别梯度提升基准模型。
S34、利用测试集对类别梯度提升基准模型进行测试。
S4、计算预测值与实际值之间的残差,再构建自适应双控制策略,动态判断残差的变化趋势,防止预警误报和提前报警。
其中,交叉验证参数cv选择3、模型评价标准scoring选择r2,其他选择默认值。
在本发明的描述中,计算预测值与实际值之间的残差,再构建自适应双控制策略,动态判断残差的变化趋势,防止预警误报和提前报警包括以下步骤:
S41、将验证集导入类别梯度提升基准模型,得到发电机驱动端轴承温度的预测值,通过反归一化方法将预测值转换为与温度一致的维度,再与发电机驱动端轴承温度的实际值做残差计算,得到残差曲线。
S42、分别对残差进行硬阈值(3sigama硬阈值)和软阈值(K-S软阈值)求解,将残差数值的软硬双层阈值保护设定为自适应双控制策略,防止类别梯度提升基准模型的预警误报和提前报警现象的发生。
硬阈值的求解方法为假设一组残差数据只含有随机误差,对原始数据进行计算处理得到标准差,然后按照预设概率确定一个判断区间,若误差超过该判断区间,则判断该数据属于异常值。
软阈值的求解方法为比较两个样本数据是否来自于相同的分布,动态的计算每个区间段的误差分布,两个样本数据分表代表发电机驱动端温度实际值和预测值。
通过软硬双层阈值保护,防止模型发生预警误报现象的产生,所以设计的双控制策略大大提高了报警的精确度。
S5、在执行新数据预测的过程中,预先加载类别梯度提升基准模型及预测的数据,通过自适应双控制策略判断故障点,输出预警信息。
在本发明的描述中,通过自适应双控制策略判断故障点,输出预警信息包括以下步骤:
S51、若残差数值单点大于软阈值曲线,则注意观察残差点位置。
S52、若残差数值单点大于硬阈值曲线,则判断为该故障危害大,需要执行该风电机组的停机检查。
S53、若残差数值单点小于软阈值曲线,则判断时间正常。
S54、若残差数据单点大于软阈值曲线且小于硬阈值曲线,则判断故障即将发生,该风电机组在报警过程中一直处于被观察状态。
如图4所示,风电机组发电机驱动端轴承温度预测效果图,利用GridSearchCV进行自动搜索最优参数,寻找对数据集预测的最优解,利用RMS和R2作为评价指标,如图4所示的预测效果。
如图5-图9所示,利用本发明提出的自适应双控制策略得到的预警效果图,可以很清晰的看出本发明不仅能提前预警还能防止误报。
综上所述,借助于本发明的上述技术方案,通过提供自适应双控制策略的风电机组发电机故障预警方法,能够防止数据的冗余,在数据清洗过程中,利用了双重特征提取对历史运行数据进行数据整合和降维;针对SCADA监控采集的数据量大、数据维度高问题,利用CatBoost高效性的特点降低基本参数量的选择,很好的解决了数据量大导致的时间成本问题;针对报警事件,分为正常、预警、时刻观察、停机检查四个部分,更加合理的为故障发生预留时间和控制提前停机产生的经济成本;本发明可用于海上风电机组群和陆地风电机组群实时的预警报警,具有鲁棒性、普适性、准确高效地进行故障预警。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
Claims (10)
1.基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,该方法包括以下步骤:
S1、利用数据采集与监视控制***获取风电机组的历史运行数据,并对该历史运行数据进行预处理,最终组合形成新的数据集;
S2、将所述数据集导入训练模型,再设定该训练模型的输入与输出,进行模型训练,训练完毕后保存为类别梯度提升基准模型;
S3、利用随机搜索寻找所述类别梯度提升基准模型的最优超参数变量;
S4、计算预测值与实际值之间的残差,再构建自适应双控制策略,动态判断所述残差的变化趋势,防止预警误报和提前报警;
S5、在执行新数据预测的过程中,预先加载所述类别梯度提升基准模型及预测的数据,通过自适应双控制策略判断故障点,输出预警信息。
2.根据权利要求1所述的基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,所述对该历史运行数据进行预处理,最终组合形成新的数据集包括以下步骤:
S11、对所述历史运行数据中的特殊点数据进行剔除;
S12、利用皮尔逊相关系数算法对所述历史运行数据的数据特征进行提取,选取相关值大于0.5的数据列,并对所述数据列进行定性删除参数;
S13、将最终保留的所述数据列组合形成新的数据集。
3.根据权利要求2所述的基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,所述特殊点数据包括负值、零值、无穷大值、空值及乱码,所述定性删除参数包括风电机组中桨叶2与桨叶3的数据。
4.根据权利要求1所述的基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,所述设定该训练模型的输入与输出,进行模型训练,训练完毕后保存为类别梯度提升基准模型包括以下步骤:
S21、将所述数据集的数据格式转换为数据集格式,再利用极大极小归一化算法对所述数据集中的数据进行数据标准化处理;
S22、将所述数据集以7:2:1的比例划分为训练集、测试集与验证集;
S23、将所述训练集设定为所述训练模型的输入端,将发电机驱动端轴承的预测温度设定为所述训练模型的输出端,再选择默认的基本超参数,进行模型训练,最终训练完毕后保存为类别梯度提升基准模型。
5.根据权利要求1所述的基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,所述利用随机搜索寻找所述类别梯度提升基准模型的最优超参数变量包括以下步骤:
S31、挑选所述类别梯度提升基准模型的关键参数进行设定与调整,其余参数选择默认值,并在参数调整之前检查拟合或欠拟合;
S32、采用网格搜索方法进行自动搜索最优参数,对变量进行排列组合,并遍历每一种组合,通过交叉验证的方式,在所述训练集与所述验证集上对多种超参数选择进行验证,选取平均误差最小的超参数;
S33、超参数选取完毕后,合并所述训练集与所述验证集,再对所述类别梯度提升基准模型进行再次训练,得到最终的类别梯度提升基准模型;
S34、利用所述测试集对所述类别梯度提升基准模型进行测试。
6.根据权利要求5所述的基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,所述关键参数包括迭代次数、最佳模型应该具有的树的最小数目及树深。
7.根据权利要求1所述的基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,所述计算预测值与实际值之间的残差,再构建自适应双控制策略,动态判断所述残差的变化趋势,防止预警误报和提前报警包括以下步骤:
S41、将所述验证集导入所述类别梯度提升基准模型,得到发电机驱动端轴承温度的预测值,通过反归一化方法将所述预测值转换为与温度一致的维度,再与发电机驱动端轴承温度的实际值做残差计算,得到残差曲线;
S42、分别对所述残差进行硬阈值和软阈值求解,将残差数值的软硬双层阈值保护设定为自适应双控制策略,防止所述类别梯度提升基准模型的预警误报和提前报警现象的发生。
8.根据权利要求7所述的基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,所述硬阈值的求解方法为假设一组残差数据只含有随机误差,对原始数据进行计算处理得到标准差,然后按照预设概率确定一个判断区间,若误差超过该判断区间,则判断该数据属于异常值。
9.根据权利要求8所述的基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,所述软阈值的求解方法为比较两个样本数据是否来自于相同的分布,动态的计算每个区间段的误差分布,两个所述样本数据分表代表发电机驱动端温度实际值和预测值。
10.根据权利要求7所述的基于自适应双控制策略的风电机组发电机故障预警方法,其特征在于,所述通过自适应双控制策略判断故障点,输出预警信息包括以下步骤:
S51、若所述残差数值单点大于软阈值曲线,则注意观察残差点位置;
S52、若所述残差数值单点大于硬阈值曲线,则判断为该故障危害大,需要执行该风电机组的停机检查;
S53、若所述残差数值单点小于软阈值曲线,则判断时间正常;
S54、若所述残差数据单点大于软阈值曲线且小于硬阈值曲线,则判断故障即将发生,该风电机组在报警过程中一直处于被观察状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311662364.1A CN117744859A (zh) | 2023-12-06 | 2023-12-06 | 基于自适应双控制策略的风电机组发电机故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311662364.1A CN117744859A (zh) | 2023-12-06 | 2023-12-06 | 基于自适应双控制策略的风电机组发电机故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117744859A true CN117744859A (zh) | 2024-03-22 |
Family
ID=90257140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311662364.1A Pending CN117744859A (zh) | 2023-12-06 | 2023-12-06 | 基于自适应双控制策略的风电机组发电机故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744859A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117972547A (zh) * | 2024-03-26 | 2024-05-03 | 华电电力科学研究院有限公司 | 一种风电机组关键部件的故障预警方法、装置及介质 |
-
2023
- 2023-12-06 CN CN202311662364.1A patent/CN117744859A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117972547A (zh) * | 2024-03-26 | 2024-05-03 | 华电电力科学研究院有限公司 | 一种风电机组关键部件的故障预警方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制***及方法 | |
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 | |
CN111720296B (zh) | 一种基于自编码器的汽动给水泵设备异常状态预警方法 | |
CN117744859A (zh) | 基于自适应双控制策略的风电机组发电机故障预警方法 | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及*** | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
US11120350B2 (en) | Multilevel pattern monitoring method for industry processes | |
CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
CN113436194B (zh) | 一种风电机组的异常检测方法、装置及设备 | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和*** | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测*** | |
Li et al. | Application of Big Data Technology in Evaluation of Operating State of High-Pressure Hydrogenation Heat Exchanger | |
Wang et al. | An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning | |
CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
CN116363843A (zh) | 试验室设备预警*** | |
Velasquez et al. | Machine Learning Approach for Predictive Maintenance in Hydroelectric Power Plants | |
CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、***、设备和介质 | |
CN115774847A (zh) | 一种柴油机性能评估及预测方法和*** | |
CN116050072A (zh) | 一种基于随机采样一致性的风电机组理论功率曲线识别方法和装置 | |
Li et al. | Research on digital twin and collaborative cloud and edge computing applied in operations and maintenance in wind turbines of wind power farm | |
Peng et al. | A temporal convolutional network based method for fault diagnosis of DEH system | |
Zhu et al. | Research of system fault diagnosis method based on imbalanced data | |
CN117152355B (zh) | 一种基于工厂数据的可视化监管*** | |
Guangwei et al. | Fault diagnosis and warning design of wind turbines based on expert system |
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 |