-
公开(公告)号:CN114036656B
公开(公告)日:2024-06-25
申请号:CN202111211995.2
申请日:2021-10-18
IPC分类号: G06F30/17 , G06F30/27 , G06N20/00 , G06F113/06
摘要: 本发明公开了一种风电机组齿轮箱的故障诊断方法及装置。该方法包括:采集风电机组的运行参数;依次将齿轮箱参数中的一个参数作为齿轮箱输出参数,其他参数作为齿轮箱输入参数;将工况参数和齿轮箱输入参数输入至齿轮箱输出参数对应的机器学习模型中,得到齿轮箱输出参数的预测值;根据齿轮箱输出参数的预测值和齿轮箱输出参数,生成机器学习诊断结果;将工况参数和齿轮箱输入参数输入至齿轮箱输出参数对应的规则模型中,得到规则诊断结果;根据机器学习诊断结果、规则诊断结果和规则集合进行综合诊断,得到目标诊断结果。在较低成本的前提下,对齿轮箱进行准确诊断,将有效提高风电机组运行的可靠性,降低机组关键部件损坏风险。
-
公开(公告)号:CN114046228B
公开(公告)日:2023-11-07
申请号:CN202111248579.X
申请日:2021-10-26
IPC分类号: F03D17/00 , G06F18/2433 , G06F18/23 , G06N20/00 , G06Q50/06
摘要: 本公开提供的风电机组异常诊断方法、系统及存储介质中,获取采集到的Scada数据与待检测数据,将采集到的Scada数据进行预处理,识别无效数据和有效数据,并对时间窗口内的有效数据提取数据特征,然后将提取的数据特征进行模型训练,得到最优模型,之后,利用最优模型和临近机组比较策略对待检测数据进行异常诊断,得到诊断结果。由此可知,本公开提出的方法中,可以提前预知风电机组的健康状态,以便用户可以及时进行检修,从而降低了风电机组故障带来的损失。同时,本公开提出的方法,是对训练数据进行工况划分之后,再根据全工况的数据得到的最优模型,从而确保了最优模型可以对全部工况进行异常诊断,提高了异常诊断的精确度。
-
公开(公告)号:CN114358012A
公开(公告)日:2022-04-15
申请号:CN202111396841.5
申请日:2021-11-23
发明人: 曾谁飞 , 王振荣 , 李国庆 , 童强 , 桑申刚 , 张燧 , 王青天 , 黄思皖 , 刘旭亮 , 李小翔 , 冯帆 , 杜静宇 , 赵鹏程 , 武青 , 祝金涛 , 朱俊杰 , 吴昊 , 吕亮 , 韦玮 , 邸智 , 童彤 , 任鑫
摘要: 本发明提供一种设备异常语义识别方法、装置、设备及介质,用以解决现有技术中设备异常语义识别的数据单一,识别率不高的技术问题,该方法包括:获取设备的异常数据;基于所述异常数据,通过预先训练好的神经网络模型得到文本特征;根据所述文本特征,得到识别结果并展示。
-
公开(公告)号:CN114330494A
公开(公告)日:2022-04-12
申请号:CN202111422865.3
申请日:2021-11-26
申请人: 中国华能集团清洁能源技术研究院有限公司
发明人: 曾谁飞 , 王振荣 , 刘艳贵 , 黄思皖 , 王青天 , 张燧 , 刘旭亮 , 李小翔 , 冯帆 , 王海明 , 沈伟文 , 郑建飞 , 邸智 , 韦玮 , 童彤 , 任鑫 , 杜静宇 , 赵鹏程 , 武青 , 祝金涛 , 朱俊杰 , 吴昊 , 吕亮
摘要: 本发明涉及一种融合BiLSTM与注意力的发电设备异常预测方法及系统,所述方法包括:获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据,并对所述获取的数据进行预处理;将所述预处理后的数据转化为所述数据对应的词向量文本;将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中,得到所述发电设备异常预测的得分;基于所述发电设备异常预测的得分预测所述发电设备是否异常,并将预测结果进行信息触达。本发明提供的技术方案,提高了发电设备异常预测的得分的精度,同时使得发电设备的异常预测更加方便,也降低了发电设备的异常预测成本。
-
公开(公告)号:CN114330097A
公开(公告)日:2022-04-12
申请号:CN202111421723.5
申请日:2021-11-26
申请人: 中国华能集团清洁能源技术研究院有限公司
发明人: 曾谁飞 , 王振荣 , 周军军 , 张燧 , 黄思皖 , 王青天 , 刘旭亮 , 李小翔 , 冯帆 , 邸智 , 韦玮 , 童彤 , 任鑫 , 杜静宇 , 赵鹏程 , 武青 , 祝金涛 , 朱俊杰 , 吴昊 , 吕亮 , 苏人奇 , 忻一豪 , 张万雄
IPC分类号: G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F113/06 , G06F119/06
摘要: 本发明提出一种异构数据与深度学习的风电集群功率预测方法及设备,该方法通过构建风电集群功率预测网络模型,通过特征提取网络对异构数据进行特征提取,将提取的特征基于注意力机制进行关键信息预测后,采用多模态融合策略融合生成多模态融合特征,根据生成的多模态融合特征进行风电集群功率预测。通过本发明,能够提高预测风电集群功率的精准性和稳定性,有利于电网系统运行调度及系统优化工作。
-
公开(公告)号:CN114299380A
公开(公告)日:2022-04-08
申请号:CN202111356783.3
申请日:2021-11-16
发明人: 吕亮 , 管春雨 , 黄宁波 , 王恩民 , 任鑫 , 朱俊杰 , 祝金涛 , 吴昊 , 武青 , 刁新忠 , 张宇 , 卢泽华 , 曾谁飞 , 王华 , 童彤 , 赵鹏程 , 杜静宇 , 王有超 , 潘赫男 , 李冬
摘要: 本申请公开了一种对比一致性学习的遥感图像语义分割模型训练方法及装置,涉及遥感图像分割技术领域。具体实现方案为:构建包含学生网络和教师网络的遥感图像语义分割网络,所述遥感图像语义分割网络为UNet语义分割网络;根据遥感图像数据集对所述遥感图像语义分割网络进行训练;将实时拍摄的遥感图像输入训练完成的遥感图像语义分割网络,并输出所述遥感图像的语义分割结果。本申请实施例通过学生网络和教师网络进行训练,以对遥感图像进行语义分割,获取各像素的类别。本申请实施例可以用少量的标记数据与大量的无标记数据半监督训练,就能达到用大量标记数据全监督训练的效果,减少对标签数据的需求,减少时间与人工成本。
-
公开(公告)号:CN114139767A
公开(公告)日:2022-03-04
申请号:CN202111297224.X
申请日:2021-11-02
摘要: 本发明涉及设备的健康趋势预测方法、系统、计算机设备及存储介质,所述方法包括:获取待测设备预设时段内的振动数据,利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵,基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值,并确定所述指标值所属的健康等级,将所述健康指标值代入预先建立的健康趋势预测模型中,预测所述待测设备的故障时刻,基于所述故障时刻确定待测设备的健康趋势。本发明提供的技术方案,基于模态分解确定的健康指标值和确定健康等级选择健康趋势预测模型中对应的子模型进行待测设备的健康趋势预测,使得待测设备的健康趋势预测更加准确。
-
公开(公告)号:CN114123971A
公开(公告)日:2022-03-01
申请号:CN202111243198.2
申请日:2021-10-25
IPC分类号: H02S50/10
摘要: 本发明涉及一种基于VaDE的光伏组串异常检测方法及系统,所述方法包括:获取光伏电站中各光伏组串在检测时段内预设时长的电流均值、电压均值和所述各光伏组串的装机容量,基于所述电流均值、电压均值和所述各光伏组串的装机容量确定所述各光伏组串在检测时段内预设时长的各第一数据指标,将各光伏组串在检测时段内预设时长的各第一数据指标输入预先建立的光伏组串异常检测模型中,获得检测时段内所述各光伏组串对应的各高斯分布权重,基于检测时段内所述各光伏组串对应的各高斯分布权重确定光伏电站检测时段内异常的光伏组串。本发明提供的技术方案,通过光伏组串异常检测模型确定光伏组串是否异常,可以提高光伏组串异常判断的准确性。
-
公开(公告)号:CN114077922A
公开(公告)日:2022-02-22
申请号:CN202111205488.8
申请日:2021-10-15
摘要: 本申请提供了一种风电机组的故障预测方法、装置及电子设备,该方法包括:选取风电机组对应的至少一个待预测部件,针对每个所述待预测部件,分别对所述待预测部件进行至少一轮事件划分,以获取至少一个分级待预测事件,获取每个所述分级待预测事件发生故障的第一概率,并根据所述第一概率,获取对应的所述待预测部件发生故障的第二概率,根据所述第二概率,确定所述风电机组发生故障的第三概率,并根据所述第三概率对所述风电机组进行故障预测。本申请通过计算不同事件发生的概率组合,可以实现风电机组故障预测功能,同时为下一次运维提供数据支持,方便制定检修计划,提高了风电机组的发电效率。
-
公开(公告)号:CN114165392B
公开(公告)日:2024-08-09
申请号:CN202111292333.2
申请日:2021-11-03
摘要: 本申请公开了一种风电机组功率异常诊断方法、装置及存储介质,涉及发电系统异常诊断技术领域。具体实现方案为:采集风电机组的第一运行数据;采集风电机组的环境数据,并根据所述环境数据修正所述第一运行数据,以获取第二运行数据;根据所述第二运行数据进行异常诊断分析。本申请实施例通过所述第一运行数据获取所述第二运行数据,并进行异常诊断分析确定风电机组中的异常模式。本申请实施例可以避免环境对第一运行数据的影响导致风电机组异常诊断误差,提高了风电机组异常诊断的准确度。
-
-
-
-
-
-
-
-
-