-
公开(公告)号：CN106897486A
公开(公告)日：2017-06-27
申请号：CN201710021657.X
申请日：2017-01-12
Applicant: 华北电力大学 , 国家电网公司 , 甘肃省电力公司风电技术中心
IPC: G06F17/50
Abstract: 本发明属于风电场微观选址技术领域，尤其涉及一种考虑湍流强度影响的抛物线形风电机组尾流模型计算方法，包括如下步骤：S1：假设尾流区域半径线性增长，且紧邻风轮后方尾流区域半径与风轮相同，求得风轮后轴向距离x位置处尾流区域半径r；S2：假设风轮后轴向距离x位置处风速沿径向均匀分布，根据质量守恒得到均匀风速v*；S3：根据质量守恒和均匀风速v*，得到轮毂高度水平面上任意点风速v；S4：考虑尾流区域湍流强度对尾流恢复系数k的影响，参考叶片旋转附加湍流强度计算经验公式，得到尾流恢复系数k的计算公式；S5：将尾流恢复系数k代入风速v计算公式，得到风电机组尾流区风速分布的经验尾流模型。
-
公开(公告)号：CN111291514B
公开(公告)日：2024-04-05
申请号：CN202010078646.7
申请日：2020-02-03
Applicant: 华北电力大学
IPC: G06F30/23 , G06F30/27 , G06N20/00 , G06F119/04
Abstract: 本发明提出了一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合。首先，根据实际工况下可能出现的风参数条件对风电机组部件进行疲劳损伤预计算，建立部件每分钟疲劳损伤数据库；然后，将疲劳损伤数据库中的数据输入至机器学习模型中进行多次迭代训练，建立风参数与疲劳损伤量之间的非线性映射关系；最后，将SCADA数据中风参数数据或测风塔数据输入至已经训练好的机器学习模型中，得到风电机组部件疲劳寿命的预测值。
-
公开(公告)号：CN108590982B
公开(公告)日：2020-08-11
申请号：CN201810250870.2
申请日：2018-03-26
Applicant: 华北电力大学
IPC: F03D17/00
Abstract: 本发明公开了属于风电场技术领域的一种风电机组限功率运行的异常数据处理方法。通过引入风电机组限电运行状态下的合理假设，将风电机组限功率运行下的数据处理问题转化为混合概率分布模型，应用K‑Means聚类算法初始化模型参数，然后根据期望值最大化(EM)算法，推导参数更新表达式，通过迭代的方式最大化对数似然函数，得到最优模型参数，以实现限功率运行状态下风电机组异常运行数据的进行处理；本发明可以找出限功率异常运行数据，区分不同限功率程度的运行数据。并剔除离群异常数据点，得到快速稳定的数据处理效果。
-
公开(公告)号：CN107560849A
公开(公告)日：2018-01-09
申请号：CN201710662249.2
申请日：2017-08-04
Applicant: 华北电力大学
Abstract: 本发明涉及一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，包括步骤：使用振动加速度传感器同时采集测试轴承各种状态下驱动端和非驱动端的高频振动加速度信号；对采集到的振动信号应用时频分析技术，得到对应的时频谱；建立深度卷积神经网络诊断模型，将时频谱和轴承状态作为训练样本，训练诊断模型；评价诊断模型，并将其应用于待监测轴承。本发明的方法可以实现自动特征学习，避免特征工程，并且有效利用多通道振动信号，具有良好的通用性和扩展性。
-
Patent Agency Ranking
公开(公告)号：CN111291514A
公开(公告)日：2020-06-16
申请号：CN202010078646.7
申请日：2020-02-03
Applicant: 华北电力大学
IPC: G06F30/23 , G06F30/27 , G06N20/00 , G06F119/04
Abstract: 本发明提出了一种风电机组疲劳寿命的快速预测方法，该方法将风电机组的疲劳损伤与机器学习相耦合。首先，根据实际工况下可能出现的风参数条件对风电机组部件进行疲劳损伤预计算，建立部件每分钟疲劳损伤数据库；然后，将疲劳损伤数据库中的数据输入至机器学习模型中进行多次迭代训练，建立风参数与疲劳损伤量之间的非线性映射关系；最后，将SCADA数据中风参数数据或测风塔数据输入至已经训练好的机器学习模型中，得到风电机组部件疲劳寿命的预测值。
-
公开(公告)号：CN106897486B
公开(公告)日：2020-07-07
申请号：CN201710021657.X
申请日：2017-01-12
Applicant: 华北电力大学 , 国家电网公司 , 甘肃省电力公司风电技术中心
IPC: G06F30/20
Abstract: 本发明属于风电场微观选址技术领域，尤其涉及一种考虑湍流强度影响的抛物线形风电机组尾流模型计算方法，包括如下步骤：S1：假设尾流区域半径线性增长，且紧邻风轮后方尾流区域半径与风轮相同，求得风轮后轴向距离x位置处尾流区域半径r；S2：假设风轮后轴向距离x位置处风速沿径向均匀分布，根据质量守恒得到均匀风速v*；S3：根据质量守恒和均匀风速v*，得到轮毂高度水平面上任意点风速v；S4：考虑尾流区域湍流强度对尾流恢复系数k的影响，参考叶片旋转附加湍流强度计算经验公式，得到尾流恢复系数k的计算公式；S5：将尾流恢复系数k代入风速v计算公式，得到风电机组尾流区风速分布的经验尾流模型。
-
公开(公告)号：CN107560849B
公开(公告)日：2020-02-18
申请号：CN201710662249.2
申请日：2017-08-04
Applicant: 华北电力大学
IPC: G01M13/045 , G06N3/04
Abstract: 本发明涉及一种多通道深度卷积神经网络的风电机组轴承故障诊断方法，包括步骤：使用振动加速度传感器同时采集测试轴承各种状态下驱动端和非驱动端的高频振动加速度信号；对采集到的振动信号应用时频分析技术，得到对应的时频谱；建立深度卷积神经网络诊断模型，将时频谱和轴承状态作为训练样本，训练诊断模型；评价诊断模型，并将其应用于待监测轴承。本发明的方法可以实现自动特征学习，避免特征工程，并且有效利用多通道振动信号，具有良好的通用性和扩展性。
-
公开(公告)号：CN109376620A
公开(公告)日：2019-02-22
申请号：CN201811161076.7
申请日：2018-09-30
Applicant: 华北电力大学
Abstract: 本发明属于风电机组状态监测与故障诊断技术领域，尤其涉及一种风电机组齿轮箱故障的迁移诊断方法，包括：建立四个神经网络结构，分别为源域特征提取器、目标域特征提取器、域分类器和域判别器；用带标注的源域数据通过前向传播计算得到预测标签值，根据预测标签和实际标签计算得到网络训练损失函数，采用反向传播算法对源域特征提取器和域分类器进行预训练；用源域数据和目标域数据通过前向传播依次计算得到源域特征、目标域特征和域判别器的损失函数，用反向传播算法分别依次对域判别器和目标域特征提取器进行训练；将新获取的目标域数据输入目标域特征提取器，计算得到特征，将特征输入得到的域分类器得出该新数据的预测标签。
-
公开(公告)号：CN108590982A
公开(公告)日：2018-09-28
申请号：CN201810250870.2
申请日：2018-03-26
Applicant: 华北电力大学
IPC: F03D17/00
CPC classification number: F03D17/00 , F05B2260/82 , F05B2260/84
Abstract: 本发明公开了属于风电场技术领域的一种风电机组限功率运行的异常数据处理方法。通过引入风电机组限电运行状态下的合理假设，将风电机组限功率运行下的数据处理问题转化为混合概率分布模型，应用K-Means聚类算法初始化模型参数，然后根据期望值最大化(EM)算法，推导参数更新表达式，通过迭代的方式最大化对数似然函数，得到最优模型参数，以实现限功率运行状态下风电机组异常运行数据的进行处理；本发明可以找出限功率异常运行数据，区分不同限功率程度的运行数据。并剔除离群异常数据点，得到快速稳定的数据处理效果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.115 seconds)
