-
公开(公告)号:CN117875699A
公开(公告)日:2024-04-12
申请号:CN202311803315.5
申请日:2023-12-26
申请人: 华北电力大学 , 中国电力科学研究院有限公司 , 国网北京市电力公司 , 国家电网有限公司 , 国网福建省电力有限公司
发明人: 杨志凌 , 李铮 , 董兴辉 , 段祥骏 , 冯德志 , 李佳 , 沙广林 , 张天明 , 刘若溪 , 徐兴全 , 林奕夫 , 刘坚 , 杨德嵩 , 刘铭楷 , 薛璀 , 温丽辉 , 于佳奇
IPC分类号: G06Q10/0635 , G06Q50/06 , G06V40/10 , G06Q10/0639
摘要: 本发明公开了属于电力系统安全风险评估技术领域,特别涉及一种基于风险因素修正的配电网作业风险评估方法及装置,所述评估方法包括:根据配电网作业现场的空间信息建立三维派生风险场,采集预设置的风险主体在三维派生风险场中的实时位置信息和修正信息;遍历预设置的风险源列表,逐一计算各风险源的修正风险值;利用多个风险源的风险场评估模型,将各风险源的修正风险值叠加获得总修正风险值;当总修正风险值大于风险阈值时发出风险预警。在配电网工程现场作业风险分析基础上应用风险场理论,建立派生风险场修正模型,使用修正参数对派生风险场进行修正,用定量的评价方法直观展现风险场中某点实际风险大小,制定预警机制保证作业人员安全。
-
公开(公告)号:CN117787697A
公开(公告)日:2024-03-29
申请号:CN202311803310.2
申请日:2023-12-26
申请人: 华北电力大学 , 中国电力科学研究院有限公司 , 国网北京市电力公司 , 国家电网有限公司 , 国网福建省电力有限公司
发明人: 杨志凌 , 李铮 , 董兴辉 , 段祥骏 , 冯德志 , 李佳 , 沙广林 , 张天明 , 刘若溪 , 徐兴全 , 林奕夫 , 刘坚 , 杨德嵩 , 刘铭楷 , 薛璀 , 温丽辉 , 于佳奇
IPC分类号: G06Q10/0635 , G06Q10/067 , G06Q50/06
摘要: 本发明公开了属于电力系统安全风险评估技术领域,特别涉及基于三维派生风险场的配电网作业风险评估方法及装置,所述评估方法包括:根据配电网作业现场的空间信息建立三维派生风险场,采集预设置的风险主体在三维派生风险场中的实时位置信息;基于实时位置信息,遍历预设置的风险源列表,逐一计算各风险源的派生风险值;利用多个风险源的风险场评估模型,将各风险源的派生风险值进行叠加获得总派生风险值;当总派生风险值大于风险阈值时发出风险预警。在配电网工程现场作业风险识别的基础上,应用风险场理论,建立基于距离的派生风险场模型,用定量的评价方法直观展现风险场中某点实际风险,并制定相应的预警机制,保证作业人员的安全。
-
公开(公告)号:CN106682814B
公开(公告)日:2021-01-01
申请号:CN201611075303.5
申请日:2016-11-28
申请人: 华北电力大学
摘要: 本发明属于风电机组故障智能诊断领域,尤其涉及一种基于故障知识库的风电机组故障智能诊断方法,其运用主成分分析对将振动信号特征值和SCADA信号特征值进行数据融合,利用风电场故障知识库中匹配成功率最高的已有故障样本作为输入,训练由粒子群算法优化的最小二乘支持向量回归算法模型形成故障识别模型,对风电机组故障进行智能诊断,故障知识库中的故障样本的匹配成功率将随着每次诊断的成败而进行更新。本发明的智能诊断方法可以针对风电机组高速端故障达到较好的识别效果,避免了风电场维护人员不具备专家经验时无法正确识读风电机组监测信息的弊端,具有较好的应用前景。
-
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
申请人: 华北电力大学
摘要: 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:CN107560849B
公开(公告)日:2020-02-18
申请号:CN201710662249.2
申请日:2017-08-04
申请人: 华北电力大学
IPC分类号: G01M13/045 , G06N3/04
摘要: 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
申请人: 华北电力大学
摘要: 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
申请人: 华北电力大学
IPC分类号: F03D17/00
CPC分类号: F03D17/00 , F05B2260/82 , F05B2260/84
摘要: 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:CN102562469B
公开(公告)日:2014-01-22
申请号:CN201110442703.6
申请日:2011-12-27
申请人: 华北电力大学
摘要: 本发明公开了发电机输出功率管理与控制技术领域中的一种基于校正算法的短期风力发电机输出功率预测方法。包括:设定第一时间长度T1和第二时间长度T2;对第一时间长度T1的数值天气预报风速历史数据进行校正;以校正后的数值天气预报历史数据为输入值,以所述数值天气预报历史数据对应的风力发电机实测输出功率为输出值,训练BP神经网络;对第二时间长度T2的数值天气预报未来数据进行校正;将校正后的数值天气预报未来数据作为输入值输入到步骤3训练的BP神经网络中进行计算,得到的输出值即为风力发电机输出功率预测结果。本发明提高了短期风力发电机输出功率预测的准确性。
-
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
申请人: 华北电力大学
IPC分类号: F03D17/00
摘要: 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:CN106682814A
公开(公告)日:2017-05-17
申请号:CN201611075303.5
申请日:2016-11-28
申请人: 华北电力大学
摘要: 本发明属于风电机组故障智能诊断领域,尤其涉及一种基于故障知识库的风电机组故障智能诊断方法,其运用主成分分析对将振动信号特征值和SCADA信号特征值进行数据融合,利用风电场故障知识库中匹配成功率最高的已有故障样本作为输入,训练由粒子群算法优化的最小二乘支持向量回归算法模型形成故障识别模型,对风电机组故障进行智能诊断,故障知识库中的故障样本的匹配成功率将随着每次诊断的成败而进行更新。本发明的智能诊断方法可以针对风电机组高速端故障达到较好的识别效果,避免了风电场维护人员不具备专家经验时无法正确识读风电机组监测信息的弊端,具有较好的应用前景。
-
-
-
-
-
-
-
-
-