一种基于动态模糊理论的风机健康度评估方法

    公开(公告)号:CN117972485A

    公开(公告)日:2024-05-03

    申请号:CN202410108077.4

    申请日:2024-01-26

    摘要: 本发明提供了一种基于动态模糊理论的风机健康度评估方法,包括:建立待测风电机组的评价指标体系和风险等级划分集;所述指标体系包括:一级评价指标和二级评价指标;通过组合赋权法确定最优指标权重,所述最优指标权重包括:一级评价指标的最优指标权重和二级评价指标的最优指标权重;根据一级评价指标最优指标权重、二级评价指标最优指标权重和风险等级划分集确定动态模糊评价矩阵;根据所述动态模糊评价矩阵,得到动态模糊评价结果;基于伪序贯蒙特卡洛算法,根据动态模糊评价结果,对待测风电机组的健康度进行评估,得到评估结果。本发明解决了现有技术中对风电机组的健康度评价不准确,导致维护成本升高的问题。

    一种基于T-S故障树的风电机组的可靠性评估方法

    公开(公告)号:CN118051713A

    公开(公告)日:2024-05-17

    申请号:CN202410111375.9

    申请日:2024-01-26

    摘要: 本发明提供了一种基于T‑S故障树的风电机组的可靠性评估方法,包括:根据单位阶跃函数,构建第一T‑S动态故障树模型;根据第一T‑S动态故障树模型,得到第一故障概率密度函数;基于第一T‑S动态故障树模型,根据多维T‑S动态门的输入输出规则,构建第二T‑S动态故障树模型;基于第一故障概率密度函数,根据第二T‑S动态故障树模型,得到第一概率分布函数;基于第二T‑S动态故障树模型,引入多态影响下的输入输出规则,构建第三T‑S动态故障树模型;基于第一概率分布函数,根据第三T‑S动态故障树模型,得到第二故障概率分布函数;根据第二故障概率分布函数,求得各个事件的重要度并对待测风电机组进行评估。本发明解决了T‑S故障树存在误差且计算量繁琐的问题。

    风电机组可靠性评估方法、装置及介质

    公开(公告)号:CN118965819A

    公开(公告)日:2024-11-15

    申请号:CN202411427873.0

    申请日:2024-10-14

    IPC分类号: G06F30/20 G06N7/01 G06F119/02

    摘要: 本发明属于电力技术领域,公开一种风电机组可靠性评估方法、装置及介质,该方法包括:根据非线性维纳过程和马尔可夫原理建立风电机组各组件考虑自愈的退化‑冲击相依竞争失效模型;基于多维Copula函数,建立风电机组各组件多故障失效模型;Copula函数的选择及建立风电机组不同组件之间失效的相关性模型;基于最大似然数法和蒙特卡洛方法对退化量和Copula函数进行参数估计。本发明可以得到风电机组各组件和系统的可靠度曲线,进而对风电机组的可靠性进行评估。

    基于改进多点估计和Gram-Charlier展开的有源配网可靠性评估方法

    公开(公告)号:CN118886186A

    公开(公告)日:2024-11-01

    申请号:CN202410928512.8

    申请日:2024-07-11

    摘要: 本发明公开了一种基于改进多点估计和Gram‑Charlier展开的有源配网可靠性评估方法,属于配电网数据分析技术领域。包括以下步骤:建立有源配电网主要元素不确定性模型及评估指标;在上述步骤基础上,通过改进多点估计法生成可靠性计算样本;通过多维多阶多项式正态变换计算有源配电网主要元素不确定性模型的相关性;基于以上步骤,通过拉丁超立方抽样方法计算各样本下的指标值;通过Gram‑Charlier级数得到可靠性指标的概率分布情况。本发明通过基于高斯积分的三点估计法,能够提升有源配电网可靠性的计算速度,并且提升计算精度;Gram‑Charlier级数展开,将不确定性因素的概率分布转化为一系列的半不变量的展开式,简化了概率潮流计算的复杂性,提高了计算效率。

    一种改进奇异谱分解和ALexNet-Adaboost的多工况风电机组故障诊断方法

    公开(公告)号:CN118760955A

    公开(公告)日:2024-10-11

    申请号:CN202411254752.0

    申请日:2024-09-09

    摘要: 本发明属于风电机组故障诊断技术领域,公开了一种改进奇异谱分解和ALexNet‑Adaboost的多工况风电机组故障诊断方法,首先,将SCADA系统测得的数据由梯形模糊数进行模糊化;其次,将模糊化后的数据带入奇异谱分解,根据融合互信息法和散布熵原理来求得最优模态数和最优奇异谱分量;接着,将最优奇异谱分量由Teager能量算子计算最优的瞬时能量信号,得到不同工况的时频图;最后,将时频图导入ALexNet‑Adaboost模型进行强分类,并且进行多工况下的风电机组故障识别;本发明降低了SCADA系统在极端环境下采集数据的模糊性,改进了奇异谱分解中最优模态数确定和迭代停止条件问题,增强信号的冲击特征,由ALexNet‑Adaboost模型对不同工况的时频图进行强分类,进而对风电机组的故障进行识别。