-
公开(公告)号：CN113250911A
公开(公告)日：2021-08-13
申请号：CN202110525344.4
申请日：2021-05-12
Applicant: 河北工业大学
IPC: F03D17/00
Abstract: 本发明为一种基于VMD分解算法的风机叶片故障诊断方法，包括步骤1、采集风机叶片的声音信号并对声音信号进行滤波，得到滤波后的声音信号；步骤2、利用VMD分解算法将滤波后的声音信号分解为多个模态分量；步骤3、对每个模态分量进行分帧处理，将每个模态分量分为多帧声音信号；对分帧处理后的声音信号进行加窗处理，得到加窗处理后的声音信号；步骤4、计算每帧声音信号的短时能量，然后将每个模态分量对应的所有帧声音信号的短时能量相加，得到各模态分量的短时能量；步骤5、各模态分量的短时能量构成信号样本的特征向量，将特征向量输入到支持向量机中进行训练，将训练后的模型用于故障诊断。该方法的诊断准确率和效率较高。
-
公开(公告)号：CN113032968A
公开(公告)日：2021-06-25
申请号：CN202110229436.8
申请日：2021-03-02
Applicant: 国网冀北电力有限公司电力科学研究院 , 华北电力科学研究院有限责任公司 , 国家电网有限公司 , 河北工业大学
IPC: G06F30/20 , G06F30/17 , H02J3/38 , G06F111/10
Abstract: 本发明提供了一种双馈风机控制器参数辨识方法及装置，该参数辨识方法包括：根据参数待辨识的双馈风机控制器的结构确定对应的预设数学模型；采集所述双馈风机控制器在当前运行时段的多个输入输出数据；根据所述数学模型以及所述多个输入输出数据得到双馈风机控制器待辨识参数的初步辨识结果；根据预先采集的双馈风机控制器在历史运行时段的多个运行数据对所述待辨识参数的初步辨识结果进行调整，得到双馈风机控制器待辨识参数的最终辨识结果。本发明的双馈风机控制器参数辨识方法大大提高了参数辨识的精度。
-
公开(公告)号：CN112330487A
公开(公告)日：2021-02-05
申请号：CN202011206980.2
申请日：2020-11-03
Applicant: 河北工业大学
Abstract: 本发明为一种光伏发电短期功率预测方法，该方法包括以下内容：获取光伏电站包括各种气象信息影响因素的历史数据，并应用互信息提取出互信息值大于0.7所对应的主要影响因素，以所提取的主要影响因素构成训练和测试数据样本；建立Elman神经网络，并对网络参数进行初始化，以样本作为神经网络的输入，神经网络的输入向量维度与所提取的主要影响因素的数量一致；利用改进的杂交粒子群‑禁忌搜索混合算法优化神经网络的网络结构单元的连接权值，将互信息提取的主要影响因素输入优化后的Elman神经网络进行最后的预测，得到光伏发电功率。该方法有效的解决易早熟问题，避免了局部收敛和粒子搜索能力的下降，防止陷入局部最优，整体实现了光伏预测的准确性。
-
公开(公告)号：CN112329339A
公开(公告)日：2021-02-05
申请号：CN202011162929.6
申请日：2020-10-27
Applicant: 河北工业大学
IPC: G06F30/27 , G06Q10/04 , G06Q50/06 , G06N3/04 , G01P5/00 , G06F111/08 , G06F113/08
Abstract: 本发明公开一种风电场短期风速预测方法，该预测方法对风速分解后的风速分量进行重新组合，得到两个风速分量，降低了多个风速分量预测误差累积造成的整体预测误差过大，并且将影响风速预测效果的风速随机波动提取出来，提高另一风速分量的预测精度。此外，应用人工鱼群算法优化RBF神经网络提高了神经网络的预测精度和计算效率。对于影响风速预测的随机波动，建立了风速波动量对趋势量的相依概率模型，使风速随机波动预测更加准确，提高了风速预测精度。
-
公开(公告)号：CN109139390B
公开(公告)日：2020-03-13
申请号：CN201811127368.9
申请日：2018-09-27
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于声信号特征库的风机桨叶故障识别方法，包括以下步骤：步骤1、采集一个风场所有风机正常运行时各自桨叶发出的声音信号，利用梅尔频率倒谱系数法将各台风机桨叶的声信号转化为待测样本的特征矩阵；步骤2、求取各待测样本的特征矩阵分别与正常状态特征库中对应位置的参考样本的特征矩阵的相关系数ρ1，并设定ρ1的初始阀值a，以此为判据判断所测样本是否故障；步骤3、待测样本经过步骤2判断是否故障，故障类型通过故障类型特征库来识别。通过计算待测样本与正常状态特征库、故障类型特征库中对应参考样本的相关系数的大小来判断是否故障，并指示故障的类型，并对相关系数的阀值不断修正，提高叶片故障检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN107086586B
公开(公告)日：2019-10-15
申请号：CN201710512673.9
申请日：2017-06-29
Applicant: 河北工业大学
Abstract: 本发明基于双馈风机无功发生能力的风电场群的无功补偿方法，其特征在于该方法的内容是：根据风电场内部的输出的有功功率信息和双馈电机以及换流器的基本信息，计算出单台双馈风机无功极限，然后对每个风电场内各单台双馈风机无功功率极限求和，得出单个风电场的无功功率调节的能力极限，为电网调度值的设定提供范围参考，计算得出各个风电场内的无功的极限范围值，在此基础上进行风电场群的无功功率分配；获取各个风电场的无功功率的补偿值，对补偿值进行顺序排序，完成对各有供需的两两风电场的无功功率的互相补偿，进行多次迭代直到无法完成互相补偿，剩余需要补偿的部分利用相应的风电场内部的无功补偿设备去完成无功补偿。
-
公开(公告)号：CN110276132A
公开(公告)日：2019-09-24
申请号：CN201910548885.1
申请日：2019-06-24
Applicant: 河北工业大学
IPC: G06F17/50
Abstract: 本发明公开了一种多风电场的基于不同时间尺度的风速相关性描述方法，该描述方法通过对风速不同尺度波动性的划分，更深层次的发掘了风速的波动性规律及不同风电场间风速变化趋势的相关性；相比于直接应用Copula函数对风速数值建立相关性的方法，本发明描述方法更加准确，所得到的仿真结果具有更加精确的相关性；相比于直接应用Copula函数对区域内风速数值建立相关性的方法，本发明描述方法注重在建模过程中，对各风电场风速具有的风速变化趋势进行表达，所得到的仿真结果更接近真实工况中的风速。本发明描述方法通过分析风速历史数据中的风速波动规律，结合风速不同尺度波动及相关性模型共同建立精度更高的多风场联合风速模型。
-
公开(公告)号：CN109636009A
公开(公告)日：2019-04-16
申请号：CN201811398825.8
申请日：2018-11-22
Applicant: 中国电力科学研究院有限公司 , 国家电网有限公司 , 河北工业大学 , 国网江苏省电力有限公司 , 国网江苏省电力有限公司电力科学研究院
CPC classification number: G06Q10/04 , G06N3/0454 , G06Q10/06393 , G06Q50/06
Abstract: 本发明提供一种建立确定电网线损的神经网络模型的方法和系统。所述方法和系统针对线损建模输入的优化问题，提出采用互信息原理方法辨识出影响线损的主要因素的强弱程度，然后基于采集的线损和影响因素的样本集中的训练集将所述影响因素分组依次代入训练神经网络模型，确定若干个神经网络模型，并利用样本集中的测试集确定每个神经网络模型的评价指标，再对所述评价指标分组计算评价指标平均值以确定作为最优神经网络模型的输入的影响因素，从而提高所建神经网络模型预测线损的准确性。
-
公开(公告)号：CN109344491A
公开(公告)日：2019-02-15
申请号：CN201811133614.1
申请日：2018-09-27
Applicant: 河北工业大学
IPC: G06F17/50
Abstract: 本发明公开了一种考虑天气状态变化和云层遮挡的太阳辐照度建模方法，该建模方法在晴空辐照度和天气变化的基础上考虑云层遮挡变化对太阳辐照度存在的影响；基于实际观测的大气云量数据，定义了一种云遮系数和云遮系数波动范围的概念并给出其详细的计算方法，该方法不同于现有技术中仅单一考虑天气或者云层对太阳辐照度的影响，而是从天气的角度出发，分析不同天气条件下的云遮系数范围，将天气和云层遮挡两类因素有机的结合起来，并提出了详细的步骤，准确反映了综合考虑天气变化和云层遮挡所引起的太阳辐照度波动性变化，得到了趋于实际的全年太阳辐照度时序模型。
-
公开(公告)号：CN105785224A
公开(公告)日：2016-07-20
申请号：CN201410795351.6
申请日：2014-12-18
Applicant: 国家电网公司 , 华北电力科学研究院有限责任公司 , 河北工业大学
Abstract: 本发明提供一种基于三相电压信号的电网故障识别方法以及系统，所述方法包括：采集电网短路故障期间风机输出端母线的三相电压瞬时信号序列；根据所述的三相电压瞬时信号序列确定故障开始时刻；根据所述故障开始时刻确定所述电网短路故障的故障类型。本发明通过采集电网短路故障期间风机输出端母线的三相电压瞬时信号序列，确定出故障开始时刻，进而可根据故障开始时刻确定出电网短路故障的故障类型，实现了准确判断电网短路故障类型，并能精确确定故障发生时刻。
-
-
-
-
-
-
-
-
-
Search Results
121
records
(took 0.025 seconds)
