公开(公告)号：CN109444740A

公开(公告)日：2019-03-08

申请号：CN201811351945.2

申请日：2018-11-14

Applicant: 湖南大学

Inventor： 于文新 ,  黄守道 ,  赵延明 ,  吴轩

IPC: G01R31/34

CPC classification number: G01R31/34

Abstract: 本发明公开了一种风电机组的故障状态智能监测与诊断方法，包括以下步骤：利用偏最小二乘法建立风电机组非线性模型；结合极限学习机、混沌映射和萤火虫算法构建故障预测模型；通过深度信念学习结合极限学习机建立DBN-ELM故障诊断模型；通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测，判断风电机组是否发生故障，启动故障诊断模型对故障进行诊断和定位。本发明首先利用偏最小二乘法建立风电机组非线性模型，然后结合极限学习机、混沌映射和萤火虫算法构建故障预测模型，通过二者结合进行故障监测；一旦监测模型发生报警，启动DBN-ELM模型对故障进行诊断和定位，降低了故障监测的复杂度，提高了故障的诊断正确率。

公开(公告)号：CN109444740B

公开(公告)日：2020-10-02

申请号：CN201811351945.2

申请日：2018-11-14

Applicant: 湖南大学

Inventor： 于文新 ,  黄守道 ,  赵延明 ,  吴轩

IPC: G01R31/34

Abstract: 本发明公开了一种风电机组的故障状态智能监测与诊断方法，包括以下步骤：利用偏最小二乘法建立风电机组非线性模型；结合极限学习机、混沌映射和萤火虫算法构建故障预测模型；通过深度信念学习结合极限学习机建立DBN‑ELM故障诊断模型；通过计算非线性数学模型与预测模型之间的残差对机组进行状态监测，判断风电机组是否发生故障，启动故障诊断模型对故障进行诊断和定位。本发明首先利用偏最小二乘法建立风电机组非线性模型，然后结合极限学习机、混沌映射和萤火虫算法构建故障预测模型，通过二者结合进行故障监测；一旦监测模型发生报警，启动DBN‑ELM模型对故障进行诊断和定位，降低了故障监测的复杂度，提高了故障的诊断正确率。