-
公开(公告)号：CN112949543B
公开(公告)日：2022-08-23
申请号：CN202110284821.2
申请日：2021-03-17
Applicant: 长春吉电能源科技有限公司 , 吉林电力股份有限公司科技开发分公司 , 东北电力大学
Abstract: 本发明涉及风机故障诊断技术领域，提供一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法，包括：步骤1：风机叶片故障诊断模型建立：获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成样本，并添加故障状态标签；对叶片振动信号进行快速傅里叶变换；对叶片振动信号的频谱进行特征提取，记录特征值包括最大幅值、最大幅值对应的频率等；以每台风机在每个采样区间的特征值及该采样区间最后一秒的瞬时风速与瞬时风功率为输入、对应的故障状态标签为输出，构建并训练基于ELM的风机叶片故障诊断模型；步骤2：新工况叶片故障诊断。本发明能够提高风机叶片故障诊断的准确率与效率并降低成本。
-
公开(公告)号：CN111091236B
公开(公告)日：2023-06-20
申请号：CN201911186151.X
申请日：2019-11-27
Applicant: 长春吉电能源科技有限公司 , 吉林电力股份有限公司科技开发分公司 , 吉林中电投新能源有限公司 , 东北电力大学
Abstract: 本发明公开了一种按桨距角分类的多分类深度学习短期风功率预测方法,包括以下步骤：将原始风机数据按桨距角度区间等分划分为四个数据集；对所述的四个数据集分别做皮尔森相关性分析以确定每个数据集中各变量与风功率的相关度；根据每个数据集中变量的相关度，挑选与风功率相关性高的几种变量作为深度神经网络模型的输入，风功率作为输出；将每个数据集按比例划分为训练集和测试集，使用训练集和测试集对所述深度神经网络模型分别进行训练和测试，得出最终的深度神经网络模型。本发明的预测方法克服了现有技术中风功率预测精确度不高的问题。
-
公开(公告)号：CN112949543A
公开(公告)日：2021-06-11
申请号：CN202110284821.2
申请日：2021-03-17
Applicant: 长春吉电能源科技有限公司 , 吉林电力股份有限公司科技开发分公司 , 东北电力大学
Abstract: 本发明涉及风机故障诊断技术领域，提供一种基于快速傅里叶变换和ELM的风机叶片故障诊断方法，包括：步骤1：风机叶片故障诊断模型建立：获取每台风机在每个采样区间的叶片振动信号、该采样区间最后一秒的瞬时风速与瞬时风功率形成样本，并添加故障状态标签；对叶片振动信号进行快速傅里叶变换；对叶片振动信号的频谱进行特征提取，记录特征值包括最大幅值、最大幅值对应的频率等；以每台风机在每个采样区间的特征值及该采样区间最后一秒的瞬时风速与瞬时风功率为输入、对应的故障状态标签为输出，构建并训练基于ELM的风机叶片故障诊断模型；步骤2：新工况叶片故障诊断。本发明能够提高风机叶片故障诊断的准确率与效率并降低成本。
-
公开(公告)号：CN111091236A
公开(公告)日：2020-05-01
申请号：CN201911186151.X
申请日：2019-11-27
Applicant: 长春吉电能源科技有限公司 , 吉林电力股份有限公司科技开发分公司 , 吉林中电投新能源有限公司 , 东北电力大学
Abstract: 本发明公开了一种按桨距角分类的多分类深度学习短期风功率预测方法,包括以下步骤：将原始风机数据按桨距角度区间等分划分为四个数据集；对所述的四个数据集分别做皮尔森相关性分析以确定每个数据集中各变量与风功率的相关度；根据每个数据集中变量的相关度，挑选与风功率相关性高的几种变量作为深度神经网络模型的输入，风功率作为输出；将每个数据集按比例划分为训练集和测试集，使用训练集和测试集对所述深度神经网络模型分别进行训练和测试，得出最终的深度神经网络模型。本发明的预测方法克服了现有技术中风功率预测精确度不高的问题。
-
-
-
Search Results
4
records
(took 0.05 seconds)
