-
公开(公告)号：CN109086793A
公开(公告)日：2018-12-25
申请号：CN201810675216.6
申请日：2018-06-27
Applicant: 东北大学
IPC: G06K9/62
Abstract: 本发明的一种风力发电机的异常识别方法，将SCADA数据中异常的属性剔出，保留的其他属性经k-means聚类；将属性分别经t-SNE降低成固定维数；将降维后的有效数据进行皮尔森相关系数计算排序，转换为图片作为CNN的输入，通过对图片二分类实现风机的正异常判断。该异常识别方法在建立风机异常识别模型时，输入输出涉及所有属性，模型可以有效识别多类属性同时发生多种异常，模型具有通用性，适用于任何风场；采用先聚类后类内降维的数据预处理方法，去除了不必要的干扰，提高准确性；采用卷积神经网络进行属性异常识别可抑制噪声干扰，准确发现风机属性图片微小变化，较强的区别特征的能力和鲁棒性使其具有更好的准确性。
-
公开(公告)号：CN109242115B
公开(公告)日：2021-11-09
申请号：CN201811082332.3
申请日：2018-09-17
Applicant: 东北大学
Abstract: 本发明提供一种基于GAN的风机轮毂测风缺失数据的插补方法，涉及风机故障诊断技术领域。本发明通过从风场SCADA系统获取初始风速数据集，删除初始风速数据集中的异常数据，并按照风机编号构成风速数据集；在进行不同风机之间的风速数据相关性分析后，得出相关系数矩阵；采用蚁群算法对不同风机的风速数据进行排序；构建生成对抗网络训练时所需的训练样本、构建生成对抗网络的生成器模型及对抗器模型；将训练样本输入到生成器模型及对抗器模型中，进行迭代训练，完成数据的插补工作。本发明对风机场的数据进行了相关性分析，使得具有高相关性的数据能够聚集得更近，使得图片变得更为平滑，提高了模型训练的收敛速度；该方法能够进行较长时间的数据插补。
-
公开(公告)号：CN109086793B
公开(公告)日：2021-11-16
申请号：CN201810675216.6
申请日：2018-06-27
Applicant: 东北大学
IPC: G06K9/62
Abstract: 本发明的一种风力发电机的异常识别方法，将SCADA数据中异常的属性剔出，保留的其他属性经k‑means聚类；将属性分别经t‑SNE降低成固定维数；将降维后的有效数据进行皮尔森相关系数计算排序，转换为图片作为CNN的输入，通过对图片二分类实现风机的正异常判断。该异常识别方法在建立风机异常识别模型时，输入输出涉及所有属性，模型可以有效识别多类属性同时发生多种异常，模型具有通用性，适用于任何风场；采用先聚类后类内降维的数据预处理方法，去除了不必要的干扰，提高准确性；采用卷积神经网络进行属性异常识别可抑制噪声干扰，准确发现风机属性图片微小变化，较强的区别特征的能力和鲁棒性使其具有更好的准确性。
-
公开(公告)号：CN109242115A
公开(公告)日：2019-01-18
申请号：CN201811082332.3
申请日：2018-09-17
Applicant: 东北大学
Abstract: 本发明提供一种基于GAN的风机轮毂测风缺失数据的插补方法，涉及风机故障诊断技术领域。本发明通过从风场SCADA系统获取初始风速数据集，删除初始风速数据集中的异常数据，并按照风机编号构成风速数据集；在进行不同风机之间的风速数据相关性分析后，得出相关系数矩阵；采用蚁群算法对不同风机的风速数据进行排序；构建生成对抗网络训练时所需的训练样本、构建生成对抗网络的生成器模型及对抗器模型；将训练样本输入到生成器模型及对抗器模型中，进行迭代训练，完成数据的插补工作。本发明对风机场的数据进行了相关性分析，使得具有高相关性的数据能够聚集得更近，使得图片变得更为平滑，提高了模型训练的收敛速度；该方法能够进行较长时间的数据插补。
-
-
-
Search Results
4
records
(took 0.012 seconds)
