CN104915747A - 一种发电机组的发电性能评估方法及设备 - Google Patents
一种发电机组的发电性能评估方法及设备 Download PDFInfo
- Publication number
- CN104915747A CN104915747A CN201510056910.6A CN201510056910A CN104915747A CN 104915747 A CN104915747 A CN 104915747A CN 201510056910 A CN201510056910 A CN 201510056910A CN 104915747 A CN104915747 A CN 104915747A
- Authority
- CN
- China
- Prior art keywords
- genset
- assessed
- generated energy
- data
- power generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title abstract description 6
- 238000011156 evaluation Methods 0.000 title abstract description 6
- 238000010248 power generation Methods 0.000 claims abstract description 113
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000007418 data mining Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 230000001143 conditioned effect Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Environmental & Geological Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Wind Motors (AREA)
Abstract
本发明的实施例提供一种发电机组的发电性能评估方法及设备,涉及电力设备领域,能够结合发电机组的历史运行数据对发电机组的发电性能进行精准的评估。该方法包括:获取至少一个发电机组的历史运行数据;在历史运行数据中选取每个发电机组的训练数据;通过基于数据挖掘的人工智能算法计算每个发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型;获取至少一个发电机组中待评估发电机组的待评估运行数据,将待评估运行数据输入对应的纵向发电量预测模型检测待评估发电机组的纵向发电性能是否正常。本发明的实施例用于发电机组的发电性能评估。
Description
技术领域
本发明涉及电力设备领域,尤其涉及一种发电机组的发电性能评估方法及设备。
背景技术
风电场和光伏电站投产运营后,其出力情况能否达到系统的标称出力,发电性能是否稳定且持续,是运营商最为关心的问题,也是决定风电场和光伏电站经济运营指标最为重要的问题。而随机变化的风能和太阳能会导致系统输出功率具有波动性、间歇性和随机性的特点。这给风力发电机组和光伏发电机组的发电性能评估带来的很多困难。
对于风力发电机组,可以通过考核机组功率曲线表征风机的发电性能,功率曲线考核是在某一段时间内记录风电机组轮毂高度处的风速和在该风速下机组的输出功率。将不同风速下风电机组的输出功率绘制成曲线,再按照相应公式矫正至标准空气密度下,绘制成标准功率曲线,以此分析该台机组发电性能的优劣。类似的,也可以通过绘制太阳辐射强度—有功功率曲线来表征光伏发电机组的性能。另一种衡量发电系统性能的方法为:通过一系列生产运行指标来表征其可靠性和经济性,如利用风机设备可利用率、故障时间、年月发电量、等效利用小时数等来评价风力发电机组的发电性能。
但是,发电机组的发电性能往往是同多种运行数据直接相关的,例如:发电机组所处环境的气象数据、发电机组运行数据等等,因此现有技术中并不能综合多种运行数据提供精准的发电性能评估。
发明内容
本发明的实施例提出一种发电机组的发电性能评估方法及设备,能够结合发电机组的历史运行数据对发电机组的发电性能进行精准的评估。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,提供一种发电机组的性能评估方法,包括:
获取至少一个发电机组的历史运行数据,所述历史运行数据用于表征所述发电机组的发电性能;
在所述历史运行数据中选取每个所述发电机组的训练数据;
通过基于数据挖掘的人工智能算法计算每个所述发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型;
获取所述至少一个发电机组中待评估发电机组的待评估运行数据,将所述待评估运行数据输入对应的纵向发电量预测模型检测所述待评估发电机组的纵向发电性能是否正常。
第二方面,提供一种发电机组的性能评估设备,包括:
参数获取单元,用于获取至少一个发电机组的历史运行数据,所述历史运行数据用于表征所述发电机组的发电性能;
数据筛选单元,用于在所述参数获取单元获取的历史运行数据中选取每个所述发电机组的训练数据;
计算单元,用于通过基于数据挖掘的人工智能算法计算所述数据筛选单元选取的每个所述发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型;
检测单元,用于获取所述至少一个发电机组中待评估发电机组的待评估运行数据,将所述待评估运行数据输入所述计算单元获得的对应的纵向发电量预测模型检测所述待评估发电机组的纵向发电性能是否正常。
在上述的方案提供的发电机组的发电性能评估方法中,发电性能评估设备能够结合发电机组的历史运行数据,通过基于数据挖掘的人工智能算法计算每个发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型,进而通过纵向发电量预测模型对发电机组性的发电性能进行评估,能够实现对发电机组的发电性能进行精准的评估。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的实施例提供的一种发电机组的发电性能评估方法的流程示意图;
图2为本发明的另一实施例提供的一种发电机组的发电性能评估方法的流程示意图;
图3为本发明的实施例提供的一种纵向发电量预测模型的建模方法示意图;
图4为本发明的实施例提供的一种纵向发电量预测模型的校验方法示意图;
图5为本发明的实施例提供的一种聚类分析的方法示意图;
图6为本发明的实施例提供的一种横向发电性能的检测方法示意图;
图7为本发明的实施例提供的一种发电性能评估设备的结构示意图;
图8为本发明的另一实施例提供的一种发电性能评估设备的结构示意图;
图9为本发明的又一实施例提供的一种发电性能评估设备的结构示意图。
具体实施方式
现在参照附图描述多个实施例,其中用相同的附图标记指示本文中的相同元件。在下面的描述中,为便于解释,给出了大量具体细节,以便提供对一个或多个实施例的全面理解。然而,很明显,也可以不用这些具体细节来实现所述实施例。在其它例子中,以方框图形式示出公知结构和设备,以便于描述一个或多个实施例。
参照图1所示,本发明的实施例提供一种发电机组的发电性能评估方法,包括如下步骤:
101、获取至少一个发电机组的历史运行数据,所述历史运行数据用于表征所述发电机组的发电性能;
其中,本发明的实施例所保护的发电机组包括:风力发电机组、光伏发电机组,但不限于上述的两种。其中上述的风力发电机组可以为包括单台风力发电机、变压器以及传输线路组成的发电机组,或者多台风力发电机、变压器及传输线路组成的风力发电场;类似的,光伏发电机组也可以为包括单片光伏电池板、变流器及传输线路构成的发电机组,或者可以是由多个光伏电池板、变流器及传输线路构成的太阳能发电站;以光伏发电机组,在实际评估过程中,发电机组的历史运行数据可以为单独表征光伏电池板或者单独表征变流器性能的数据,也可以是同时包括表征光伏电池板和变流器性能的数据,从而实现对发电机组整体性能,或者光伏电池板和变流器等发电机组中任一组成部分的性能的评估。
102、在所述历史运行数据中选取每个所述发电机组的训练数据;
103、通过基于数据挖掘的人工智能算法计算每个所述发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型;
例如,步骤103中的基于数据挖掘的人工智能算法可以采用ANFIS(英文:Adapitive Neuro-fuzzy Inference System,中文:自适应模糊神经推理系统)。
104、获取所述至少一个发电机组中待评估发电机组的待评估运行数据,将所述待评估运行数据输入对应的纵向发电量预测模型检测所述待评估发电机组的纵向发电性能是否正常。
在上述的方案提供的发电机组的发电性能评估方法中,发电性能评估设备能够结合发电机组的历史运行数据,通过基于数据挖掘的人工智能算法计算每个发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型,进而通过纵向发电量预测模型对发电机组的发电性能进行评估,能够实现对发电机组的发电性能进行精准的评估。
具体的,参照图2所示,本发明的实施例提供的发电机组的发电性能评估方法包括:
201、获取至少一个发电机组的历史运行数据,所述历史运行数据用于表征所述发电机组的发电性能。
其中,发电机组可以采用:风力发电机组或光伏发电机组,运行数据包括:气象数据和发电机组运行数据,其中发电机组为风力发电机组时,所述气象数据包括:风速、风向、环境温度、空气湿度、气压及湍流强度;所述发电机组运行数据包括:功率、转速、风机运行状态,其中风机运行状态包括:空转状态、发电状态及停机状态。所述发电机组为光伏发电机组运行数据包括:所述气象数据包括:光辐射强度、环境温度、空气湿度、风速;所述发电机组运行数据包括:功率、光伏发电机组运行状态,其中光伏发电机组运行包括:发电状态、无负荷状态及停机状态。
在步骤201之后还包括:对至少一个发电机组的历史运行数据进行筛选,获取每个发电机组正常运行状态的历史运行数据。
具体的,例如采用风力发电机组时,可以是根据风机运行状态和实际运行范围(如:运行时间段)剔除无效和不合理的运行数据,选择风机正常发电状态的历史数据,筛除风机的内外因限功率运行状态、维护状态、动态过程状态、天气停机等状态的运行数据,历史运行数据的采样点数量足以建立一个完整的发电量预测模型;以此,保证发电量预测模型的精度。同样的对于光伏发电机组采用相同的技术手段及理由对历史运行数据进行筛选,这里不再赘述。
202、在所述历史运行数据中选取每个所述发电机组的训练数据;并在所述历史运行数据中选取每个所述发电机组的校验数据。
其中,步骤202中训练数据用来训练发电机组的纵向发电量预测模型,校验数据用来校核纵向发电量预测模型的准确性。
以风力发电机组为例,步骤202中训练数据的选取和校验数据的选取具体可以通过如下方式选取:
计算训练数据和校验数据的风速-有功功率曲线,用归一化指标如归一化均方根误差(英文:Normalized root mean square error,简称:NREMS)评价风速-有功功率曲线离散度,选择相近离散度的两部分数据为训练数据和检验数据。
式中x为风机有功功率,xref为风机拟合功率曲线功率,n为数据点个数。示例性的在采用光伏发电机组时,可以通过计算光辐射强度-有功功率曲线选取训练数据和校验数据。
203、通过自适应模糊神经推理系统ANFIS计算每个所述发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型。
204、根据每个发电机组的校验数据对每个发电机组的纵向发电量预测模型进行校验。
在步骤203中,由于发电机组的发电性能受诸多因素影响,以风力发电机组为例,风机的发电性能受风速、湍流强度、环境空气密度、地理条件及风机自身特性等因素影响,是一个非线性、多变量的复杂系统。在步骤203中通过ANFIS(Adapitive Neuro-fuzzy InferenceSystem,自适应模糊神经推理系统)完成纵向发电量预测模型的建模,ANFIS是一种结合模糊逻辑和神经网络的模糊推理系统。采用反向传播和最小二乘法的混合算法分别调整前提参数和结论参数,并自动产生If-Then规则。ANFIS既具有模糊控制不要求掌握被控对象精确模型及强鲁棒性的优点,又具有神经网络自学习及高控制精度的优点,能够很好的适应发电机组的发电性能受诸多因素影响。
在步骤203和204中,用训练数据通过ANFIS(AdapitiveNeuro-fuzzy Inference System,自适应模糊神经推理系统)建立纵向发电量预测模型,以风力发电机组为例,如图3所示,ANFIS的输入参数包括:风速、风向、温度、湿度、气压、湍流强度、有功功率,当然这只是一种示例,ANFIS的输入参数也可以包括上述的任意一种或多种参数,当然还可以包括其他如风机转速、风机运行状态等相关参数。用校验数据对纵向发电量预测模型进行校核,此时纵向发电量预测模型的输入参数和输出参数关系如图4所示。采用如下公式评估输入校验数据时预测发电量和实际发电量的关系是否异常,如两者关系是否满足:
该设定值代表校验数据是否合格的判定原则,可根据纵向发电量预测模型各项输入数据的采样精度来确定该设定值。如校验数据不合格,则说明训练出的纵向发电量预测模型适应性较差,则纵向发电量预测模型不合格需要调整ANFIS的模型参数和训练参数(图2所示)重新训练,如:ANFIS的模型参数:模型输入变量的隶属度函数、个数等参数;ANFIS的训练参数:训练次数、初始步长及步长上升下降速率等参数。
205、获取所述至少一个发电机组中待评估发电机组的待评估运行数据,将所述待评估运行数据输入对应的纵向发电量预测模型检测所述待评估发电机组的纵向发电性能是否正常。
步骤205包括:将待评估运行数据输入对应的纵向发电量预测模型获取所述待评估发电机组的预测发电量;
当所述预测发电量与实际发电量的关系满足预设条件时,确定待评估发电机组的纵向发电性能正常;
否则确定所述待评估发电机组的纵向发电性能异常。
其中,在风机实际运行中,在通过发电量检测获取实际发电量后,还可以根据上述步骤205得到的预测发电量和实际发电量的比例关系判定发电机组性能变化的量化指标,如:可以通过对一个时间段内检测的若干实际发电量与对应的预测发电量对发电机组发电性能的变化趋势进行评估。
其中步骤205之前的步骤中,是通过单台发电机组(即待评估发电机组)自身的历史运行数据对待评估发电机组的发电性能进行评估,为提高评估结果的可靠性,在通过步骤205检测待评估发电机组的发电性能异常时,本发明的实施例提供206之后的步骤,将多台发电机组的发电性能进行分类,通过同类发电机组之间发电性能的对比,提高评估结果的可靠性。
206、当所述待评估发电机组的发电性能异常时,获取一组典型运行数据。
207、将所述典型运行数据输入所述至少一个发电机组中每个发电机组的纵向发电量预测模型获取所述每个发电机组的预期发电量。
其中,以风力发电机组为例,在步骤206和207中,风场测风塔的数据可以典型的代表该风场风资源情况,因此典型运行数据中的气象数据可以采用风场测风塔的数据,因此可以选择风场测风塔的历史风机运行数据如轮毂高度风速数据、湍流强度、风向、温度、湿度、气压等数据作为每个发电机组的纵向发电量预测模型的输入,通过各台风机的纵向发电量预测模型,得到风电场中各发电机组的模拟预期发电量。其中,测风塔的历史风机运行数据可选择与发电机组的训练数据及校验数据同时段,以保证测风塔的历史运行数据为各个发电机组正常运行时的数据,从而降低模型训练时未考虑的其他输入因素对发电量预测造成的影响。如缺少测风塔数据,也可参考风场中典型风机的历史运行数据。
208、根据所述每个发电机组的预期发电量进行聚类分析,将所述至少一个发电机组按照预期发电量分为K类,其中K为大于或等于1的正整数;
根据步骤207中获取的各台发电机组的预期发电量,做聚类分析如K-Means聚类算法,对各台发电机组的发电性能做出分类,如图5(以风力发电机组为例),可以综合纵向发电量预测模型的精度和后期评估要求,将1#风机至X#风机按照预计发电量分为K类,同类风机之间发电性能视为同等级别。
209、将所述待评估发电机组的待评估运行数据依次输入与所述待评估发电机组同类的N-1台发电机组的纵向发电量预测模型,检测所述待评估发电机组的横向发电性能是否正常。
参照图6所示,步骤209包括:将所述待评估发电机组的待评估运行数据输入与所述待评估发电机组同类的N-1台发电机组中第一发电机组的纵向发电量预测模型,获取所述待评估发电机组的第一预测发电量;
当所述第一预测发电量与实际发电量的关系满足预设条件时,确定所述待评估发电机组的横向发电性能正常;
否则确定所述待评估发电机组的横向发电性能异常,并将所述待评估发电机组的待评估运行数据输入与所述待评估发电机组同类的N-1台发电机组中其他发电机组的纵向发电量预测模型以检测所述待评估发电机组的横向发电性能是否正常。
以风力发电机组为例,在步骤209中假设发电性能为同等级别的某一类的同类风机中有N台风机,为对比待评估风机与其他风机的发电性能,以其他风机的历史数据作为训练数据,建立待评估风机的N-1个横向发电量预测模型(即其他N-1个风机的纵向发电量预测模型)。其中,训练待评估风机的N-1个横向发电量预测模型的历史运行数据数据优先选用与待评估风机正常运行同时段的数据,以降低模型训练时未考虑的其他输入因素对发电量预测造成的影响。
至此,可以通过横向发电量预测模型检测风机待评估时段的发电量性能:对于每个横向发电量预测模型,以待评估风机的待评估运行数据作为输入数据,评估预测发电量与实际发电量之间的关系,如两者之间是否满足:
以此最终判定该风机发电性能异常。
210、根据通过纵向发电量预测模型获取的预测发电量和/或通过纵向发电量预测模型获取的预测发电量确定所述发电机组性能的改变量。
在上述的方案提供的发电机组的发电性能评估方法中,发电性能评估设备能够结合发电机组的历史运行数据,通过自适应模糊神经推理系统ANFIS计算每个发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型,进而通过纵向发电量预测模型对发电机组性的发电性能进行评估,能够实现对发电机组的发电性能进行精准的评估。
本发明的实施例提供一种发电性能评估设备,用于实施上述发电机组的发电性能评估方法,参照图7所示,包括:
参数获取单元71,用于获取至少一个发电机组的历史运行数据,所述历史运行数据用于表征所述发电机组的发电性能;
数据筛选单元72,用于在所述参数获取单元71获取的历史运行数据中选取每个所述发电机组的训练数据;
计算单元73,用于通过基于数据挖掘的人工智能算法计算所述数据筛选单元72选取的每个所述发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型;
检测单元74,用于获取所述至少一个发电机组中待评估发电机组的待评估运行数据,将所述待评估运行数据输入所述计算单元获得的对应的纵向发电量预测模型检测所述待评估发电机组的纵向发电性能是否正常。
在上述的方案提供的发电性能评估设备能够结合发电机组的历史运行数据,通过基于数据挖掘的人工智能算法计算每个发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型,进而通过纵向发电量预测模型对发电机组性的发电性能进行评估,能够实现对发电机组的发电性能进行精准的评估。
可选的,参照图8所示,还包括:校验单元75;
所述数据筛选单元72还用于在所述参数获取单元71获取的历史运行数据中选取每个所述发电机组的校验数据;
所述校验单元75用于根据所述数据筛选单元72选取的每个发电机组的校验数据对每个发电机组的纵向发电量预测模型进行校验。
可选的,所述数据筛选单元72还用于对所述至少一个发电机组的历史运行数据进行筛选,获取每个发电机组正常运行状态的历史运行数据。
进一步的,参照图9所示,当所述待评估发电机组的发电性能异常时,所述参数获取单元71还用于获取一组典型运行数据;
所述检测单元74还用于将所述参数获取单元71获取的典型运行数据输入所述至少一个发电机组中每个发电机组的纵向发电量预测模型获取所述每个发电机组的预期发电量;
分类单元76用于根据所述检测单元74获取的每个发电机组的预期发电量进行聚类分析,将所述至少一个发电机组按照预期发电量分为K类,其中K为大于或等于1的正整数;
所述检测单元76还用于将所述待评估发电机组的待评估运行数据依次输入与所述待评估发电机组同类的N-1台发电机组的纵向发电量预测模型,检测所述待评估发电机组的横向发电性能是否正常。
进一步的,所述检测单元74具体用于将所述待评估运行数据输入对应的纵向发电量预测模型获取所述待评估发电机组的预测发电量;当所述预测发电量与实际发电量的关系满足预设条件时,确定所述待评估发电机组的纵向发电性能正常;否则确定所述待评估发电机组的纵向发电性能异常。
进一步的,所述检测单元74具体用于将所述待评估发电机组的待评估运行数据输入与所述待评估发电机组同类的N-1台发电机组中第一发电机组的纵向发电量预测模型,获取所述待评估发电机组的第一预测发电量;当所述第一预测发电量与实际发电量的关系满足预设条件时,确定所述待评估发电机组的横向发电性能正常;否则确定所述待评估发电机组的横向发电性能异常,并将所述待评估发电机组的待评估运行数据输入与所述待评估发电机组同类的N-1台发电机组中其他发电机组的纵向发电量预测模型以检测所述待评估发电机组的横向发电性能是否正常。
可选的,所述检测单元74还用于根据通过所述纵向发电量预测模型获取的预测发电量和/或通过所述纵向发电量预测模型获取的预测发电量确定所述发电机组性能的改变量。
其中,上述的实施例中所述发电机组包括:风力发电机组或光伏发电机组;运行数据包括:气象数据和发电机组运行数据。所述发电机组为风力发电机组,所述气象数据包括:风速、风向、环境温度、空气湿度、气压;所述发电机组运行数据包括:功率、转速、风机运行状态,其中风机运行状态包括:空转状态、发电状态及停机状态。所述发电机组为光伏发电机组运行数据包括:所述气象数据包括:光辐射强度、环境温度、空气湿度、风速;所述发电机组运行数据包括:功率、光伏发电机组运行状态,其中光伏发电机组运行包括:发电状态、无负荷状态及停机状态。
需要说明的是,上述设备的实施例中的各个功能单元可以为发电性能评估设备中单独设立的处理器,或者集成在发电性能评估设备中某一处理器中,或者以程序代码的形式存储于发电性能评估设备的存储器中,并由第一设备的某一个处理器调用并执行以上各个单元的功能。以上所述的处理器可以是一个中央处理器(英文:Central ProcessingUnit,简称:CPU),或者是特定集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (24)
1.一种发电机组的发电性能评估方法,其特征在于,包括:
获取至少一个发电机组的历史运行数据,所述历史运行数据用于表征所述发电机组的发电性能;
在所述历史运行数据中选取每个所述发电机组的训练数据;
通过基于数据挖掘的人工智能算法计算每个所述发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型;
获取所述至少一个发电机组中待评估发电机组的待评估运行数据,将所述待评估运行数据输入对应的纵向发电量预测模型检测所述待评估发电机组的纵向发电性能是否正常。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述历史运行数据中选取每个所述发电机组的校验数据;
所述通过基于数据挖掘的人工智能算法计算每个所述发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型后,还包括:
根据每个发电机组的校验数据对每个发电机组的纵向发电量预测模型进行校验。
3.根据权利要求1所述的方法,其特征在于,所述在所述历史运行数据中选取每个所述发电机组的训练数据之前,还包括:
对所述至少一个发电机组的历史运行数据进行筛选,获取每个发电机组正常运行状态的历史运行数据。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述待评估发电机组的发电性能异常时,获取一组典型运行数据;
将所述典型运行数据输入所述至少一个发电机组中每个发电机组的纵向发电量预测模型获取所述每个发电机组的预期发电量;
根据所述每个发电机组的预期发电量进行聚类分析,将所述至少一个发电机组按照预期发电量分为K类,其中K为大于或等于1的正整数;
将所述待评估发电机组的待评估运行数据依次输入与所述待评估发电机组同类的N-1台发电机组的纵向发电量预测模型,检测所述待评估发电机组的横向发电性能是否正常。
5.根据权利要求1所述的方法,其特征在于,所述将所述待评估运行数据输入对应的纵向发电量预测模型检测所述待评估发电机组的纵向发电性能是否正常;包括:
将所述待评估运行数据输入对应的纵向发电量预测模型获取所述待评估发电机组的预测发电量;
当所述预测发电量与实际发电量的关系满足预设条件时,确定所述待评估发电机组的纵向发电性能正常;
否则确定所述待评估发电机组的纵向发电性能异常。
6.根据权利要求4所述的方法,其特征在于,所述将所述待评估发电机组的待评估运行数据依次输入与所述待评估发电机组同类的N-1台发电机组的纵向发电量预测模型,检测所述待评估发电机组的横向发电性能是否正常;包括:
将所述待评估发电机组的待评估运行数据输入与所述待评估发电机组同类的N-1台发电机组中第一发电机组的纵向发电量预测模型,获取所述待评估发电机组的第一预测发电量;
当所述第一预测发电量与实际发电量的关系满足预设条件时,确定所述待评估发电机组的横向发电性能正常;
否则确定所述待评估发电机组的横向发电性能异常,并将所述待评估发电机组的待评估运行数据输入与所述待评估发电机组同类的N-1台发电机组中其他发电机组的纵向发电量预测模型以检测所述待评估发电机组的横向发电性能是否正常。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据通过所述纵向发电量预测模型获取的预测发电量和/或通过所述纵向发电量预测模型获取的预测发电量确定所述发电机组性能的改变量。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述基于数据挖掘的人工智能算法包括:自适应模糊神经推理系统ANFIS。
9.根据权利要求1-7任一项所述的方法,其特征在于,所述发电机组包括:风力发电机组或光伏发电机组。
10.根据权利要求9所述的方法,其特征在于,运行数据包括:气象数据和发电机组运行数据。
11.根据权利要求10所述的方法,其特征在于,所述发电机组为风力发电机组,所述气象数据包括:风速、风向、环境温度、空气湿度、气压及湍流强度;所述发电机组运行数据包括:功率、转速、风机运行状态,其中风机运行状态包括:空转状态、发电状态及停机状态。
12.根据权利要求10所述的方法,其特征在于,所述发电机组为光伏发电机组,所述气象数据包括:光辐射强度、环境温度、空气湿度、风速;所述发电机组运行数据包括:功率、光伏发电机组运行状态,其中光伏发电机组运行状态包括:发电状态、无负荷状态及停机状态。
13.一种发电性能评估设备,其特征在于,包括:
参数获取单元,用于获取至少一个发电机组的历史运行数据,所述历史运行数据用于表征所述发电机组的发电性能;
数据筛选单元,用于在所述参数获取单元获取的历史运行数据中选取每个所述发电机组的训练数据;
计算单元,用于通过基于数据挖掘的人工智能算法计算所述数据筛选单元选取的每个所述发电机组的训练数据获得至少一个发电机组的纵向发电量预测模型;
检测单元,用于获取所述至少一个发电机组中待评估发电机组的待评估运行数据,将所述待评估运行数据输入所述计算单元获得的对应的纵向发电量预测模型检测所述待评估发电机组的纵向发电性能是否正常。
14.根据权利要求13所述的设备,其特征在于,还包括:校验单元;
所述数据筛选单元还用于在所述参数获取单元获取的历史运行数据中选取每个所述发电机组的校验数据;
所述校验单元用于根据所述数据筛选单元选取的每个发电机组的校验数据对每个发电机组的纵向发电量预测模型进行校验。
15.根据权利要求13所述的设备,其特征在于,所述数据筛选单元还用于对所述至少一个发电机组的历史运行数据进行筛选,获取每个发电机组正常运行状态的历史运行数据。
16.根据权利要求13所述的设备,其特征在于,
当所述待评估发电机组的发电性能异常时,所述参数获取单元还用于获取一组典型运行数据;
所述检测单元还用于将所述参数获取单元获取的典型运行数据输入所述至少一个发电机组中每个发电机组的纵向发电量预测模型获取所述每个发电机组的预期发电量;
分类单元用于根据所述检测单元获取的每个发电机组的预期发电量进行聚类分析,将所述至少一个发电机组按照预期发电量分为K类,其中K为大于或等于1的正整数;
所述检测单元还用于将所述待评估发电机组的待评估运行数据依次输入与所述待评估发电机组同类的N-1台发电机组的纵向发电量预测模型,检测所述待评估发电机组的横向发电性能是否正常。
17.根据权利要求13所述的设备,其特征在于,所述检测单元具体用于将所述待评估运行数据输入对应的纵向发电量预测模型获取所述待评估发电机组的预测发电量;当所述预测发电量与实际发电量的关系满足预设条件时,确定所述待评估发电机组的纵向发电性能正常;否则确定所述待评估发电机组的纵向发电性能异常。
18.根据权利要求16所述的设备,其特征在于,所述检测单元具体用于将所述待评估发电机组的待评估运行数据输入与所述待评估发电机组同类的N-1台发电机组中第一发电机组的纵向发电量预测模型,获取所述待评估发电机组的第一预测发电量;当所述第一预测发电量与实际发电量的关系满足预设条件时,确定所述待评估发电机组的横向发电性能正常;否则确定所述待评估发电机组的横向发电性能异常,并将所述待评估发电机组的待评估运行数据输入与所述待评估发电机组同类的N-1台发电机组中其他发电机组的纵向发电量预测模型以检测所述待评估发电机组的横向发电性能是否正常。
19.根据权利要求18所述的设备,其特征在于,
所述检测单元还用于根据通过所述纵向发电量预测模型获取的预测发电量和/或通过所述纵向发电量预测模型获取的预测发电量确定所述发电机组性能的改变量。
20.根据权利要求13-19任一项所述的设备,其特征在于,所述基于数据挖掘的人工智能算法包括:自适应模糊神经推理系统ANFIS。
21.根据权利要求13-19任一项所述的设备,其特征在于,所述发电机组包括:风力发电机组或光伏发电机组。
22.根据权利要求21所述的设备,其特征在于,运行数据包括:气象数据和发电机组运行数据。
23.根据权利要求22所述的设备,其特征在于,所述发电机组为风力发电机组,所述气象数据包括:风速、风向、环境温度、空气湿度、气压;所述发电机组运行数据包括:功率、转速、风机运行状态,其中风机运行状态包括:空转状态、发电状态及停机状态。
24.根据权利要求22所述的设备,其特征在于,所述发电机组为光伏发电机组,所述气象数据包括:光辐射强度、环境温度、空气湿度、风速;所述发电机组运行数据包括:功率、光伏发电机组运行状态,其中光伏发电机组运行包括:发电状态、无负荷状态及停机状态。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510056910.6A CN104915747B (zh) | 2015-02-03 | 2015-02-03 | 一种发电机组的发电性能评估方法及设备 |
US15/013,420 US20160223600A1 (en) | 2015-02-03 | 2016-02-02 | Power generation performance evaluation method and apparatus for power generator set |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510056910.6A CN104915747B (zh) | 2015-02-03 | 2015-02-03 | 一种发电机组的发电性能评估方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915747A true CN104915747A (zh) | 2015-09-16 |
CN104915747B CN104915747B (zh) | 2019-02-01 |
Family
ID=54084793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510056910.6A Active CN104915747B (zh) | 2015-02-03 | 2015-02-03 | 一种发电机组的发电性能评估方法及设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20160223600A1 (zh) |
CN (1) | CN104915747B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911467A (zh) * | 2016-04-21 | 2016-08-31 | 华电电力科学研究院 | 复杂地形下的风电机组功率曲线考核评估方法 |
CN106682781A (zh) * | 2016-12-30 | 2017-05-17 | 山东鲁能软件技术有限公司 | 一种电力设备多指标预测方法 |
CN107016470A (zh) * | 2017-04-28 | 2017-08-04 | 北京天诚同创电气有限公司 | 风力发电场风能预测方法和装置 |
CN107633368A (zh) * | 2017-09-27 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风力发电机组出力性能评估方法及装置 |
CN108121750A (zh) * | 2016-11-30 | 2018-06-05 | 西门子公司 | 一种模型处理方法、装置及机器可读介质 |
WO2018121668A1 (en) * | 2016-12-30 | 2018-07-05 | Envision Energy (Jiangsu) Co., Ltd. | A method and system for evaluating wind turbine generator performance |
CN108736469A (zh) * | 2018-05-31 | 2018-11-02 | 北京鉴衡认证中心有限公司 | 风电场运行数据的分析方法 |
CN109858066A (zh) * | 2018-11-27 | 2019-06-07 | 深圳市禾望电气股份有限公司 | 一种变流器过温预警方法和系统 |
CN109978258A (zh) * | 2019-03-26 | 2019-07-05 | 北京博望华科科技有限公司 | 基于机器学习的多数据源光伏发电量预测方法及系统 |
CN110687881A (zh) * | 2019-10-22 | 2020-01-14 | 浪潮天元通信信息系统有限公司 | 一种基于物联网的电动机械设备远程智能分析方法 |
CN110826899A (zh) * | 2019-10-31 | 2020-02-21 | 三一重能有限公司 | 一种风力发电机组的性能评估方法、装置、设备及存储介质 |
CN111369390A (zh) * | 2020-03-30 | 2020-07-03 | 北京拾易技术有限公司 | 风力发电机组孪生功率曲线模型的应用方法和系统 |
CN112424702A (zh) * | 2018-08-14 | 2021-02-26 | 西门子股份公司 | 过程控制器及其方法和系统 |
CN116069002A (zh) * | 2023-03-22 | 2023-05-05 | 常州市诺七微电子科技有限公司 | 一种电机控制器转速均衡测试方法及系统 |
CN116956047A (zh) * | 2023-09-19 | 2023-10-27 | 北京岳能科技股份有限公司 | 一种基于风力发电数据的风电机组性能评估系统 |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779223B (zh) * | 2016-12-21 | 2020-10-27 | 创维互联(北京)新能源科技有限公司 | 一种光伏系统发电功率实时预测方法及装置 |
TWI662423B (zh) * | 2017-02-06 | 2019-06-11 | 台灣電力股份有限公司 | 風力發電之預測顯示系統及方法 |
CN108536881B (zh) * | 2017-03-06 | 2020-10-16 | 新疆金风科技股份有限公司 | 用于计算风电场发电量的方法和设备 |
TWI623890B (zh) * | 2017-07-04 | 2018-05-11 | 台灣電力股份有限公司 | 由多個類神經網路組成的發電量預測系統與其方法 |
JP7076764B2 (ja) * | 2017-07-18 | 2022-05-30 | Mers Fors株式会社 | ソーラーセルグループ及びソーラー発電システム |
US10732319B2 (en) | 2017-08-30 | 2020-08-04 | International Business Machines Corporation | Forecasting solar power output |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN108564223A (zh) * | 2018-04-23 | 2018-09-21 | 中国农业大学 | 光伏发电功率预测方法的组合评估方法及装置 |
CN110782059A (zh) * | 2018-07-31 | 2020-02-11 | 北京金风科创风电设备有限公司 | 风力发电机组关键性能指标预测方法、装置、设备及介质 |
CN110852544B (zh) * | 2018-08-21 | 2023-02-03 | 新疆金风科技股份有限公司 | 风力发电机组的可靠性评估方法及装置 |
CN110874663B (zh) * | 2018-08-31 | 2022-07-08 | 北京金风科创风电设备有限公司 | 用于风力发电机组的不间断电源的故障优化方法及装置 |
CN110929972B (zh) * | 2018-09-20 | 2023-09-08 | 西门子股份公司 | 评估配电变压器状态的方法、装置、设备、介质和程序 |
US11922471B1 (en) * | 2018-11-28 | 2024-03-05 | Unitedhealth Group Incorporated | Automated data routing and comparison systems and methods for identifying and implementing an optimal pricing model |
CN111400845B (zh) * | 2018-12-27 | 2024-05-17 | 北京金风科创风电设备有限公司 | 风电机组的发电性能评估方法和装置 |
CN109978191A (zh) * | 2019-03-29 | 2019-07-05 | 上海电气集团股份有限公司 | 工业装备系统的系统状态的评估方法以及评估装置 |
CN110619489A (zh) * | 2019-10-23 | 2019-12-27 | 国网重庆市电力公司电力科学研究院 | 一种电网自动电压控制策略评价方法及可读存储介质 |
CN110991932A (zh) * | 2019-12-19 | 2020-04-10 | 华润电力技术研究院有限公司 | 一种风电场运行状态评估方法、系统及相关设备 |
CN111046582A (zh) * | 2019-12-27 | 2020-04-21 | 大亚湾核电运营管理有限责任公司 | 一种核电站柴油发电机组线圈温度预警方法及系统 |
CN112632112A (zh) * | 2019-12-31 | 2021-04-09 | 北京金风慧能技术有限公司 | 风力发电机组的损失电量的计算方法和设备 |
CN111475772B (zh) * | 2020-03-27 | 2023-12-15 | 微梦创科网络科技(中国)有限公司 | 一种容量评估方法及装置 |
CN111539154A (zh) * | 2020-04-16 | 2020-08-14 | 哈尔滨工业大学 | 一种汽轮机运行性能变化的定量评估方法 |
CN111738556B (zh) * | 2020-05-26 | 2024-01-26 | 南京南自华盾数字技术有限公司 | 一种基于机头微气候评估风机发电能力的方法 |
CN111967675A (zh) * | 2020-08-19 | 2020-11-20 | 京东方科技集团股份有限公司 | 光伏发电量的预测方法以及预测装置 |
KR102495822B1 (ko) * | 2020-11-20 | 2023-02-06 | 세종대학교산학협력단 | 전력 변압기 고장 진단을 위한 지능형 시스템 |
CN112564100B (zh) * | 2020-12-03 | 2023-02-07 | 国网山东省电力公司电力科学研究院 | 基于空预器差压实时评估火电机组最大出力的方法及系统 |
US11728654B2 (en) * | 2021-03-19 | 2023-08-15 | General Electric Renovables Espana, S.L. | Systems and methods for operating power generating assets |
CN113361759A (zh) * | 2021-05-31 | 2021-09-07 | 南京南瑞水利水电科技有限公司 | 一种抽蓄电站发电容量预测方法 |
US20230213149A1 (en) * | 2021-12-31 | 2023-07-06 | Kepler Energy Systems, Inc. | Power Shift System to Store and Distribute Energy |
CN114723104B (zh) * | 2022-03-11 | 2023-05-16 | 新疆大学 | 一种风电机组机舱电气设备能耗优化综合建模方法及系统 |
CN114757380B (zh) * | 2022-04-29 | 2024-02-20 | 西安热工研究院有限公司 | 一种火电厂故障预警系统、方法、电子设备及存储介质 |
CN115600931A (zh) * | 2022-11-30 | 2023-01-13 | 东方电气风电股份有限公司(Cn) | 一种风力发电机组发电性能对标评估分析方法及系统 |
CN116266247A (zh) * | 2022-11-30 | 2023-06-20 | 新疆金风科技股份有限公司 | 风力发电机组的发电性能评估方法和装置 |
CN116106743B (zh) * | 2023-04-11 | 2023-07-21 | 长沙润伟机电科技有限责任公司 | 一种多负载脉冲功率电源数据采集与控制系统 |
CN116628551B (zh) * | 2023-05-23 | 2024-03-08 | 上海发电设备成套设计研究院有限责任公司 | 在役核电机组的可靠性高精度预测、监控和增长方法 |
CN117272839B (zh) * | 2023-11-20 | 2024-02-06 | 北京阿迈特医疗器械有限公司 | 基于神经网络的支架压握性能预测方法及装置 |
CN117869217A (zh) * | 2024-01-24 | 2024-04-12 | 武汉联动设计股份有限公司 | 一种风电机组监测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制系统有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6711556B1 (en) * | 1999-09-30 | 2004-03-23 | Ford Global Technologies, Llc | Fuzzy logic controller optimization |
US8185331B2 (en) * | 2011-09-02 | 2012-05-22 | Onsemble LLC | Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms |
US20140316838A1 (en) * | 2011-12-08 | 2014-10-23 | Vestas Wind Systems A/S | Decision support system (dss) for maintenance of a plurality of renewable energy generators in a renewable power plant |
CN103514353A (zh) * | 2012-06-29 | 2014-01-15 | 国际商业机器公司 | 新增风机的功率预测方法和系统 |
CN104021424B (zh) * | 2013-02-28 | 2018-12-07 | 乌托巴斯洞察公司 | 用于预测风场中的风机的输出功率的方法和装置 |
US9690884B2 (en) * | 2013-06-05 | 2017-06-27 | WindLogics Inc. | Wind farm prediction of potential and actual power generation |
US9564757B2 (en) * | 2013-07-08 | 2017-02-07 | Eaton Corporation | Method and apparatus for optimizing a hybrid power system with respect to long-term characteristics by online optimization, and real-time forecasts, prediction or processing |
-
2015
- 2015-02-03 CN CN201510056910.6A patent/CN104915747B/zh active Active
-
2016
- 2016-02-02 US US15/013,420 patent/US20160223600A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制系统有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911467B (zh) * | 2016-04-21 | 2019-02-12 | 华电电力科学研究院 | 复杂地形下的风电机组功率曲线考核评估方法 |
CN105911467A (zh) * | 2016-04-21 | 2016-08-31 | 华电电力科学研究院 | 复杂地形下的风电机组功率曲线考核评估方法 |
CN108121750A (zh) * | 2016-11-30 | 2018-06-05 | 西门子公司 | 一种模型处理方法、装置及机器可读介质 |
CN108121750B (zh) * | 2016-11-30 | 2022-07-08 | 西门子公司 | 一种模型处理方法、装置及机器可读介质 |
CN106682781A (zh) * | 2016-12-30 | 2017-05-17 | 山东鲁能软件技术有限公司 | 一种电力设备多指标预测方法 |
WO2018121668A1 (en) * | 2016-12-30 | 2018-07-05 | Envision Energy (Jiangsu) Co., Ltd. | A method and system for evaluating wind turbine generator performance |
CN107016470A (zh) * | 2017-04-28 | 2017-08-04 | 北京天诚同创电气有限公司 | 风力发电场风能预测方法和装置 |
CN107633368A (zh) * | 2017-09-27 | 2018-01-26 | 北京金风科创风电设备有限公司 | 风力发电机组出力性能评估方法及装置 |
CN107633368B (zh) * | 2017-09-27 | 2019-04-02 | 北京金风科创风电设备有限公司 | 风力发电机组出力性能评估方法及装置 |
CN108736469A (zh) * | 2018-05-31 | 2018-11-02 | 北京鉴衡认证中心有限公司 | 风电场运行数据的分析方法 |
CN108736469B (zh) * | 2018-05-31 | 2020-11-03 | 北京鉴衡认证中心有限公司 | 风电场运行数据的分析方法 |
CN112424702B (zh) * | 2018-08-14 | 2024-03-08 | 西门子股份公司 | 过程控制器及其方法和系统 |
CN112424702A (zh) * | 2018-08-14 | 2021-02-26 | 西门子股份公司 | 过程控制器及其方法和系统 |
CN109858066A (zh) * | 2018-11-27 | 2019-06-07 | 深圳市禾望电气股份有限公司 | 一种变流器过温预警方法和系统 |
CN109858066B (zh) * | 2018-11-27 | 2023-07-25 | 深圳市禾望电气股份有限公司 | 一种变流器过温预警方法和系统 |
CN109978258A (zh) * | 2019-03-26 | 2019-07-05 | 北京博望华科科技有限公司 | 基于机器学习的多数据源光伏发电量预测方法及系统 |
CN110687881A (zh) * | 2019-10-22 | 2020-01-14 | 浪潮天元通信信息系统有限公司 | 一种基于物联网的电动机械设备远程智能分析方法 |
CN110826899A (zh) * | 2019-10-31 | 2020-02-21 | 三一重能有限公司 | 一种风力发电机组的性能评估方法、装置、设备及存储介质 |
CN110826899B (zh) * | 2019-10-31 | 2023-01-31 | 三一重能股份有限公司 | 一种风力发电机组的性能评估方法、装置、设备及存储介质 |
CN111369390B (zh) * | 2020-03-30 | 2020-10-30 | 北京拾易技术有限公司 | 风力发电机组孪生功率曲线模型的应用方法和系统 |
CN111369390A (zh) * | 2020-03-30 | 2020-07-03 | 北京拾易技术有限公司 | 风力发电机组孪生功率曲线模型的应用方法和系统 |
CN116069002A (zh) * | 2023-03-22 | 2023-05-05 | 常州市诺七微电子科技有限公司 | 一种电机控制器转速均衡测试方法及系统 |
CN116956047A (zh) * | 2023-09-19 | 2023-10-27 | 北京岳能科技股份有限公司 | 一种基于风力发电数据的风电机组性能评估系统 |
CN116956047B (zh) * | 2023-09-19 | 2023-12-08 | 北京岳能科技股份有限公司 | 一种基于风力发电数据的风电机组性能评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104915747B (zh) | 2019-02-01 |
US20160223600A1 (en) | 2016-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915747A (zh) | 一种发电机组的发电性能评估方法及设备 | |
US8606416B2 (en) | Energy generating system and control thereof | |
Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
CN107742053B (zh) | 风电机组异常识别方法及装置 | |
CN106979126B (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
CN104952000A (zh) | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
US20120144237A1 (en) | Method of efficacy anticipation and failure examination for an apparatus | |
CN105205569A (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CN103996079B (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN104091209A (zh) | 基于bp神经网络的风电机组功率特性评估方法 | |
CN103150635A (zh) | 电力设备运维方法 | |
CN105427005A (zh) | 一种风电场运行风险评估方法 | |
CN110429637A (zh) | 一种概率静态电压稳定域的可视化方法 | |
CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN114033617B (zh) | 一种控制参量自适应调整的可控风力发电方法及系统 | |
CN104574221B9 (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
CN111950131B (zh) | 一种考虑限电因素的风电场出力等值聚合模型构建方法 | |
Cheggaga et al. | A neural network solution for extrapolation of wind speeds at heights ranging for improving the estimation of wind producible | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
Lin et al. | Operational probabilistic power flow analysis for hybrid AC-DC interconnected power systems with high penetration of offshore wind energy | |
CN114595989A (zh) | 一种风电机组性能评估方法及装置 | |
Xiong et al. | Research on health condition assessment method for spacecraft power control system based on SVM and cloud model | |
CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Shen Gang street of Jiangyin city in Jiangsu province 214443 Wuxi city Shen Zhuang Road No. 3 Patentee after: Vision Energy Co.,Ltd. Address before: Shen Gang street of Jiangyin city in Jiangsu province 214443 Wuxi city Shen Zhuang Road No. 3 Patentee before: Envision Energy (Denmark) APS |