CN105740595A - 一种风机功率特性曲线的辨识方法及系统 - Google Patents
一种风机功率特性曲线的辨识方法及系统 Download PDFInfo
- Publication number
- CN105740595A CN105740595A CN201410773288.6A CN201410773288A CN105740595A CN 105740595 A CN105740595 A CN 105740595A CN 201410773288 A CN201410773288 A CN 201410773288A CN 105740595 A CN105740595 A CN 105740595A
- Authority
- CN
- China
- Prior art keywords
- fan
- power
- fan operation
- characteristic curve
- population
- 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.)
- Pending
Links
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及一种风机功率特性曲线的辨识方法及系统。该辨识方法包括:根据实际测得的风机运行数据确定风机运行数据包络线;基于所述风机运行数据包络线利用遗传算法辨识风机功率特性曲线。本发明基于风机实际运行的功率数据生成风机的实际运行功率曲线,采用风机运行功率曲线分段和遗传算法计算,可以显著提高拟合曲线与实际曲线的符合度,使求得的风机功率曲线能更加精确地反应风机特性。
Description
技术领域
本发明涉及风电领域,尤其涉及一种风机功率特性曲线的辨识方法及系统。
背景技术
风力发电机组发电能力可以通过风力发电机组的功率特性来表征。功率特性可以通过功率曲线和功率系数(Cp)来体现,功率曲线是风力发电机组输出功率随风速变化的关系曲线。功率曲线可以由风力发电机组制造商提供,也可以基于风电机组装机运行后的实际运行数据生成。
风机的实际运行功率曲线是根据风机运行时所采集记录的风机实际运行数据得到的,其获取主要分为两个步骤,一是风机实际运行数据的采集;二是通过对数据的处理获得风机实际运行功率曲线。
遗传算法可以用来对采集到的数据进行处理来获得实际运行功率曲线。遗传算法是采用类似自然界生物遗传的方法,通过模拟自然界对生物的选择,产生适者生存、优胜劣汰的效果,进而实现优化。自然界对生物的选择作用与生物的适应性紧密相关,生物对自然界的适应能力的强弱决定着其在自然界中的生存机率,适应度低的个体逐渐遭到淘汰,适应度高的个体多数得以生存,经过代代繁衍,生物种群会朝向适应度高的方向发展,总体特征表现为生物体整体的适应性提高,呈现进化趋势。生物的适应性是生物对外习性的体现,对内就体现为生物基因对生物性状的控制。遗传算法模拟自然界生物进化的方法,将待优化问题转化成类似自然界优胜劣汰的问题,模拟自然选择,选出最优解。遗传算法将待优化问题中的参变量通过一定规则转换成一组二进制基因序列,一个基因序列代表一个个体,后随机生成多组序列,形成初始种群。通过制定适应度函数、评价函数、设立约束条件等方式来模拟自然界环境对生物的约束,对自然界适应性强弱与基因转化成的参数带入适应度函数所得适应度函数值呈正相关。适应度函数值决定着个体在筛选过程中被保留的机率,适应度越高,被保留机率越大。经过代代遗传,层层筛选,适应度高的个体最终得以保留,适应度低的个体遭到淘汰,最终使得种群基因逐渐趋近最优解,从而实现对任务要求类型的最优化。对种群基因进行的遗传操作主要有三种:复制、交叉、变异。复制操作是指单个基因的完整保留并进入下一代。个体是否被执行复制操作的判断依据是其适应度值,适应度函数值越高,个体对自然界环境的适应能力越强,能复制进入下一代的机率越大。交叉操作类似于自然界中的生物体交配产生新个体。交叉主体是一对个体的基因,过程是两个个体基因的部分交换,交换根据一定原则进行。变异操作类似于自然界中的基因突变,在遗传算法中主要体现为用于表示基因的数字串上某单点或多点数值的改变,通过这种改变来达到对基因体的改变。在遗传算法中会制定相应的交叉算子、变异算子等。交叉算子用来指定进行交叉操作的个体,并决定个体基因序列中互换的位置;变异算子的作用是决定变异的个体,并决定基因串上发生变异的具体位置。复制、遗传、变异等操作产生了新一代种群,之后计算新种群的适应度函数值和评价函数值,再进行复制、遗传、变异等操作,如此循环,直至满足优化目标。遗传算法的迭代终止条件可以是使种群整体的适应度值满足某个具体要求,也可以是满足具体迭代代数,最终输出的最优解即为优化结果。
由于现有技术中通过遗传算法来计算实际运行功率曲线需要针对特定的目标函数和约束,并且在解决特殊问题时也不够灵活,因此需要更加优化的方案来计算风机运行的功率曲线。
发明内容
为了解决上述的技术问题,提供了一种风机功率特性曲线的辨识方法及系统,其目的在于,调高辨识风机功率特性曲线的效率。
本发明提供了一种风机功率特性曲线的辨识方法,该辨识方法包括:根据实际测得的风机运行数据确定风机运行数据包络线;基于所述风机运行数据包络线利用遗传算法辨识风机功率特性曲线。
优选地,所述根据实际测得的风机运行数据确定风机运行数据包络线包括:将风机运行数据包络线采用分段函数表达,所述风机运行数据包络线包括上包络线和下包络线,所述分段函数在所述上包络线和所述下包络线之间。
优选地,所述将风机运行数据包络线采用分段函数表达包括:将所述风机运行数据包络线采用一次函数和二次函数进行分段表达。
优选地,所述基于所述风机运行数据包络线利用遗传算法辨识风机功率特性曲线包括:基于所述风机运行数据包络线确定初始种群;基于所述初始种群采用遗传算法辨识风机功率特性曲线。
优选地,所述基于所述初始种群采用遗传算法辨识风机功率特性曲线包括:计算所述初始种群的适应度值,在所述适应度值满足预设条件的情况下输出最优解,在所述适应度值不满足预设条件的情况下生成新种群并计算该新种群的适应度值,直至该新种群的适应度值满足预设条件并输出最优解,从而辨识出风机功率特性曲线。
优选地,所选择的特定风速下的实际测得的风机运行数据与当前种群辨识出风机功率特性曲线在该所选择的特定风速下的值之间的距离和的倒数。
优选地,预设条件为:迭代次数达到预定值或者两次迭代得到的适应度值之间的差小于预定值。
本发明提供了一种风机功率特性曲线的辨识系统,该辨识系统包括:包络线确定模块,用于根据实际测得的风机运行数据确定风机运行数据包络线;特性曲线辨识模块,用于基于所述风机运行数据包络线利用遗传算法辨识风机功率特性曲线。
优选地,所述包络线确定模块,还用于将风机运行数据包络线采用分段函数表达,所述风机运行数据包络线包括上包络线和下包络线,所述分段函数在所述上包络线和所述下包络线之间。
优选地,所述包络线确定模块,还用于将所述将风机运行数据包络线采用一次函数和二次函数进行分段表达。
优选地,所述特性曲线辨识模块,还用于基于所述风机运行数据包络线确定初始种群;基于所述初始种群采用遗传算法辨识风机功率特性曲线。
优选地,所述特性曲线辨识模块,还用于计算所述初始种群的适应度值,在所述适应度值满足预设条件的情况下输出最优解,在所述适应度值不满足预设条件的情况下生成新种群并计算该新种群的适应度值,直至该新种群的适应度值满足预设条件并输出最优解,从而辨识出风机功率特性曲线。
优选地,所选择的特定风速下的实际测得的风机运行数据与当前种群辨识出风机功率特性曲线在该所选择的特定风速下的值之间的距离和的倒数。
优选地,预设条件为:迭代次数达到预定值或者两次迭代得到的适应度值之间的差小于预定值。
本发明基于风机实际运行的功率数据生成风机的实际运行功率曲线,采用风机运行功率曲线分段和遗传算法计算,可以显著提高拟合曲线与实际曲线的符合度,使得求得的风机功率曲线能更加精确地反应风机特性。
附图说明
图1为本发明提供的遗传算法初始随机种群对应的功率曲线;
图2为本发明提供的风机运行数据坐标示意图;
图3为本发明提供的风机功率曲线分段示意图;
图4为本发明提供的风机数据包络线示意图;
图5为本发明提供的风电机组实际功率特性曲线拟合流程图;
图6为本发明提供的风电机组参数辨识流程图;
图7为本发明提供的评价函数值计算示意图。
具体实施方式
下面结合附图,对本发明做进一步的详细描述。遗传算法自1975年提出以来,得到了广泛地研究和应用。遗传算法具体实现流程如下:
A、根据待优化问题生成约束函数、目标函数和输出解;
B、随机生成一个种群;
C、计算种群的适应度值;
D、判断是否满足收敛条件或最大代数:是,输出最优解;否,生成新种群返回执行C;
通过对每一代的基因选择,在重复有限次的迭代后,生成的新个体会具有足够高的适应度,从而达到优化目的。
由于遗传算法的特点,种群数目多数情况比较庞大,适应度函数和评价函数的复杂程度与计算执行时间有直接关系。在种群数量庞大的情况下,每一代种群的适应度函数值和评价函数值的计算可能会可提升至秒级甚至分钟级,重复进行几百代或几千代的函数值计算会耗费巨大的资源和时间,因此有必要对遗传算法进行改进以精简计算、加速收敛性、缩短计算时间、提高算法执行效率。
如图1所示,曲线1所示为实际风机功率曲线,也即通过遗传算法进行曲线参数辨识后,最终得到的结果参数带入曲线表达式中得到的目标曲线。在遗传算法开始时,随机生成的第一代种群基因,带入曲线表达式所得曲线可能与目标曲线迥异,可能是曲线2或者曲线3所示情况,这样从初始曲线必须经过多代的进化才能实现趋近目标曲线的走势,这部分计算量可能占整个遗传算法迭代过程的50%甚至80%。如果生成初始种群时,根据风机运行数据包络线确定种群的基因变化范围,在此范围内取随机值,可以很大程度地精简计算量,实现算法迅速收敛,达到辨识目标。
本发明提供了一种基于实测风机运行数据的风电机组功率曲线的拟合办法,通过采用曲线分段拟合和改进遗传算法的方法,分段拟合可以用简单函数表达风机功率曲线,得到全范围内的完整风机功率曲线表达式,为采用遗传算法进行风机功率特性曲线参数辨识提供基础。待辨识风机功率曲线的表达式中存在未知参数,通过对这些参数的辨识,可以实现曲线的拟合,种群对应参数向目标参数无限趋进的过程,也就是种群对应曲线与目标曲线趋进的过程,因此参数辨识过程同时是曲线拟合过程。对遗传算法的改进是通过对种群的基因变化范围限定来减少计算量,加速算法收敛达到快速拟合的目的。如图5所示,具体流程如下:
(1)、将风机运行数据绘制到坐标系中,如图2;
(2)、根据功率曲线线型,将风电机组实际运行功率曲线进行分段,如图3;
(3)、将各分段用简单的一次和二次函数表达式表示,得到分段表达式;
(4)、分段表达式整合,得到整个风机功率曲线的表达式;
(5)、针对风机功率曲线表达式中的未知参数,采用改进遗传算法进行计算确定,步骤如下:
5.1、初始化种群:根据数据上下包络线的曲线表达式,确定每个参数的上下限,并计算适应度函数值和目标函数值,初始化最优存储;
5.2、进行变异、交叉等遗传操作,生成新一代种群;
5.3、计算新一代种群基因的适应度函数值和评价函数值;
5.4、根据适应度函数值选取新一代中的最优基因,与上代最优值比较,如果有更优项则对最优值进行更新,保证其最优性;
5.5、判断迭代代数是否已达预设值,是则输出最优基因;否则转向执行步骤5.2;
所述的将风电机组实际运行功率曲线进行分段是指结合风电机组运行功率曲线的特性,针对不同区段,采用不同线型的函数进行表示,如图3所示。于此,本发明的特点之一,就是将风电机组功率特性曲线分段,以得出全曲线的函数表达式,初步将风机运行功率分为四个区段,分别用两个二次函数和两个一次函数表示。
所述“分段表达式整合,得到整个风机功率曲线的表达式”具体解释如下:如图3根据风机功率曲线走势,将风机实际功率曲线分成四段,每一段用简单函数近似线性表示,第一段是风机功率随着风速曲线上升的阶段,本段采用二次函数趋近函数表达式为f(x)=a(x-b)2,需要确定的参数为a和b;第二段近似线性段,风机功率随着风速的增加呈近似线性,采用一次函数线性趋近,f(x)=cx+d,需要确定的参数有两个c、d;第三段是非线性段,采用二次函数f(x)=e(x-f)2+g,第四个阶段属于风速高于额定风速时风机恒功率输出的情况,风机功率特性曲线近似为一条平行于x轴的直线,因此用常值函数表示,f(x)=h。需要辨识的参数有8个分别是a、b、c、d、e、f、g和h。
所述“根据包络线确定参数变化上下限值”即在风机运行数据坐标系中,给数据值取上下包络线,如图4,并根据曲线横纵坐标确定曲线表达式中的参数值;例如根据上包络线确定的各参数值为a1、b1、c1、d1、e1、f1、g1、h1;根据下包络线确定的参数值为a2、b2、c2、d2、e2、f2、g2、h2;可以将待确定参数值限定在这两组数对应数值取值之间。假设a2<a1、b2<b1、c2<c1、d2<d1、e2<e1、f2<f1、g2<g1、h2<h1,可以将待辨识的各参数值限定在这些区间内,分别是a2<a<a1、b2<b<b1、c2<c<c1、d2<d<d1、e2<e<e1、f2<f<f1、g2<g<g1、h2<h<h1。本发明可以按照风机实际运行数据取其包络线,为遗传算法初始种群的随机取值限定范围,以加速算法收敛性,提高执行效率。
之后整个风速范围内的风功率曲线表达式,利用遗传算法对其进行参数辨识,以确定曲线函数表达式中的未知参数值,因此可以采用遗传算法对风电机组运行曲线进行辨识,遗传算法可以很好地应对曲线的非线性部分,显著提高参数辨识精度,并提高曲线拟合的结果曲线与实际曲线的相似度。
遗传操作是指对种群基因进行复制、交叉和变异以产生新个体,从而组成新的种群。复制、交叉、变异等操作都是通过结合相应的算子执行各自运算来完成。
对新一代个体,计算其基因对应的适应度函数值,新基因的适应度函数值计算完成后,并存入种群库,同时对本代所有基因逐一与最优存储中的基因进行适应度函数值对比,将较大者存入最优存储,保证其全局最优性。
图6给出了基于实测数据和遗传算法的风机功率特性曲线拟合方法示意图,具体步骤如下:
(1)、基于风电机组功率特性曲线的四段划分法给出风电机组的功率曲线的各段曲线的函数表达式(步骤S15);
(2)结合函数表达式确定遗传算法的适应度函数和评价函数;
评价函数与适应度函数的确定非常灵活,适应度函数值代表种群个体的适应度大小,数值越大,适应性越强,也就越接近目标曲线。评价函数刚好相反,评价函数值越小,说明该个体对应的曲线越接近目标曲线,因此,可以将△d作为评价函数,△d越小,曲线到实测点的距离和越小,曲线越符合要求,由于△d恒为正,因此适应度函数可以取1/△d,这样△d越小,1/△d越大,则说明个体适应性越强。
因此评价函数为:
Fp=△d=|p1-f(k)|+|p2-f(k)|+|p3-f(k)|+…+|pk-f(k)|+…+|pn-f(k)|
适应度函数为:
Fs=1/△d=1/(|p1-f(k)|+|p2-f(k)|+|p3-f(k)|+…+|pk-f(k)|+…+|pn-f(k)|)
其中p1-pn是实测的数据点中,所有风速为k米/秒的点对应的功率值,f(k)为风速为k米/秒时的分段曲线函数表达式的值。
(3)对实测数据采用遗传算法处理,得出函数表达式中的未知参数(步骤S14),具体实现步骤如下:
步骤一:将函数表达式中的所有未知参数进行二进制编码,转化成二进制字符串的基因形式(步骤S11);
设未知参数有k1、k2、......、kn共n个,每个参数根据其变化范围的不同采用不同长度的二进制数表示。例如参数k1的变化范围为[0,3],区间长度为3,如果要求参数精度精确到小数点后六位,那么需用22位二进制表示,具体计算方法如下:
[0,3]需要被划分为3×1000000=3000000个等长区间,由于2097152=221<3000000<222=4194304,因此采用二进制表示法,必须用22位二进制才能涵盖整个区间;
依据上述方法,对每个参数进行二进制数值转化,假设第n个参数需要mn个二进制数表示,那么一个个体需要用(m1+m2+m3+m4+...+mn)位二进制数表示。二进制数的前m1位表示参数k1,之后的m2位表示参数k2,以此类推完成一个个体的基因编码。对单个个体编码完成后就可以随机生成多个个体的基因,完成种群的初始化。
步骤二:设定种群中个体数量,设定迭代代数,根据参数取值的上下限值对种群进行初始化(步骤S14和步骤S13);
设定个体数量,对种群进行初始化。假设种群数设定为100,也即生成一百个随机个体,随机个体的基因所代表的参数取值范围必须限定在根据包络线确定的参数取值区间,例如参数a的取值为0~7,精确到整数位,那么a的取值区间的基因表示为0000~0111,也就是基因从左至右的第一位只能取0,后三位可以随机取0或者取1;如果迭代代数设定为500,那么生成第500代个体后停止迭代;
步骤三:对初始种群进行适应度函数的计算(步骤S18);
步骤四:在种群中进行适应度函数比较,选出适应度最大的个体,与最优值存储单元中的值比较,将较大者存入最优值存储单元,每新生成一代后,都要进行最优值存储的更新(步骤S20);
适应度函数是评价种群适应度高低的一种方式。如果优化主体是一个函数表达式,优化目标是求函数最大值,那么直接将函数体作为适应度函数。函数值越大,适应度也越高,越符合要求。本发明中对风电机组实测功率特性曲线的拟合中,将局部范围内的实测数据各点到风机功率特性曲线距离△d作为评价函数,△d的最小值作为优化目标。在第一代种群建立以后,求得每个个体的评价函数,将1/△d作为适应度函数进行计算。
如图7所示,在确定局部区域时,可以以风速为定量,例如选定风速4米/秒,在4米/秒的位置画垂直横轴的竖线,得到与当前代曲线的交点A,确定该代种群所对应的曲线4米/秒处的函数值,然后找到所有风速4米/秒下对应的功率点(局部区域可以理解为该垂直线经过的区域),也即垂直竖线经过的点,然后计算所有点到点A的距离,距离和即为△d。例如该段曲线所对应的表达式为f(x)=ax2+bx+c,风速为4米/秒对应的实测点数目假设为n个,对应功率为p1、p2、p3…pk…pn,则△d=|p1-f(4)|+|p2-f(4)|+|p3-f(4)|+…+|pk-f(4)|+…+|pn-f(4)|
步骤五:对本代种群进行复制、交叉、变异等遗传操作,产生下一代的种群(步骤S16和步骤S17);
执行遗传操作过程中,交叉和变异的基因位置,都根据相应的算子计算选出。复制过程的实现方法可解释如下:整个种群适应度值看做一个圆盘整体,对每个个体按其基因的适应度大小在圆盘上为其分配空间,之后随机转动圆盘,指针指向的个体即为被复制并进入下一代的个体。交叉过程的实现基于交叉概率PC,交叉概需率预先设定初值,在进行交叉前先对每个个体生成一个0-1之间的浮点数,此浮点数小于PC的个体进行交叉。对选中的将要进行交叉的个体随机配对进行交叉工作,交叉的具体基因位置通过生成一个随机数来确定。变异的实现基于最初设定的变异概率Pm,由于变异是针对的基因位,每个基因都有可能变异。基于此对每个个体的每个基因随机生成一个0-1之间的浮点数,此浮点数小于Pm的基因位进行变异。
步骤六:对新的种群中的基因计算出适应度值和评价函数值,并比较得出适应度最大的个体和最优存储中比较,更新最优存储,保证全局最优(步骤S20);
步骤七:当代种群中所有个体的适应度函数值计算完毕后,整合生成本代种群成员对应的仿真曲线(步骤S19);
步骤八:对迭代终止条件进行查询,满足迭代终止条件则输出最优值存储单元中的个体,即为风电机组特性曲线参数辨识结果;不满足则继续执行步骤S16段复制、交叉、变异等遗传操作(步骤S21)。
迭代终止条件可以自行设定:例如:终止条件设为迭代数目,将迭代数目设为500代,那么迭代终止条件就是迭代代数等于500,所以对应的该步骤八,就是判断迭代代数是否等于500,等于500停止迭代;作为另外的示例,可以将终止条件设为相邻两代种群对应曲线变化的幅度小于某一个极小定值,假设为0.006,即为计算上一条辨识曲线与本条辨识曲线的距离积分和,如果积分和小于0.006,就说明后面随着参数变化,曲线变化已不大,证明已经接近目标,可以停止迭代。
上述流程中,通过计算评价函数值选择适应度值,并可以利用遗传算法识别出风机功率特性曲线。
本领域的技术人员在不脱离权利要求书确定的本发明的精神和范围的条件下,还可以对以上内容进行各种各样的修改。因此本发明的范围并不仅限于以上的说明,而是由权利要求书的范围来确定的。
Claims (14)
1.一种风机功率特性曲线的辨识方法,其特征在于,该辨识方法包括:
根据实际测得的风机运行数据确定风机运行数据包络线;
基于所述风机运行数据包络线利用遗传算法辨识风机功率特性曲线。
2.根据权利要求1所述的辨识方法,其特征在于,所述根据实际测得的风机运行数据确定风机运行数据包络线包括:
将风机运行数据包络线采用分段函数表达,所述风机运行数据包络线包括上包络线和下包络线,所述分段函数在所述上包络线和所述下包络线之间。
3.根据权利要求2所述的辨识方法,其特征在于,所述将风机运行数据包络线采用分段函数表达包括:
将所述风机运行数据包络线采用一次函数和二次函数进行分段表达。
4.根据权利要求1所述的辨识方法,其特征在于,所述基于所述风机运行数据包络线利用遗传算法辨识风机功率特性曲线包括:
基于所述风机运行数据包络线确定初始种群;
基于所述初始种群采用遗传算法辨识风机功率特性曲线。
5.根据权利要求4所述的辨识方法,其特征在于,所述基于所述初始种群采用遗传算法辨识风机功率特性曲线包括:
计算所述初始种群的适应度值,在所述适应度值满足预设条件的情况下输出最优解,在所述适应度值不满足预设条件的情况下生成新种群并计算该新种群的适应度值,直至该新种群的适应度值满足预设条件并输出最优解,从而辨识出风机功率特性曲线。
6.根据权利要求5所述的辨识方法,其特征在于,适应度值为所选择的特定风速下的实际测得的风机运行数据与当前种群辨识出风机功率特性曲线在该所选择的特定风速下的值之间的距离和的倒数。
7.根据权利要求5所述的辨识方法,其特征在于,预设条件为:迭代次数达到预定值或者两次迭代得到的适应度值之间的差小于预定值。
8.一种风机功率特性曲线的辨识系统,其特征在于,该系统包括:
包络线确定模块,用于根据实际测得的风机运行数据确定风机运行数据包络线;
特性曲线辨识模块,用于基于所述风机运行数据包络线利用遗传算法辨识风机功率特性曲线。
9.根据权利要求8所述的辨识系统,其特征在于,所述包络线确定模块,还用于将风机运行数据包络线采用分段函数表达,所述风机运行数据包络线包括上包络线和下包络线,所述分段函数在所述上包络线和所述下包络线之间。
10.根据权利要求9所述的辨识系统,其特征在于,所述包络线确定模块,还用于将所述将风机运行数据包络线采用一次函数和二次函数进行分段表达。
11.根据权利要求8所述的辨识系统,其特征在于,所述特性曲线辨识模块,还用于基于所述风机运行数据包络线确定初始种群;基于所述初始种群采用遗传算法辨识风机功率特性曲线。
12.根据权利要求11所述的辨识系统,其特征在于,所述特性曲线辨识模块,还用于计算所述初始种群的适应度值,在所述适应度值满足预设条件的情况下输出最优解,在所述适应度值不满足预设条件的情况下生成新种群并计算该新种群的适应度值,直至该新种群的适应度值满足预设条件并输出最优解,从而辨识出风机功率特性曲线。
13.根据权利要求12所述的辨识系统,其特征在于,适应度值为所选择的特定风速下的实际测得的风机运行数据与当前种群辨识出风机功率特性曲线在该所选择的特定风速下的值之间的距离和的倒数。
14.根据权利要求12所述的辨识系统,其特征在于,预设条件为:迭代次数达到预定值或者两次迭代得到的适应度值之间的差小于预定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410773288.6A CN105740595A (zh) | 2014-12-12 | 2014-12-12 | 一种风机功率特性曲线的辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410773288.6A CN105740595A (zh) | 2014-12-12 | 2014-12-12 | 一种风机功率特性曲线的辨识方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105740595A true CN105740595A (zh) | 2016-07-06 |
Family
ID=56241644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410773288.6A Pending CN105740595A (zh) | 2014-12-12 | 2014-12-12 | 一种风机功率特性曲线的辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740595A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885906A (zh) * | 2017-10-16 | 2018-04-06 | 中国农业大学 | 一种基于遗传算法的电机系统能耗计算方法 |
CN108364071A (zh) * | 2018-02-06 | 2018-08-03 | 南京国电南自电网自动化有限公司 | 一种基于遗传规划法的自适应建模风功率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544655A (zh) * | 2013-10-18 | 2014-01-29 | 国家电网公司 | 一种含微电网的区域配电网分层优化方法 |
CN103544525A (zh) * | 2013-10-17 | 2014-01-29 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法 |
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
CN104102776A (zh) * | 2014-07-14 | 2014-10-15 | 浙江众合机电股份有限公司 | 一种城市轨道交通列车的模型自动辨识方法 |
-
2014
- 2014-12-12 CN CN201410773288.6A patent/CN105740595A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544525A (zh) * | 2013-10-17 | 2014-01-29 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进粒子群优化算法的同步风力发电机参数辨识方法 |
CN103544655A (zh) * | 2013-10-18 | 2014-01-29 | 国家电网公司 | 一种含微电网的区域配电网分层优化方法 |
CN103887815A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于运行数据的风电场参数辨识及动态等值方法 |
CN104102776A (zh) * | 2014-07-14 | 2014-10-15 | 浙江众合机电股份有限公司 | 一种城市轨道交通列车的模型自动辨识方法 |
Non-Patent Citations (7)
Title |
---|
BARRY PATRICK HAYES 等: "Equivalent power curve model of a wind farm based on field measurement data", 《POWERTECH,2011 IEEE TRONDHEIM》 * |
ZHANG JIA-AN ET AL.: "Estimation of Wind Turbine Parameters with Piecewise Trends Identification", 《2013 INTERNATIONAL CONFERENCE ON MECHATRONIC SCIENCES, ELECTRIC ENGINEERING AND COMPUTER (MEC)》 * |
ZHANG JIAAN ET AL.: "Study on identification of wind turbine power characteristic curve by genetic algorithm", 《ADVANCED MATERIALS RESEARCH》 * |
吕东: "一种快速计算风机发电量方法的探讨与实践", 《科技信息》 * |
李俊芳 等: "基于灰色模型的风速-风电功率预测研究", 《电力系统保护与控制》 * |
蔡祯祺: "基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究", 《中国优秀硕士论文数据库 工程科技II辑》 * |
雷铁拴等: "《灰色系统理论在农业上的应用》", 30 June 1996, 郑州:河南科学技术出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885906A (zh) * | 2017-10-16 | 2018-04-06 | 中国农业大学 | 一种基于遗传算法的电机系统能耗计算方法 |
CN108364071A (zh) * | 2018-02-06 | 2018-08-03 | 南京国电南自电网自动化有限公司 | 一种基于遗传规划法的自适应建模风功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
CN112700060B (zh) | 站所终端负荷预测方法和预测装置 | |
CN109992355A (zh) | 一种基于改进非支配遗传算法的多目标云工作流调度方法 | |
CN109190327B (zh) | 有机朗肯循环系统分析优化方法、装置及设备 | |
CN103838820A (zh) | 基于近邻传播的进化多目标优化社区检测方法 | |
CN108038538A (zh) | 基于强化学习的多目标进化算法 | |
CN105740595A (zh) | 一种风机功率特性曲线的辨识方法及系统 | |
CN114912828A (zh) | 一种基于数控机床工艺参数的优化方法 | |
CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
CN109829244A (zh) | 算法优化深度网络和三代遗传算法的风机优化设计方法 | |
CN109116300A (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN116307648B (zh) | 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 | |
CN108537369A (zh) | 基于局部搜索的改进粒子群配电网重构算法 | |
CN107092779A (zh) | 一种基于最小交叉位移熵的传感器作动器位置优化方法 | |
CN103105775A (zh) | 基于序优化与在线核极限学习机的分层迭代优化调度方法 | |
Han et al. | Swarm intelligent algorithm for re-entrant hybrid flow shop scheduling problems | |
CN105069192B (zh) | 一种基于遗传算法求解风机功率曲线参数模型的改进方法 | |
Subhani et al. | Particle swarm optimization with time varying acceleration coefficents for economic dispatch considering valve point loading effects | |
Janmohamed et al. | Improving the Data Efficiency of Multi-Objective Quality-Diversity through Gradient Assistance and Crowding Exploration | |
CN114004065A (zh) | 基于智能算法和环境约束下的变电站工程多目标优化方法 | |
CN109492744A (zh) | 一种离散二进制粒子群算法与模糊控制耦合的混合运行优化控制方法 | |
Yasin et al. | Optimal least squares support vector machines parameter selection in predicting the output of distributed generation | |
CN111369074A (zh) | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 | |
CN111796597A (zh) | 一种基于新型萤火虫群优化的机器人多目标路径寻优方法 | |
CN110222361A (zh) | 一种风电场输出功率模拟方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160706 |