CN109783881A - 一种风电机组发电功率确定方法及装置 - Google Patents
一种风电机组发电功率确定方法及装置 Download PDFInfo
- Publication number
- CN109783881A CN109783881A CN201811573955.0A CN201811573955A CN109783881A CN 109783881 A CN109783881 A CN 109783881A CN 201811573955 A CN201811573955 A CN 201811573955A CN 109783881 A CN109783881 A CN 109783881A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind turbines
- wind speed
- generated output
- turbines
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 238000012216 screening Methods 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 206010008190 Cerebrovascular accident Diseases 0.000 claims 2
- 208000006011 Stroke Diseases 0.000 claims 2
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 230000005684 electric field Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及一种风电机组发电功率确定方法及装置，包括获取风电场内风电机组的当前风速，利用预先建立的风速判定神经网络模型确定所述风电机组的当前风速的风速状态；根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率；本发明通过风电机组的当前风速得到风电机组的当前风速的发电功率，风电机组的当前风速的发电功率的准确度得到了提高。
Description
技术领域
本发明涉及新能源技术领域，具体涉及一种风电机组发电功率确定方法及装置。
背景技术
风力发电作为目前最为经济和成熟的一种可再生能源发电技术，已成为几乎所有致力于可再生能源开发利用国家的共同选择。
目前行业中，风电消纳对风力发电的发展形成了制约，弃风限电除直接影响风电消纳外，还带来了问题：弃风限电使风电实际出力数据失真，无法用于相关理论和技术研究，降低了风电机组发电功率预测精度。然而，风电机组的发电功率是得到弃风电量的重要条件。
发明内容
针对现有技术的不足，本发明的目的是通过风电机组的当前风速和历史发电功率曲线得到风电机组的当前风速的发电功率，风电机组的当前风速的发电功率的准确度得到了提高。
本发明的目的是采用下述技术方案实现的：
本发明提供一种风电机组发电功率确定方法，其改进之处在于，所述方法包括：
获取风电场内风电机组的当前风速，利用预先建立的风速判定神经网络模型确定所述风电机组的当前风速的风速状态；
根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率；
其中，预先建立的风速判定神经网络模型根据风电机组的历史风速数据及标定的所述风电机组的历史风速数据的风速状态建立。
优选地，所述根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率，包括：
当所述风电机组的当前风速的风速状态为正常状态时：
获取风电场内所述风电机组的当前环境因素数据，利用预先建立的风电机组性能状态判定神经网络模型确定所述风电机组的当前时刻的性能状态；
将所述性能状态对应的历史风速-历史发电功率的拟合曲线上当前风速对应的发电功率作为所述风电机组的当前时刻的发电功率；
当所述风电机组的当前风速的风速状态为异常状态时：
根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率；
其中，预先建立的风电机组性能状态判定神经网络模型根据风电机组的历史环境因素数据及标定的历史环境因素数据对应的风电机组的性能状态建立。
进一步地，所述性能状态对应的历史风速-历史发电功率的拟合曲线的获取过程，包括：
S1.提取标定为性能状态x的风电机组的历史风速数据及其对应的历史发电功率数据；
S2.利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线；
其中，提取标定为性能状态x的风电机组的历史风速对应的历史发电功率需满足下式：
式中，为风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的发电功率。
进一步地，按下式确定风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值
式中，k为线性系数，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的梯度值，c为平衡误差。
进一步地，所述利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线，包括：
按下式确定标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线中风速v'对应的历史发电功率P'v'：
式中，K(·)为高斯核函数，h为核宽窗，n为标定为性能状态x的风电机组的历史风速数据总数。
优选地，所述预先建立的风速判定神经网络模型的获取过程包括：
以所述风电机组的历史风速数据作为初始神经网络模型的输入层的训练样本数据，标定的所述风电机组的历史风速数据的风速状态作为初始神经网络模型的输出层的训练样本数据，训练初始神经网络模型，获取所述预先建立的风速判定神经网络模型。
进一步地，所述根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率，包括：
按下式确定风电机组i的当前风速对应的发电功率Pi：
式中，Pj为风电场中风电机组j的风电机组i的当前风速对应的发电功率，rij为风电场中风电机组i与风电机组j的相关系数，N为风电场中风电机组总数。
本发明提供一种风电机组发电功率确定装置，其改进之处在于，所述装置包括：
风速状态确定单元，用于获取风电场内风电机组的当前风速，利用预先建立的风速判定神经网络模型确定所述风电机组的当前风速的风速状态；
发电功率确定单元，用于根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率；
其中，预先建立的风速判定神经网络模型根据风电机组的历史风速数据及标定的所述风电机组的历史风速数据的风速状态建立。
优选地，所述发电功率确定单元具体用于：
当所述风电机组的当前风速的风速状态为正常状态时：
获取风电场内所述风电机组的当前环境因素数据，利用预先建立的风电机组性能状态判定神经网络模型确定所述风电机组的当前时刻的性能状态；
将所述性能状态对应的历史风速-历史发电功率的拟合曲线上当前风速对应的发电功率作为所述风电机组的当前时刻的发电功率；
当所述风电机组的当前风速的风速状态为异常状态时：
根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率；
其中，预先建立的风电机组性能状态判定神经网络模型根据风电机组的历史环境因素数据及标定的历史环境因素数据对应的风电机组的性能状态建立。
进一步地，所述性能状态对应的历史风速-历史发电功率的拟合曲线的获取过程，包括：
S1.提取标定为性能状态x的风电机组的历史风速数据及其对应的历史发电功率数据；
S2.利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线；
其中，提取标定为性能状态x的风电机组的历史风速对应的历史发电功率需满足下式：
式中，为风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的发电功率。
进一步地，按下式确定风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值
式中，k为线性系数，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的梯度值，c为平衡误差。
进一步地，所述利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线，包括：
按下式确定标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线中风速v'对应的历史发电功率P'v'：
式中，K(·)为高斯核函数，h为核宽窗，n为标定为性能状态x的风电机组的历史风速数据总数。
优选地，所述预先建立的风速判定神经网络模型的获取过程包括：
以所述风电机组的历史风速数据作为初始神经网络模型的输入层的训练样本数据，标定的所述风电机组的历史风速数据的风速状态作为初始神经网络模型的输出层的训练样本数据，训练初始神经网络模型，获取所述预先建立的风速判定神经网络模型。
进一步地，所述根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率，包括：
按下式确定风电机组i的当前风速对应的发电功率Pi：
式中，Pj为风电场中风电机组j的风电机组i的当前风速对应的发电功率，rij为风电场中风电机组i与风电机组j的相关系数，N为风电场中风电机组总数。
与最接近的现有技术相比，本发明具有的有益效果：
本发明提供的一种风电机组发电功率确定方法及装置，通过风电机组的当前风速得到风电机组的当前风速的发电功率，具体地，利用历史发电功率曲线得到风电机组的当前风速的发电功率，提高了风电机组的当前风速的发电功率的准确度；并且，本发明还给出了风电机组在风速为异常状态下，风电机组的当前风速的发电功率的计算方法。
附图说明
图1是本发明风电机组发电功率确定方法流程图；
图2是本发明风电机组发电功率确定装置结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供了一种风电机组发电功率确定方法，如图1所示，所述方法包括：
步骤1.获取风电场内风电机组的当前风速，利用预先建立的风速判定神经网络模型确定所述风电机组的当前风速的风速状态；
步骤2.根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率；
其中，预先建立的风速判定神经网络模型根据风电机组的历史风速数据及标定的所述风电机组的历史风速数据的风速状态建立。
在本发明的实施例中，风电机组发电功率确定方法中的步骤2，所述根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率，包括：
当所述风电机组的当前风速的风速状态为正常状态时：
获取风电场内所述风电机组的当前环境因素数据，利用预先建立的风电机组性能状态判定神经网络模型确定所述风电机组的当前时刻的性能状态；
将所述性能状态对应的历史风速-历史发电功率的拟合曲线上当前风速对应的发电功率作为所述风电机组的当前时刻的发电功率；
当所述风电机组的当前风速的风速状态为异常状态时：
根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率；
其中，预先建立的风电机组性能状态判定神经网络模型根据风电机组的历史环境因素数据及标定的历史环境因素数据对应的风电机组的性能状态建立。具体方法参考申请号为CN201710575536.X的中国发明申请。环境因素包括风电机组所处环境的风速、风向和温度。
进一步地，所述性能状态对应的历史风速-历史发电功率的拟合曲线的获取过程，包括：
S1.提取标定为性能状态x的风电机组的历史风速数据及其对应的历史发电功率数据；
S2.利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线；
其中，提取标定为性能状态x的风电机组的历史风速对应的历史发电功率需满足下式：
式中，为风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的发电功率。
进一步地，按下式确定风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值
式中，k为线性系数，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的梯度值，c为平衡误差。
进一步地，所述利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线，包括：
按下式确定标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线中风速v'对应的历史发电功率P'v'：
式中，本发明的实施例中的核函数为K(·)为高斯核函数，h为核宽窗，n为标定为性能状态x的风电机组的历史风速数据总数。另外，根据实际需要核函数还可以替换为其他核函数。
优选地，所述预先建立的风速判定神经网络模型的获取过程包括：
以所述风电机组的历史风速数据作为初始神经网络模型的输入层的训练样本数据，标定的所述风电机组的历史风速数据的风速状态作为初始神经网络模型的输出层的训练样本数据，训练初始神经网络模型，获取所述预先建立的风速判定神经网络模型。
进一步地，所述根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率，包括：
按下式确定风电机组i的当前风速对应的发电功率Pi：
式中，Pj为风电场中风电机组j的风电机组i的当前风速对应的发电功率，rij为风电场中风电机组i与风电机组j的相关系数，N为风电场中风电机组总数。
在另外的实施例中，本发明的历史发电功率曲线的获得过程中，还可以包括：将获得的历史发电功率曲线作为新的基准发电功率曲线，重新获取筛选阈值，进而得到新的历史发电功率曲线，并设置两次历史发电功率曲线的偏差阈值，在满足所述偏差阈值时，将新的历史发电功率曲线，作为本发明的需要的历史发电功率曲线，进一步提高风电机组的当前风速的发电功率的准确度。
本发明提供了一种风电机组发电功率确定装置，如图2所示，所述装置包括：
风速状态确定单元，用于获取风电场内风电机组的当前风速，利用预先建立的风速判定神经网络模型确定所述风电机组的当前风速的风速状态；
发电功率确定单元，用于根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率；
其中，预先建立的风速判定神经网络模型根据风电机组的历史风速数据及标定的所述风电机组的历史风速数据的风速状态建立。
所述装置中的所述发电功率确定单元具体用于：
当所述风电机组的当前风速的风速状态为正常状态时：
获取风电场内所述风电机组的当前环境因素数据，利用预先建立的风电机组性能状态判定神经网络模型确定所述风电机组的当前时刻的性能状态；
将所述性能状态对应的历史风速-历史发电功率的拟合曲线上当前风速对应的发电功率作为所述风电机组的当前时刻的发电功率；
当所述风电机组的当前风速的风速状态为异常状态时：
根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率；
其中，预先建立的风电机组性能状态判定神经网络模型根据风电机组的历史环境因素数据及标定的历史环境因素数据对应的风电机组的性能状态建立。
进一步地，所述性能状态对应的历史风速-历史发电功率的拟合曲线的获取过程，包括：
S1.提取标定为性能状态x的风电机组的历史风速数据及其对应的历史发电功率数据；
S2.利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线；
其中，提取标定为性能状态x的风电机组的历史风速对应的历史发电功率需满足下式：
式中，为风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的发电功率。
进一步地，按下式确定风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值
式中，k为线性系数，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的梯度值，c为平衡误差。
进一步地，所述利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线，包括：
按下式确定标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线中风速v'对应的历史发电功率P'v'：
式中，K(·)为高斯核函数，h为核宽窗，n为标定为性能状态x的风电机组的历史风速数据总数。
优选地，所述预先建立的风速判定神经网络模型的获取过程包括：
以所述风电机组的历史风速数据作为初始神经网络模型的输入层的训练样本数据，标定的所述风电机组的历史风速数据的风速状态作为初始神经网络模型的输出层的训练样本数据，训练初始神经网络模型，获取所述预先建立的风速判定神经网络模型。
进一步地，所述根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率，包括：
按下式确定风电机组i的当前风速对应的发电功率Pi：
式中，Pj为风电场中风电机组j的风电机组i的当前风速对应的发电功率，rij为风电场中风电机组i与风电机组j的相关系数，N为风电场中风电机组总数。
与最接近的现有技术相比，本发明具有的有益效果：
本发明提供的一种风电机组发电功率确定方法及装置，通过风电机组的当前风速得到风电机组的当前风速的发电功率，具体地，利用历史发电功率曲线得到风电机组的当前风速的发电功率，提高了风电机组的当前风速的发电功率的准确度；并且，本发明还给出了风电机组在风速为异常状态下，风电机组的当前风速的发电功率的计算方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作S以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的S。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.一种风电机组发电功率确定方法，其特征在于，所述方法包括：
获取风电场内风电机组的当前风速，利用预先建立的风速判定神经网络模型确定所述风电机组的当前风速的风速状态；
根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率；
其中，预先建立的风速判定神经网络模型根据风电机组的历史风速数据及标定的所述风电机组的历史风速数据的风速状态建立。
2.如权利要求1所述的方法，其特征在于，所述根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率，包括：
当所述风电机组的当前风速的风速状态为正常状态时：
获取风电场内所述风电机组的当前环境因素数据，利用预先建立的风电机组性能状态判定神经网络模型确定所述风电机组的当前时刻的性能状态；
将所述性能状态对应的历史风速-历史发电功率的拟合曲线上当前风速对应的发电功率作为所述风电机组的当前时刻的发电功率；
当所述风电机组的当前风速的风速状态为异常状态时：
根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率；
其中，预先建立的风电机组性能状态判定神经网络模型根据风电机组的历史环境因素数据及标定的历史环境因素数据对应的风电机组的性能状态建立。
3.如权利要求2所述的方法，其特征在于，所述性能状态对应的历史风速-历史发电功率的拟合曲线的获取过程，包括：
S1.提取标定为性能状态x的风电机组的历史风速数据及其对应的历史发电功率数据；
S2.利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线；
其中，提取标定为性能状态x的风电机组的历史风速对应的历史发电功率需满足下式：
式中，为风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的发电功率。
4.如权利要求3所述的方法，其特征在于，按下式确定风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值
式中，k为线性系数，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的梯度值，c为平衡误差。
5.如权利要求3所述的方法，其特征在于，所述利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线，包括：
按下式确定标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线中风速v'对应的历史发电功率P′v′：
式中，K(·)为高斯核函数，h为核宽窗，n为标定为性能状态x的风电机组的历史风速数据总数。
6.如权利要求1所述的方法，其特征在于，所述预先建立的风速判定神经网络模型的获取过程包括：
以所述风电机组的历史风速数据作为初始神经网络模型的输入层的训练样本数据，标定的所述风电机组的历史风速数据的风速状态作为初始神经网络模型的输出层的训练样本数据，训练初始神经网络模型，获取所述预先建立的风速判定神经网络模型。
7.如权利要求2所述的方法，其特征在于，所述根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率，包括：
按下式确定风电机组i的当前风速对应的发电功率Pi：
式中，Pj为风电场中风电机组j的风电机组i的当前风速对应的发电功率，rij为风电场中风电机组i与风电机组j的相关系数，N为风电场中风电机组总数。
8.一种风电机组发电功率确定装置，其特征在于，所述装置包括：
风速状态确定单元，用于获取风电场内风电机组的当前风速，利用预先建立的风速判定神经网络模型确定所述风电机组的当前风速的风速状态；
发电功率确定单元，用于根据所述风电机组的当前风速的风速状态确定所述风电机组的当前风速的发电功率；
其中，预先建立的风速判定神经网络模型根据风电机组的历史风速数据及标定的所述风电机组的历史风速数据的风速状态建立。
9.如权利要求8所述的装置，其特征在于，所述发电功率确定单元具体用于：
当所述风电机组的当前风速的风速状态为正常状态时：
获取风电场内所述风电机组的当前环境因素数据，利用预先建立的风电机组性能状态判定神经网络模型确定所述风电机组的当前时刻的性能状态；
将所述性能状态对应的历史风速-历史发电功率的拟合曲线上当前风速对应的发电功率作为所述风电机组的当前时刻的发电功率；
当所述风电机组的当前风速的风速状态为异常状态时：
根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率；
其中，预先建立的风电机组性能状态判定神经网络模型根据风电机组的历史环境因素数据及标定的历史环境因素数据对应的风电机组的性能状态建立。
10.如权利要求9所述的装置，其特征在于，所述性能状态对应的历史风速-历史发电功率的拟合曲线的获取过程，包括：
S1.提取标定为性能状态x的风电机组的历史风速数据及其对应的历史发电功率数据；
S2.利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线；
其中，提取标定为性能状态x的风电机组的历史风速对应的历史发电功率需满足下式：
式中，为风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的发电功率。
11.如权利要求10所述的装置，其特征在于，按下式确定风电机组的第t个历史风速vt对应的历史发电功率的筛选阈值
式中，k为线性系数，为风电机组在其风速-基准功率曲线上第t个历史风速vt对应的梯度值，c为平衡误差。
12.如权利要求10所述的装置，其特征在于，所述利用非参数回归方法获取标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线，包括：
按下式确定标定为性能状态x的风电机组的历史风速-历史发电功率的拟合曲线中风速v'对应的历史发电功率P′v′：
式中，K(·)为高斯核函数，h为核宽窗，n为标定为性能状态x的风电机组的历史风速数据总数。
13.如权利要求8所述的装置，其特征在于，所述预先建立的风速判定神经网络模型的获取过程包括：
以所述风电机组的历史风速数据作为初始神经网络模型的输入层的训练样本数据，标定的所述风电机组的历史风速数据的风速状态作为初始神经网络模型的输出层的训练样本数据，训练初始神经网络模型，获取所述预先建立的风速判定神经网络模型。
14.如权利要求9所述的装置，其特征在于，所述根据所述风电机组与风电场中其他风电机组间的相关系数确定所述风电机组的当前时刻的发电功率，包括：
按下式确定风电机组i的当前风速对应的发电功率Pi：
式中，Pj为风电场中风电机组j的风电机组i的当前风速对应的发电功率，rij为风电场中风电机组i与风电机组j的相关系数，N为风电场中风电机组总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573955.0A CN109783881A (zh) | 2018-12-21 | 2018-12-21 | 一种风电机组发电功率确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573955.0A CN109783881A (zh) | 2018-12-21 | 2018-12-21 | 一种风电机组发电功率确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109783881A true CN109783881A (zh) | 2019-05-21 |
Family
ID=66498002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811573955.0A Pending CN109783881A (zh) | 2018-12-21 | 2018-12-21 | 一种风电机组发电功率确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109783881A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113803222A (zh) * | 2021-09-22 | 2021-12-17 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102938562A (zh) * | 2012-07-19 | 2013-02-20 | 中国电力科学研究院 | 一种区域内风电总功率的预测方法 |
| CN103912448A (zh) * | 2014-04-25 | 2014-07-09 | 江苏龙源风力发电有限公司 | 一种区域风电场机组功率特性监测方法 |
| CN107392304A (zh) * | 2017-08-04 | 2017-11-24 | 中国电力科学研究院 | 一种风电机组异常数据识别方法及装置 |
| CN107527093A (zh) * | 2017-07-14 | 2017-12-29 | 中国电力科学研究院 | 一种风电机组运行状态诊断方法及装置 |
-
2018
- 2018-12-21 CN CN201811573955.0A patent/CN109783881A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102938562A (zh) * | 2012-07-19 | 2013-02-20 | 中国电力科学研究院 | 一种区域内风电总功率的预测方法 |
| CN103912448A (zh) * | 2014-04-25 | 2014-07-09 | 江苏龙源风力发电有限公司 | 一种区域风电场机组功率特性监测方法 |
| CN107527093A (zh) * | 2017-07-14 | 2017-12-29 | 中国电力科学研究院 | 一种风电机组运行状态诊断方法及装置 |
| CN107392304A (zh) * | 2017-08-04 | 2017-11-24 | 中国电力科学研究院 | 一种风电机组异常数据识别方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113803222A (zh) * | 2021-09-22 | 2021-12-17 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
| CN113803222B (zh) * | 2021-09-22 | 2023-01-03 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
| CN107609697B (zh) | 一种风力发电功率预测方法 | |
| Hayes et al. | Equivalent power curve model of a wind farm based on field measurement data | |
| CN110148068A (zh) | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 | |
| CN107103175A (zh) | 一种风力发电机组异常数据识别方法及装置 | |
| CN106886839B (zh) | 基于混合整数规划的水火电机组组合优化调度方法 | |
| CN113935534A (zh) | 一种基于卷积transformer架构的光伏日前预测方法、系统及设备 | |
| CN103219725A (zh) | 一种基于实时运行数据的风电场等值建模方法 | |
| CN103904682A (zh) | 一种基于风光混合模型的功率预测方法 | |
| CN102738792B (zh) | 一种风电功率预测方法 | |
| CN109543912A (zh) | 基于深度学习的水库最优调度决策模型生成方法 | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN104018986B (zh) | 用于控制风机的方法和装置 | |
| CN105741188A (zh) | 双馈风力发电机群电磁暂态同调分群方法 | |
| Chang | Comparison of three short term wind power forecasting methods | |
| CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
| 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 | |
| CN109783881A (zh) | 一种风电机组发电功率确定方法及装置 | |
| CN109521693A (zh) | 一种风电场电磁暂态实时仿真方法和装置 | |
| CN108493991A (zh) | 一种基于风电机组健康程度的风电机组功率分配计算方法 | |
| CN103366225A (zh) | 风功率预测误差识别方法 | |
| CN109768575A (zh) | 一种火电机组自动发电控制性能参数确定方法、系统及应用 | |
| Wei et al. | Ultra-short-term/short-term wind power continuous prediction based on fuzzy clustering analysis | |
| CN114221359A (zh) | 基于决策树的新能源电力系统调频能力建模与分析方法 | |
| CN112348244A (zh) | 一种基于风资源评估的风电场发电机组检修方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |