CN110067696B - 一种风电机组载荷确定方法、装置、设备及可读存储介质 - Google Patents
一种风电机组载荷确定方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110067696B CN110067696B CN201910476874.7A CN201910476874A CN110067696B CN 110067696 B CN110067696 B CN 110067696B CN 201910476874 A CN201910476874 A CN 201910476874A CN 110067696 B CN110067696 B CN 110067696B
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- load
- wind
- turbine generator
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000009827 uniform distribution Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
-
- 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
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风电机组载荷确定方法,该方法包括:获取目标场址对应的风环境参数;将风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷;其中,训练半监督高斯受限波尔兹曼机模型的过程,包括:获取有标签风电机组数据和无标签风电机组数据;其中,标签为机组载荷;利用有标签风电机组数据和无标签风电机组数据对半监督高斯受限玻尔兹曼机模型进行训练。本方法能够解决传统的风电场机组安全性复核过程中工作量大,响应慢的问题;针对已运行风电无法获知机组部件载荷损伤情况,也可对风电场机组载荷进行快速准确估算。本发明还公开了一种风电机组载荷确定装置、设备及可读存储介质,具有相应的技术效果。
Description
技术领域
本发明涉及风力发电技术领域,特别是涉及一种风电机组载荷确定方法、装置、设备及可读存储介质。
背景技术
据统计导致机械零件破坏的原因80%以上为疲劳破坏,特别是大型复杂机械结构的疲劳问题更为突出。风电机组是具有高动态载荷的动力系统,所承受的载荷主要是随时间变化的动态随机载荷。即风电机组的结构件都会因此而产生动应力,从而引起疲劳损伤。根据行业标准要求,风电机组的设计寿命至少要20年,因此在设计时需要考虑机组的极限载荷和疲劳强度,以确保整机结构的安全可靠性。
目前,在风电机组设计行业被应用最为广泛的载荷计算方法,是借助仿真软件GHBladed/FAST等进行载荷计算,提取出极限载荷和疲劳载荷作为部件工程师的载荷输入,进行部件的强度校核。具体的,采用风电机组设计软件Bladed/FAST/Flex/HAWC2等进行计算,得到时序载荷,再通过数据统计得到极限载荷,通过雨流算法得到仿真时间内的载荷范围与对应个数的统计值,然后乘以风速威布尔分布的时间权重,得到20年载荷的马可夫矩阵,将累加次数等效值1e7得到的载荷范围作为等效载荷。可见,现有的机组载荷计算过程非常复杂耗时。
为了保证风电场风电机组的安全,在设计初期需要对风电机组进行定场址安全性复核工作,由于每个机位点的场址条件这是一个十分繁杂且耗时的过程,但是,随着市场规模的扩大,以及场址条件的复杂性,每年都要完成几千轮次的载荷计算工作,这是一个相对繁杂的过程,同时也无法满足市场投标的快速性要求。而且风电场运行以后,如果在每台机组上都加装载荷测量设备,又会带来成本的大幅上升。因此,运行状态的风电机组上并没有载荷测量设备,即机组的载荷损伤情况是无法获得的。
综上所述,如何快速准确的确定出风电机组的机组载荷等问题,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种风电机组载荷确定方法、装置、设备及可读存储介质,可快速准确地确定出风电机组的机组载荷,有利于风电机组选址和实时监控。
为解决上述技术问题,本发明提供如下技术方案:
一种风电机组载荷确定方法,包括:
获取目标场址对应的风环境参数;其中,所述风环境参数包括空气密度、湍流强度、风剪切、入流角和平均风速;
将所述风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷;
其中,训练所述半监督高斯受限波尔兹曼机模型的过程,包括:
获取有标签风电机组数据和无标签风电机组数据;其中,所述标签为机组载荷;
利用所述有标签风电机组数据和所述无标签风电机组数据对所述半监督高斯受限玻尔兹曼机模型进行训练。
优选地,还包括:
在进行场址选择时,若所述目标机组载荷小于预设设计载荷,则确定所述目标场址安全。
优选地,还包括:
在对设置于所述目标场址内的目标风电机组运行状态进行监测时,若所述目标机组载荷小于预设设计载荷,则确定所述目标风电机组处于正常运行状态。
优选地,将所述风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷,包括:
对所述风环境参数进行归一化,并归一化处理后得到的风环境参数输入至所述半监督高斯受限波尔兹曼机模型中进行载荷估算,获得所述目标机组载荷。
优选地,所述获取目标场址对应的风环境参数,包括:
分别利用相应测试仪获取所述风环境参数。
优选地,获取有标签风电机组数据和无标签风电机组数据,包括:
利用统一额定风速的风文件并结合均匀分布方式,获取现有的风电机组的空气密度、湍流强度、风剪切和入流角;
利用风电机组载荷算法计算与所述空气密度、所述湍流强度、所述风剪切和所述入流角对应的机组载荷,获得所述有标签风电机组数据。
优选地,所述半监督高斯受限玻尔兹曼机模型包括GRBM网络和FNN网络,利用所述有标签风电机组数据和所述无标签风电机组数据对所述半监督高斯受限玻尔兹曼机模型进行训练,包括:
对所述有标签风电机组数据和所述无标签风电机组数据进行标准化处理;
利用所述有标签风电机组数据和所述无标签风电机组数据对所述GRBM网络进行无监督特征提取训练,获得GRBM网络参数初值;
利用所述有标签风电机组数据对所述FNN网络进行有监督预测训练,获得FNN网络参数初值;
通过误差反向算法重构对所述半监督高斯受限玻尔兹曼机模型中的网络参数进行联合微调,获得模型参数。
一种风电机组载荷确定装置,包括:
风环境参数获取模块,用于获取目标场址对应的风环境参数;其中,所述风环境参数包括空气密度、湍流强度、风剪切、入流角和平均风速;
目标机组载荷确定模块,用于将所述风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷;
模型训练模块,用于训练所述半监督高斯受限波尔兹曼机模型;
所述模型训练模块,包括:
训练数据获取单元,用于获取有标签风电机组数据和无标签风电机组数据;其中,所述标签为机组载荷;
模型训练单元,用于利用所述有标签风电机组数据和所述无标签风电机组数据对所述半监督高斯受限玻尔兹曼机模型进行训练。
一种风电机组载荷确定设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述风电机组载荷确定方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述风电机组载荷确定方法的步骤。
应用本发明实施例所提供的方法,获取目标场址对应的风环境参数;其中,风环境参数包括空气密度、湍流强度、风剪切、入流角和平均风速;将风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷;其中,训练半监督高斯受限波尔兹曼机模型的过程,包括:获取有标签风电机组数据和无标签风电机组数据;其中,标签为机组载荷;利用有标签风电机组数据和无标签风电机组数据对半监督高斯受限玻尔兹曼机模型进行训练。
由于风力发电领域中风资源参数(即风电机组数据)容易获取,但是对应于特定参数下的机组载荷的计算不能直接获得。而半监督高斯受限波尔兹曼机模型中的半监督学习能更有效地利用海量的无标签风电机组数据,同时能够避免有标签风电机组数据过少情况下有监督学习方法的过拟合问题。因此,利用已知机组载荷的有标签风电机组数据和未知机组载荷的无标签风电机组数据对半监督高斯受限玻尔兹曼及模型进行训练后,训练好的半监督高斯受限波尔兹曼机模型便可计算出风目标场址对应的风环境参数进行处理,得到目标机组载荷。相较于目前借助仿真软件GH Bladed/FAST等进行载荷方式,借助半监督高斯受限波尔兹曼机模型进行计算,计算速度更快。即,本方法能够解决传统的风电场机组安全性复核过程中工作量大,响应慢的问题;针对已运行风电无法获知机组部件载荷损伤情况,本方法也可对风电场机组载荷进行快速准确估算。
相应地,本发明实施例还提供了与上述风电机组载荷确定方法相对应的风电机组载荷确定装置、设备和可读存储介质,具有上述技术效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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为本发明实施例中一种风电机组载荷确定方法的实施流程图;
图2为本发明实施例中一种半监督高斯受限玻尔兹曼机模型的结构示意图;
图3为本发明实施例中一种风电机组载荷确定装置的结构示意图;
图4为本发明实施例中一种风电机组载荷确定设备的结构示意图;
图5为本发明实施例中一种风电机组载荷确定设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅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他实施例,都属于本发明保护的范围。
实施例一:
请参考图1,图1为本发明实施例中一种风电机组载荷确定方法的流程图,该方法包括以下步骤:
S101、获取目标场址对应的风环境参数。
其中,所述风环境参数包括空气密度、湍流强度、风剪切、入流角和平均风速。
当在进行风电机组场址选择时,目标场址可以为待选的场址,若是对运行状态的风电机组进行状态监测时,目标场址即可为运行状态下的风电机组所处的场址。其中,风环境参数可具体为空气密度、湍流强度、风剪切、入流角和平均风速。也就是说,获取目标场址对应的风环境参数,可具体为获取目标场址对应的空气密度、湍流强度、风剪切、入流角和平均风速。获取各类参数时,可采用相应的设备进行采集。即,分别利用相应测试仪获取所述风环境参数。例如,获取空气密度时,可利用空气密度测量仪进行获取;获得平均风速时,利用风速测量仪进行获取;获得湍流强度、风剪切、入流角也采用相应设备进行。
S102、将风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷。
其中,训练半监督高斯受限波尔兹曼机模型的过程,包括:
步骤一、获取有标签风电机组数据和无标签风电机组数据;其中,标签为机组载荷;
步骤二、利用有标签风电机组数据和无标签风电机组数据对半监督高斯受限玻尔兹曼机模型进行训练。
在本发明实施例中,有标签风电组数据即为标明了机组载荷的风电机组数据,相应地,无标签风电机组数据即为标明机组载荷的风电机组数据。即标签即为机组载荷。在风力发电领域中风资源参数(即风电机组数据)容易获取,而对应于特定参数下的机组载荷的计算不能直接获得。风电机组数据的具体获取方式可参照步骤S101中获取风环境参数的方式,在此不再一一赘述。
优选地,为了使得机组数据在各自对应的最大值最小值之间保持相对均匀分布,以及使得四组数据相互组合能够在一个四维空间上均匀分布,在本发明实施例中,获取有标签机组数据和无标签机组数据可具体为利用统一额定风速的风文件并结合均匀分布方式,获取现有的风电机组的空气密度、湍流强度、风剪切和入流角;利用风电机组载荷算法计算与空气密度、湍流强度、风剪切、入流角和平均风速对应的机组载荷,获得有标签风电机组数据。也就是说,训练半监督高斯受限玻尔兹曼机模型的输入数据的提供方式采样均匀分布方式,另外,为了保障风文件的一致性,可使用具有统一额定风速的风文件。其中,风文件为一种模拟现实风况的文件,它与平均风速和模型理论有关,如8m/s。在获取有标签风电机组数据时,可采用诸如Bladed/FAST的动力学计算软件计算出时序,再通过雨流算法得到仿真时间内的载荷范围与对应个数的统计值,然后乘以风速威布尔分布的时间权重,得到20年载荷的马可夫矩阵,将累加次数等效值为1e7得到的载荷作为等效载荷,并将其作为对应的输出值,即标签(机组数据对应的机组载荷)。
请参考图2,图2为本发明实施例中一种半监督高斯受限玻尔兹曼机模型的结构示意图。该半监督高斯受限玻尔兹曼机模型(Semi-supervised Gaussian RestrictedBoltzmann Machine,SS-GRBM)为三层网络结构,具体的包括可见层、隐含层和输出层。为便于理解,可将可见层到隐含层视为GRBM网络,将输出层视为全连接神经网络(Fully-connected neural network,FNN)。模型的训练过程可具体为:
步骤一、对有标签风电机组数据和无标签风电机组数据进行标准化处理;
步骤二、利用有标签风电机组数据和无标签风电机组数据对GRBM网络进行无监督特征提取训练,获得GRBM网络参数初值;
步骤三、利用有标签风电机组数据对FNN网络进行有监督预测训练,获得FNN网络参数初值;
步骤四、通过误差反向算法重构对半监督高斯受限玻尔兹曼机模型中的网络参数进行联合微调,获得模型参数。
为便于描述,下面将上述四个步骤结合起来进行说明。
获取到的训练样本构成两个数据集,有标签数据集(即有标签机组数据)Dlab={(x(1),y(1)),(x(2),y(2)),…,(x(L),y(L))}以及无标签数据集(即无标签机组数据)Dunlab={x(L +1),x(L+2),…,x(U)},其中x(i)∈Rm,y(j)∈Rn,i=1,2,…,U,j=1,2,…,L。用X={x(1),x(2),…,x(U)}表示有标签数据集和无标签数据集中输入变量的集合。
关于GRBM无监督特征提取。GRBM具有两层结构,分别为可见层和隐含层,即数据输入层和特征层。在GRBM网络中,给定可见层单元状态,即输入数据,各隐含层单元的激活状态条件独立;相反,给定隐含层单元状态,各可见层单元的激活状态也满足条件独立。假设GRBM有m个可见层单元和k个隐含层单元,用向量v=(v1,v2,…,vm)和h=(h1,h2,…,hk)分别表示可见层单元和隐含层单元的状态,其中vi和hj分别表示第i个可见层单元和第j个隐含层单元的状态,i=1,2,…,m,j=1,2,…,k。
可定义GRBM的系统能量函数为:
(1)式中,σi为可见单元vi对应的高斯噪声的标准差;θ={W,a,b}为GRBM的结构参数;Wij表示可见单元vi与隐含单元hj之间的连接权重;ai表示可见单元vi的偏置;bj表示隐含单元hj的偏置,GRBM的参数均为实数。在给定结构参数为θ时,基于公式(1)中的GRBM系统能量函数可以定义给定可见单元和隐含单元的状态为(v,h)的联合概率分布为
根据GRBM的结构特点,给定可见层单元状态,各隐含层单元的激活状态条件独立;给定隐含层单元状态,各可见层单元的激活状态也条件独立,有
训练GRBM的优化目标为使GRBM能够最大程度拟合训练数据分布,即经过特征编码再解码后的重构数据误差最小。此时训练数据为X=[x(1),x(2),…,x(U)]T∈RU×m,X的每一列表示一个输入参数的U次采样点,每一行表示一个采样的m个变量。
将训练数据标准化预处理后,即将训练数据矩阵X每一列分别减去各自对应变量的均值后,再除以各自的标准差。然后将预处理后的数据输入GRBM可见层v,x(i)中的每个变量对应可见层v中的每一个节点,将X经由可见层,通过公式(3)计算隐含层节点的激活概率,再对隐含层节点随机激活,实现可见层v到隐含层h的编码,得到隐含层特征。再利用公式(4)计算重构可见层节点均值,并将该均值输入正态分布随机函数,生成重构数据实现隐含层h至可见层v的解码。
此时可以得到GRBM模型在参数θ下训练数据集X的概率分布如下
参数θ可以通过最大化GRBM网络在训练数据集X上的对数似然函数l(θ)学习获得,即
通过随机梯度上升法最大化对数似然函数值来获得最优的θ*。对公式(6)中的l(θ)关于模型参数θ求偏导,可以得到
其中,<·>P表示关于分布P的数学期望,表示训练数据集作为可见层输入集时隐含层特征状态的激活概率,是与输入数据相关的分布,记为<·>data,<·>P(x,h|θ)表示给定摸型参数θ下的可见层状态和隐含层状态的联合概率分布,是与模型结构相关的分布,记为<·>model。
由于归一化因子Z(θ)的存在,<·>model难以计算,因此在通过随机梯度上升算法对参数寻优时,无法直接计算偏导数第二项的值。通过对比散度(CD)算法,利用单次吉布斯采样(Gibbs Sampling)得到原始数据重构,可以用重构数据的联合概率分布近似模型的联合概率分布<·>P(x,h|θ)来指导参数的更新方向,记重构数据的联合概率为<·>recon,从而实现快速学习训练GRBM模型。根据CD算法,随机梯度上升法的更新准则变为
关于FNN有监督预测器训练。FNN预测器的训练主要通过有标签数据集Dlab来实现,先将Dlab中的输入变量x(j),j=1,2,…,L输入GRBM网络可见层,经特征编码后得到有标签数据对应的隐含层特征h,再将{(h(1),y(1)),(h(2),y(2)),…,(h(L),y(L))}作为训练数据,输入FNN网络,输出层神经元的激活函数为purelin,这一阶段的优化目标是根据FNN网络实际的输出值与目标的输出值的差,对权值和偏置进行调节,使得输出层的误差的平方和最小,得到最小预测误差下的模型参数,优化函数如下
SS-GRBM模型训练。经过无监餐特征提取获得的GRBM模型能够在隐含层提取到过程状态的潜在特征。在此基础上,通过有标签数据的过程特征和标签信息训练出FNN预测器模型。由前面对GRBM和FNN的训练己经可以得到一个初步的半监督模型,但在无监督训练的过程中GRBM得到的特征仅受过程数据内部结构的影响,用于表征过程信息,并未提取标签中蕴含的信息,在SS-GRBM模型中,希望有监督学习的方法能够指导无监督学习在刻画过程本质特征的基础上,还能学习到有助于实现预测的数据特征。
在步骤四中能够利用有标签数据的标签信息对GRBM无监督学习过程进行指导,将步骤二和步骤三得到的最优参数作为SS-GRBM模型参数的初值,即放宽无监督学习阶段对于重构误差最小的要求,牺牲一部分重构误差的精度来换取网络对于分类特征的学习能力,通过误差反向算法(BP)在对整个网络参数联合微调,将标签信息通过网络反向传播到GRBM网络,从而指导GRBM模型学习数据的预测特征。经多次迭代最终可以收敛到整个模型的最优参数θ*,最终获得的SS-GRBM模型不仅可以保持原有的无标签数据特征学习能力,还能充分利用有标签数据信息指导无监督学习过程,获取到更有利于预测的过程特征,进一步提升预测器的性能。如此,便可获得可用于风电机组载荷估算的半监督高斯受限波尔兹曼机模型。
需要说明的是,在本发明的其他实施例中,SS-GRBM模型还可以为三层以上的网络结构,训练过程可参照与此,不再一一赘述。
具体的,训练好半监督高斯受限波尔兹曼机模型后,当需要进行风电机组载荷估计时,便可直接将风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行处理,便可获得目标机组载荷数据。
优选地,将风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷,可具体为对风环境参数进行归一化,并归一化处理后得到的风环境参数输入至半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷。也就是说,在进行机组载荷计算之前,将风环境参数进行归一化/标准化处理,以获得目标机组载荷。其中,归一化为数据标准化方法之一,是对原始数据的变换,使结果落到[0,1]区间。相应于图2所示的半监督高斯受限波尔兹曼机模型,目标机组载荷估算,即为获得目标风环境参数后,对风环境参数作归一化预处理,再将处理过的数据输入SS-GRBM模型,由可见层通过编码获得该数据的隐层非线性特征,再利用这些特征求取ynew,即实现了对于特定场址参数下机组载荷估算。
具体的,在不同的应用场景下,目标机组载荷的具体应用不同。下面以场址选址和风电机组监测为例,对目标机组载荷的具体作用进行详细说明。
关于场址选址:
在进行场址选择时,若目标机组载荷小于预设设计载荷,则确定目标场址安全。如此,便可省去大量的计算时间,能够快速确定更多待选场址的安全性,可满足市场投标需求。
关于风电机组监测:
在对设置于目标场址内的目标风电机组运行状态进行监测时,若目标机组载荷小于预设设计载荷,则确定目标风电机组处于正常运行状态。无需耗费巨资在机组上加装载荷测量设备,便可基于便于获取的风环境参数,实现对运行状态的目标风电机组进行状态监测。
应用本发明实施例所提供的方法,获取目标场址对应的风环境参数;其中,风环境参数包括空气密度、湍流强度、风剪切、入流角和平均风速;将风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷;其中,训练半监督高斯受限波尔兹曼机模型的过程,包括:获取有标签风电机组数据和无标签风电机组数据;其中,标签为机组载荷;利用有标签风电机组数据和无标签风电机组数据对半监督高斯受限玻尔兹曼机模型进行训练。
由于风力发电领域中风资源参数(即风电机组数据)容易获取,但是对应于特定参数下的机组载荷的计算不能直接获得。而半监督高斯受限波尔兹曼机模型中的半监督学习能更有效地利用海量的无标签风电机组数据,同时能够避免有标签风电机组数据过少情况下有监督学习方法的过拟合问题。因此,利用已知机组载荷的有标签风电机组数据和未知机组载荷的无标签风电机组数据对半监督高斯受限玻尔兹曼及模型进行训练后,训练好的半监督高斯受限波尔兹曼机模型便可计算出风目标场址对应的风环境参数进行处理,得到目标机组载荷。相较于目前借助仿真软件GH Bladed/FAST等进行载荷方式,借助半监督高斯受限波尔兹曼机模型进行计算,计算速度更快。即,本方法能够解决传统的风电场机组安全性复核过程中工作量大,响应慢的问题;针对已运行风电无法获知机组部件载荷损伤情况,本方法也可对风电场机组载荷进行快速准确估算。
实施例二:
相应于上面的方法实施例,本发明实施例还提供了一种风电机组载荷确定装置,下文描述的风电机组载荷确定装置与上文描述的风电机组载荷确定方法可相互对应参照。
参见图3所示,该装置包括以下模块:
一种风电机组载荷确定装置,包括:
风环境参数获取模块100,用于获取目标场址对应的风环境参数;其中,风环境参数包括空气密度、湍流强度、风剪切、入流角和平均风速;
目标机组载荷确定模块200,用于将风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷;
模型训练模块300,用于训练半监督高斯受限波尔兹曼机模型;
模型训练模块,包括:
训练数据获取单元301,用于获取有标签风电机组数据和无标签风电机组数据;其中,标签为机组载荷;
模型训练单元302,用于利用有标签风电机组数据和无标签风电机组数据对半监督高斯受限玻尔兹曼机模型进行训练。
应用本发明实施例所提供的装置,获取目标场址对应的风环境参数;其中,风环境参数包括空气密度、湍流强度、风剪切、入流角和平均风速;将风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷;其中,训练半监督高斯受限波尔兹曼机模型的过程,包括:获取有标签风电机组数据和无标签风电机组数据;其中,标签为机组载荷;利用有标签风电机组数据和无标签风电机组数据对半监督高斯受限玻尔兹曼机模型进行训练。
由于风力发电领域中风资源参数(即风电机组数据)容易获取,但是对应于特定参数下的机组载荷的计算不能直接获得。而半监督高斯受限波尔兹曼机模型中的半监督学习能更有效地利用海量的无标签风电机组数据,同时能够避免有标签风电机组数据过少情况下有监督学习方法的过拟合问题。因此,利用已知机组载荷的有标签风电机组数据和未知机组载荷的无标签风电机组数据对半监督高斯受限玻尔兹曼及模型进行训练后,训练好的半监督高斯受限波尔兹曼机模型便可计算出风目标场址对应的风环境参数进行处理,得到目标机组载荷。相较于目前借助仿真软件GH Bladed/FAST等进行载荷方式,借助半监督高斯受限波尔兹曼机模型进行计算,计算速度更快。即,本方法能够解决传统的风电场机组安全性复核过程中工作量大,响应慢的问题;针对已运行风电无法获知机组部件载荷损伤情况,本方法也可对风电场机组载荷进行快速准确估算。
在本发明的一种具体实施方式中,还包括:
场址安全判断模块,用于在进行场址选择时,若目标机组载荷小于预设设计载荷,则确定目标场址安全。
在本发明的一种具体实施方式中,还包括:
目标风电机组监测模块,用于在对设置于目标场址内的目标风电机组运行状态进行监测时,若目标机组载荷小于预设设计载荷,则确定目标风电机组处于正常运行状态。
在本发明的一种具体实施方式中,目标机组载荷确定模块200,具体用于对风环境参数进行归一化,并归一化处理后得到的风环境参数输入至半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷。
在本发明的一种具体实施方式中,风环境参数获取模块100,具体用于分别利用相应测试仪获取所述风环境参数。
在本发明的一种具体实施方式中,训练数据获取单元301,具体用于利用统一额定风速的风文件并结合均匀分布方式,获取现有的风电机组的空气密度、湍流强度、风剪切和入流角;利用风电机组载荷算法计算与空气密度、湍流强度、风剪切和入流角对应的机组载荷,获得有标签风电机组数据。
在本发明的一种具体实施方式中,模型训练模块300,具体用于当半监督高斯受限玻尔兹曼机模型包括GRBM网络和FNN网络时,对有标签风电机组数据和无标签风电机组数据进行标准化处理;利用有标签风电机组数据和无标签风电机组数据对GRBM网络进行无监督特征提取训练,获得GRBM网络参数初值;利用有标签风电机组数据对FNN网络进行有监督预测训练,获得FNN网络参数初值;通过误差反向算法重构对半监督高斯受限玻尔兹曼机模型中的网络参数进行联合微调,获得模型参数。
实施例三:
相应于上面的方法实施例,本发明实施例还提供了一种风电机组载荷确定设备,下文描述的一种风电机组载荷确定设备与上文描述的一种风电机组载荷确定方法可相互对应参照。
参见图4所示,该风电机组载荷确定设备包括:
存储器D1,用于存储计算机程序;
处理器D2,用于执行计算机程序时实现上述方法实施例的风电机组载荷确定方法的步骤。
具体的,请参考图5,图5为本实施例提供的一种风电机组载荷确定设备的具体结构示意图,该风电机组载荷确定设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在风电机组载荷确定设备301上执行存储介质330中的一系列指令操作。
风电机组载荷确定设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341。例如,Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
上文所描述的风电机组载荷确定方法中的步骤可以由风电机组载荷确定设备的结构实现。
实施例四:
相应于上面的方法实施例,本发明实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种风电机组载荷确定方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的风电机组载荷确定方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (9)
1.一种风电机组载荷确定方法,其特征在于,包括:
获取目标场址对应的风环境参数;其中,所述风环境参数包括空气密度、湍流强度、风剪切、入流角和平均风速;
将所述风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷;
其中,训练所述半监督高斯受限波尔兹曼机模型的过程,包括:
获取有标签风电机组数据和无标签风电机组数据;其中,所述标签为机组载荷;
利用所述有标签风电机组数据和所述无标签风电机组数据对所述半监督高斯受限玻尔兹曼机模型进行训练;
所述半监督高斯受限玻尔兹曼机模型包括GRBM网络和FNN网络,利用所述有标签风电机组数据和所述无标签风电机组数据对所述半监督高斯受限玻尔兹曼机模型进行训练,包括:
对所述有标签风电机组数据和所述无标签风电机组数据进行标准化处理;
利用所述有标签风电机组数据和所述无标签风电机组数据对所述GRBM网络进行无监督特征提取训练,获得GRBM网络参数初值;
利用所述有标签风电机组数据对所述FNN网络进行有监督预测训练,获得FNN网络参数初值;
通过误差反向算法重构对所述半监督高斯受限玻尔兹曼机模型中的网络参数进行联合微调,获得模型参数。
2.根据权利要求1所述的风电机组载荷确定方法,其特征在于,还包括:
在进行场址选择时,若所述目标机组载荷小于预设设计载荷,则确定所述目标场址安全。
3.根据权利要求1所述的风电机组载荷确定方法,其特征在于,还包括:
在对设置于所述目标场址内的目标风电机组运行状态进行监测时,若所述目标机组载荷小于预设设计载荷,则确定所述目标风电机组处于正常运行状态。
4.根据权利要求1所述的风电机组载荷确定方法,其特征在于,将所述风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷,包括:
对所述风环境参数进行归一化,并归一化处理后得到的风环境参数输入至所述半监督高斯受限波尔兹曼机模型中进行载荷估算,获得所述目标机组载荷。
5.根据权利要求1所述的风电机组载荷确定方法,其特征在于,所述获取目标场址对应的风环境参数,包括:
分别利用相应测试仪获取所述风环境参数。
6.根据权利要求1所述的风电机组载荷确定方法,其特征在于,获取有标签风电机组数据和无标签风电机组数据,包括:
利用统一额定风速的风文件并结合均匀分布方式,获取现有的风电机组的空气密度、湍流强度、风剪切和入流角;
利用风电机组载荷算法计算与所述空气密度、所述湍流强度、所述风剪切和所述入流角对应的机组载荷,获得所述有标签风电机组数据。
7.一种风电机组载荷确定装置,其特征在于,包括:
风环境参数获取模块,用于获取目标场址对应的风环境参数;其中,所述风环境参数包括空气密度、湍流强度、风剪切、入流角和平均风速;
目标机组载荷确定模块,用于将所述风环境参数输入至训练好的半监督高斯受限波尔兹曼机模型中进行载荷估算,获得目标机组载荷;
模型训练模块,用于训练所述半监督高斯受限波尔兹曼机模型;
所述模型训练模块,包括:
训练数据获取单元,用于获取有标签风电机组数据和无标签风电机组数据;其中,所述标签为机组载荷;
模型训练单元,用于利用所述有标签风电机组数据和所述无标签风电机组数据对所述半监督高斯受限玻尔兹曼机模型进行训练;
其中,所述模型训练模块,具体用于当所述半监督高斯受限玻尔兹曼机模型包括GRBM网络和FNN网络时,对所述有标签风电机组数据和所述无标签风电机组数据进行标准化处理;利用所述有标签风电机组数据和所述无标签风电机组数据对所述GRBM网络进行无监督特征提取训练,获得GRBM网络参数初值;利用所述有标签风电机组数据对所述FNN网络进行有监督预测训练,获得FNN网络参数初值;通过误差反向算法重构对所述半监督高斯受限玻尔兹曼机模型中的网络参数进行联合微调,获得模型参数。
8.一种风电机组载荷确定设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述风电机组载荷确定方法的步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述风电机组载荷确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476874.7A CN110067696B (zh) | 2019-06-03 | 2019-06-03 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476874.7A CN110067696B (zh) | 2019-06-03 | 2019-06-03 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110067696A CN110067696A (zh) | 2019-07-30 |
CN110067696B true CN110067696B (zh) | 2020-05-19 |
Family
ID=67372352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910476874.7A Active CN110067696B (zh) | 2019-06-03 | 2019-06-03 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110067696B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110594106B (zh) * | 2019-10-15 | 2020-11-13 | 浙江运达风电股份有限公司 | 一种风电机组载荷在线预测方法、装置、设备、介质 |
CN113361058B (zh) * | 2020-03-05 | 2024-01-23 | 北京金风科创风电设备有限公司 | 确定风电场的代表风参数的方法和设备 |
CN113848346B (zh) * | 2020-06-28 | 2024-04-19 | 金风科技股份有限公司 | 风电机组的极端风况条件的预测方法、装置及设备 |
CN113669201B (zh) * | 2021-09-15 | 2022-09-06 | 中国华能集团清洁能源技术研究院有限公司 | 一种风电机组极端条件下的极限载荷控制方法 |
CN116146421A (zh) * | 2023-03-08 | 2023-05-23 | 大唐凉山新能源有限公司 | 一种基于风机状态感知的智能控制方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7822560B2 (en) * | 2004-12-23 | 2010-10-26 | General Electric Company | Methods and apparatuses for wind turbine fatigue load measurement and assessment |
CN104537424B (zh) * | 2014-10-28 | 2017-07-28 | 北京天源科创风电技术有限责任公司 | 一种建立基于风电机组载荷数据库的预测响应系统的方法 |
CN106503316B (zh) * | 2016-10-12 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风机载荷高效评估系统 |
CN108150360A (zh) * | 2016-12-05 | 2018-06-12 | 北京金风科创风电设备有限公司 | 检测风电机组的等效载荷的方法和设备 |
CN107725283B (zh) * | 2017-09-19 | 2019-05-21 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
-
2019
- 2019-06-03 CN CN201910476874.7A patent/CN110067696B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110067696A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110067696B (zh) | 一种风电机组载荷确定方法、装置、设备及可读存储介质 | |
CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Morando et al. | Fuel cells prognostics using echo state network | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
CN111815806B (zh) | 一种基于野值剔除和特征提取的飞参数据预处理方法 | |
CN111638958B (zh) | 云主机负载处理方法、装置、控制设备及存储介质 | |
CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
CN113553755B (zh) | 电力系统状态估计方法、装置及设备 | |
CN112393934B (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN115563464A (zh) | 一种基于量子卷积神经网络的核阀门异常状态识别方法 | |
CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN115099135A (zh) | 一种改进的人工神经网络多类型作业功耗预测方法 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN112052604B (zh) | 风机等效疲劳载荷的预测方法、系统、设备及可读介质 | |
CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
CN116384814A (zh) | 基于机器学习对多因素影响下机场跑道容量的评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |