CN110685857A - 一种基于集成学习的山地风电机组行为预测模型 - Google Patents
一种基于集成学习的山地风电机组行为预测模型 Download PDFInfo
- Publication number
- CN110685857A CN110685857A CN201910983215.2A CN201910983215A CN110685857A CN 110685857 A CN110685857 A CN 110685857A CN 201910983215 A CN201910983215 A CN 201910983215A CN 110685857 A CN110685857 A CN 110685857A
- Authority
- CN
- China
- Prior art keywords
- data
- output
- input
- wind turbine
- wind
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- CZRCFAOMWRAFIC-UHFFFAOYSA-N 5-(tetradecyloxy)-2-furoic acid Chemical compound CCCCCCCCCCCCCCOC1=CC=C(C(O)=O)O1 CZRCFAOMWRAFIC-UHFFFAOYSA-N 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims description 2
- 241000288105 Grus Species 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000009827 uniform distribution Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 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
-
- 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
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/82—Forecasts
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
- F05B2270/709—Type of control algorithm with neural networks
-
- 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)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种基于集成学习的山地风电机组行为预测模型,包括以下步骤:1.采用自适应阈值法确定风速功率子区间数据密度阈值进而清洗异常数据;2.定义样本矩阵,采用自适应综合过采样方法生成新的样本矩阵均匀分布不同风况。3.根据第2步生成的数据,对其进行希尔伯特‑黄变换,得到山地风电机组模型输入量的分解量;4.根据第4步的数据,确定山地风电机组模型的输入输出,选取个体学习器并采用stacking的集成学习的融合策略,训练集成得到山地风电机组行为预测模型;5.采用网格搜索法确定模型最优参数6.运行测试山地风电机组行为预测模型。本发明可以为风电机组预测性控制提供服务,维护人员能更好更高效的维护机组正常运行。
Description
技术领域
本发明设计风电机组建模领域,尤其涉及一种基于集成学习的山地风电机组行为预测模型。
背景技术
随着能源问题的日益凸显,风能作为一种可再生能源,具有清洁环保等特点,已经引起世界各国的重视。目前,由于内陆山区同样具有极其丰厚的风能资源,风能资源利用已经成为了广大学者关注的新的问题。然而,与传统的海上风电场相比,山区风电场的风由于受到地形的影响,风的波动性较大,风速、风向、5秒偏航、桨距角等因素都会影响山地风电机组模型的准确性。
随着山区风电机组装机数量的不断增加,精确的山地风电机组行为预测模型一方面可以为风电机组的预测性控制提供服务,另一方面还能够优化风电场能源调度以及风电场风能与电网的交互。因此,如何准确的建立山地风电机组行为预测模型成为了风力发电领域重要的研究方向,常见的风电机组行为预测模型主要包括以下几类:机理模型是理想状态下根据风电机组结构、内部运行机制建立起来的精确数学模型;基于数学表达式的统计学方法主要是通过对历史数据的采集,建立历史数据与当前时刻数据之间的一个映射关系,进而建立风电机组行为预测模型;经典的神经网络模型主要通过采集到的历史数据通过神经网络进行训练,从而得到风电机组行为预测模型。这些方法用于建立山地风电机组行为预测模型仍然有一些不足,主要包括以下三个方面:
(1)机理模型没有考虑山地风电机组实际运行环境,模型准确性较低;
(2)由于山区风波动较大,风机状态量也会剧烈变换,不同频率的风机状态量会影响风电机组模型输出,从而影响模型的预测精度;
(3)数据在不同的风况下分布不均匀,极端风况条件下的数据较少,多数类数据训练出来的模型容易出现过拟合现象而少数类数据训练出来的模型会出现欠拟合现象。
发明内容
为了解决现有技术存在的上述问题,本发明提出一种基于集成学习的山地风电机组行为预测模型,该方法包括以下步骤:
步骤1:从风电场SCADA系统中采集一年的风机数据,采样间隔为秒。数据可以表示为,分别为时刻的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度。将采集到的数据通过密度法进行异常数据的清洗,其中密度阈值由自适应阈值法确定;
步骤2:定义样本矩阵,将清洗后的数据根据时间规律转换成样本矩阵,采用ADASYN(Adaptive Synthetic Oversampling,自适应综合过采样)方法生成新的样本矩阵均匀分布在不同的风况;
步骤3:将当前时刻前T秒的输入量即风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度进行希尔伯特-黄变换,以上每个输入量被分解成个IMF(Intrinsic Mode Function,本征模态函数)和一个余项,用个IMF和余项构成的矩阵代替其原输入量;
步骤4:训练构建山地风电机组行为预测模型网络。用当前时刻前T秒包含个IMF和余项的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络输入,当前时刻的风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络的输出。选取LSTM(Long Short-Term Memory,长短期记忆网络)、TCN(Temporal Convolutional Network,时间卷积网络)、RNN(Recurrent Neural Network,循环神经网络)、GRU(Gated Recurrent Unit,门控循环单元)、SVM(Support VectorMachine,支持向量机)作为个体学习器,采用stacking的集成学习的融合策略,训练集成得到山地风电机组模型;
步骤 5:采用网格搜索算法确定模型最优参数;
步骤 6:运行山地风电机组行为预测模型,获取预测结果。
本发明的技术效果在于:本发明所述的是一种基于集成学习的山地风电机组行为预测模型。采用自适应综合过采样法生成新的样本数据均匀分布各个风况能够避免训练模型时的过拟合现象,从而提高预测模型精度。通过将实验的各个风机状态量的时间序列分解成一系列较平稳且具有明显周期变化的分解量,在很大程度减少不同特征信息间的干扰,使最终的模型更准确。由于集成学习在多输入多输出序列建模问题时,可获得比单一学习器更为显著优越的泛化能力,充分利用了所有的数据,能够将多个个体学习器所得到的输出结果有机的结合,防止出现过拟合现象,能够有效的提高模型准确性。
附图说明
图1为本发明建模方法的示意图。
图2 为希尔伯特-黄分解示意图。
图3为本发明stacking集成学习算法的K折交叉验证过程示意图。
具体实施方式
本发明提出的基于集成学习的山地风电机组建模方法包括步骤:
步骤1:从风电场SCADA系统中采集一年的风机数据,采样间隔为秒。数据可以表示为,分别为时刻的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度。将采集到的数据通过密度法进行异常数据的清洗,其中密度阈值由自适应阈值法确定。具体为以下步骤:
步骤1-2:按照风速大小递增的原则对矩阵重新排序,以固定步长v将风速划分为n个区间,再以固定步长p对功率区间划分,得到m个子区间,每个子区间的数据密度为
其中为该子区间数据个数;
其中为第f个少数类样本数;
则第f个少数类第x个样本需要生成的样本数为
步骤2-7:在第f个少数类第x个样本周围k个邻居中随机选择一个属于少数类f的样本,根据式(10)生成新样本:
步骤2-9:将行向量样以8维为间隔恢复新的样本矩阵,此时样本矩阵可表示为
步骤3:将当前时刻前T秒的输入量即风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度进行希尔伯特-黄变换,以上每个输入量被分解成个IMF和一个余项,用个IMF和余项构成的矩阵代替其原输入量。具体内容如下;
步骤 3-3:重构各个风机状态量的输入数据格式,以各个分解量和余项作为各个风机状态量的特征,即
步骤4:训练构建山地风电机组的网络。用当前时刻前T秒包含个IMF和余项的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络输入,当前时刻的风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络的输出。选取LSTM、TCN、RNN、GRU、SVM作为个体学习器,采用stacking的集成学习的融合策略,训练集成得到山地风电机组模型:
步骤4-3:对输入输出数据集进行归一化处理;
(5)SVM:该个体学习器的输入为数据清洗后的风机状态量,每个输入对应一个SVM,记为,通过核函数将输入输出映射到高维空间,使其变成线性回归,将8个SVM的输出通过融合层进行融合后再添加3层全连接层最终的输出为;
步骤4-5:采用集成学习的思想将步骤4-4的5个个体学习器集成,具体内容如下:
(15)
步骤 5:采用网格搜索算法确定模型最优参数。具体步骤如下:
步骤 5-1:训练模型过程中主要需要调整的参数诶学习率l、迭代次数e以及批尺寸bs,设定以上参数的选择范围和搜索步长,即可构成三维网格;
步骤 6:运行山地风电机组行为预测模型,获取预测结果。
将第二年的风机数据样本经过步骤3后以步骤4的数据输入形式作为网络的输入,即可输出得到次年风机状态量预测值;
本发明较佳的实施例如上所述,并发对本发明任何形式和实质上的限制,显然,任何本领域的技术人员在不脱离本发明的范围和精神的前提下,可对其做些许的修改和完善,本发明的保护范围需以权利要求书所界定为准。
Claims (7)
1.一种基于集成学习的山地风电机组行为预测模型,其特征在于,包括以下步骤:
步骤1:从风电场SCADA系统中采集一年的风机数据,采样间隔为秒,数据可以表示为,分别为时刻的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度,将采集到的数据通过密度法进行异常数据的清洗,其中密度阈值由自适应阈值法确定;
步骤2:定义样本矩阵,将清洗后的数据根据时间规律转换成样本矩阵,采用ADASYN(Adaptive Synthetic Oversampling,自适应综合过采样)方法生成新的样本矩阵均匀分布在不同的风况;
步骤3:将当前时刻前T秒的输入量即风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度进行希尔伯特-黄变换,以上每个输入量被分解成个IMF(Intrinsic Mode Function,本征模态函数)和一个余项,用个IMF和余项构成的矩阵代替其原输入量;
步骤4:训练构建山地风电机组行为预测模型网络,用当前时刻前T秒包含个IMF和余项的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络输入,当前时刻的风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络的输出,选取LSTM(Long Short-Term Memory,长短期记忆网络)、TCN(Temporal Convolutional Network,时间卷积网络)、RNN(Recurrent Neural Network,循环神经网络)、GRU(Gated Recurrent Unit,门控循环单元)、SVM(Support VectorMachine,支持向量机)作为个体学习器,采用stacking的集成学习的融合策略,训练集成得到山地风电机组模型;
步骤 5:采用网格搜索算法确定模型最优参数;
步骤 6:运行山地风电机组行为预测模型,获取预测结果。
2.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型,其特征在于,所述步骤1中确定区间数据密度阈值,清洗异常数据的具体内容如下:
其中为该子区间数据个数;
(5)
所示。
3.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型,其特征在于,所述步骤2中采用ADASYN方法生成训练样本具体内容如下:
2-6:由式(8)到第f个少数类第x个样本k个邻居多数类所占比例,其周围多数类的情况可以表示为
则第f个少数类第x个样本需要生成的样本数为
5.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型,其特征在于,所述步骤4训练山地风电机组行为预测模型网络的具体内容如下:
4-3:对输入输出数据集进行归一化处理;
(5)SVM:该个体学习器的输入为数据清洗后的风机状态量,每个输入对应一个SVM,记为,通过核函数将输入输出映射到高维空间,使其变成线性回归,将8个SVM的输出通过融合层进行融合后再添加3层全连接层最终的输出为;
4-5:采用集成学习的思想将步骤4-4的5个个体学习器集成,具体内容如下:
4-6:构建次级学习器,本发明采用的次级学习器为BP神经网络,作为次级学习器训练集的输入,作为次级学习器测试集的输入,进行训练得到最终的风电机组行为预测模型输出。
7.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型,其特征在于,所述步骤6中模型运行的具体内容如下:
将第二年的风机数据样本经过步骤3后以步骤4的数据输入形式作为网络的输入,即可输出得到次年风机状态量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983215.2A CN110685857B (zh) | 2019-10-16 | 2019-10-16 | 一种基于集成学习的山地风电机组行为预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910983215.2A CN110685857B (zh) | 2019-10-16 | 2019-10-16 | 一种基于集成学习的山地风电机组行为预测模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110685857A true CN110685857A (zh) | 2020-01-14 |
CN110685857B CN110685857B (zh) | 2021-10-15 |
Family
ID=69112924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910983215.2A Active CN110685857B (zh) | 2019-10-16 | 2019-10-16 | 一种基于集成学习的山地风电机组行为预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110685857B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112183847A (zh) * | 2020-09-25 | 2021-01-05 | 合肥工业大学 | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN112761896A (zh) * | 2020-09-24 | 2021-05-07 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
CN112842342A (zh) * | 2021-01-25 | 2021-05-28 | 北京航空航天大学 | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 |
CN112879220A (zh) * | 2021-03-16 | 2021-06-01 | 上海电气风电集团股份有限公司 | 风机控制方法、系统和可读存储介质 |
CN112949938A (zh) * | 2021-03-29 | 2021-06-11 | 哈尔滨工业大学 | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 |
CN113379151A (zh) * | 2021-06-25 | 2021-09-10 | 重庆大学 | 基于Bagging-CNN-GRU的风速超短期预测方法 |
CN113392826A (zh) * | 2021-06-18 | 2021-09-14 | 广东工业大学 | 一种基于多模型融合Stacked的害鸟密度分布预测方法 |
CN113553774A (zh) * | 2021-08-30 | 2021-10-26 | 北京东润环能科技股份有限公司 | 一种基于eemd-gru的短期风功率预测方法 |
CN114243674A (zh) * | 2022-02-24 | 2022-03-25 | 国网浙江省电力有限公司平阳县供电公司 | 一种直流微网孤岛状态下的光伏和储能协同控制系统 |
CN115512717A (zh) * | 2022-11-21 | 2022-12-23 | 东北石油大学三亚海洋油气研究院 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
TWI812382B (zh) * | 2022-08-04 | 2023-08-11 | 正修學校財團法人正修科技大學 | 波浪發電控制方法及系統 |
CN117577214A (zh) * | 2023-05-19 | 2024-02-20 | 广东工业大学 | 一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008052557A2 (en) * | 2006-11-03 | 2008-05-08 | Vestas Wind Systems A/S | A wind energy converter, a method and use hereof |
US20090142192A1 (en) * | 2007-10-09 | 2009-06-04 | General Electric Company | Wind turbine metrology system |
WO2011076295A2 (en) * | 2009-12-21 | 2011-06-30 | Vestas Wind Systems A/S | A wind turbine having a control method and controller for performing predictive control of a wind turbine generator |
US20110295438A1 (en) * | 2009-08-21 | 2011-12-01 | Catch the Wind, Inc. | Wind and Power Forecasting Using LIDAR Distance Wind Sensor |
CN104778506A (zh) * | 2015-03-31 | 2015-07-15 | 天津大学 | 基于局部集成学习的短期风速预报方法 |
CN105069476A (zh) * | 2015-08-10 | 2015-11-18 | 国网宁夏电力公司 | 基于两阶段集成学习的风电异常数据识别方法 |
CN106529706A (zh) * | 2016-10-25 | 2017-03-22 | 国家电网公司 | 一种基于支持向量机回归的风电场风速预测方法 |
CN106991285A (zh) * | 2017-04-01 | 2017-07-28 | 广东工业大学 | 一种短期风速多步预测方法及装置 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108376298A (zh) * | 2018-02-12 | 2018-08-07 | 湘潭大学 | 一种风电机组发电机温度故障预警诊断方法 |
CN109145175A (zh) * | 2018-09-03 | 2019-01-04 | 四川佳联众合企业管理咨询有限公司 | 基于stacking集成学习算法的时空数据预测方法 |
CN110068302A (zh) * | 2019-03-07 | 2019-07-30 | 中科院微电子研究所昆山分所 | 一种基于深度神经网络的车辆测距方法 |
CN110134919A (zh) * | 2019-04-30 | 2019-08-16 | 华北电力大学 | 风电机组异常数据清洗方法 |
EP3237752B1 (en) * | 2014-12-23 | 2019-09-11 | ABB Schweiz AG | Optimal wind farm operation |
CN110503251A (zh) * | 2019-08-12 | 2019-11-26 | 江苏方天电力技术有限公司 | 一种基于Stacking算法的非节假日负荷预测方法 |
-
2019
- 2019-10-16 CN CN201910983215.2A patent/CN110685857B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008052557A2 (en) * | 2006-11-03 | 2008-05-08 | Vestas Wind Systems A/S | A wind energy converter, a method and use hereof |
US20090142192A1 (en) * | 2007-10-09 | 2009-06-04 | General Electric Company | Wind turbine metrology system |
US20110295438A1 (en) * | 2009-08-21 | 2011-12-01 | Catch the Wind, Inc. | Wind and Power Forecasting Using LIDAR Distance Wind Sensor |
WO2011076295A2 (en) * | 2009-12-21 | 2011-06-30 | Vestas Wind Systems A/S | A wind turbine having a control method and controller for performing predictive control of a wind turbine generator |
EP3237752B1 (en) * | 2014-12-23 | 2019-09-11 | ABB Schweiz AG | Optimal wind farm operation |
CN104778506A (zh) * | 2015-03-31 | 2015-07-15 | 天津大学 | 基于局部集成学习的短期风速预报方法 |
CN105069476A (zh) * | 2015-08-10 | 2015-11-18 | 国网宁夏电力公司 | 基于两阶段集成学习的风电异常数据识别方法 |
CN106529706A (zh) * | 2016-10-25 | 2017-03-22 | 国家电网公司 | 一种基于支持向量机回归的风电场风速预测方法 |
CN106991285A (zh) * | 2017-04-01 | 2017-07-28 | 广东工业大学 | 一种短期风速多步预测方法及装置 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108376298A (zh) * | 2018-02-12 | 2018-08-07 | 湘潭大学 | 一种风电机组发电机温度故障预警诊断方法 |
CN109145175A (zh) * | 2018-09-03 | 2019-01-04 | 四川佳联众合企业管理咨询有限公司 | 基于stacking集成学习算法的时空数据预测方法 |
CN110068302A (zh) * | 2019-03-07 | 2019-07-30 | 中科院微电子研究所昆山分所 | 一种基于深度神经网络的车辆测距方法 |
CN110134919A (zh) * | 2019-04-30 | 2019-08-16 | 华北电力大学 | 风电机组异常数据清洗方法 |
CN110503251A (zh) * | 2019-08-12 | 2019-11-26 | 江苏方天电力技术有限公司 | 一种基于Stacking算法的非节假日负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
SU YONGXIN: "A coordinative optimization method of active power and fatigue distribution in onshore wind farms", 《INTERNATIONAL TRANSACTIONS ON ELECTRICAL ENERGY SYSTEMS》 * |
刘克文等: "风电日前发电功率的集成学习预测模型", 《中国电机工程学报》 * |
薛禹胜 等: "关于短期及超短期风电功率预测的评述", 《电力系统自动化》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080039B (zh) * | 2020-03-17 | 2023-10-20 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN111709490A (zh) * | 2020-06-24 | 2020-09-25 | 河北工业大学 | 一种基于gru神经网络的风机健康状态评估方法 |
CN112761896A (zh) * | 2020-09-24 | 2021-05-07 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
CN112761896B (zh) * | 2020-09-24 | 2024-05-14 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
CN112183847A (zh) * | 2020-09-25 | 2021-01-05 | 合肥工业大学 | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
CN112183847B (zh) * | 2020-09-25 | 2022-09-20 | 合肥工业大学 | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
CN112365040B (zh) * | 2020-11-03 | 2022-03-01 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN112842342A (zh) * | 2021-01-25 | 2021-05-28 | 北京航空航天大学 | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 |
CN112842342B (zh) * | 2021-01-25 | 2022-03-29 | 北京航空航天大学 | 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法 |
CN112879220A (zh) * | 2021-03-16 | 2021-06-01 | 上海电气风电集团股份有限公司 | 风机控制方法、系统和可读存储介质 |
CN112949938A (zh) * | 2021-03-29 | 2021-06-11 | 哈尔滨工业大学 | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 |
CN113392826A (zh) * | 2021-06-18 | 2021-09-14 | 广东工业大学 | 一种基于多模型融合Stacked的害鸟密度分布预测方法 |
CN113379151A (zh) * | 2021-06-25 | 2021-09-10 | 重庆大学 | 基于Bagging-CNN-GRU的风速超短期预测方法 |
CN113553774A (zh) * | 2021-08-30 | 2021-10-26 | 北京东润环能科技股份有限公司 | 一种基于eemd-gru的短期风功率预测方法 |
CN114243674A (zh) * | 2022-02-24 | 2022-03-25 | 国网浙江省电力有限公司平阳县供电公司 | 一种直流微网孤岛状态下的光伏和储能协同控制系统 |
TWI812382B (zh) * | 2022-08-04 | 2023-08-11 | 正修學校財團法人正修科技大學 | 波浪發電控制方法及系統 |
CN115512717A (zh) * | 2022-11-21 | 2022-12-23 | 东北石油大学三亚海洋油气研究院 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
CN117577214A (zh) * | 2023-05-19 | 2024-02-20 | 广东工业大学 | 一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法 |
CN117577214B (zh) * | 2023-05-19 | 2024-04-12 | 广东工业大学 | 一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110685857B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110685857B (zh) | 一种基于集成学习的山地风电机组行为预测模型 | |
Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
Yang et al. | A weather-based hybrid method for 1-day ahead hourly forecasting of PV power output | |
Cabrera et al. | Wind-driven SWRO desalination prototype with and without batteries: A performance simulation using machine learning models | |
Tascikaraoglu et al. | A review of combined approaches for prediction of short-term wind speed and power | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
Li et al. | Ensemble offshore wind turbine power curve modelling–an integration of isolation forest, fast radial basis function neural network, and metaheuristic algorithm | |
CN115425680B (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach | |
Houssein | Particle swarm optimization-enhanced twin support vector regression for wind speed forecasting | |
CN109242200A (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
Rodríguez et al. | Ensemble forecaster based on the combination of time-frequency analysis and machine learning strategies for very short-term wind speed prediction | |
Tajjour et al. | Power generation forecasting of a solar photovoltaic power plant by a novel transfer learning technique with small solar radiation and power generation training data sets | |
Zhang et al. | Short-term wind power prediction based on EMD-LSTM combined model | |
Zhang et al. | Achieving wind power and photovoltaic power prediction: An intelligent prediction system based on a deep learning approach | |
Yu et al. | Comparison of short-term solar irradiance forecasting methods when weather conditions are complicated | |
Wang et al. | Short-term wind power probabilistic forecasting using a new neural computing approach: GMC-DeepNN-PF | |
Dong et al. | Optimised yaw model for adaptive wind direction characteristic based on a data‐driven approach | |
Ding et al. | Photovoltaic array power prediction model based on EEMD and PSO-KELM | |
Sun et al. | Wind speed prediction based on FWA-LSTM | |
Li et al. | An adaptive spatiotemporal fusion graph neural network for short-term power forecasting of multiple wind farms | |
Ahmed et al. | A novel integrated approach for short-term wind power forecasting | |
Li et al. | A short-term photovoltaic output prediction method based on improved PSO-RVM algorithm | |
Mahmudy et al. | Genetic algorithmised neuro fuzzy system for forecasting the online journal visitors | |
Ren | Short-term Power Prediction of Wind Farm Power Based on BP Neural Network |
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 |