CN111340307B - 预测风机风力发电功率的方法以及相关装置 - Google Patents
预测风机风力发电功率的方法以及相关装置 Download PDFInfo
- Publication number
- CN111340307B CN111340307B CN202010174452.7A CN202010174452A CN111340307B CN 111340307 B CN111340307 B CN 111340307B CN 202010174452 A CN202010174452 A CN 202010174452A CN 111340307 B CN111340307 B CN 111340307B
- Authority
- CN
- China
- Prior art keywords
- fan
- data
- wind
- weather forecast
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012937 correction Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims description 37
- 238000012423 maintenance Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 23
- 230000008014 freezing Effects 0.000 claims description 19
- 238000007710 freezing Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本申请实施例公开了一种预测风机风力发电的方法以及相关装置，用于解决现有技术针对个体差异性大的风机具有很难快速、有效的推广应用，存在效率低、可复制性弱的缺点。本申请实施例方法包括：获取风机位置处的实时气象预报数据；使用气象预报数据订正模型对实时气象预报数据进行订正，得到订正后实时气象预报数据；将订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到风机的预报风速；将预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率。
Description
技术领域
本申请实施例涉及风力发电技术领域，特别涉及一种预测风机风力发电功率的方法以及相关装置。
背景技术
目前，在风力发电领域内影响发电功率预测的因数很多，其中主要受到气象预报数据的风速数据影响。在风力发电领域内十分准确地预测发电功率是很难的，因为风力发电功率的预测误差因素很多样，现有技术一般通过人工评估综合的功率误差，解析出预测影响风功率的因素，然而这种做法具有一定的不确定性，因为不同地区的风电场，甚至同一个风电场的不同风机之间的差异性都有可能影响该风机的发电功率，现有技术针对个体差异性大的风机具有很难快速、有效的推广应用，存在效率低、可复制性弱的缺点。
发明内容
本申请实施例提供了一种预测风机风力发电功率的方法以及相关装置，用来解决现有技术针对个体差异性大的风机具有很难快速、有效的推广应用，存在效率低、可复制性弱的缺点。
本申请第一方面提供一种预测风机风力发电的方法，包括：
获取风机位置处的实时气象预报数据；
使用气象预报数据订正模型对所述实时气象预报数据进行订正，得到订正后实时气象预报数据；
将所述订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到所述风机的预报风速；
将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率。
可选地，所述实时气象预报数据为所述风机具体的经纬度上的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据。
可选地，所述气象预报数据订正模型的生成包括：
获取所述风机位置的历史气象预报数据，以及所述风机的风机运行SCADA数据，所述风机运行SCADA数据为所述风机实际位置测得的数据，包括风机的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据、发电功率；
将所述历史气象预报数据和所述风机运行SCADA数据按照时间对应关系形成风机历史数据样本集；
将所述风机历史数据样本集按照时间周期规律划分为N个风机历史数据样本周期集；
对N个所述风机历史数据样本周期集计算平均偏差，得到每一个所述风机历史数据样本周期集的平均偏差值；
使用每一个所述风机历史数据样本周期集的平均偏差值对相应的所述风机历史数据样本周期集进行订正，得到N个订正后风机历史数据样本周期集；
在所述N个订正后风机历史数据样本周期集提取训练特征；
以每一个所述订正后风机历史数据样本周期集的所述历史气象预报数据为输入值，对应时间上的每一个所述订正后风机历史数据样本周期集的所述风机运行SCADA数据为期望值，进行神经网络训练，得到气象预报数据订正模型；
所述气象预报数据订正模型为经过训练的反映气象预报数据与实际风机运行SCADA数据之间关系的神经网络模型。
可选地，在将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率之后，所述方法还包括；
将所述预测风机风力发电功率输入叶片冰冻模型，得到所述风机的修正后预测风机风力发电功率。
可选地，在将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率之后，所述方法还包括；
获取所述风机的检修计划，所述检修计划反映所述风机维修时间；
获取所述风机的预测风机风力发电功率的预测时间；
判断所述预测时间是否在所述风机维修时间内；
若在，则表示所述预测风机风力发电功率在所述风机维修时间内为零。
可选地，在将所述订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到所述风机的预报风速之后，所述方法还包括：
获取全风电场所有风机的风机预报风速；
对所述所有风机的风机预报风速计算算术平均数，得到所述全风电场的全场平均预报风速；
所述将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率包括：
将所述全场平均预报风速作为输入值输入所述功率模型，得到预测全场风机风力发电功率。
可选地，在将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率之后，所述方法还包括：
获取全风电场所有风机的预测风机风力发电功率；
对所述所有的预测风机风力发电功率计算算术平均数，得到预测全场风机风力发电功率。
可选地，所述梯度增强回归模型为经过训练的反映气象预报数据的风速数据与风机运行SCADA数据的风速数据之间关系的神经网络模型；
所述功率预测模型为经过训练的反映风机运行SCADA数据的风速数据与风机风力发电功率之间关系的神经网络模型；
所述叶片冰冻模型为经过训练的反映风机运行SCADA数据的温度与风机风力发电功率之间关系的神经网络模型。
本申请第二方面提供一种预测风机风力发电功率的装置，包括：
第一获取单元，用于获取风机位置处的实时气象预报数据；
气象数据订正模型单元，用于使用气象预报数据订正模型对所述实时气象预报数据进行订正，得到订正后实时气象预报数据；
梯度增强回归模型单元，用于将所述订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到所述风机的预报风速；
功率预测模型单元，用于将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率。
可选地，所述实时气象预报数据为所述风机具体的经纬度上的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据。
可选地，所述气象预报数据订正模型单元的生成具体包括：
获取所述风机位置的历史气象预报数据，以及所述风机的风机运行SCADA数据，所述风机运行SCADA数据为所述风机实际位置测得的数据，包括风机的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据、发电功率；
将所述历史气象预报数据和所述风机运行SCADA数据按照时间对应关系形成风机历史数据样本集；
将所述风机历史数据样本集按照时间周期规律划分为N个风机历史数据样本周期集；
对N个所述风机历史数据样本周期集计算平均偏差，得到每一个所述风机历史数据样本周期集的平均偏差值；
使用每一个所述风机历史数据样本周期集的平均偏差值对相应的所述风机历史数据样本周期集进行订正，得到N个订正后风机历史数据样本周期集；
在所述N个订正后风机历史数据样本周期集提取训练特征；
以每一个所述订正后风机历史数据样本周期集的所述历史气象预报数据为输入值，对应时间上的每一个所述订正后风机历史数据样本周期集的所述风机运行SCADA数据为期望值，进行神经网络训练，得到气象预报数据订正模型；
所述气象预报数据订正模型为经过训练的反映气象预报数据与实际气象数据之间关系的神经网络模型。
可选地，所述预测风机风力发电功率的装置，还包括；
叶片冰冻模型单元，用于将所述预测风机风力发电功率输入叶片冰冻模型，得到所述风机的修正后预测风机风力发电功率。
可选地，所述预测风机风力发电功率的装置，还包括；
第二获取单元，用于获取所述风机的检修计划，所述检修计划反映所述风机维修时间；
第三获取单元，用于获取所述风机的预测风机风力发电功率的预测时间；
判断单元，用于判断所述预测时间是否在所述风机维修时间内；
功率归零单元，用于若判断单元确定所述预测时间在所述风机维修时间内，则表示所述预测风机风力发电功率在所述风机维修时间内为零。
可选地，所述预测风机风力发电功率的装置，还包括：
第四获取单元，用于获取全风电场所有风机的风机预报风速；
第一计算单元，用于对所述所有风机的风机预报风速计算算术平均数，得到所述全风电场的全场平均预报风速；
功率预测模型单元，还用于将所述全场平均预报风速作为输入值输入所述功率预测模型，得到预测全场风机风力发电功率。
可选地，所述预测风机风力发电功率的装置，还包括：
第五获取单元，用于获取全风电场所有风机的预测风机风力发电功率；
第二计算单元，用于对所述所有的预测风机风力发电功率计算算术平均数，得到预测全场风机风力发电功率。
可选地，所述梯度增强回归模型为经过训练的反映气象预报数据的风速数据与风机运行SCADA数据的风速数据之间关系的神经网络模型；
所述功率预测模型为经过训练的反映风机运行SCADA数据的风速数据与风机风力发电功率之间关系的神经网络模型；
所述叶片冰冻模型为经过训练的反映风机运行SCADA数据的温度与风机风力发电功率之间关系的神经网络模型。
本申请第三方面提供一种预测风机风力发电功率的装置，包括：
处理器、存储器，总线、输入输出设备；
所述处理器与所述存储器输入输出设备相连；
所述总线分别连接所述处理器、存储器以及输入输出设备；
所述存储器存储有计算机程序；
所述处理器执行所述计算机程序时实现如前述第一方面中任一项所述的方法。
本申请第四方面提供一种计算机存储介质，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得计算机执行如前述第一方面中任意一项所述的方法。
本申请第五方面提供一种计算机程序产品，所述计算机程序产品在计算机上执行时，使得所述计算机执行前述第一方面中任意一项所述的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中通过使用气象数据订正模型对实时气象预报数据进行订正，减少实时气象预报数据的系统偏差，得到比较符合实际的订正后实时气象预报数据，再通过使用梯度增强回归模型将订正后实时气象预报数据预测出风机会面临的预报风速，再通过使用功率预测模型将预报风速就可以实现预测出预测风机风力发电功率。相比现有技术中通过人工评估综合的功率误差，解析出预测影响风功率的因素，本申请通过使用经过训练的神经网络模型(气象预报数据订正模型、梯度增强回归模型、功率预测模型)，既可以实现根据气象预报数据快速得出风机发电功率，本申请的方法可以进行有效推广，适应性强，全程通过计算机即可完成效率高，由于是计算机执行的逻辑，可复制性强。
附图说明
图1为本申请实施例中预测风机风力发电功率的方法的一个流程示意图；
图2为本申请实施例中预测风机风力发电功率的方法的另一个实施例示意图；
图3为本申请实施例中预测风机风力发电功率的装置的一个结构示意图；
图4为本申请实施例中预测风机风力发电功率的装置的另一个结构示意图；
图5为本申请实施例中预测风机风力发电功率的装置的另一个结构示意图。
具体实施方式
本申请实施例提供了一种预测风机风力发电功率的方法，用于解决现有技术针对个体差异性大的风机进行预测风机风力发电功率时，具有很难快速、有效的推广应用，存在效率低、可复制性弱的缺点。
请查阅图1，本申请预测风机风力发电功率的方法的一个实施例，包括：
101、获取风机位置处的实时气象预报数据。
本申请针对气象预报数据预测风机风力发电功率，基于这样的理解，首先需要获取预测对象(即要参与预测的风机)所处的位置处的气象预报数据，具体来说是实时气象预报数据。由于本申请是通过运用多个神经网络模型对气象预报数据进行转化，最终得到需要的风机风力发电功率，预测定有误差值，为了减少最终得到的风机风力发电功率的误差，此处选择获取风机位置处的实时气象预报数据。
102、使用气象预报数据订正模型对实时气象预报数据进行订正，得到订正后实时气象预报数据。
在步骤101中获取得到风机位置处的实时气象预报数据之后，由于实时气象预报数据往往具有一些干扰数据，需要使用训练好的神经网络模型-气象预报数据订正模型对气象预报数据进行订正，得到订正后实时气象预报数据。
103、将订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到风机的预报风速。
在步骤102中得到订正后实时气象预报数据之后，需要将实时气象预报数据转化成风机所处位置实际感受到的预报风速，此时需要使用梯度增强回归模型对订正后实时气象数据进行转化，得到风机的预报风速。
104、将预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率。
在步骤103中得到预报风速之后，需要将风机所处位置的实际感受得到的预报风速转化为风机的实际发电功率，此时将预报风速作为输入值输入功率预测模型，即可得到预测风机风力发电功率。
本申请中通过使用气象数据订正模型对实时气象预报数据进行订正，减少实时气象预报数据的系统偏差，得到比较符合实际的订正后实时气象预报数据，再通过使用梯度增强回归模型将订正后实时气象预报数据预测出风机会面临的预报风速，再通过使用功率预测模型将预报风速就可以实现预测出预测风机风力发电功率。相比现有技术中通过人工评估综合的功率误差，解析出预测影响风功率的因素，本申请通过使用经过训练的神经网络模型(气象预报数据订正模型、梯度增强回归模型、功率预测模型)，既可以实现根据气象预报数据快速得出风机发电功率，本申请的方法可以进行有效推广，适应性强，全程通过计算机即可完成效率高，由于是计算机执行的逻辑，可复制性强。
请查阅图2，本申请预测风机风力发电功率的方法的一个实施例，包括：
201、获取风机位置处的实时气象预报数据。
此步骤的执行如图1步骤101类似，重复部分不再赘述。
需要说明的是，所谓实时气象预报数据或者气象预报数据，也称气象数值预报格点数据，是指在具体经度和纬度方向上等间距分布的气象数值预报数据，它包括不同地表以上不同高度层的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据等信息，它反映了风机所处位置的气象学环境参数，是进行风机风力发电功率预测的重要基础参数。
202、使用气象预报数据订正模型对实时气象预报数据进行订正，得到订正后实时气象预报数据。
此步骤的执行如图1步骤102类似，重复部分不再赘述。
所谓气象预报数据订正模型为经过训练的反映气象预报数据与实际气象数据之间关系的神经网络模型。气象预报数据毕竟是预测性的数据，往往与实际到来的实际气象数据之间都存在一定的误差，随着气象预报技术的发展，气象预报数据的精度和准确性都有了很大的提高，但是还是存在一定的偏差，出于提高实时气象预报数据的准确性，本申请提供了一种新的神经网络模型-气象预报数据订正模型，该神经网络模型以风机位置处的历史气象预报数据和风机实际运行SCADA(supervisorycontrolanddataacquisition)数据为训练特征，通过大量的数据训练，可以更加准确地反映出气象预报数据与实际气象预报数据之间的误差，并给予订正，使得订正后气象预报数据更加接近将来时刻风机实际运行SCADA数据。
气象预报数据订正模型的训练生成过程包括：
(1)获取风机所处具体位置经纬度的历史气象预报数据，以及该风机的风机运行SCADA数据，该风机运行SCADA数据为该风机在实际位置测得的实际数据，包括风机的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据、发电功率等；
具体来说，由于风机所处具体位置的经纬度并不能直接精确地定位到风机的实际位置，可以选择风机周边4个邻近的气象数值预报格点数据，并将每个气象数值预报格点数据按风向分为若干个扇区，每个扇区内风速在一定范围内变化，可分不同的风速段。
(2)将上述(1)中的历史气象预报数据和风机运行SCADA数据按照时间对应关系形成风机历史数据样本集，比如：历史气象预报数据时刻是2020年1月1日12:00，对应的与2020年1月1日12:00时刻的风机运行SCADA数据时间映射关系，进而形成风机历史数据样本集；
需要说明的是，本步骤还需剔除非法异常数据和特殊工况下的数据，完成数据清洗，才可以形成风机历史数据样本集。所谓的非法异常数据是指一些故障数据，比如：风速数据为-1.5m/s、在风机正常运行时，有功功率却小于0等；所谓特殊工况下的数据是指风机停机、待机、故障等非正常工作状况下的数据；这些数据并不能真正反映正常运转风机的风机运行SCADA数据与气象预报数据之间的关系。
(3)将上述(2)中的风机历史数据样本集按照时间周期规律划分为N个历史数据样本周期集，比如：(2)中形成的风机历史数据样本集时间长度有2年，即2017年1月1月00:00至2019年12月31日12:59，可以将风机历史数据样本集分为两个历史数据样本周期集，即2017年1月1月00:00至2018年12月31日12:59的风机历史数据样本集和2018年1月1月00:00至2019年12月31日12:59的风机历史数据样本集。由于大自然气候的变迁具备一定的规律，气象数据也呈现出一定的季节性，周期性，为丰富神经网络训练的样本数量，可以将风机历史数据样本集按照时间周期规律划分为N个历史数据样本周期集，多个风机历史数据样本集可以起到交叉验证的效果；
(4)对上述(3)中的N个风机历史数据样本周期集计算平均偏差，得到每一个风机历史数据样本周期集的平均偏差值，尽管大自然气候的变迁具备一定的规律，气象数据也呈现出一定的季节性，周期性，N个历史数据样本周期集之间的同一时间维度上的数据还是具有一定差异，此时可以通过计算N个风机历史数据样本周期集计算平均偏差，得到每一个风机历史数据样本周期集的平均偏差值，从而看出每一个风机历史数据样本周期集的数据距离平均数的差值。具体来说是对风机的每一个气象数值预报格点数据、每一个扇区的风向、每一个风向的风速段进行计算平均偏差，当然对N个风机历史数据样本周期集的其他气压数据、湿度数据、相对湿度数据、温度数据、发电功率等也都一一进行计算平均偏差，得到相应数据的平均偏差值；
(5)使用每一个风机历史数据样本周期集的平均偏差值对相应的所述风机历史数据样本周期集进行订正，得到N个订正后风机历史数据样本周期集，本步骤用于消除各个风机历史数据样本周期集的样本差异，利于减少后期神经网络训练特征的提取工作和神经网络训练的时间。
(6)在N个订正后风机历史数据样本周期集提取训练特征，由于气象预报数据订正模型用于反映气象预报数据与实际风机运行SCADA数据之间关系的神经网络模型，所以提取的训练特征为:每一个风机历史数据样本周期集的风机所处具体位置经纬度的历史气象预报数据，以及该风机的风机运行SCADA数据。具体来说是，风机所处具体位置某一时刻历史气象预报数据：风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据等，对应风机所处具体位置同一时刻风机运行SCADA数据：风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据、发电功率等；
(7)以每一个订正后风机历史数据样本周期集的历史气象预报数据为输入值，对应时间上的每一个订正后风机历史数据样本周期集的风机运行SCADA数据为期望值，进行神经网络训练，即可得到气象预报数据订正模型。
203、将订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到风机的预报风速。
此步骤的执行如图1步骤103类似，重复部分不再赘述。
需要说明的是，所谓梯度增强回归模型为经过训练的反映气象预报数据的风速数据与风机运行SCADA数据的风速数据之间关系的神经网络模型，由于梯度增强回归模型为现有成熟的神经网络模型，神经网络模型的训练类似上述步骤202中气象预报数据订正模型的训练生成过程，在此不做过多介绍。
204、将预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率。
此步骤的执行如图1步骤104类似，重复部分不再赘述。
需要说明的是，所谓功率预测模型为经过训练的反映风机运行SCADA数据的风速数据与风机风力发电功率之间关系的神经网络模型，由于功率预测模型为现有成熟的神经网络模型，神经网络模型的训练类似上述步骤202中气象预报数据订正模型的训练生成过程，在此不做过多介绍。
205、将预测风机风力发电功率输入叶片冰冻模型，得到风机的修正后预测风机风力发电功率。
当风机所处的环境达到风机叶片结冰的条件时，叶片表面会出现结冰现象，对风机发电功率产生消极影响，为提高步骤204中预测风机风力发电功率的准确性，在得到风机的预测风机风力发电功率之后，还可以结合叶片冰冻模型，从而得到修正后预测风机风力发电功率。所谓叶片冰冻模型为经过训练的反映风机运行SCADA数据的温度、相对湿度等环境数据与风机风力发电功率之间关系的神经网络模型，可以反映出风机叶片结冰程度的不同对风机风力发电功率的不同影响。叶片冰冻模型为本申请自行训练的神经网络模型，神经网络模型的训练类似上述步骤202中气象预报数据订正模型的训练生成过程，在此不做过多介绍。
206、获取风机的检修计划，检修计划反映风机维修时间。
由于每一台风机都存在检修计划，在检修计划期间风机是不运行的，即不管环境因素如何，不管气象预报数据怎么样，风机的风机运行SCADA数据的发电功率都是为零，这个是一个特殊工况下的数据，为了实现精准预测步骤204步骤中的预测风机风力发电功率，或精准预测步骤205中的修正后预测风机风力发电功率，需要获取风机的检修计划，该检修计划至少应该反映出该风机的未来风机维修时间。
207、获取风机的预测风机风力发电功率的预测时间。
在步骤204中得到预测风机风力发电功率之后，可以从预测风机风力发电功率的数据中得到预测的是哪一段或哪一刻时间的风机风力发电功率，从而得到预测风机风力发电功率的预测时间。
208、判断预测时间是否在风机维修时间内，若预测时间在风机维修时间内，则执行步骤209，若预测时间不在风机维修时间内，则正常显示预测风机风力发电功率或修正后预测风机风力发电功率。
在步骤206获取得到风机维修时间，以及在步骤207中获取得到预测时间之后，判断预测时间是否在风机维修时间内。本步骤是用于矫正预测风机风力发电功率或修正后预测风机风力发电功率的实际缺陷，因为在用神经网络模型的训练数据中已经剔除了这类维修故障等特殊工况下的训练数据，本申请涉及的各个模型均不能对处于维修等状态中的风机进行有效识别。
209、表示预测风机风力发电功率在风机维修时间内为零。
在步骤208中确定预测时间在更急维修时间内之后，则表示预测风机风力发电功率在维修时间内为零，由上述风力可知，处于维修等特殊工况下的风机是不会进行风力发电的，若对某一台处于维修计划中维修时间内的风机进行预测风机风力发电功率或修正后预测风机风力发电功率，也必将功率为零。
210、获取全风电场所有风机的风机预报风速。
在步骤203中得到风机的预报风速之后，可以进一步获取全风电场所有风机的风机预报风速。
211、对所有风机的风机预报风速计算算术平均数，得到全风电场的全场平均预报风速。
在步骤210中获取得到全风电场所有风机的风机预报风速之后，可以通过对所有风机的风机预报风速计算算术平均数，得到全风电场的全场平均预报风速。所谓全场平均预报风速在整体上反映整个风电场的风速均值情况。
212、将全场平均预报风速作为输入值输入功率预测模型，得到预测全场风机平均风力发电功率。
在步骤211中得到全场平均预报风速之后，可以将全场平均预报风速作为输入值输入功率预测模型，即可得到预测全场风机平均风力发电功率。相当于把全风电场的全场平均预报风速作为某一台代表风机的预报风速，通过功率预测模型的运算，即可得到某一台代表风机的预测风机风力发电功率，即相当于预测全场风机平均风力发电功率。
213、获取全风电场所有风机的预测风机风力发电功率。
在步骤205得到修正后预测风机风力发电功率之后，可以获取全风电场所有风机的预测风机风力发电功率。
214、对所有的预测风机风力发电功率计算算术平均数，得到预测全场风机平均风力发电功率。
在步骤213中得到全风电场所有风机的预测风机风力发电功率之后，可以所有的预测风机风力发电功率计算算术平均数，得到预测全场风机平均风力发电功率。
本申请中通过在获取气象预报数据的源头上对气象预报数据进行订正，利用机器学习算法即各种神经网络模型(气象预报数据订正模型、梯度增强回归模型、功率预测模型、叶片冰冻模型)，分别对气象预报数据进行订正，转化，再转化，修正，并考虑了风机的维修计划中的维修时间，从而得到更加准确的预测风机风力发电功率，既可以实现根据气象预报数据快速得出风机发电功率，本申请的方法可以进行有效推广，适应性强，全程通过计算机即可完成效率高，由于是计算机执行的逻辑，可复制性强。
上面对预测风机风力发电功率的方法进行了描述，下面对本申请预测风机风力发电功率的装置进行描述，请参考图3，本申请提供一种预测风机风力发电功率的装置，包括：
第一获取单元301，用于获取风机位置处的实时气象预报数据；
气象数据订正模型单元302，用于使用气象预报数据订正模型对所述实时气象预报数据进行订正，得到订正后实时气象预报数据；
梯度增强回归模型单元303，用于将所述订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到所述风机的预报风速；
功率预测模型单元304，用于将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率。
本申请实施例中，预测风机风力发电功率的装置所执行的操作与前述图1中所执行的操作类似，在此不再赘述。
请参考图4，本申请提供一种预测风机风力发电功率的装置，包括：
第一获取单元401，用于获取风机位置处的实时气象预报数据；
气象数据订正模型单元402，用于使用气象预报数据订正模型对所述实时气象预报数据进行订正，得到订正后实时气象预报数据；
梯度增强回归模型单元403，用于将所述订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到所述风机的预报风速；
功率预测模型单元404，用于将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率。
可选地，所述实时气象预报数据为所述风机具体的经纬度上的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据。
可选地，所述气象预报数据订正模型单元402的生成具体包括：
获取所述风机位置的历史气象预报数据，以及所述风机的风机运行SCADA数据，所述风机运行SCADA数据为所述风机实际位置测得的数据，包括风机的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据、发电功率；
将所述历史气象预报数据和所述风机运行SCADA数据按照时间对应关系形成风机历史数据样本集；
将所述风机历史数据样本集按照时间周期规律划分为N个风机历史数据样本周期集；
对N个所述风机历史数据样本周期集计算平均偏差，得到每一个所述风机历史数据样本周期集的平均偏差值；
使用每一个所述风机历史数据样本周期集的平均偏差值对相应的所述风机历史数据样本周期集进行订正，得到N个订正后风机历史数据样本周期集；
在所述N个订正后风机历史数据样本周期集提取训练特征；
以每一个所述订正后风机历史数据样本周期集的所述历史气象预报数据为输入值，对应时间上的每一个所述订正后风机历史数据样本周期集的所述风机运行SCADA数据为期望值，进行神经网络训练，得到气象预报数据订正模型；
所述气象预报数据订正模型为经过训练的反映气象预报数据与实际风机运行SCADA数据之间关系的神经网络模型。
可选地，所述预测风机风力发电功率的装置，还包括；
叶片冰冻模型单元405，用于将所述预测风机风力发电功率输入叶片冰冻模型，得到所述风机的修正后预测风机风力发电功率。
可选地，所述预测风机风力发电功率的装置，还包括；
第二获取单元406，用于获取所述风机的检修计划，所述检修计划反映所述风机维修时间；
第三获取单元407，用于获取所述风机的预测风机风力发电功率的预测时间；
判断单元408，用于判断所述预测时间是否在所述风机维修时间内；
功率归零单元409，用于若判断单元确定所述预测时间在所述风机维修时间内，则表示所述预测风机风力发电功率在所述风机维修时间内为零。
可选地，所述预测风机风力发电功率的装置，还包括：
第四获取单元410，用于获取全风电场所有风机的风机预报风速；
第一计算单元411，用于对所述所有风机的风机预报风速计算算术平均数，得到所述全风电场的全场平均预报风速；
功率预测模型单元404，还用于将所述全场平均预报风速作为输入值输入所述功率预测模型，得到预测全场风机风力发电功率。
可选地，所述预测风机风力发电功率的装置，还包括：
第五获取单元412，用于获取全风电场所有风机的预测风机风力发电功率；
第二计算单元413，用于对所述所有的预测风机风力发电功率计算算术平均数，得到预测全场风机风力发电功率。
可选地，所述梯度增强回归模型为经过训练的反映气象预报数据的风速数据与风机运行SCADA数据的风速数据之间关系的神经网络模型；
所述功率预测模型为经过训练的反映风机运行SCADA数据的风速数据与风机风力发电功率之间关系的神经网络模型；
所述叶片冰冻模型为经过训练的反映风机运行SCADA数据的温度与风机风力发电功率之间关系的神经网络模型。
本申请实施例中，预测风机风力发电功率的装置所执行的操作与前述图2中所执行的操作类似，在此不再赘述。
本申请中通过在获取气象预报数据的源头上对气象预报数据进行订正，利用机器学习算法即各种神经网络模型(气象预报数据订正模型、梯度增强回归模型、功率预测模型、叶片冰冻模型)，分别对气象预报数据进行订正，转化，再转化，修正，并考虑了风机的维修计划中的维修时间，从而得到更加准确的预测风机风力发电功率，既可以实现根据气象预报数据快速得出风机发电功率，本申请的方法可以进行有效推广，适应性强，全程通过计算机即可完成效率高，由于是计算机执行的逻辑，可复制性强。
下面对预测风机风力发电功率的装置的另一实施例进行描述，请查阅图5，具体包括:
预测风机风力发电功率的装置500可以包括一个或一个以上中央处理器(centralprocessingunits，CPU)501和存储器505，该存储器505中存储有一个或一个以上的应用程序或数据。其中，存储器505可以是易失性存储或持久存储。存储在存储器505的程序可以包括一个或一个以上模块，每个模块可以包括对预测风机风力发电功率的装置中的一系列指令操作。更进一步地，中央处理器501可以设置为与存储器505通信，在预测风机风力发电功率的装置500上执行存储器505中的一系列指令操作。预测风机风力发电功率的装置500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作系统，例如WindowsServer，MacOSX，Unix,Linux，FreeBSD等。该中央处理器501可以执行前述图1至图2所示实施例中的所执行的操作，具体此处不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (6)
1.一种预测风机风力发电功率的方法，其特征在于，包括：
获取风机位置处的实时气象预报数据；其中，所述实时气象预报数据为所述风机具体的经纬度上的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据；
使用气象预报数据订正模型对所述实时气象预报数据进行订正，得到订正后实时气象预报数据；
所述气象预报数据订正模型的生成包括：
获取所述风机位置的历史气象预报数据，以及所述风机的风机运行SCADA数据，所述风机运行SCADA数据为所述风机实际位置测得的数据，包括风机的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据、发电功率；
将所述历史气象预报数据和所述风机运行SCADA数据按照时间对应关系形成风机历史数据样本集；
将所述风机历史数据样本集按照时间周期规律划分为N个风机历史数据样本周期集；
对N个所述风机历史数据样本周期集计算平均偏差，得到每一个所述风机历史数据样本周期集的平均偏差值；
使用每一个所述风机历史数据样本周期集的平均偏差值对相应的所述风机历史数据样本周期集进行订正，得到N个订正后风机历史数据样本周期集；
在所述N个订正后风机历史数据样本周期集提取训练特征；
以每一个所述订正后风机历史数据样本周期集的所述历史气象预报数据为输入值，对应时间上的每一个所述订正后风机历史数据样本周期集的所述风机运行SCADA数据为期望值，进行神经网络训练，得到气象预报数据订正模型；
所述气象预报数据订正模型为经过训练的反映气象预报数据与实际风机运行SCADA数据之间关系的神经网络模型；
将所述订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到所述风机的预报风速；其中，所述梯度增强回归模型为经过训练的反映气象预报数据的风速数据与风机运行SCADA数据的风速数据之间关系的神经网络模型；
将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率；其中，所述功率预测模型为经过训练的反映风机运行SCADA数据的风速数据与风机风力发电功率之间关系的神经网络模型；
将所述预测风机风力发电功率输入叶片冰冻模型，得到所述风机的修正后预测风机风力发电功率；其中，所述叶片冰冻模型为经过训练的反映风机运行SCADA数据的温度与风机风力发电功率之间关系的神经网络模型。
2.根据权利要求1所述的预测风机风力发电功率的方法，其特征在于，在将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率之后，所述方法还包括；
获取所述风机的检修计划，所述检修计划反映所述风机维修时间；
获取所述风机的预测风机风力发电功率的预测时间；
判断所述预测时间是否在所述风机维修时间内；
若在，则表示所述预测风机风力发电功率在所述风机维修时间内为零。
3.根据权利要求1所述的预测风机风力发电功率的方法，其特征在于，在将所述订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到所述风机的预报风速之后，所述方法还包括：
获取全风电场所有风机的风机预报风速；
对所述所有风机的风机预报风速计算算术平均数，得到所述全风电场的全场平均预报风速；
所述将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率包括：
将所述全场平均预报风速作为输入值输入所述功率预测模型，得到预测全场风机风力发电功率。
4.根据权利要求1所述的预测风机风力发电功率的方法，其特征在于，在将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率之后，所述方法还包括：
获取全风电场所有风机的预测风机风力发电功率；
对所述所有的预测风机风力发电功率计算算术平均数，得到预测全场风机风力发电功率。
5.一种预测风机风力发电功率的装置，其特征在于，包括：
第一获取单元，用于获取风机位置处的实时气象预报数据；其中，所述实时气象预报数据为所述风机具体的经纬度上的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据；
气象数据订正模型单元，用于使用气象预报数据订正模型对所述实时气象预报数据进行订正，得到订正后实时气象预报数据；
所述气象预报数据订正模型单元的生成具体包括：
获取所述风机位置的历史气象预报数据，以及所述风机的风机运行SCADA数据，所述风机运行SCADA数据为所述风机实际位置测得的数据，包括风机的风速数据、风向数据、气压数据、湿度数据、相对湿度数据、温度数据、发电功率；
将所述历史气象预报数据和所述风机运行SCADA数据按照时间对应关系形成风机历史数据样本集；
将所述风机历史数据样本集按照时间周期规律划分为N个风机历史数据样本周期集；
对N个所述风机历史数据样本周期集计算平均偏差，得到每一个所述风机历史数据样本周期集的平均偏差值；
使用每一个所述风机历史数据样本周期集的平均偏差值对相应的所述风机历史数据样本周期集进行订正，得到N个订正后风机历史数据样本周期集；
在所述N个订正后风机历史数据样本周期集提取训练特征；
以每一个所述订正后风机历史数据样本周期集的所述历史气象预报数据为输入值，对应时间上的每一个所述订正后风机历史数据样本周期集的所述风机运行SCADA数据为期望值，进行神经网络训练，得到气象预报数据订正模型；
所述气象预报数据订正模型为经过训练的反映气象预报数据与实际风机运行SCADA数据之间关系的神经网络模型；
梯度增强回归模型单元，用于将所述订正后实时气象预报数据作为输入值输入梯度增强回归模型，得到所述风机的预报风速；其中，所述梯度增强回归模型为经过训练的反映气象预报数据的风速数据与风机运行SCADA数据的风速数据之间关系的神经网络模型；
功率预测模型单元，用于将所述预报风速作为输入值输入功率预测模型，得到预测风机风力发电功率；其中，所述功率预测模型为经过训练的反映风机运行SCADA数据的风速数据与风机风力发电功率之间关系的神经网络模型；
所述预测风机风力发电功率的装置，还包括：
将所述预测风机风力发电功率输入叶片冰冻模型，得到所述风机的修正后预测风机风力发电功率；其中，所述叶片冰冻模型为经过训练的反映风机运行SCADA数据的温度与风机风力发电功率之间关系的神经网络模型。
6.一种预测风机风力发电功率的装置，其特征在于，包括：
处理器、存储器、总线、输入输出设备；
所述处理器与所述存储器输入输出设备相连；
所述总线分别连接所述处理器、存储器以及输入输出设备；
所述存储器存储有计算机程序；
所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010174452.7A CN111340307B (zh) | 2020-03-13 | 2020-03-13 | 预测风机风力发电功率的方法以及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010174452.7A CN111340307B (zh) | 2020-03-13 | 2020-03-13 | 预测风机风力发电功率的方法以及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340307A CN111340307A (zh) | 2020-06-26 |
| CN111340307B true CN111340307B (zh) | 2023-08-04 |
Family
ID=71186065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010174452.7A Active CN111340307B (zh) | 2020-03-13 | 2020-03-13 | 预测风机风力发电功率的方法以及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340307B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112199840B (zh) * | 2020-09-30 | 2021-07-06 | 国家海洋环境预报中心 | 数值模式海面风速订正方法、装置、电子设备及存储介质 |
| CN112417734B (zh) * | 2020-11-25 | 2024-03-15 | 国能日新科技股份有限公司 | 一种基于风电场地理信息的风速订正方法及装置 |
| CN113937763B (zh) * | 2021-10-14 | 2023-09-26 | 远景智能国际私人投资有限公司 | 风电功率预测方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101741085A (zh) * | 2009-12-11 | 2010-06-16 | 西北电网有限公司 | 一种短期风电功率预报方法 |
| CN102005760A (zh) * | 2010-11-18 | 2011-04-06 | 西北电网有限公司 | 一种通用风电功率短期预报方法 |
| CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
| CN102768738A (zh) * | 2012-07-31 | 2012-11-07 | 华锐风电科技(集团)股份有限公司 | 风电场功率预测方法和预测装置 |
| CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
| WO2014155482A1 (ja) * | 2013-03-25 | 2014-10-02 | 中国電力株式会社 | 発電量予測装置、発電量予測方法、及びプログラム |
-
2020
- 2020-03-13 CN CN202010174452.7A patent/CN111340307B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101741085A (zh) * | 2009-12-11 | 2010-06-16 | 西北电网有限公司 | 一种短期风电功率预报方法 |
| CN102005760A (zh) * | 2010-11-18 | 2011-04-06 | 西北电网有限公司 | 一种通用风电功率短期预报方法 |
| CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
| CN102768738A (zh) * | 2012-07-31 | 2012-11-07 | 华锐风电科技(集团)股份有限公司 | 风电场功率预测方法和预测装置 |
| WO2014155482A1 (ja) * | 2013-03-25 | 2014-10-02 | 中国電力株式会社 | 発電量予測装置、発電量予測方法、及びプログラム |
| CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 集成CFD与Kalman滤波的微尺度风电场风功率预报方法;刘丽等;《高原气象》(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340307A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
| KR102455338B1 (ko) | 결함 검출 방법 및 장치, 모델 훈련 방법 및 장치, 및 디바이스 및 저장 매체 | |
| CN111461444B (zh) | 风电场的机组功率的预测方法、系统、介质及电子设备 | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| US11460003B2 (en) | Wind turbine damage detection system using machine learning | |
| US20120271826A1 (en) | Data collecting method for detection and on-time warning system of industrial process | |
| CN108869174B (zh) | 一种非线性建模的风力发电机叶片固有频率工况补偿方法 | |
| US20230012218A1 (en) | Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof | |
| CN105303457B (zh) | 基于蒙特卡洛运行维护模拟的海上风资源评估方法 | |
| CN110390146B (zh) | 基于扇区载荷的风电机组塔筒焊缝疲劳损伤计算方法及产品 | |
| CN113374652A (zh) | 一种风力发电机组寿命评估方法 | |
| EP3947961A1 (en) | A method for estimating remaining useful life of components of an operational wind turbine | |
| CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
| CN111797545B (zh) | 一种基于实测数据的风电机组偏航折减系数计算方法 | |
| CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
| CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
| CN116307282A (zh) | 一种基于机理模型和数据驱动的风电功率预测方法及系统 | |
| CN114738212B (zh) | 一种考虑多属性气象特性的风电机组检修方法及装置 | |
| CN113343562B (zh) | 一种基于混合建模策略的风机功率预测方法及系统 | |
| CN115898787A (zh) | 一种风电机组静态偏航误差动态识别方法及装置 | |
| CN115545966A (zh) | 一种光伏组串电量损失分析与识别方法及其存储介质 | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| Sethi et al. | Vibration signal-based diagnosis of wind turbine blade conditions for improving energy extraction using machine learning approach | |
| CN110555543B (zh) | 一种风电场预测的不确定度分析方法及系统 | |
| CN112749820A (zh) | 一种风电功率预测方法及系统 |
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 |