CN112597620A - 一种基于k-medoids算法的风电机组功率曲线建模方法 - Google Patents

一种基于k-medoids算法的风电机组功率曲线建模方法 Download PDF

Info

Publication number
CN112597620A
CN112597620A CN202011016543.4A CN202011016543A CN112597620A CN 112597620 A CN112597620 A CN 112597620A CN 202011016543 A CN202011016543 A CN 202011016543A CN 112597620 A CN112597620 A CN 112597620A
Authority
CN
China
Prior art keywords
data
wind speed
wind
power
power curve
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
Application number
CN202011016543.4A
Other languages
English (en)
Inventor
臧鹏
梅春晓
谭建鑫
张清清
王艳阳
龚思远
褚军涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Jiantou New Energy Co ltd
Xintian Green Energy Co ltd
Hebei Suntien New Energy Technology Co Ltd
Original Assignee
Hebei Jiantou New Energy Co ltd
Xintian Green Energy Co ltd
Hebei Suntien New Energy Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Jiantou New Energy Co ltd, Xintian Green Energy Co ltd, Hebei Suntien New Energy Technology Co Ltd filed Critical Hebei Jiantou New Energy Co ltd
Priority to CN202011016543.4A priority Critical patent/CN112597620A/zh
Publication of CN112597620A publication Critical patent/CN112597620A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Wind Motors (AREA)

Abstract

一种基于k‑medoids算法的风电机组功率曲线建模方法，包括以下步骤：步骤S1：读取SCADA数据库中相关数据、风电场故障记录和相关维护维修记录；步骤S2：对收集数据进行数据清洗；步骤S3：对清洗后的数据进行异常值筛除；步骤S4：对数据进行标准化修正；步骤S5：区间划分统计相应指标，建立标准功率曲线数据模型。本发明克服了现有技术的不足，能够有效对风力发电机组功率曲线达标符合度的判定起到关键作用，有利于评定风电场发电量的相关指标完成度，同时也可以深入了解风电机组的实际运行状态，为风电机组的定检、预警等运维工作提供指导。

Description

一种基于k-medoids算法的风电机组功率曲线建模方法
技术领域
本发明涉及风电场性能后评估技术领域，具体涉及一种基于 k-medoids算法的风电机组功率曲线建模方法。
背景技术
风电机组功率曲线是表征风电机组正常运行条件下输出功率和风速对应关系的曲线，是风电机组控制系统设计的重要衡量标准。根据风电场的风资源情况可以进一步得出单机和整场的年度风频风能分布情况，结合与之适配的功率曲线可以推算对应的年发电量情况。但是由于温度、气压、空气密度等因素和不同品牌风机、不同主控系统等外部因素的存在，造成不同风电场甚至同一风电场的不同机型存在功率曲线上的差异性。
发明内容
针对现有技术的不足，本发明提供了一种基于k-medoids算法的风电机组功率曲线建模方法，克服了现有技术的不足，能够有效对风力发电机组功率曲线达标符合度的判定起到关键作用，有利于评定风电场发电量的相关指标完成度，同时也可以深入了解风电机组的实际运行状态，为风电机组的定检、预警等运维工作提供指导。
为实现以上目的，本发明通过以下技术方案予以实现：
本发明公开了一种基于k-medoids算法的风电机组功率曲线建模方法，包括以下步骤：
步骤S1：读取SCADA数据库中相关数据、风电场故障记录和相关维护维修记录；
步骤S2：对收集数据进行数据清洗；
步骤S3：对清洗后的数据进行异常值筛除；
步骤S4：对数据进行标准化修正；
步骤S5：区间划分统计相应指标，建立标准功率曲线数据模型。
优选地，所述步骤S1中的数据范围为大于一年期的数据。
优选地，所述步骤S2中的数据清洗包括通用数据清洗和特定数据清洗；
所述通用数据清洗针对全空数据、部分缺失数据、重复数据和部分异常数据进行处理；
所述特定数据清洗针对时间间隔不达标数据、状态位异常标识数据、风速越界数据、限功率数据进行处理。
优选地，所述步骤S3中对清洗后的数据进行异常值筛除具体包括以下步骤：
步骤31：以给定的数据集作为数据输入，数目为M，定义构建一个具有k类的模型；
步骤32：选择k＝4作为小于额定风速阶段的参数设置，选择k＝3 作为大于额定风速阶段的参数设置；
步骤33：对于每一个10min数据X1、X2、X3…Xm，选择初始化的 k个类别中心medoids的点a1、a2…ak。
步骤34：对于每一条数据，依据风速和功率的计算对应中心aj 的曼哈顿距离，按照与类别中心最近的原则，将剩余的n-k个点分配到当前最佳的medoids代表的类中；
步骤35：对于第i个类中除对应medoids点外的所有其他点，按顺序计算当其为新的medoids时，准则函数的值，遍历所有可能，选取准则函数最小时对应的点作为新的medoids。
步骤36：重复上述的步骤直到所有的medoids点不再发生变化或已达到设定的最大迭代次数，并产生最终类。
优选地，所述步骤S4对数据进行标准化修正包括大气压强的修正、根据空气的潮湿程度选择干空气或湿空气的校正以及功率曲线模拟中采用的风速数据修正；
所述大气压强的修正方式采用如下方法：
Figure RE-GDA0002851135080000031
其中，P为机舱位置的气压；Ps为标准大气压；H为风机的海拔高度；
根据空气的潮湿程度选择干空气或湿空气的校正方法为：
Figure RE-GDA0002851135080000032
其中ρ为机舱位置的空气密度，t为环境温度，R是气体常数 287.05J/(Kg*K)；
所述功率曲线模拟中采用的风速数据经以下方式校正：
Figure RE-GDA0002851135080000033
其中V10min为SCADA导出的10min平均风速，ρ10min为10分钟内平均密度，ρ0为标准空气密度1.225kg/m3。
优选地，所述步骤S5中的区间划分统计相应指标具体包括以下步骤：
步骤S51：选定从切入风速一下1m/s到风力发电机组额定功率85％对应的风速1.5倍的风速范围；
步骤S52：0.5m/s整数倍的风速为曲线中心，左右各0.25m/s的连续区间作为长度，划分风速区间；
步骤S53：统计计算每一个风速区间内的平均风速、平均功率，采用下面方式得到一条运行功率曲线函数a：
Figure RE-GDA0002851135080000041
Figure RE-GDA0002851135080000042
Vi为第i个统计区间的平均风速，Pi为第i个统计区间的平均功率， Vi,j为第i个统计区间的第j个校正风速，Pi,j为第i个统计区间的第j 个校正功率，Ni为第i个统计区间内数据点的个数；
步骤S54：根据发电机组运行功率曲线a和制造商给出的风力发电机组参考功率曲线b统计计算指标作为符合度p的比较：
Figure RE-GDA0002851135080000043
Pi,a为曲线a中第i个区间的功率，Pi,b为曲线b中第i个区间的功率，ωi为第i个区间的风频时间。
本发明提供了一种基于k-medoids算法的风电机组功率曲线建模方法。具备以下有益效果：能够有效对风力发电机组功率曲线达标符合度的判定起到关键作用，有利于评定风电场发电量的相关指标完成度，同时也可以深入了解风电机组的实际运行状态，为风电机组的定检、预警等运维工作提供指导。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
图1本发明风电场机组功率曲线建模方法的流程图；
图2本发明中原始数据点集；
图3本发明中数据清洗数据点集；
图4本发明中异常值数据点集；
图5本发明中处理后风力发电机组运行功率曲线和合同功率曲线的比较图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
如图1所示，本发明公开了一种基于k-medoids算法的风电机组功率曲线建模方法，包括以下步骤：
步骤S1：读取SCADA数据库中相关数据、风电场故障记录和相关维护维修记录；
在本步骤中读取的数据范围至少应为一年期数据。若输入数据有特殊的要求，应当在明确指出并做对应特殊化处理。如图2所示为原始数据点集。
步骤S2：对收集数据进行数据清洗；如图3所示为数据清洗数据点集；
在本申请中，数据清洗包括通用数据清洗和特定数据清洗；
通用数据清洗针对全空数据、部分缺失数据、重复数据和部分异常数据进行处理。
全空数据的问题产生于数据导出和合并过程中，通过判断任一字段是否为空或根据文档大小进行判断。
部分缺失数据的问题主要源于SCADA采集过程中出现错误或是导出过程中存在异常造成的数据部分缺失，采用特定字段的非空检测处理部分缺失数据。
重复数据的识别主要基于特殊字段的重复检测，可进行完全清洗或部分清洗两种程度的方式，这里重点关注时间重复、功率重复等相关的处理。
部分异常数据可能已被上述重复数据处理，更完备的处理方法是采用堆栈容器中转查重的检测时间序列方式。
特定数据清洗针对时间间隔不达标数据、状态位异常标识数据、风速越界数据、限功率数据进行处理。
时间间隔不达标数据主要指时间间隔低于10min的数据。按照方法要求需对此类数据进行剔除以保证采用数据时间间隔的稳定性。
状态位异常数据主要指特定SCADA系统中标记的非正常位的标记表征处某条数据的运行状态，需根据需求剔除特定标记位的数据。
风速异常数据主要针对越界和冰冻两种情形进行清洗。功率特性测试要求风速区间应在0-50m/s的范围之内，应根据需求剔除实际数据中越界数据。冰冻数据的清洗根据风速标准差阈值的设定，长期的数据异常稳定且数值大小整体偏低应根据实际需求剔除对应数据。
对限功率数据进行清洗能够有效反映真实运行功率曲线。建模方法要求对限电条件下的数据进行清洗，限功率涉及外部限功率和内部限功率，实际应用过程中应当结合风电场故障记录和秒级数据进行清洗。
步骤S3：对清洗后的数据进行异常值筛除；如图4所示为异常值数据点集；
异常值的产生因素众多，从单一字段对异常数据剔除的难度较大，异常数据的特点是基于正常数据两侧的离散分布，从整体看数据的连续性较差，在本申请中采用聚类方法中的K-medoids方法对异常值进行筛除，针对风速在小于额定风速和大于额定风速两个阶段分别构建模型。具体包括以下步骤：
步骤31：以给定的数据集作为数据输入，数目为M，定义构建一个具有k类的模型；
步骤32：选择k＝4作为小于额定风速阶段的参数设置，选择k＝3 作为大于额定风速阶段的参数设置；
步骤33：对于每一个10min数据X1、X2、X3…Xm，选择初始化的 k个类别中心medoids的点a1、a2…ak。
步骤34：对于每一条数据，依据风速和功率的计算对应中心aj 的欧氏距离，按照与类别中心最近的原则，将剩余的n-k个点分配到当前最佳的medoids代表的类中；
步骤35：对于第i个类中除对应medoids点外的所有其他点，按顺序计算当其为新的medoids时，准则函数的值，遍历所有可能，选取准则函数最小时对应的点作为新的medoids。
步骤36：重复上述的步骤直到所有的medoids点不再发生变化或已达到设定的最大迭代次数，并产生最终类。
这里使用曼哈顿距离作为距离函数的导入。
Figure RE-GDA0002851135080000071
经过数量和类标签的筛选，同时迭代次数和k簇数目可控，异常值筛除的程度可根据实际情况来界定。
步骤S4：对数据进行标准化修正；包括大气压强的修正、根据空气的潮湿程度选择干空气或湿空气的校正以及功率曲线模拟中采用的风速数据修正；
所述大气压强的修正方式采用如下方法：
Figure RE-GDA0002851135080000072
其中，P为机舱位置的气压；Ps为标准大气压；H为风机的海拔高度；
根据空气的潮湿程度选择干空气或湿空气的校正方法为：
Figure RE-GDA0002851135080000081
其中ρ为机舱位置的空气密度，t为环境温度，R是气体常数 287.05J/(Kg*K)；
所述功率曲线模拟中采用的风速数据经以下方式校正：
Figure RE-GDA0002851135080000082
其中V10min为SCADA导出的10min平均风速，ρ10min为10分钟内平均密度，ρ0为标准空气密度1.225kg/m3。
步骤S5：区间划分统计相应指标，建立标准功率曲线数据模型。其中区间划分统计相应指标具体包括以下步骤：
步骤S51：选定从切入风速一下1m/s到风力发电机组额定功率85％对应的风速1.5倍的风速范围；
步骤S52：0.5m/s整数倍的风速为曲线中心，左右各0.25m/s的连续区间作为长度，划分风速区间；并且每一个区间保证至少三十分钟的采样数据。
步骤S53：统计计算每一个风速区间内的平均风速、平均功率，采用下面方式得到一条运行功率曲线函数a：
Figure RE-GDA0002851135080000083
Figure RE-GDA0002851135080000084
Vi为第i个统计区间的平均风速，Pi为第i个统计区间的平均功率， Vi,j为第i个统计区间的第j个校正风速，Pi,j为第i个统计区间的第j 个校正功率，Ni为第i个统计区间内数据点的个数；
步骤S54：根据发电机组运行功率曲线a和制造商给出的风力发电机组参考功率曲线b统计计算指标作为符合度p的比较：
Figure RE-GDA0002851135080000091
Pi,a为曲线a中第i个区间的功率，Pi,b为曲线b中第i个区间的功率，ωi为第i个区间的风频时间。如图5所示为处理后风力发电机组运行功率曲线和合同功率曲线的比较图；
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于k-medoids算法的风电机组功率曲线建模方法，其特征在于，包括以下步骤：
步骤S1：读取SCADA数据库中相关数据、风电场故障记录和相关维护维修记录；
步骤S2：对收集数据进行数据清洗；
步骤S3：对清洗后的数据进行异常值筛除；
步骤S4：对数据进行标准化修正；
步骤S5：区间划分统计相应指标，建立标准功率曲线数据模型。
2.根据权利要求1所述的一种基于k-medoids算法的风电机组功率曲线建模方法，其特征在于：所述步骤S1中的数据范围为大于一年期的数据。
3.根据权利要求1所述的一种基于k-medoids算法的风电机组功率曲线建模方法，其特征在于：所述步骤S2中的数据清洗包括通用数据清洗和特定数据清洗；
所述通用数据清洗针对全空数据、部分缺失数据、重复数据和部分异常数据进行处理；
所述特定数据清洗针对时间间隔不达标数据、状态位异常标识数据、风速越界数据、限功率数据进行处理。
4.根据权利要求1所述的一种基于k-medoids算法的风电机组功率曲线建模方法，其特征在于：所述步骤S3中对清洗后的数据进行异常值筛除具体包括以下步骤：
步骤31：以给定的数据集作为数据输入，数目为M，定义构建一个具有k类的模型；
步骤32：选择k＝4作为小于额定风速阶段的参数设置，选择k＝3作为大于额定风速阶段的参数设置；
步骤33：对于每一个10min数据X1、X2、X3…Xm，选择初始化的k个类别中心medoids的点a1、a2…ak。
步骤34：对于每一条数据，依据风速和功率的计算对应中心aj的曼哈顿距离，按照与类别中心最近的原则，将剩余的n-k个点分配到当前最佳的medoids代表的类中；
步骤35：对于第i个类中除对应medoids点外的所有其他点，按顺序计算当其为新的medoids时，准则函数的值，遍历所有可能，选取准则函数最小时对应的点作为新的medoids。
步骤36：重复上述的步骤直到所有的medoids点不再发生变化或已达到设定的最大迭代次数，并产生最终类。
5.根据权利要求1所述的一种基于k-medoids算法的风电机组功率曲线建模方法，其特征在于：所述步骤S4对数据进行标准化修正包括大气压强的修正、根据空气的潮湿程度选择干空气或湿空气的校正以及功率曲线模拟中采用的风速数据修正；
所述大气压强的修正方式采用如下方法：
Figure FDA0002699259330000021
其中，P为机舱位置的气压；Ps为标准大气压；H为风机的海拔高度；
根据空气的潮湿程度选择干空气或湿空气的校正方法为：
Figure FDA0002699259330000022
其中ρ为机舱位置的空气密度，t为环境温度，R是气体常数287.05J/(Kg*K)；
所述功率曲线模拟中采用的风速数据经以下方式校正：
Figure FDA0002699259330000031
其中V10min为SCADA导出的10min平均风速，ρ10min为10分钟内平均密度，ρ0为标准空气密度1.225kg/m3。
6.根据权利要求1所述的一种基于k-medoids算法的风电机组功率曲线建模方法，其特征在于：所述步骤S5中的区间划分统计相应指标具体包括以下步骤：
步骤S51：选定从切入风速一下1m/s到风力发电机组额定功率85％对应的风速1.5倍的风速范围；
步骤S52：0.5m/s整数倍的风速为曲线中心，左右各0.25m/s的连续区间作为长度，划分风速区间；
步骤S53：统计计算每一个风速区间内的平均风速、平均功率，采用下面方式得到一条运行功率曲线函数a：
Figure FDA0002699259330000032
Figure FDA0002699259330000033
Vi为第i个统计区间的平均风速，Pi为第i个统计区间的平均功率，Vi，j为第i个统计区间的第j个校正风速，Pi，j为第i个统计区间的第j个校正功率，Ni为第i个统计区间内数据点的个数；
步骤S54：根据发电机组运行功率曲线a和制造商给出的风力发电机组参考功率曲线b统计计算指标作为符合度p的比较：
Figure FDA0002699259330000034
Pi，a为曲线a中第i个区间的功率，Pi，b为曲线b中第i个区间的功率，ωi为第i个区间的风频时间。
CN202011016543.4A 2020-09-24 2020-09-24 一种基于k-medoids算法的风电机组功率曲线建模方法 Pending CN112597620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011016543.4A CN112597620A (zh) 2020-09-24 2020-09-24 一种基于k-medoids算法的风电机组功率曲线建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011016543.4A CN112597620A (zh) 2020-09-24 2020-09-24 一种基于k-medoids算法的风电机组功率曲线建模方法

Publications (1)

Publication Number Publication Date
CN112597620A true CN112597620A (zh) 2021-04-02

Family

ID=75180296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011016543.4A Pending CN112597620A (zh) 2020-09-24 2020-09-24 一种基于k-medoids算法的风电机组功率曲线建模方法

Country Status (1)

Country Link
CN (1) CN112597620A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113107785A (zh) * 2021-05-12 2021-07-13 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113312836A (zh) * 2021-05-10 2021-08-27 国核电力规划设计研究院有限公司 一种短期风速预测方法
CN113626767A (zh) * 2021-08-02 2021-11-09 中节能风力发电股份有限公司 一种风机限电识别方法、系统、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886181A (zh) * 2014-02-25 2014-06-25 国家电网公司 一种基于k-medoids聚类的风电场机组聚合方法
CN108171400A (zh) * 2017-12-06 2018-06-15 浙江大学 一种基于异常点及离群点检测的风机功率曲线数据预处理方法
CN110658437A (zh) * 2019-10-14 2020-01-07 重庆大学 一种风电变流器功率模块igbt健康状态评价方法
CN111623905A (zh) * 2020-05-21 2020-09-04 国电联合动力技术有限公司 风电机组轴承温度预警方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886181A (zh) * 2014-02-25 2014-06-25 国家电网公司 一种基于k-medoids聚类的风电场机组聚合方法
CN108171400A (zh) * 2017-12-06 2018-06-15 浙江大学 一种基于异常点及离群点检测的风机功率曲线数据预处理方法
CN110658437A (zh) * 2019-10-14 2020-01-07 重庆大学 一种风电变流器功率模块igbt健康状态评价方法
CN111623905A (zh) * 2020-05-21 2020-09-04 国电联合动力技术有限公司 风电机组轴承温度预警方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
中国博士学位论文全文数据库 工程科技Ⅱ辑: "《风电功率预测研究》", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
张延迟等: "《大型风力发电机组的功率曲线》", 《新疆大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312836A (zh) * 2021-05-10 2021-08-27 国核电力规划设计研究院有限公司 一种短期风速预测方法
CN113312836B (zh) * 2021-05-10 2024-08-09 国核电力规划设计研究院有限公司 一种短期风速预测方法
CN113107785A (zh) * 2021-05-12 2021-07-13 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113107785B (zh) * 2021-05-12 2022-05-31 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113626767A (zh) * 2021-08-02 2021-11-09 中节能风力发电股份有限公司 一种风机限电识别方法、系统、设备和存储介质

Similar Documents

Publication Publication Date Title
CN112597620A (zh) 一种基于k-medoids算法的风电机组功率曲线建模方法
US11644009B2 (en) Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof
Zheng et al. Raw wind data preprocessing: a data-mining approach
CN112598207A (zh) 一种基于多重清洗的风电机组运行功率曲线评估方法
CN102588210B (zh) 一种用于功率曲线拟合数据预处理的滤波方法
CN106570790B (zh) 一种计及风速数据分段特性的风电场出力数据修复方法
CN113570138B (zh) 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN113591359A (zh) 一种风电机组切入/切出风速调优方法、系统及设备介质
CN110674864B (zh) 一种含同步相量量测装置的风电异常数据辨识方法
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN116702957A (zh) 面向极端天气的新能源功率预测方法、设备和存储介质
CN113343562B (zh) 一种基于混合建模策略的风机功率预测方法及系统
CN113048012B (zh) 基于混合高斯模型的风电机组偏航角度识别方法和装置
CN117927322A (zh) 一种基于燃气-蒸汽联合循环效率优化方法及系统
CN112855458B (zh) 一种风力发电机组的风速仪故障诊断方法、系统及介质
CN116109152A (zh) 一种风力发电机组增功升级产品有效性评估系统及方法
CN114912807A (zh) 一种风电机组技改后发电量提升效果评估方法和评估系统
CN113946977A (zh) 一种基于决策树算法预警风机变桨故障的应用方法
Bao et al. Iterative modeling of wind turbine power curve based on least‐square B‐spline approximation
CN112883019A (zh) 数据处理方法及系统
CN112597136A (zh) 一种用于风力发电机的数据清洗方法
CN113309661B (zh) 一种提升风力发电机组发电量的方法
CN114969017B (zh) 风功率数据清洗方法、清洗装置及预测方法
Wang et al. Comparison of Artificial Intelligence-Based Power Curve Cleaning Algorithms for Wind Farms
CN118153922B (zh) 风电场多维度后评估平台、方法及终端设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402