CN112598148A - 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 - Google Patents

基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 Download PDF

Info

Publication number
CN112598148A
CN112598148A CN202011063836.8A CN202011063836A CN112598148A CN 112598148 A CN112598148 A CN 112598148A CN 202011063836 A CN202011063836 A CN 202011063836A CN 112598148 A CN112598148 A CN 112598148A
Authority
CN
China
Prior art keywords
variable pitch
temperature
pitch motor
early warning
model
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
CN202011063836.8A
Other languages
English (en)
Inventor
曹欣
谭建鑫
尚一斐
白日欣
李雪松
王臻
苏伟
马同宽
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.)
Xintian Green Energy Co ltd
Original Assignee
Xintian Green Energy 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 Xintian Green Energy Co ltd filed Critical Xintian Green Energy Co ltd
Priority to CN202011063836.8A priority Critical patent/CN112598148A/zh
Publication of CN112598148A publication Critical patent/CN112598148A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Wind Motors (AREA)

Abstract

基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，包括以下步骤：S1对数据进行清洗；S2对数据进行预处理，通过引入变桨电机温度与上一时刻变桨电机温度差参数来体现时间序列；S3通过协同表达选出输入参数；S4通过十折交叉法验证进行超参数调参，选取得到最优参数；S5将最优参数带入模型进行训练，得到最优参数下的每台风机的Light GBM模型；S6对新来的数据直接带入已经训练好的模型中，得到变桨电机温度的预测值；S7将预测值与实际值进行对比，比较预测值与实际值的残差，判断残差是否持续大于设定的阈值；若是，则发出预警。本发明克服了现有技术的不足，大大提高了算法运行效率，提高了算法精度。

Description

基于协同表达和LightGBM算法的风机变桨电机温度故障预警 方法
技术领域
本发明涉及故障诊断及预警技术领域，具体涉及基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法。
背景技术
目前风电机组SCADA系统中已经集成变桨电机高温故障报警功能，但功能单一，只有故障指标达到设定的阈值后，才会出现报警，且会造成机组停机造成较大的电量损失，不能进行故障预警及诊断。
基于数据统计及经验判断的预警方法，能够进行一些变桨电机高温预警，但依赖于人工经验以及大量的数据统计。
传统的boosting算法(如GBDT和XGBoost)需要对每一个特征都要扫描所有的样本点来选择最好的切分点，需要消耗大量时间，在如今风电领域大样本和高维度的环境下，传统的boosting在效率和可扩展性上不能满足现在的需求。
现有的风电机组变桨电机故障预警智能算法多是基于决策树、神经网络等机器学习算法，算法训练需要大量的SCADA数据，训练耗时长，准确率低，并且难以识别出引发故障的根本原因，另外大多数机器学习工具都无法直接支持类别特征作为输入，一般需要转换成多维0/1特征，带来计算和内存上的额外消耗。
发明内容
针对现有技术的不足，本发明提供了基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，克服了现有技术的不足，大大提高了算法运行效率，提高了算法精度，并通过根因分析得到更为准确的故障原因。
为实现以上目的，本发明通过以下技术方案予以实现：
基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，包括以下步骤：
步骤S1：对数据进行清洗，将不正常数据剔除，并根据事件数据及时间序列筛选出无故障状态下的运行数据；
步骤S2：对数据进行预处理，通过引入变桨电机温度与上一时刻变桨电机温度差参数来体现时间序列；
步骤S3：通过协同表达选出输入参数；
步骤S4：通过十折交叉法验证进行超参数调参，选取得到最优参数；
步骤S5：将最优参数带入模型进行训练，得到最优参数下的每台风机的Light GBM模型；
步骤S6：对新来的数据直接带入已经训练好的模型中，得到变桨电机温度的预测值；
步骤S7：将预测值与实际值进行对比，比较预测值与实际值的残差，判断残差是否持续大于设定的阈值；若是，则发出预警。
优选地，所述步骤S3通过协同表达选出输入参数具体包括以下步骤：
步骤S31：通过协同表达选取与变桨相关参数；
步骤S32：通过协同表达算法算各个参数与变桨电机温度之间的权重系数；
步骤S33：将权重系数从小到大进行排序，得到输入参数。
优选地，所述步骤S31中所选取的与变桨相关参数包括：风速、环境温度、有功功率、三个叶片发电机定子绕组温度、轮毂温度、A相电流、B相电流、C相电流、叶片电机温度、与上一时刻电机温度差。
优选地，所述步骤S32中所述协同表达算法公式如下：
Figure BDA0002713158930000031
其中X为输入参数，y为变桨电机温度，α为得到的各个参数对于变桨电机温度的权重系数，从上面公式可以得到α的解析解为：
α＝(XTX+λI)-1XTy.
以获取每一个参数对应的权重系数。
优选地，所述步骤S4通过十折交叉法验证进行超参数调参，选取得到最优参数；包括以下步骤：
步骤S41：通过交叉验证对Light GBM中超参数进行优化得到最优Light GBM模型；
步骤S42：将筛选出的正常情况变桨电机温度相关参数数据带入Light GBM模型中，得到基于Light GBM的变桨电机故障预警模型；
步骤S43：对模型进行训练，将输入参数与变桨电机温度作为训练集带入LightGBM模型中；
步骤S44：通过十折交叉验证进行超参数调参，得到最优参数并带入模型进行训练，得到最优参数下的每台风机的Light GBM模型。
本发明提供了基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法。具备以下有益效果：针对风电机组SCADA数据量大、数据维度多的特点，通过协同表达算法选出相关性较高的输入参数，再通过Light GBM算法，对数据进行训练，从而得到变桨电机温度预测的算法模型。利用LightGBM分布式、高效的特性，很好的解决了风电机组变桨电机故障预警建模困难、准确率低的问题。
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本发明的算法流程图；
图2本发明中模型预测值与实际值对比图；
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1-2所示，本发明公开了基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，包括以下步骤：
步骤S1：对数据进行清洗，将缺失、重复等不正常数据剔除，并根据事件数据及时间序列筛选出无故障状态下的运行数据；
步骤S2：对数据进行预处理，由于温度是根据时间序列逐渐变化的，因此通过引入变桨电机温度与上一时刻变桨电机温度差参数来体现时间序列；
步骤S3：通过协同表达选出输入参数；具体包括如下步骤：
步骤S31：通过协同表达选取与变桨相关参数；所选取的与变桨相关参数包括：风速、环境温度、有功功率、三个叶片发电机定子绕组温度、轮毂温度、A相电流、B相电流、C相电流、叶片电机温度、与上一时刻电机温度差。
步骤S32：通过协同表达算法算各个参数与变桨电机温度之间的权重系数；所述协同表达算法公式如下：
Figure BDA0002713158930000041
其中X为输入参数，y为变桨电机温度，α为得到的各个参数对于变桨电机温度的权重系数，从上面公式可以得到α的解析解为：
α＝(XTX+λI)-1XTy.
步骤S33：在得到每一个参数对应的权重系数后，将权重系数从小到大进行排序，得到输入参数。
步骤S4：通过十折交叉法验证进行超参数调参，选取得到最优参数；具体包括以下步骤：
步骤S41：通过交叉验证对Light GBM中超参数进行优化得到最优Light GBM模型；
步骤S42：将筛选出的正常情况变桨电机温度相关参数数据带入Light GBM模型中，得到基于Light GBM的变桨电机故障预警模型；
步骤S43：对模型进行训练，将输入参数与变桨电机温度作为训练集带入LightGBM模型中；
步骤S44：通过十折交叉验证进行超参数调参，得到最优参数并带入模型进行训练，得到最优参数下的每台风机的Light GBM模型。
在本实施例中，Light GBM算法通过采用两种方法提升了算法运行效率：①采用基于梯度的单边采样(GOSS)算法减少了样本量，保留梯度较大的样本，对梯度较小的样本按比例进行采样；②采用互斥特征捆绑(EFB)算法减少了特征量，通过直方图算法对冲突更小的特征进行捆绑，减少了特征的数量。
步骤S5：将最优参数带入模型进行训练，得到最优参数下的每台风机的Light GBM模型；
步骤S6：对新来的数据直接带入已经训练好的模型中，得到变桨电机温度的预测值；
步骤S7：将预测值与实际值进行对比，比较预测值与实际值的残差，判断残差是否持续大于设定的阈值；若是，则发出预警。
在本申请中，针对风电机组SCADA数据量大、数据维度多的特点，通过协同表达算法选出相关性较高的输入参数，再通过Light GBM算法，对数据进行训练，从而得到变桨电机温度预测的算法模型。利用LightGBM分布式、高效的特性，很好的解决了风电机组变桨电机故障预警建模困难、准确率低的问题。
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 (5)

1.基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，其特征在于，包括以下步骤：
步骤S1：对数据进行清洗，将不正常数据剔除，并根据事件数据及时间序列筛选出无故障状态下的运行数据；
步骤S2：对数据进行预处理，通过引入变桨电机温度与上一时刻变桨电机温度差参数来体现时间序列；
步骤S3：通过协同表达选出输入参数；
步骤S4：通过十折交叉法验证进行超参数调参，选取得到最优参数；
步骤S5：将最优参数带入模型进行训练，得到最优参数下的每台风机的Light GBM模型；
步骤S6：对新来的数据直接带入已经训练好的模型中，得到变桨电机温度的预测值；
步骤S7：将预测值与实际值进行对比，比较预测值与实际值的残差，判断残差是否持续大于设定的阈值；若是，则发出预警。
2.根据权利要求1所述的基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，其特征在于，所述步骤S3通过协同表达选出输入参数具体包括以下步骤：
步骤S31：通过协同表达选取与变桨相关参数；
步骤S32：通过协同表达算法算各个参数与变桨电机温度之间的权重系数；
步骤S33：将权重系数从小到大进行排序，得到输入参数。
3.根据权利要求2所述的基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，其特征在于，所述步骤S31中所选取的与变桨相关参数包括：风速、环境温度、有功功率、三个叶片发电机定子绕组温度、轮毂温度、A相电流、B相电流、C相电流、叶片电机温度、与上一时刻电机温度差。
4.根据权利要求2所述的基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，其特征在于：所述步骤S32中所述协同表达算法公式如下：
Figure FDA0002713158920000021
其中X为输入参数，y为变桨电机温度，α为得到的各个参数对于变桨电机温度的权重系数，从上面公式可以得到α的解析解为：
α＝(XTX+λI)-1XTy.
以获取每一个参数对应的权重系数。
5.根据权利要求1所述的基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法，其特征在于：所述步骤S4通过十折交叉法验证进行超参数调参，选取得到最优参数；包括以下步骤：
步骤S41：通过交叉验证对Light GBM中超参数进行优化得到最优Light GBM模型；
步骤S42：将筛选出的正常情况变桨电机温度相关参数数据带入Light GBM模型中，得到基于Light GBM的变桨电机故障预警模型；
步骤S43：对模型进行训练，将输入参数与变桨电机温度作为训练集带入Light GBM模型中；
步骤S44：通过十折交叉验证进行超参数调参，得到最优参数并带入模型进行训练，得到最优参数下的每台风机的Light GBM模型。
CN202011063836.8A 2020-09-30 2020-09-30 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 Pending CN112598148A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011063836.8A CN112598148A (zh) 2020-09-30 2020-09-30 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011063836.8A CN112598148A (zh) 2020-09-30 2020-09-30 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法

Publications (1)

Publication Number Publication Date
CN112598148A true CN112598148A (zh) 2021-04-02

Family

ID=75180541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011063836.8A Pending CN112598148A (zh) 2020-09-30 2020-09-30 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法

Country Status (1)

Country Link
CN (1) CN112598148A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186666A (zh) * 2021-11-29 2022-03-15 中电华创(苏州)电力技术研究有限公司 一种基于自标准化编解码的发电机线圈温度异常监测方法
CN114251238A (zh) * 2021-11-30 2022-03-29 北京金风慧能技术有限公司 变桨电机温度异常检测方法及设备
CN115879369A (zh) * 2022-11-10 2023-03-31 国能神华九江发电有限责任公司 一种基于优化LightGBM算法的磨煤机故障预警方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108932580A (zh) * 2018-06-05 2018-12-04 浙江运达风电股份有限公司 基于数据建模的风电机组变桨轴承磨损监测和预警方法
CN109991500A (zh) * 2019-04-29 2019-07-09 中国水电工程顾问集团有限公司 一种风电故障预警预测的方法
CN110413494A (zh) * 2019-06-19 2019-11-05 浙江工业大学 一种改进贝叶斯优化的LightGBM故障诊断方法
CN110594107A (zh) * 2019-10-24 2019-12-20 内蒙古青电云电力服务有限公司 一种基于快速梯度提升机的风电机组故障检测方法及装置
CN110685868A (zh) * 2019-10-25 2020-01-14 长沙理工大学 一种基于改进梯度提升机的风电机组故障检测方法及装置
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN111414717A (zh) * 2020-03-02 2020-07-14 浙江大学 一种基于XGBoost-LightGBM的机组功率预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108932580A (zh) * 2018-06-05 2018-12-04 浙江运达风电股份有限公司 基于数据建模的风电机组变桨轴承磨损监测和预警方法
CN109991500A (zh) * 2019-04-29 2019-07-09 中国水电工程顾问集团有限公司 一种风电故障预警预测的方法
CN110413494A (zh) * 2019-06-19 2019-11-05 浙江工业大学 一种改进贝叶斯优化的LightGBM故障诊断方法
CN110594107A (zh) * 2019-10-24 2019-12-20 内蒙古青电云电力服务有限公司 一种基于快速梯度提升机的风电机组故障检测方法及装置
CN110685868A (zh) * 2019-10-25 2020-01-14 长沙理工大学 一种基于改进梯度提升机的风电机组故障检测方法及装置
CN110991666A (zh) * 2019-11-25 2020-04-10 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质
CN111414717A (zh) * 2020-03-02 2020-07-14 浙江大学 一种基于XGBoost-LightGBM的机组功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴萌 等: "《图像识别与色彩恒常计算》", 31 July 2020, 西北工业大学出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186666A (zh) * 2021-11-29 2022-03-15 中电华创(苏州)电力技术研究有限公司 一种基于自标准化编解码的发电机线圈温度异常监测方法
CN114186666B (zh) * 2021-11-29 2023-10-13 中电华创(苏州)电力技术研究有限公司 一种基于自标准化编解码的发电机线圈温度异常监测方法
CN114251238A (zh) * 2021-11-30 2022-03-29 北京金风慧能技术有限公司 变桨电机温度异常检测方法及设备
CN114251238B (zh) * 2021-11-30 2024-08-13 北京金风慧能技术有限公司 变桨电机温度异常检测方法及设备
CN115879369A (zh) * 2022-11-10 2023-03-31 国能神华九江发电有限责任公司 一种基于优化LightGBM算法的磨煤机故障预警方法
CN115879369B (zh) * 2022-11-10 2024-09-27 国能神华九江发电有限责任公司 基于优化LightGBM算法的磨煤机故障预警方法

Similar Documents

Publication Publication Date Title
CN112598148A (zh) 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法
CN111444615B (zh) 一种基于k近邻和iv曲线的光伏阵列故障诊断方法
CN109447441B (zh) 一种考虑新能源机组不确定性的暂态稳定风险评估方法
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
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN110365053B (zh) 基于延迟优化策略的短期风电功率预测方法
CN113033136B (zh) 简化的光伏电池物理参数提取优化方法及系统
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN108847679B (zh) 风力发电机组及用于其的次同步振荡识别方法、装置及系统
CN112632749B (zh) 一种风力发电机发电性能的评价方法及装置
CN115425680A (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
CN109921462B (zh) 一种基于lstm的新能源消纳能力评估方法及系统
CN116131313A (zh) 特征量与暂态功角稳定性关联关系的可解释性分析方法
CN113759708B (zh) 系统的优化控制方法、装置和电子设备
CN116816617A (zh) 一种风电机组运行状态监测方法
CN117094209A (zh) 一种基于bp神经网络的混合风电场故障特性分群方法
CN115853722A (zh) 基于特征选择和stacking模型融合的风电机组故障诊断方法
CN116388232A (zh) 风电调频综合惯性控制方法、系统、电子设备和存储介质
CN111178601A (zh) 一种基于气象数据后处理的风电机组功率预测方法
CN114281846B (zh) 一种基于机器学习的新能源发电预测方法
CN116306236A (zh) 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及系统
CN114065610A (zh) 基于麻雀搜索算法优化核极限学习机的风电功率预测方法
CN117390418B (zh) 一种风电并网系统暂态稳定评估方法、系统及设备
CN114118499B (zh) 一种短期风电功率预测方法及装置
CN117150393B (zh) 一种基于决策树的电力系统薄弱支路辨识方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402

RJ01 Rejection of invention patent application after publication