CN112632112A - 风力发电机组的损失电量的计算方法和设备 - Google Patents

风力发电机组的损失电量的计算方法和设备 Download PDF

Info

Publication number
CN112632112A
CN112632112A CN201911407816.5A CN201911407816A CN112632112A CN 112632112 A CN112632112 A CN 112632112A CN 201911407816 A CN201911407816 A CN 201911407816A CN 112632112 A CN112632112 A CN 112632112A
Authority
CN
China
Prior art keywords
power
variable
variables
influence factor
new
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
CN201911407816.5A
Other languages
English (en)
Inventor
陈正荣
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.)
Jiangsu Jinfeng Software Technology Co ltd
Qinghai Green Energy Data Co ltd
Beijing Goldwind Smart Energy Service Co Ltd
Original Assignee
Jiangsu Jinfeng Software Technology Co ltd
Qinghai Green Energy Data Co ltd
Beijing Goldwind Smart Energy Service 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 Jiangsu Jinfeng Software Technology Co ltd, Qinghai Green Energy Data Co ltd, Beijing Goldwind Smart Energy Service Co Ltd filed Critical Jiangsu Jinfeng Software Technology Co ltd
Priority to CN201911407816.5A priority Critical patent/CN112632112A/zh
Publication of CN112632112A publication Critical patent/CN112632112A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Wind Motors (AREA)

Abstract

公开一种风力发电机组的损失电量的计算方法和设备。所述方法包括：实时获取风力发电机组的功率、影响因素数据和设备状态数据；基于设备状态数据，判断风力发电机组是处于正常状态还是处于非正常状态；响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量。本发明基于影响因素数据对功率的影响程度对影响因素数据进行分类，并基于功率和分类后的影响因素数据来计算风力发电机组的损失电量，因此计算出的损失电量更加准确。

Description

风力发电机组的损失电量的计算方法和设备
技术领域
本发明涉及一种风力发电机组的损失电量的计算方法和设备，更具体地讲，涉及一种能够更加准确地计算损失电量的风力发电机组的损失电量的计算方法和设备。
背景技术
随着新能源发电的高速发展，发电企业和电力用户越来越关注发电量的各项指标。损失电量就是其中最重要的指标之一，它直接关系发电企业和电力用户的切身利益，对整个系统运行的可靠性和经济性都有很大的影响。因此对损失电量进行准确的计算，有着非常重大的现实意义。
当前对损失电量进行计算的方法包括设备理论发电量计算方式和标杆设备发电量计算方式。然而，在设备理论发电量计算方式中，由厂家提供的理论发电量为设备在最理想的情况的最大发电量，没有考虑现场实际环境对发电量的影响。标杆设备发电量计算方式从多个设备中指定某个设备或者多台设备为标杆设备，没有考虑标杆设备和其他设备之间的差异，并且一旦标杆设备出现故障就无法进行计算。
发明内容
本发明的目的在于提供一种能够更加准确地计算损失电量的风力发电机组的损失电量的计算方法和设备。
根据本发明构思的一个实施例，提供一种计算风力发电机组的损失电量的方法，包括：实时获取风力发电机组的功率、影响因素数据和设备状态数据；基于设备状态数据，判断风力发电机组是处于正常状态还是处于非正常状态；响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量。
可选地，影响因素数据包括多个变量的数据，所述多个变量被初始分类为基本影响因素变量、新影响因素变量、低影响因素变量和无类别变量。
可选地，所述多个变量至少包括风速、风向、温度、空气密度、湿度和光照强度。
可选地，所述计算方法还包括：响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类，其中，响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量的步骤包括：响应于风力发电机组处于非正常状态，基于功率和分类后的影响因素数据来计算风力发电机组的损失电量。
可选地，响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类的步骤包括：响应于风力发电机组处于正常状态，将其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量；对各个待定新影响因素变量进行验证；将通过验证的待定新影响因素变量分类为新影响因素变量，并将未通过验证的待定新影响因素变量分类为低影响因素变量，从而实现对影响因素数据的分类的更新。
可选地，响应于风力发电机组处于正常状态，将其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量的步骤包括：从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而变化的低影响因素变量和无类别变量的多个集合；将所述多个集合的交集之中的变量分类为待定新影响因素变量。
可选地，对各个待定新影响因素变量进行验证的步骤包括：针对任意一个待定新影响因素变量，通过将从数据库获取的功率、基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值进行多元拟合，获得用于计算功率的第一拟合函数；通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值代入第一拟合函数，获得多个计算的功率；如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第一阈值的次数大于第二阈值，则通过验证，否则未通过验证。
可选地，响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类的步骤包括：响应于风力发电机组处于正常状态，将其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量；对各个待定低影响因素变量进行验证；将通过验证的待定低影响因素变量分类为低影响因素变量，并将未通过验证的待定低影响因素变量分类为新影响因素变量，从而实现对影响因素数据的分类的更新。
可选地，响应于风力发电机组处于正常状态，将其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量的步骤包括：从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而不变的新影响因素变量的多个集合；将所述多个集合的交集之中的变量分类为待定低影响因素变量。
可选地，对各个待定低影响因素变量进行验证的步骤包括：通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第二拟合函数；通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值和新影响因素变量的值代入第二拟合函数，获得多个计算的功率；如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则通过验证，否则未通过验证。
可选地，响应于风力发电机组处于非正常状态，基于功率和分类后的影响因素数据来计算风力发电机组的损失电量的步骤包括：通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第三拟合函数；通过将在风力发电机组处于非正常状态时实时获取的基本影响因素变量的值和新影响因素变量的值代入第三拟合函数，获得计算的功率；基于计算的功率、在风力发电机组处于非正常状态时实时获取的功率以及风力发电机组处于非正常状态的时间信息，计算计算风力发电机组的损失电量。
可选地，基于计算的功率、在风力发电机组处于非正常状态时实时获取的功率以及风力发电机组处于非正常状态的时间信息，计算计算风力发电机组的损失电量的步骤包括：通过将计算的功率与在风力发电机组处于非正常状态时实时获取的功率之间的差根据所述时间信息进行积分，来计算风力发电机组的损失电量。
可选地，所述的方法还包括：响应于风力发电机组处于正常状态，将实时获取的功率和通过对实时获取的影响因素数据进行分仓取值的结果作为历史影响因素数据和历史功率数据存储在数据库中。
根据本发明构思的一个实施例，提供一种计算风力发电机组的损失电量的设备，包括：获取器，被配置为实时获取风力发电机组的功率、影响因素数据和设备状态数据；判断器，被配置为基于设备状态数据，判断风力发电机组是处于正常状态还是处于非正常状态；计算器，被配置为响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量。
可选地，影响因素数据包括多个变量的数据，所述多个变量被初始分类为基本影响因素变量、新影响因素变量、低影响因素变量和无类别变量。
可选地，所述多个变量至少包括风速、风向、温度、空气密度、湿度和光照强度。
可选地，所述计算设备还包括：分类器，被配置为响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类，其中，计算器还被配置为响应于风力发电机组处于非正常状态，基于功率和分类后的影响因素数据来计算风力发电机组的损失电量。
可选地，分类器还被配置为：响应于风力发电机组处于正常状态，将其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量；对各个待定新影响因素变量进行验证；将通过验证的待定新影响因素变量分类为新影响因素变量，并将未通过验证的待定新影响因素变量分类为低影响因素变量，从而实现对影响因素数据的分类的更新。
可选地，分类器还被配置为：从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而变化的低影响因素变量和无类别变量的多个集合；将所述多个集合的交集之中的变量分类为待定新影响因素变量。
可选地，分类器还被配置为：针对任意一个待定新影响因素变量，通过将从数据库获取的功率、基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值进行多元拟合，获得用于计算功率的第一拟合函数；通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值代入第一拟合函数，获得多个计算的功率；如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第一阈值的次数大于第二阈值，则通过验证，否则未通过验证。
可选地，分类器还被配置为：响应于风力发电机组处于正常状态，将其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量；对各个待定低影响因素变量进行验证；将通过验证的待定低影响因素变量分类为低影响因素变量，将未通过验证的待定低影响因素变量分类为新影响因素变量。
可选地，分类器还被配置为：从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而不变的新影响因素变量的多个集合；将所述多个集合的交集之中的变量分类为待定低影响因素变量。
可选地，分类器还被配置为：通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第二拟合函数；通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值和新影响因素变量的值代入第二拟合函数，获得多个计算的功率；如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则通过验证，否则未通过验证。
可选地，计算器被配置为：通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第三拟合函数；通过将在风力发电机组处于非正常状态时实时获取的基本影响因素变量的值和新影响因素变量的值代入第三拟合函数，获得计算的功率；基于计算的功率、在风力发电机组处于非正常状态时实时获取的功率以及风力发电机组处于非正常状态的时间信息，计算计算风力发电机组的损失电量。
可选地，计算器还被配置为：通过将计算的功率与在风力发电机组处于非正常状态时实时获取的功率之间的差根据所述时间信息进行积分，来计算风力发电机组的损失电量。
可选地，所述设备还包括：存储器，被配置为：响应于风力发电机组处于正常状态，将实时获取的功率和通过对实时获取的影响因素数据进行分仓取值的结果作为历史影响因素数据和历史功率数据存储在数据库中。
根据本发明构思的一个实施例，提供一种存储有计算机程序的计算机可读存储介质，当所述计算机程序被处理器执行时，实现如上所述的风力发电机组的损失电量的计算方法。
根据本发明构思的一个实施例，提供一种计算装置，包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的风力发电机组的损失电量的计算方法。
本发明基于影响因素数据对功率的影响程度对影响因素数据进行分类，并基于功率和分类后的影响因素数据来计算风力发电机组的损失电量，因此计算出的损失电量更加准确。此外，由于在计算风力发电机组的损失电量时不需要使用标杆设备，因此即使个别设备出现故障，也不影响损失电量的计算，适应性更强。
附图说明
通过下面结合附图进行的详细描述，本公开的以上和/或其他方面将变得清楚和更容易理解，其中：
图1是示出根据本发明构思的实施例的风力发电机组的损失电量的计算方法的流程图；
图2是示出根据本发明构思的实施例的确定新影响因素变量的方法的流程图；
图3是示出根据本发明构思的实施例的确定待定新影响因素变量的方法的流程图；
图4是示出根据本发明构思的实施例的验证待定新影响因素变量的方法的流程图；
图5是示出根据本发明构思的实施例的确定低影响因素变量的方法的流程图；
图6是示出根据本发明构思的实施例的确定待定低影响因素变量的方法的流程图；
图7是示出根据本发明构思的实施例的验证待定低影响因素变量的方法的流程图；
图8是示出根据本发明构思的实施例的计算损失电量的方法的流程图；
图9是示出根据本发明构思的实施例的风力发电机组的损失电量的计算设备的框图。
具体实施方式
下面将参照附图详细描述本发明构思的实施例。
图1是示出根据本发明构思的实施例的风力发电机组的损失电量的计算方法的流程图。
参照图1，在步骤S1中，实时获取风力发电机组的功率、影响因素数据和设备状态数据。在一个示例中，可每隔预定时间间隔获取风力发电机组的功率、影响因素数据和设备状态数据。例如，预定时间间隔可以是6秒。
风力发电机组的功率可表示风力发电机组的实际输出功率或实际发电量。在计算针对单个风力发电机组的损失电量的情况下，风力发电机组的功率可表示单个风力发电机组的实际输出功率或实际发电量。相应地，在计算针对整个风电场中的所有风力发电机组的总损失电量的情况下，风力发电机组的功率可表示整个风电场中的所有风力发电机组的实际总输出功率或实际总发电量。
影响因素数据可包括多个变量的数据，具体地讲，影响因素数据可包括关于能够对风力发电机组的功率产生影响的多个变量的数据。在一个示例中，影响因素数据可包括或主要包括环境变量的数据。例如，多个变量可至少包括风速、风向、温度、空气密度、湿度、光照强度等。然而，示例不限于此，多个变量还可包括除了风速、风向、温度、空气密度、湿度、光照强度等之外的其他变量(或者，其他环境变量)。
多个变量可被初始或预先分类为基本影响因素变量、新影响因素变量和低影响因素变量。基本影响因素变量可表示对风力发电机组的功率存在显著影响和/或必然影响的变量。在一个示例中，基本影响因素变量可包括风速、风向等。然而，示例不限于此，基本影响因素变量还可包括除了风速、风向等之外的其他变量(或者，其他环境变量)。新影响因素变量可表示对风力发电机组的功率存在一定程度影响的变量。在一个示例中，新影响因素变量可包括温度、空气密度等。然而，示例不限于此，新影响因素变量还可包括除了温度、空气密度等之外的其他变量(或者，其他环境变量)。低影响因素变量可表示对风力发电机组的功率影响不显著和/或对风力发电机组的功率的影响可忽略不计的变量。在一个示例中，低影响因素变量可包括光照强度等。然而，示例不限于此，低影响因素变量还可包括除了光照强度等之外的其他变量(或者，其他环境变量)。在一个示例中，上述基本影响因素变量、新影响因素变量和低影响因素变量可根据工程经验来分类，或者可根据先前对影响因素数据进行分类的结果来确定。
此外，多个变量还可包括无类别变量。无类别变量可表示尚不清楚对风力发电机组的功率的影响程度的变量。例如，无类别变量可以是在先前对影响因素进行分类之后仍未被分类的变量或新引入的变量。在一个示例中，可将尚不清楚对风力发电机组的功率的影响程度的变量(即，无类别变量)初始分类为新影响因素变量和低影响因素变量中的任意一个，然后可通过后续对对影响因素数据进行分类的过程来实现对新影响因素变量和低影响因素变量的分类的更新。也就是说，多个变量可根据实际需求而包括无类别变量或可不包括无类别变量，并且尚不清楚对风力发电机组的功率的影响程度的变量可以以除了无类别变量之外的其他分类形式存在于多个变量之中。
此外，对基本影响因素变量、新影响因素变量、低影响因素变量和无类别变量的分类可通过在数据库中对多个变量的数据添加相应的数据标签来实现。因此，对影响因素数据进行重新分类即可通过修改多个变量的数据的标签来实现。在一个示例中，低影响因素变量和新影响因素变量可在特定条件下互相转换。例如，特定条件可包括特定的季节、特定的无类别变量等。
此外，在一个示例中，除了实时获取风力发电机组的功率、影响因素数据和设备状态数据之外，还可实时获取风力发电机组的其他数据。其他数据可以是对风力发电机组的功能没有影响的变量的数据。例如，其他数据可包括关于风力发电机组的电压、电流、电容、电阻等的数据。
设备状态数据可表示设备是否处于正常发电状态。在一个示例中，设备状态数据可根据风力发电机组的通讯状态、故障码、警告模式字、运行状态字、停机模式字和限功率模式字等几个要素将风力发电机组的状态分为9种状态。下面的表1详细示出了这9种状态的名称和含义。
【表1】
Figure BDA0002349148560000081
在步骤S2中，基于设备状态数据，判断风力发电机组是处于正常状态还是处于非正常状态。例如，当设备状态数据指示正常发电状态时，可判断风力发电机组处于正常状态；当设备状态数据指示限电状态、风机维护状态、技术待命状态、远程停机状态、电网故障状态、故障停机状态、就地停机状态和其他限功率状态中的至少一个时，可判断风力发电机组处于非正常状态。
在步骤S3中，响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量。在下文中，将参照图8详细描述步骤S3。
在步骤S4中，响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类。应理解，步骤S4是一个可选的步骤。也就是说，当风力发电机组处于正常状态时，可选择性地执行步骤S4。例如，在风力发电机组处于正常状态的情况下，可响应于用户指令或响应于引入了新的变量或者响应于满足一定的时间间隔条件，执行步骤S4。此外，在执行了步骤S4之后，当风力发电机组再次处于非正常状态时，步骤S3还可包括：响应于风力发电机组处于非正常状态，基于功率和分类后的影响因素数据来计算风力发电机组的损失电量。步骤S4可包括确定新影响因素变量的步骤S6以及确定低影响因素变量的步骤S7。在下文中，将参照图2详细描述确定新影响因素变量的步骤S6，并且将参照图5详细描述确定影响低因素的步骤S7。
在一个示例中，响应于风力发电机组处于正常状态，还可包括存储数据的步骤S5。步骤S5可包括：响应于风力发电机组处于正常状态，将实时获取的功率和通过对实时获取的影响因素数据进行分仓取值的结果作为历史影响数据和历史功率数据存储在数据库中。例如，可将第一时间获取的第一功率和通过对实时获取的第一影响因素数据进行分仓取值的第一结果二者作为第一条数据存储在数据库中，可将第一时间之后的第二时间获取的第二功率和通过对实时获取的第二影响因素数据进行分仓取值的第二结果二者作为第二条数据存储在数据库中。
在另一个示例中，在除了实时获取风力发电机组的功率、影响因素数据和设备状态数据之外，还可实时获取风力发电机组的其他数据的情况下，步骤S5可包括：响应于风力发电机组处于正常状态，将实时获取的功率、通过对实时获取的影响因素数据进行分仓取值的结果和通过对实时获取的其他数据进行取平均值的结果作为历史影响因素数据、历史功率数据和历史其他数据存储在数据库中。
此外，上述存储数据的步骤S5、确定新影响因素变量的步骤S6以及确定低影响因素变量的步骤S7可并行执行、可以按任意顺序执行、或者可以以不同的频率执行，本申请对此不做具体限制。
图2是示出根据本发明构思的实施例的确定新影响因素变量的方法的流程图。具体地讲，图2是对上述确定新影响因素变量的步骤S6的详细描述。
参照图2，在步骤S61中，响应于风力发电机组处于正常状态，将其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量。待定新影响因素变量可表示可能对风力发电机组的功率产生一定影响的因素。换言之，待定新影响因素变量可表示可能被最终分类为新因素影响变量的变量。在一个示例中，可将存储在数据库中的预定时间段内的其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量。这里，预定时间段可以是一天或多天、一个星期或多个星期、一个月或多个月、一个季度或多个季度或者一年或多年。此外，当不存在无类别变量时，可仅对低影响因素变量执行步骤S61。可选地，在一个示例中，步骤S61还可包括将其值随功率变化而不变化的无类别变量分类为低影响因素变量。在下文中，将参照图3详细描述步骤S61。
图3是示出根据本发明构思的实施例的确定待定新影响因素变量的方法的流程图。具体地讲，图3是对上述响应于风力发电机组处于正常状态，将其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量的步骤S61的详细描述。
参照图3，在步骤S611中，从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而变化的低影响因素变量和无类别变量的多个集合；在步骤S612中，将所述多个集合的交集之中的变量分类为待定新影响因素变量。例如，当基本影响因素变量为风速时，可从数据库获取在风速的值为1米每秒(m/s)的情况下其值随功率变化而变化的作为低影响因素变量和无类别变量的温度、空气密度为第一集合，可从数据库获取在风速的值为1.5m/s的情况下其值随功率变化而变化的作为低影响因素变量和无类别变量的温度、空气密度、光照强度为第二集合；然后，可将第一集合和第二集合的交集中的变量(即，温度、空气密度)分类为待定新影响因素变量。此外，当不存在无类别变量时，可仅对低影响因素变量执行步骤S611和步骤S612。可选地，在一个示例中，步骤S611和步骤S612中的一个还可包括将其值随功率变化而不变化的无类别变量分类为低影响因素变量。
返回参照图2，在步骤S62中，对各个待定新影响因素变量进行验证。在一个示例中，可分别对每个待定新影响因素变量进行验证。在下文中，将参照图4详细描述步骤S62。
图4是示出根据本发明构思的实施例的验证待定新影响因素的方法的流程图。具体地讲，图4是对上述对各个待定新影响因素变量进行验证的步骤S62的详细描述。
参照图4，在步骤S621中，针对任意一个待定新影响因素变量，通过将从数据库获取的功率、基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值进行多元拟合，获得用于计算功率的第一拟合函数。在一个示例中，可对存储在数据库中的预定时间段内的历史功率、基本影响因素变量的历史值、新影响因素变量的历史值和所述任意一个待定新影响因素变量的历史值进行多元拟合，获得表示基本影响因素变量、新影响因素变量、所述任意一个待定新影响因素变量与功率之间的映射关系的第一拟合函数。例如，在对作为待定新影响因素变量的光照强度进行验证的情况下，可对存储在数据库中的一年内的历史功率、作为基本影响因素变量的风速和风向的历史值、作为新影响因素变量的温度的历史值和作为所述任意一个待定新影响因素变量的光照强度的历史值进行多元拟合，获得表示风速、风向、温度、光照强度与功率之间的映射关系的第一拟合函数。
在步骤S622中，通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值代入第一拟合函数，获得多个计算的功率。在一个示例中，可将实时获取达预定次数的基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值代入在步骤S621中拟合出的第一拟合函数，获得预定次数那么多的计算的功率。这里，预定次数可以是预先定义的值。例如，可将十万次实时获取的作为基本影响因素变量的风速和风向的值、新影响因素变量的值和作为所述任意一个待定新影响因素变量的光照强度的值代入在步骤S621中拟合出的第一拟合函数，获得十万个计算的功率。
在步骤S623中，如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第一阈值的次数大于第二阈值，则通过验证，否则未通过验证。如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第一阈值的次数大于第二阈值，则表明所述任意一个待定新影响因素变量一定程度影响风力发电机组的功率。因此，在一个示例中，如果所述多个计算的功率与相应的多个实时获取的功率之间的误差小于第一阈值的概率大于第二阈值，则通过验证，否则未通过验证。这里，第一阈值和第二阈值可以是百分比。例如，如果十万个计算的功率与相应的十万个实时获取的功率之间的误差小于5％的次数与总次数(即，十万次)之比大于95％，则通过验证，否则未通过验证。
返回参照图2，在步骤S63中，将通过验证的待定新影响因素变量分类为新影响因素变量，并将未通过验证的待定新影响因素变量分类为低影响因素变量，从而实现对影响因素数据的分类的更新。在一个示例中，可通过将存储在数据库中的在步骤S623中通过验证的所述任意一个待定新影响因素变量的数据的标签分类(即，重新分类)为新影响因素变量，并将存储在数据库中的在步骤S623中未通过验证的所述任意一个待定新影响因素变量分类(即，重新分类)为低影响因素变量。例如，当在步骤S623中作为所述任意一个待定新影响因素变量的光照强度通过验证时，可将光照强度从待定新影响因素变量分类(即，重新分类)为新影响因素变量；当在步骤S623中作为所述任意一个待定新影响因素变量的光照强度未通过验证时，可将光照强度从待定新影响因素变量分类(即，重新分类)为低影响因素变量。
此外，在完成对作为所述任意一个待定新影响因素变量的光照强度的验证之后，可继续对作为其他的所述任意一个待定新影响因素变量依次进行验证，直到所有的待定新影响因素变量均被验证。例如，可继续对作为其他的所述任意一个待定新影响因素变量的空气密度进行验证。
图5是示出根据本发明构思的实施例的确定低影响因素变量的方法的流程图。具体地讲，图5是对上述确定低影响因素变量的步骤S7的详细描述。
参照图5，在步骤S71中，响应于风力发电机组处于正常状态，将其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量。待定低影响因素变量可表示可能对风力发电机组的功率影响不显著和/或对风力发电机组的功率的影响可忽略不计的变量。换言之，待定低影响因素变量可表示可能被最终分类为低因素影响变量的变量。在一个示例中，可将存储在数据库中的预定时间段内的其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量。在下文中，将参照图6详细描述步骤S71。
图6是示出根据本发明构思的实施例的确定待定低影响因素变量的方法的流程图。具体地讲，图6是对上述响应于风力发电机组处于正常状态，将其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量的步骤S71的详细描述。
参照图6，在步骤S711中，从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而不变的新影响因素变量的多个集合；在步骤S712中，将所述多个集合的交集之中的变量分类为待定低影响因素变量。例如，当基本影响因素变量为风速时，可从数据库获取在风速的值为1米每秒(m/s)的情况下其值随功率变化而不变的作为新影响因素变量的湿度、光照强度为第一集合，可从数据库获取在风速的值为1.5m/s的情况下其值随功率变化而不变的作为新影响因素变量的湿度、光照强度、温度为第二集合；然后，可将第一集合和第二集合的交集中的变量(即，湿度、光照强度)分类为待定低影响因素变量。
返回参照图5，在步骤S72中，对各个待定低影响因素变量进行验证。在下文中，将参照图7详细描述步骤S72。
图7是示出根据本发明构思的实施例的验证待定低影响因素变量的方法的流程图。具体地讲，图7是对上述对各个待定低影响因素变量进行验证的步骤S72的详细描述。
参照图7，在步骤S721中，通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第二拟合函数。在一个示例中，可对存储在数据库中的预定时间段内的历史功率、基本影响因素变量的历史值和新影响因素变量的历史值进行多元拟合，获得表示基本影响因素变量、新影响因素变量与功率之间的映射关系的第二拟合函数。这里，应理解，由于在步骤S71的子步骤S712中其值随功率变化而不变的新影响因素变量已经被分类为待定低影响因素变量，因此在子步骤S721中的新影响因素变量已经不包括所有的与待定低影响因素变量对应的变量。例如，可对存储在数据库中的一年内的历史功率、作为基本影响因素变量的风速和风向的历史值和作为新影响因素变量的空气密度的历史值进行多元拟合，获得表示风速、风向、空气密度与功率之间的映射关系的第二拟合函数。
在步骤S722中，通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值和新影响因素变量的值代入第二拟合函数，获得多个计算的功率。在一个示例中，可将实时获取达预定次数的基本影响因素变量的值和新影响因素变量的值代入在步骤S721中拟合出的第二拟合函数，获得预定次数那么多的计算的功率。例如，可将十万次实时获取的作为基本影响因素变量的风速和风向的值和作为新影响因素变量的空气密度的值代入在步骤S721中拟合出的第二拟合函数，获得十万个计算的功率。
在步骤S723中，如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则通过验证，否则未通过验证。如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则表明被分类为待定低影响因素变量对风力发电机组的功率没有影响。因此，在一个示例中，如果所述多个计算的功率与相应的多个实时获取的功率之间的误差小于第三阈值的概率大于第四阈值，则通过验证，否则未通过验证。这里，第三阈值与第一阈值可以相同或不同，第四阈值与第二阈值可以相同或不同。例如，如果十万个计算的功率与相应的十万个实时获取的功率之间的误差小于5％的次数与总次数(即，十万次)之比大于95％，则通过验证，否则未通过验证。
返回参照图5，在步骤S73中，将通过验证的待定低影响因素变量分类为低影响因素变量，并将未通过验证的待定低影响因素变量分类为新影响因素变量，从而实现对影响因素数据的分类的更新。在一个示例中，当通过验证时，可将所有的待定低影响因素变量分类(即，重新分类)为低影响因素变量。当未通过验证时，可在步骤S721中将任意一个待定低影响因素变量加入到第二拟合函数的拟合过程中，并在步骤S722中将实时获取的所述任意一个待定低影响因素变量代入到第二拟合函数进行类似于步骤S723的验证；当通过验证时，可将所述任意一个待定低影响因素变量分类(即，重新分类)为低影响因素变量，当未通过验证时，可将所述任意一个待定低影响因素变量分类(即，重新分类或恢复)为新影响因素变量。例如，当在步骤S723中被分类为待定低影响因素变量的光照强度和温度通过验证时，可将光照强度和温度分类为低影响因素变量。当在步骤S723中被分类为待定低影响因素变量的光照强度和温度未通过验证时，可通过将从数据库获取的功率、基本影响因素变量的值、新影响因素变量的值和光照强度的值进行多元拟合，获得用于计算功率的第二拟合函数；可通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值、新影响因素变量的值和光照强度的值代入第二拟合函数，获得多个计算的功率；如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则通过验证，否则未通过验证；当通过验证时，将光照强度分类(即，重新分类)为低影响因素变量，当未通过验证时，将光照强度分类(即，重新分类或恢复)为新影响因素变量；然后，对温度执行类似的单独的验证过程。
图8是示出根据本发明构思的实施例的计算损失电量的方法的流程图。具体地讲，图8是对上述响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量的步骤S3的详细描述。
参照图8，在步骤S31中，通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第三拟合函数。在一个示例中，可对存储在数据库中的预定时间段内的历史功率、基本影响因素变量的历史值和新影响因素变量的历史值进行多元拟合，获得表示基本影响因素变量、新影响因素变量与功率之间的映射关系的第三拟合函数。例如，可对存储在数据库中的一年内的历史功率、作为基本影响因素变量的风速和风向的历史值以及新影响因素变量的空气密度的历史值进行多元拟合，获得表示风速、风向、空气密度与功率之间的映射关系的第三拟合函数。
在步骤S32中，通过将在风力发电机组处于非正常状态时实时获取的基本影响因素变量的值和新影响因素变量的值代入第三拟合函数，获得计算的功率。在一个示例中，可将实时获取达预定次数的基本影响因素变量的值和新影响因素变量的值代入在步骤S31中拟合出的第三拟合函数，获得预定次数那么多的计算的功率。例如，可将十万次实时获取的作为基本影响因素变量的风速和风向的值和作为新影响因素变量的空气密度的值代入在步骤S31中拟合出的第三拟合函数，获得十万个计算的功率。
在步骤S33中，基于计算的功率、在风力发电机组处于非正常状态时实时获取的功率以及风力发电机组处于非正常状态的时间信息，计算计算风力发电机组的损失电量。在一个示例中，可通过将计算的功率与在风力发电机组处于非正常状态时实时获取的功率之间的差根据所述时间信息进行积分，来计算风力发电机组的损失电量。
在以上参照图2至图8描述的获得第一拟合函数、第二拟合函数以及第三拟合函数的步骤中，还可对存储在数据库中的预定时间段内的历史功率、基本影响因素变量的历史值、新影响因素变量的历史值以及其他数据的历史值进行多元拟合，获得表示基本影响因素变量、新影响因素变量、其他数据与功率之间的映射关系的第三拟合函数。例如，可对存储在数据库中的一年内的历史功率、作为基本影响因素变量的风速和风向的历史值、作为新影响因素变量的空气密度的历史值以及作为其他参数的电压、电容、电阻的历史值进行多元拟合，获得表示风速、风向、温度、空气密度、电压、电容、电阻与功率之间的映射关系的第三拟合函数。
图9是示出根据本发明构思的实施例的计算风力发电机组的损失电量的设备的框图。
参照图9，计算风力发电机组的损失电量的设备100可包括获取器110、判断器120和计算器130。
获取器110可被配置为实时获取风力发电机组的功率、影响因素数据和设备状态数据。在一个示例中，可每隔预定时间间隔获取风力发电机组的功率、影响因素数据和设备状态数据。例如，预定时间间隔可以是6秒。
风力发电机组的功率可表示风力发电机组的实际输出功率或实际发电量。影响因素数据可包括多个变量的数据。在一个示例中，多个变量可至少包括风速、风向、温度、空气密度、湿度、光照强度等。然而，示例不限于此，多个变量还可包括除了风速、风向、温度、空气密度、湿度、光照强度等之外的其他影响因素变量。
影响因素数据可包括多个变量的数据，具体地讲，影响因素数据可包括关于能够对风力发电机组的功率产生影响的多个变量的数据。在一个示例中，影响因素数据可包括或主要包括环境变量的数据。例如，多个变量可至少包括风速、风向、温度、空气密度、湿度、光照强度等。然而，示例不限于此，多个变量还可包括除了风速、风向、温度、空气密度、湿度、光照强度等之外的其他变量(或者，其他环境变量)。
多个变量可被初始或预先分类为基本影响因素变量、新影响因素变量和低影响因素变量。基本影响因素变量可表示对风力发电机组的功率存在显著影响和/或必然影响的变量。在一个示例中，基本影响因素变量可包括风速、风向等。然而，示例不限于此，基本影响因素变量还可包括除了风速、风向等之外的其他变量(或者，其他环境变量)。新影响因素变量可表示对风力发电机组的功率存在一定程度影响的变量。在一个示例中，新影响因素变量可包括温度、空气密度等。然而，示例不限于此，新影响因素变量还可包括除了温度、空气密度等之外的其他变量(或者，其他环境变量)。低影响因素变量可表示对风力发电机组的功率影响不显著和/或对风力发电机组的功率的影响可忽略不计的变量。在一个示例中，低影响因素变量可包括光照强度等。然而，示例不限于此，低影响因素变量还可包括除了光照强度等之外的其他变量(或者，其他环境变量)。在一个示例中，上述基本影响因素变量、新影响因素变量和低影响因素变量可根据工程经验来分类，或者可根据先前对影响因素数据进行分类的结果来确定。
此外，多个变量还可包括无类别变量。无类别变量可表示尚不清楚对风力发电机组的功率的影响程度的变量。例如，无类别变量可以是在先前对影响因素进行分类之后仍未被分类的变量或新引入的变量。在一个示例中，可将尚不清楚对风力发电机组的功率的影响程度的变量(即，无类别变量)初始分类为新影响因素变量和低影响因素变量中的任意一个，然后可通过后续对对影响因素数据进行分类的过程来实现对新影响因素变量和低影响因素变量的分类的更新。也就是说，多个变量可根据实际需求而包括无类别变量或可不包括无类别变量，并且尚不清楚对风力发电机组的功率的影响程度的变量可以以除了无类别变量之前的其他分类形式存在于多个变量之中。
此外，对基本影响因素变量、新影响因素变量、低影响因素变量和无类别变量的分类可通过在数据库中对多个变量的数据添加相应的数据标签来实现。因此，对影响因素数据进行重新分类即可通过修改多个变量的数据的标签来实现。在一个示例中，低影响因素变量和新影响因素变量可在特定条件下互相转换。例如，特定条件可包括特定的季节、特定的无类别变量等。
此外，在一个示例中，获取器110还可被配置为实时获取风力发电机组的其他数据。其他数据可以是对风力发电机组的功能没有影响的变量的数据。例如，其他数据可包括风力发电机组的电压、电流、电容、电阻等的数据。
设备状态数据可表示设备是否处于正常发电状态。在一个示例中，设备状态数据可根据风力发电机组的通讯状态、故障码、警告模式字、运行状态字、停机模式字和限功率模式字等几个要素将风力发电机组的状态分为9种状态。上面的表1详细示出了这9种状态的名称和含义。
判断器120可被配置为基于设备状态数据，判断风力发电机组是处于正常状态还是处于非正常状态。例如，判断器120可被配置为：当设备状态数据指示正常发电状态时，判断风力发电机组处于正常状态；当设备状态数据指示限电状态、风机维护状态、技术待命状态、远程停机状态、电网故障状态、故障停机状态、就地停机状态和其他限功率状态中的至少一个时，判断风力发电机组处于非正常状态。
计算器130可被配置为响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量。具体地讲，在一个示例中，计算器130可被配置为执行下面的处理1、处理2和处理3。
在处理1中，计算器130可被配置为通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第三拟合函数。在一个示例中，计算器130可被配置为对存储在数据库中的预定时间段内的历史功率、基本影响因素变量的历史值和新影响因素变量的历史值进行多元拟合，获得表示基本影响因素变量、新影响因素变量与功率之间的映射关系的第三拟合函数。例如，计算器130可被配置为对存储在数据库中的一年内的历史功率、作为基本影响因素变量的风速和风向的历史值以及新影响因素变量的空气密度的历史值进行多元拟合，获得表示风速、风向、空气密度与功率之间的映射关系的第三拟合函数。
在处理2中，计算器130可被配置为通过将在风力发电机组处于非正常状态时实时获取的基本影响因素变量的值和新影响因素变量的值代入第三拟合函数，获得计算的功率。在一个示例中，计算器130可被配置为将实时获取达预定次数的基本影响因素变量的值和新影响因素变量的值代入在处理1中拟合出的第三拟合函数，获得预定次数那么多的计算的功率。例如，计算器130可被配置为将十万次实时获取的作为基本影响因素变量的风速和风向的值和作为新影响因素变量的空气密度的值代入在处理1中拟合出的第三拟合函数，获得十万个计算的功率。
在处理3中，计算器130可被配置为基于计算的功率、在风力发电机组处于非正常状态时实时获取的功率以及风力发电机组处于非正常状态的时间信息，计算计算风力发电机组的损失电量。在一个示例中，计算器130可被配置为通过将计算的功率与在风力发电机组处于非正常状态时实时获取的功率之间的差根据所述时间信息进行积分，来计算风力发电机组的损失电量。
此外，设备100还可包括分类器130。分类器130可被配置为响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类。应理解，分类器130是设备100的一个可选的配置。也就是说，当风力发电机组处于正常状态时，可选择性地启用分类器130以执行以上处理。例如，在风力发电机组处于正常状态的情况下，可响应于用户指令或响应于引入了新的变量或者响应于满足一定的时间间隔条件，启用分类器130以执行以上处理。此外，在启用了分类器130之后，当风力发电机组再次处于非正常状态时，计算器130还可被配置为响应于风力发电机组处于非正常状态，基于功率和分类后的影响因素数据来计算风力发电机组的损失电量。分类器130可被配置为执行以下确定新影响因素变量的处理以及确定低影响因素变量的处理。
在一个示例中，确定新影响因素变量的处理可包括下面的处理4、处理5和处理6。
在处理4中，分类器130可被配置为响应于风力发电机组处于正常状态，将其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量。待定新影响因素变量可表示可能对风力发电机组的功率产生一定影响的因素。换言之，待定新影响因素变量可表示可能被最终分类为新因素影响变量的变量。在一个示例中，分类器130可被配置为可将存储在数据库中的预定时间段内的其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量。这里，预定时间段可以是一天或多天、一个星期或多个星期、一个月或多个月、一个季度或多个季度或者一年或多年。此外，分类器130可被配置为当不存在无类别变量时，可仅对低影响因素变量执行处理4。可选地，在一个示例中，处理4还可包括将其值随功率变化而不变化的无类别变量分类为低影响因素变量。在一个示例中，处理4可包括下面的处理41和处理42。
在处理41中，分类器130可被配置为从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而变化的低影响因素变量和无类别变量的多个集合；在处理42中，分类器130可被配置为将所述多个集合的交集之中的变量分类为待定新影响因素变量。例如，分类器130可被配置为：当基本影响因素变量为风速时，可从数据库获取在风速的值为1米每秒(m/s)的情况下其值随功率变化而变化的作为低影响因素变量和无类别变量的温度、空气密度为第一集合，可从数据库获取在风速的值为1.5m/s的情况下其值随功率变化而变化的作为低影响因素变量和无类别变量的温度、空气密度、光照强度为第二集合；然后，可将第一集合和第二集合的交集中的变量(即，温度、空气密度)分类为待定新影响因素变量。此外，分类器130可被配置为当不存在无类别变量时，可仅对低影响因素变量执行处理41和处理42。可选地，在一个示例中，处理41和处理42中的一个还可包括将其值随功率变化而不变化的无类别变量分类为低影响因素变量。
在处理5中，分类器130可被配置为对各个待定新影响因素变量进行验证。在一个示例中，分类器130可被配置为分别对每个待定新影响因素变量进行验证。在一个示例中，处理5可包括下面的处理51、处理52和处理53。
在处理51中，分类器130可被配置为针对任意一个待定新影响因素变量，通过将从数据库获取的功率、基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值进行多元拟合，获得用于计算功率的第一拟合函数。在一个示例中，分类器130可被配置为对存储在数据库中的预定时间段内的历史功率、基本影响因素变量的历史值、新影响因素变量的历史值和所述任意一个待定新影响因素变量的历史值进行多元拟合，获得表示基本影响因素变量、新影响因素变量、所述任意一个待定新影响因素变量与功率之间的映射关系的第一拟合函数。例如，分类器130可被配置为在对作为待定新影响因素变量的光照强度进行验证的情况下，对存储在数据库中的一年内的历史功率、作为基本影响因素变量的风速和风向的历史值、作为新影响因素变量的温度的历史值和作为所述任意一个待定新影响因素变量的光照强度的历史值进行多元拟合，获得表示风速、风向、温度、光照强度与功率之间的映射关系的第一拟合函数。
在处理52中，分类器130可被配置为通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值代入第一拟合函数，获得多个计算的功率。在一个示例中，分类器130可被配置为将实时获取达预定次数的基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值代入在处理51中拟合出的第一拟合函数，获得预定次数那么多的计算的功率。这里，预定次数可以是预先定义的值。例如，分类器130可被配置为将十万次实时获取的作为基本影响因素变量的风速和风向的值、新影响因素变量的值和作为所述任意一个待定新影响因素变量的光照强度的值代入在处理51中拟合出的第一拟合函数，获得十万个计算的功率。
在处理53中，分类器130可被配置为如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第一阈值的次数大于第二阈值，则通过验证，否则未通过验证。如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第一阈值的次数大于第二阈值，则表明所述任意一个待定新影响因素变量一定程度影响风力发电机组的功率。因此，在一个示例中，分类器130可被配置为如果所述多个计算的功率与相应的多个实时获取的功率之间的误差小于第一阈值的概率大于第二阈值，则通过验证，否则未通过验证。这里，第一阈值和第二阈值可以是百分比。例如，分类器130可被配置为如果十万个计算的功率与相应的十万个实时获取的功率之间的误差小于5％的次数与总次数(即，十万次)之比大于95％，则通过验证，否则未通过验证。
在处理6中，分类器130可被配置为将通过验证的待定新影响因素变量分类为新影响因素变量，并将未通过验证的待定新影响因素变量分类为低影响因素变量，从而实现对影响因素数据的分类的更新。在一个示例中，分类器130可被配置为通过将存储在数据库中的在处理53中通过验证的所述任意一个待定新影响因素变量的数据的标签分类(即，重新分类)为新影响因素变量，并将存储在数据库中的在处理53中未通过验证的所述任意一个待定新影响因素变量分类(即，重新分类)为低影响因素变量。例如，分类器130可被配置为：当在处理53中作为所述任意一个待定新影响因素变量的光照强度通过验证时，将光照强度从待定新影响因素变量分类(即，重新分类)为新影响因素变量；当在处理53中作为所述任意一个待定新影响因素变量的光照强度未通过验证时，将光照强度从待定新影响因素变量分类(即，重新分类)为低影响因素变量。
此外，第一分类器150可被配置为在完成对作为所述任意一个待定新影响因素变量的光照强度的验证之后，继续对作为其他的所述任意一个待定新影响因素变量依次进行验证，直到所有的待定新影响因素变量均被验证。例如，第一分类器150可被配置为继续对作为其他的所述任意一个待定新影响因素变量的空气密度进行验证。
在一个示例中，分类器130还可被配置为执行下面的处理7、处理8和处理9。
在处理7中，分类器130可被配置为响应于风力发电机组处于正常状态，将其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量。待定低影响因素变量可表示可能对风力发电机组的功率影响不显著和/或对风力发电机组的功率的影响可忽略不计的变量。换言之，待定低影响因素变量可表示可能被最终分类为低因素影响变量的变量。在一个示例中，分类器130可被配置为将存储在数据库中的预定时间段内的其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量。在一个示例中，处理7可包括下面的处理71和处理72。
在处理71中，分类器130可被配置为从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而不变的新影响因素变量的多个集合；在处理72中，分类器130可被配置为将所述多个集合的交集之中的变量分类为待定低影响因素变量。例如，分类器130可被配置为：当基本影响因素变量为风速时，从数据库获取在风速的值为1米每秒(m/s)的情况下其值随功率变化而不变的作为新影响因素变量的湿度、光照强度为第一集合，从数据库获取在风速的值为1.5m/s的情况下其值随功率变化而不变的作为新影响因素变量的湿度、光照强度、温度为第二集合；然后，将第一集合和第二集合的交集中的变量(即，湿度、光照强度)分类为待定低影响因素变量。
在处理8中，分类器130可被配置为对各个待定低影响因素变量进行验证。在一个示例中，处理8可包括下面的处理81、处理82和处理83。
在处理81中，分类器130可被配置为通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第二拟合函数。在一个示例中，分类器130可被配置为对存储在数据库中的预定时间段内的历史功率、基本影响因素变量的历史值和新影响因素变量的历史值进行多元拟合，获得表示基本影响因素变量、新影响因素变量与功率之间的映射关系的第二拟合函数。这里，应理解，由于在处理7的子处理72中其值随功率变化而不变的新影响因素变量已经被分类为待定低影响因素变量，因此在子处理81中的新影响因素变量已经不包括所有的与待定低影响因素变量对应的变量。例如，分类器130可被配置为对存储在数据库中的一年内的历史功率、作为基本影响因素变量的风速和风向的历史值和作为新影响因素变量的空气密度的历史值进行多元拟合，获得表示风速、风向、空气密度与功率之间的映射关系的第二拟合函数。
在处理82中，分类器130可被配置为通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值和新影响因素变量的值代入第二拟合函数，获得多个计算的功率。在一个示例中，分类器130可被配置为将实时获取达预定次数的基本影响因素变量的值和新影响因素变量的值代入在处理81中拟合出的第二拟合函数，获得预定次数那么多的计算的功率。例如，分类器130可被配置为将十万次实时获取的作为基本影响因素变量的风速和风向的值和作为新影响因素变量的空气密度的值代入在步骤S721中拟合出的第二拟合函数，获得十万个计算的功率。
在处理83中，分类器130可被配置为如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则通过验证，否则未通过验证。如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则表明被分类为待定低影响因素变量对风力发电机组的功率没有影响。因此，在一个示例中，分类器130可被配置为如果所述多个计算的功率与相应的多个实时获取的功率之间的误差小于第三阈值的概率大于第四阈值，则通过验证，否则未通过验证。这里，第三阈值与第一阈值可以相同或不同，第四阈值与第二阈值可以相同或不同。例如，分类器130可被配置为如果十万个计算的功率与相应的十万个实时获取的功率之间的误差小于5％的次数与总次数(即，十万次)之比大于95％，则通过验证，否则未通过验证。
在处理9中，分类器130可被配置为将通过验证的待定低影响因素变量分类为低影响因素变量，并将未通过验证的待定低影响因素变量分类为新影响因素变量，从而实现对影响因素数据的分类的更新。在一个示例中，分类器130可被配置为当通过验证时，将所有的待定低影响因素变量分类(即，重新分类)为低影响因素变量。此外，分类器130可被配置为当未通过验证时，在处理81中将任意一个待定低影响因素变量加入到第二拟合函数的拟合过程中，并在处理82中将实时获取的所述任意一个待定低影响因素变量代入到第二拟合函数进行类似于处理83的验证；当通过验证时，将所述任意一个待定低影响因素变量分类(即，重新分类)为低影响因素变量，当未通过验证时，将所述任意一个待定低影响因素变量分类(即，重新分类或恢复)为新影响因素变量。例如，分类器130可被配置为：当在处理83中被分类为待定低影响因素变量的光照强度和温度通过验证时，将光照强度和温度分类为低影响因素变量。此外，分类器130可被配置为当在处理83中被分类为待定低影响因素变量的光照强度和温度未通过验证时，通过将从数据库获取的功率、基本影响因素变量的值、新影响因素变量的值和光照强度的值进行多元拟合，获得用于计算功率的第二拟合函数；通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值、新影响因素变量的值和光照强度的值代入第二拟合函数，获得多个计算的功率；如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则通过验证，否则未通过验证；当通过验证时，将光照强度分类(即，重新分类)为低影响因素变量，当未通过验证时，将光照强度分类(即，重新分类或恢复)为新影响因素变量；然后，对温度执行类似的单独的验证过程。
此外，计算设备100还可包括存储器150。在一个示例中，存储器150可被配置为：响应于风力发电机组处于正常状态，将实时获取的功率和通过对实时获取的影响因素数据进行分仓取值的结果作为历史影响因素数据和历史功率数据存储在数据库中。例如，存储器150可被配置为将第一时间获取的第一功率和通过对实时获取的第一影响因素数据进行分仓取值的第一结果二者作为第一条数据存储在数据库中，将第一时间之后的第二时间获取的第二功率和通过对实时获取的第二影响因素数据进行分仓取值的第二结果二者作为第二条数据存储在数据库中。
在另一个示例中，在除了实时获取风力发电机组的功率、影响因素数据和设备状态数据之外，还可实时获取风力发电机组的其他数据的情况下，存储器150还可被配置为：响应于风力发电机组处于正常状态，将实时获取的功率、通过对实时获取的影响因素数据进行分仓取值的结果和通过对实时获取的其他数据进行取平均值的结果作为历史影响因素数据、历史功率数据和历史其他数据存储在数据库中。
此外，存储器150和分类器130可并行执行各自的操作、可以按任意顺序执行各自的操作或者可以以不同的频率执行各自的操作，本申请对此不做具体限制。
此外，应理解，在以上示例中所列举的关于基本影响因素变量、新影响因素变量、低影响因素变量、待定新影响因素变量和待定低影响因素变量的例子仅是示例，而不意图限制。具体哪些变量属于基本影响因素变量、新影响因素变量、低影响因素变量、待定新影响因素变量或待定低影响因素变量将通过具体计算或者通过预先设置来确定。
此外，应该理解，根据本发明示例性实施例的设备中的各个单元可被实现为硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理，可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
此外，根据本发明的实施例的风力发电机组的损失电量的计算方法可以被实现为计算机可读存储介质中的程序指令。本领域技术人员可以根据对上述方法的描述来实现该程序指令。当该程序指令在计算机中被执行时实现本发明的上述方法。
本发明基于影响因素数据对功率的影响程度对影响因素数据进行分类，并基于功率和分类后的影响因素数据来计算风力发电机组的损失电量，因此计算出的损失电量更加准确。此外，由于在计算风力发电机组的损失电量时不需要使用标杆设备，因此即使个别设备出现故障，也不影响损失电量的计算，适应性更强。
尽管已经参照其示例性实施例具体显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离权利要求所限定的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (28)

1.一种风力发电机组的损失电量的计算方法，其中，包括：
实时获取风力发电机组的功率、影响因素数据和设备状态数据；
基于设备状态数据，判断风力发电机组是处于正常状态还是处于非正常状态；
响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量。
2.如权利要求1所述的计算方法，其中，影响因素数据包括多个变量的数据，所述多个变量被初始分类为基本影响因素变量、新影响因素变量、低影响因素变量和无类别变量。
3.如权利要求2所述的计算方法，其中，所述多个变量至少包括风速、风向、温度、空气密度、湿度和光照强度。
4.如权利要求2所述的计算方法，还包括：响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类，
其中，响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量的步骤包括：
响应于风力发电机组处于非正常状态，基于功率和分类后的影响因素数据来计算风力发电机组的损失电量。
5.如权利要求4所述的计算方法，其中，响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类的步骤包括：
响应于风力发电机组处于正常状态，将其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量；
对各个待定新影响因素变量进行验证；
将通过验证的待定新影响因素变量分类为新影响因素变量，并将未通过验证的待定新影响因素变量分类为低影响因素变量，从而实现对影响因素数据的分类的更新。
6.如权利要求5所述的计算方法，其中，响应于风力发电机组处于正常状态，将其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量的步骤包括：
从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而变化的低影响因素变量和无类别变量的多个集合；
将所述多个集合的交集之中的变量分类为待定新影响因素变量。
7.如权利要求5所述的计算方法，其中，对各个待定新影响因素变量进行验证的步骤包括：
针对任意一个待定新影响因素变量，通过将从数据库获取的功率、基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值进行多元拟合，获得用于计算功率的第一拟合函数；
通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值代入第一拟合函数，获得多个计算的功率；
如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第一阈值的次数大于第二阈值，则通过验证，否则未通过验证。
8.如权利要求4所述的计算方法，其中，响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类的步骤包括：
响应于风力发电机组处于正常状态，将其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量；
对各个待定低影响因素变量进行验证；
将通过验证的待定低影响因素变量分类为低影响因素变量，并将未通过验证的待定低影响因素变量分类为新影响因素变量，从而实现对影响因素数据的分类的更新。
9.如权利要求8所述的计算方法，其中，响应于风力发电机组处于正常状态，将其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量的步骤包括：
从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而不变的新影响因素变量的多个集合；
将所述多个集合的交集之中的变量分类为待定低影响因素变量。
10.如权利要求9所述的计算方法，其中，对各个待定低影响因素变量进行验证的步骤包括：
通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第二拟合函数；
通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值和新影响因素变量的值代入第二拟合函数，获得多个计算的功率；
如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则通过验证，否则未通过验证。
11.如权利要求2所述的计算方法，其中，响应于风力发电机组处于非正常状态，基于功率和分类后的影响因素数据来计算风力发电机组的损失电量的步骤包括：
通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第三拟合函数；
通过将在风力发电机组处于非正常状态时实时获取的基本影响因素变量的值和新影响因素变量的值代入第三拟合函数，获得计算的功率；
基于计算的功率、在风力发电机组处于非正常状态时实时获取的功率以及风力发电机组处于非正常状态的时间信息，计算计算风力发电机组的损失电量。
12.如权利要求11所述的计算方法，其中，基于计算的功率、在风力发电机组处于非正常状态时实时获取的功率以及风力发电机组处于非正常状态的时间信息，计算计算风力发电机组的损失电量的步骤包括：
通过将计算的功率与在风力发电机组处于非正常状态时实时获取的功率之间的差根据所述时间信息进行积分，来计算风力发电机组的损失电量。
13.如权利要求1所述的计算方法，还包括：
响应于风力发电机组处于正常状态，将实时获取的功率和通过对实时获取的影响因素数据进行分仓取值的结果作为历史影响因素数据和历史功率数据存储在数据库中。
14.一种风力发电机组的损失电量的计算设备，包括：
获取器，被配置为实时获取风力发电机组的功率、影响因素数据和设备状态数据；
判断器，被配置为基于设备状态数据，判断风力发电机组是处于正常状态还是处于非正常状态；
计算器，被配置为响应于风力发电机组处于非正常状态，基于功率和影响因素数据来计算风力发电机组的损失电量。
15.如权利要求14所述的计算设备，其中，影响因素数据包括多个变量的数据，所述多个变量被初始分类为基本影响因素变量、新影响因素变量、低影响因素变量和无类别变量。
16.如权利要求15所述的计算设备，其中，所述多个变量至少包括风速、风向、温度、空气密度、湿度和光照强度。
17.如权利要求14所述的计算设备，还包括：
分类器，被配置为响应于风力发电机组处于正常状态，基于影响因素数据对功率的影响程度对影响因素数据进行分类，
其中，计算器还被配置为响应于风力发电机组处于非正常状态，基于功率和分类后的影响因素数据来计算风力发电机组的损失电量。
18.如权利要求17所述的计算设备，分类器还被配置为：
响应于风力发电机组处于正常状态，将其值随功率变化而变化的低影响因素变量和无类别变量分类为待定新影响因素变量；
对各个待定新影响因素变量进行验证；
将通过验证的待定新影响因素变量分类为新影响因素变量，并将未通过验证的待定新影响因素变量分类为低影响因素变量，从而实现对影响因素数据的分类的更新。
19.如权利要求18所述的计算设备，其中，分类器还被配置为：
从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而变化的低影响因素变量和无类别变量的多个集合；
将所述多个集合的交集之中的变量分类为待定新影响因素变量。
20.如权利要求18所述的计算设备，其中，分类器还被配置为：
针对任意一个待定新影响因素变量，通过将从数据库获取的功率、基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值进行多元拟合，获得用于计算功率的第一拟合函数；
通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值、新影响因素变量的值和所述任意一个待定新影响因素变量的值代入第一拟合函数，获得多个计算的功率；
如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第一阈值的次数大于第二阈值，则通过验证，否则未通过验证。
21.如权利要求17所述的计算设备，分类器还被配置为：
响应于风力发电机组处于正常状态，将其值随功率变化而不变的新影响因素变量分类为待定低影响因素变量；
对各个待定低影响因素变量进行验证；
将通过验证的待定低影响因素变量分类为低影响因素变量，将未通过验证的待定低影响因素变量分类为新影响因素变量。
22.如权利要求21所述的计算设备，其中，分类器还被配置为：
从数据库获取在基本影响因素变量的值不变的情况下其值随功率变化而不变的新影响因素变量的多个集合；
将所述多个集合的交集之中的变量分类为待定低影响因素变量。
23.如权利要求22所述的计算设备，其中，分类器还被配置为：
通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第二拟合函数；
通过将在风力发电机组处于正常状态下多次实时获取的基本影响因素变量的值和新影响因素变量的值代入第二拟合函数，获得多个计算的功率；
如果所述多个计算的功率与相应的多个实时获取的功率之间的差小于第三阈值的次数大于第四阈值，则通过验证，否则未通过验证。
24.如权利要求15所述的计算设备，其中，计算器被配置为：
通过将从数据库获取的功率、基本影响因素变量的值和新影响因素变量的值进行多元拟合，获得用于计算功率的第三拟合函数；
通过将在风力发电机组处于非正常状态时实时获取的基本影响因素变量的值和新影响因素变量的值代入第三拟合函数，获得计算的功率；
基于计算的功率、在风力发电机组处于非正常状态时实时获取的功率以及风力发电机组处于非正常状态的时间信息，计算计算风力发电机组的损失电量。
25.如权利要求24所述的计算设备，其中，计算器还被配置为：
通过将计算的功率与在风力发电机组处于非正常状态时实时获取的功率之间的差根据所述时间信息进行积分，来计算风力发电机组的损失电量。
26.如权利要求14所述的计算设备，还包括：
存储器，被配置为：响应于风力发电机组处于正常状态，将实时获取的功率和通过对实时获取的影响因素数据进行分仓取值的结果作为历史影响因素数据和历史功率数据存储在数据库中。
27.一种存储有计算机程序的计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至13中任意一项所述的风力发电机组的损失电量的计算方法。
28.一种计算装置，包括：
处理器；
存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至13中任意一项所述的风力发电机组的损失电量的计算方法。
CN201911407816.5A 2019-12-31 2019-12-31 风力发电机组的损失电量的计算方法和设备 Pending CN112632112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911407816.5A CN112632112A (zh) 2019-12-31 2019-12-31 风力发电机组的损失电量的计算方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911407816.5A CN112632112A (zh) 2019-12-31 2019-12-31 风力发电机组的损失电量的计算方法和设备

Publications (1)

Publication Number Publication Date
CN112632112A true CN112632112A (zh) 2021-04-09

Family

ID=75283447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911407816.5A Pending CN112632112A (zh) 2019-12-31 2019-12-31 风力发电机组的损失电量的计算方法和设备

Country Status (1)

Country Link
CN (1) CN112632112A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113623143A (zh) * 2021-08-16 2021-11-09 福州南泰电力科技有限公司 风电机组发电量损失根因自动识别系统及其实现方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160223600A1 (en) * 2015-02-03 2016-08-04 Envision Energy (Jiangsu) Co., Ltd. Power generation performance evaluation method and apparatus for power generator set
CN106523300A (zh) * 2017-01-03 2017-03-22 国电联合动力技术有限公司 基于机舱风速仪的风电机组损失电量评估方法
CN109086253A (zh) * 2018-07-20 2018-12-25 西安西热电站信息技术有限公司 一种基于可靠性维度的风电机组损失电量计算方法
CN109253056A (zh) * 2018-09-14 2019-01-22 华润电力投资有限公司北方分公司 一种风电数据分析方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160223600A1 (en) * 2015-02-03 2016-08-04 Envision Energy (Jiangsu) Co., Ltd. Power generation performance evaluation method and apparatus for power generator set
CN106523300A (zh) * 2017-01-03 2017-03-22 国电联合动力技术有限公司 基于机舱风速仪的风电机组损失电量评估方法
CN109086253A (zh) * 2018-07-20 2018-12-25 西安西热电站信息技术有限公司 一种基于可靠性维度的风电机组损失电量计算方法
CN109253056A (zh) * 2018-09-14 2019-01-22 华润电力投资有限公司北方分公司 一种风电数据分析方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113623143A (zh) * 2021-08-16 2021-11-09 福州南泰电力科技有限公司 风电机组发电量损失根因自动识别系统及其实现方法

Similar Documents

Publication Publication Date Title
CN104915747B (zh) 一种发电机组的发电性能评估方法及设备
Milano et al. A systematic method to model power systems as stochastic differential algebraic equations
Powell et al. Tutorial on stochastic optimization in energy—Part II: An energy storage illustration
Rovatsos et al. Statistical power system line outage detection under transient dynamics
Zheng et al. Addressing the conditional and correlated wind power forecast errors in unit commitment by distributionally robust optimization
JP2009294969A (ja) 需要予測方法および需要予測装置
SE531898C2 (sv) Metod och styrsystem för att styra en motor i en arbetsmaskin
CA2867253A1 (en) System and method for analyzing oscillatory stability in electrical power transmission systems
He et al. A data mining framework for online dynamic security assessment: Decision trees, boosting, and complexity analysis
CN113935512A (zh) 风电功率预测方法、装置、计算机设备和存储介质
CN110348654A (zh) 风力发电机组评价及运行数据的修正方法、装置及终端
Chávarro-Barrera et al. An adaptive approach for dynamic load modeling in microgrids
CN112632112A (zh) 风力发电机组的损失电量的计算方法和设备
CN108223298B (zh) 用于配置风力涡轮机的方法和系统
Weckesser et al. An improved on-line contingency screening for power system transient stability assessment
CN114065430B (zh) 一种行星级齿轮箱的状态数据处理方法及系统
Guo et al. Mixed probabilistic and interval optimal power flow considering uncertain wind power and dispatchable load
ES2905141T3 (es) Método para la monitorización de parques eólicos
KR20230089082A (ko) 태양광 발전 시스템 고장 진단 장치 및 방법
JP6818658B2 (ja) 電力系統監視システム、電力系統監視方法、及びプログラム
KR20220025511A (ko) 스마트 팩토리 에너지 관리 방법 및 장치
Tiako et al. Real-time dynamic security assessment of power systems with large amount of wind power using Case-Based Reasoning methodology
Mingze et al. Correlation analysis between load and output of renewable energy generation based on time-varying Copula theory
US20220292353A1 (en) Training Dataset, Training and Artificial Neural Network for the State Estimation of a Power Network
CN117332236B (zh) 一种虚拟电厂的数据跟踪检测方法、装置及存储介质

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