CN112861429B - 一种风力机机舱传递函数计算方法 - Google Patents

一种风力机机舱传递函数计算方法 Download PDF

Info

Publication number
CN112861429B
CN112861429B CN202110076043.8A CN202110076043A CN112861429B CN 112861429 B CN112861429 B CN 112861429B CN 202110076043 A CN202110076043 A CN 202110076043A CN 112861429 B CN112861429 B CN 112861429B
Authority
CN
China
Prior art keywords
wind speed
data
wind
cabin
transfer function
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
Application number
CN202110076043.8A
Other languages
English (en)
Other versions
CN112861429A (zh
Inventor
张皓
易侃
张子良
王浩
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.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
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 China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202110076043.8A priority Critical patent/CN112861429B/zh
Publication of CN112861429A publication Critical patent/CN112861429A/zh
Application granted granted Critical
Publication of CN112861429B publication Critical patent/CN112861429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Wind Motors (AREA)

Abstract

一种风力机机舱传递函数计算方法，针对某单一风机，获取其理论功率曲线，选定切入风速至额定风速之间的区域。采用神经网络对该区域进行倒推，并将来自实际运行风电场的风功率数据输入已训练的神经网络，获取对应来流风速值。获取与风功率数据一一对应的机舱风速数据，将其划分为高频、低频两个区域。对高频、低频区域分别再进行分区处理。在各区间内，对机舱风速和对应来流风速进行线性函数拟合，并依此形成该风机的机舱传递函数。本发明一种风力机机舱传递函数计算方法，具备拟合精度高且计算量小的优点，适用于风力机来流风速计算及尾流评估。

Description

一种风力机机舱传递函数计算方法
技术领域
本发明涉及风力发电技术领域，具体涉及一种风力机机舱传递函数计算方法。
背景技术
在风电场进行发电量计算及经济效益评价、机组排布优化、运行优化控制的过程中，通常需要对风力机的尾流效应开展建模工作。目前，常用的尾流评估模型主要包含计算流体动力学模型和解析模型两种。自由来流风速的准确获取是保证此类模型精度的重要前提条件。针对自由来流风速不易直接测量的问题，风电场通常将机舱风速默认为来流风速，对二者不予区分。但是，由于受到风轮转动和机舱引起的气流畸变等因素影响，机舱风速测量值往往不能如实反映自由来流风速，进而导致采用机舱风速建立的尾流模型具有一定程度的误差。
为了准确获取机组自由来流风速，需要对所测机舱风速进行修正。目前，机舱风速修正方法主要分为两大类，即理论计算修正法与函数拟合法。但是理论计算修正法计算精度有限、不易应用；而函数拟合法严重依赖于测风塔数据，应用场景有限。
理论计算修正法主要基于空气动力学理论，利用机组多项参数和运行数据通过理论计算来实现机舱风速修正。中国专利“用于机舱风速修正的方法、系统和计算机程序产品”(授权公告号CN 101016879 B)将机舱风速与风力机运行相关的参数进行结合分析以实现对风速数据的修正。但是由于其参数数量较多且内部机理较为复杂，此类方法往往具有一定计算量且精度有限。
函数拟合法直接采用测风塔风速对机舱风速进行修正，即拟合测风塔风速与机舱风速直接的函数关系。中国专利“一种基于风力机机舱风速的来流风速计算方法及装置”(CN 105279384 A)通过对试验机组安装一定精度的设备(例如激光测风仪)获取来流风速，并利用最小二乘线性拟合法对机舱风速和来流风速进行拟合，生成机舱风速和来流风速的关系式。该方法简单易用，但是严重依赖于测风塔数据。由于中国风电布局采取的是“大规模、高集中”的模式，单一风电场中往往包含几十台甚至几百台风电机组，而测风塔的配置场地要求苛刻、费用高昂，通常只选取其中一台典型风电机组为其配备测风塔进行特性评估，无法满足全场所有风机需求。对于其余众多非典型机组的机舱风速修正，这种方法具有较大的随机性及不确定性，无法保证自由来流风速推导的准确率。
发明内容
为解决上述技术问题，本发明提供一种风力机机舱传递函数计算方法，具备拟合精度高且计算量小的优点，适用于风力机来流风速计算及尾流评估。
本发明采取的技术方案为：
一种风力机机舱传递函数计算方法，包括以下步骤：
步骤1：针对单一风机，获取其理论功率曲线，将其按照零风速-切入风速、切入风速-额定风速、额定风速-切出风速三个区间划分成三段，选取切入风速至额定风速之间的区域备用；
步骤2：采用神经网络对选定区域内的风机理论功率曲线进行倒推，神经网络输入为理论功率值，输出为对应风速。
步骤3：获取来自实际运行风电场的机舱风速、风功率数据，剔除数据中的无效数据，完成数据预处理后，将风功率数据输入神经网络，获取来流风速值；
步骤4：获取机舱风速概率分布图，将机舱风速按照高频、低频划分为两个区域；
步骤5：对高频、低频区域分别再进行分区处理；
步骤6：利用公式(1)、(2)，分别计算出每个区间内的机舱风速均值和来流风速平均值为：
Figure BDA0002907519260000021
Figure BDA0002907519260000022
上式中：vn,i为落在第i个区间内的机舱风速平均值；vf,i为落在第i个区间内的来流风速平均值；Ni为落在第i个区间内的数据数量；vn,i,j为落在第i个区间内的第j个机舱风速取值；vf,i,j为第i个测量点所代表的面积。
步骤7：第i个区间内采用线性函数进行拟合，利用公式(3)、(4)分别计算区间i的斜率及截距：
Figure BDA0002907519260000023
oi＝vf,i-sivn,i (4)
上式中：si为第i个区间内拟合线性函数的斜率；vf,i为第i个区间内拟合线性函数的截距；
步骤8：获取来流风速分段拟合线性函数，即机舱传递函数，如公式(5)所示：
vf＝sivn+oi (5)
上式中：vn为落在第i个区间内的机舱风速；vf为vn修正之后的来流风速。
步骤2中，神经网络采用反向传播算法，达到一定迭代次数或者一定精度之后训练终止。
步骤3中，无效数据包括测试设备异常产生的坏点数据、测试机组未处于正常发电状态的数据、数据传输过程中受外界干扰生成的异常数据。
步骤4中，机舱风速在机舱风速概率分布图区域内数据量占总数据的80％以上，为高频区域；机舱风速在机舱风速概率分布图区域内数据量占总数据的20％以下，为低频区域。
步骤5中，对于高频区域，风速范围划分为以0.5m/s整数倍的风速为中心，左右各0.25m/s的连续区间；对于低频区域，风速范围划分为2m/s整数倍的风速为中心，左右各1m/s的连续区间。
本发明提供一种风力机机舱传递函数计算方法，技术效果如下：
1)采用神经网络实现风力机理论功率-风速建模，并基于此推导来流风速。神经网络具有强大的非线性函数逼近能力，能够精确模拟出理论功率及风速之间的非线性关系；同时该模型具备自学习自适应能力，可以方便地给出工程上易于实现的学习算法。
2)采用分段线性函数计算机舱传递函数，各区间宽度根据风速频率分布确定。采用分段线性函数能够有效提升机舱风速与来流风速之间的拟合效果，且通过风速频率划分不同的区间宽度能够保证拟合精度的前提下减少计算量。
3)本发明采用理论功率曲线倒推来流风速，计算简便且适用场景丰富；功率曲线倒推采用径向基函数神经网络进行拟合，与常用的多项式函数、对数函数相比，其拟合精度高。
4)本发明机舱风速与来流风速拟合通过衡量风速频率分布情况划分不同区域，并在不同区域内分别采用线性函数进行拟合，此方法拟合精度较高且计算代价较小。
附图说明
图1为本发明计算方法流程图。
图2为本发明风力机理论功率曲线图。
图3为神经网络结构示意图。
图4为风力机机舱风速概率分布图。
图5为金风GW121/3000KW风机理论功率曲线图。
图6为金金风GW121/3000KW风机理论功率--风速关系图。
图7为金风GW121/3000KW风机机舱风速概率分布图。
具体实施方式
一种风力机机舱传递函数计算方法，包括以下步骤：
步骤1：针对选定风电场中某单一风机，通过查阅该风机对应生产商型号的产品手册获取其理论功率曲线，将其按照零风速-切入风速、切入风速-额定风速、额定风速-切出风速三个区间划分成三段，选取切入风速至额定风速之间的区域，获取风机理论功率曲线，如图2所示。
步骤2：采用图3中所示神经网络对风机理论功率曲线倒推，神经网络输入为理论功率值，输出为对应风速。神经网络采用误差反向传播算法，该算法主要通过两个环节(激励传播、权重更新)反复循环迭代，获取网络参数的最优值。
在激励传播过程中，输入数据通过输入层经隐含层处理并传向输出层。其中，神经网络隐含层中每一个神经元均代表一个基函数，该基函数采用公式(1.1)中所示的高斯函数进行确定：
Figure BDA0002907519260000041
上式中，x为输入数据，cj为第j个高斯基函数的中心点，σj为第j个高斯基函数的宽度参数，||x-cj||为样本x到中心点cj的欧式距离。
则该网络的最终输出可以表示为：
Figure BDA0002907519260000042
上式中，wj为第j个高斯基函数与输出层之间的权值参数。
如果输出层不能获得期望的输出值，则转入权重更新过程，取输出与期望的误差作为目标函数，如公式(1.3)中所示：
Figure BDA0002907519260000043
上式中，y*为期望输出值。利用该目标函数值求出其对各神经元权值的偏导信号，以此构成目标函数对权值向量的梯度信号，如公式(1.4)-(1.6)所示：
Figure BDA0002907519260000044
Figure BDA0002907519260000045
Figure BDA0002907519260000051
采用求得的梯度信号对网络权值进行优化，如公式(1.7)-(1.9)。
wj,k+1＝wj,k-η△wj (1.7)；
cj,k+1＝cj,k-η△cj (1.8)；
σj,k+1＝σj,k-η△σj (1.9)；
上式中，k为迭代次数。
在每次的迭代过程中，网络参数均进行一次优化，为了避免网络出现过拟合的情况同时节省一定的计算资源，当输出与期望之间的误差达到预先设定值或者迭代过程达到一定次数后训练终止。
步骤3：获取来自实际运行风力机中风速传感器及功率传感器采集的机舱风速、风功率原始数据，原始数据中包括测试设备异常产生的坏点数据、测试机组未处于正常发电状态的数据、数据传输过程中受外界干扰生成的异常数据等，这部分数据不能如实反映风电场正常的运行状态，会对机舱传递函数拟合过程产生一定程度的负面影响，因此需要对原始数据进行预处理以剔除其中的无效数据。完成数据预处理后，将风功率数据输入神经网络，获取与之一一对应的来流风速值。
步骤4：通过对数据预处理之后获得的机舱风速数据进行统计分析，将机舱风速按照数值大小进行排列，并计算不同风速取值在整个数据集中出现的概率，依此获取图4中所示机舱风速概率分布图，将机舱风速按照高频、低频划分为两个区域。机舱风速在机舱风速概率分布图区域内数据量占总数据的80％以上，为高频区域；机舱风速在机舱风速概率分布图区域内数据量占总数据的20％以下，为低频区域。
步骤5：对高频、低频区域分别再进行分区处理：对于高频区域，风速范围划分为以0.5m/s整数倍的风速为中心，左右各0.25m/s的连续区间；对于低频区域，风速范围划分为2m/s整数倍的风速为中心，左右各1m/s的连续区间。
步骤6：利用公式(1)、(2)，分别计算出每个区间内的机舱风速均值和来流风速平均值为：
Figure BDA0002907519260000052
Figure BDA0002907519260000053
上式中：vn,i为落在第i个区间内的机舱风速平均值；vf,i为落在第i个区间内的来流风速平均值；Ni为落在第i个区间内的数据数量；vn,i,j为落在第i个区间内的第j个机舱风速取值；vf,i,j为第i个测量点所代表的面积。
步骤7：第i个区间内采用线性函数进行拟合，利用公式(3)、(4)分别计算区间i的斜率及截距：
Figure BDA0002907519260000061
oi＝vf,i-sivn,i (4)
上式中：si为第i个区间内拟合线性函数的斜率；vf,i为第i个区间内拟合线性函数的截距；步骤8：获取来流风速分段拟合线性函数，即机舱传递函数，如公式(5)所示：
vf＝sivn+oi (5)
上式中：vn为落在第i个区间内的机舱风速；vf为vn修正之后的来流风速。
验证算例：
按照上述步骤，采用某风电场运行的金风GW121/3000KW风机原始风速及功率数据进行机舱传递函数的推导工作，其中该型号风机理论功率曲线如图5中所示，选定其中切入风速与额定风速之间的区域备用。采用图3中所示神经网络对风机理论功率曲线倒推，神经网络结构为1-20-1，该网络输入为理论功率值，输出为对应风速值。神经网络采用误差反向传播算法，当输出与期望之间的误差达到预先设定值0.01或者迭代过程达到200次后训练终止。图6中所示即为采用神经网络拟合之后的理论功率--风速关系图。
获取来自该风力机中风速传感器及功率传感器采集的机舱风速、风功率原始数据，首先对原始数据进行预处理以剔除其中的无效数据，数据预处理前后的数据量如表1中所示。完成数据预处理后，将风功率数据输入神经网络，获取与之一一对应的来流风速值。
表1金风GW121/3000KW风机数据处理结果表
风速数据 风功率数据
预处理前数据量 48000 45676
预处理后数据量 48000 45676
通过对数据预处理之后获得的机舱风速数据进行统计分析，获取图7中所示机舱风速概率分布图，将机舱风速按照高频、低频划分为两个区域。机舱风速在机舱风速概率分布图区域内数据量占总数据的80％以上，为高频区域；机舱风速在机舱风速概率分布图区域内数据量占总数据的20％以下，为低频区域。
根据图7中的结果，对高频、低频区域分别再进行分区处理：对于高频区域，风速范围划分为以0.5m/s整数倍的风速为中心，左右各0.25m/s的连续区间，即对应[4,4.5],[4.5,5]……[9,9.5],[9.5,10]等多个区间；对于低频区域，风速范围划分为2m/s整数倍的风速为中心，左右各1m/s的连续区间，即对应[2,4],[10,12]两个区间。
在各个区间内，利用公式(1)至公式(5)对机舱风速值及来流风速值进行线性函数拟合，各区间所得线性函数如表2中所示，即为该风力机相应的机舱传递函数。
表2机舱传递函数分段线性拟合结果表
区间 拟合线性函数
[2,4] y＝1.102x-0.1168
[4,4.5] y＝0.909x+0.6148
[4.5,5] y＝1.016x+0.1328
[5,5.5] y＝1.171x-0.6414
[5.5,6] y＝1.14x-0.4717
[6,6.5] y＝1.055x+0.03435
[6.5,7] y＝1.027x+0.2208
[7,7.5] y＝0.9997x+0.418
[7.5,8] y＝1.044x+0.1058
[8,8.5] y＝0.9621x+0.7881
[8.5,9] y＝0.9919x+0.5247
[9,9.5] y＝1.072x-0.213
[9.5,10] y＝1.017x+0.2758
[10,12] y＝0.3951x+6.761
从上述实施例可知，与理论计算修正法相比而言，本发明计算方法简便清晰，仅需对风力机实测数据进行综合分析就能得出较为精确的机舱传递函数，省去了对众多风力机运行参数和风电场环境参数的考虑；此外，理论计算修正法需要对风力机周围的空气动力学进行建模分析，通常需要采用一定假设条件下的空气动力学方程进行简化计算，本发明提出的方法能够避免该步骤，有效提升了机舱传递函数的精确度。与函数拟合法相比，本发明无需对风力机配备相应的测风塔或者测风仪器，适用范围更广、代价低廉，能够应用于众多非典型机组的机舱风速修正。
通过以上分析可以得出，本发明提出的风力机机舱传递函数计算方法在保证计算精度的同时，实施过程简单且适用范围较广，这是常规算法所不能比拟的，故本算法可用于工程实际中各种类型风力机的机舱传递函数计算。

Claims (5)

1.一种风力机机舱传递函数计算方法，其特征在于包括以下步骤：
步骤1：针对单一风机，获取其理论功率曲线，将其按照零风速-切入风速、切入风速-额定风速、额定风速-切出风速三个区间划分成三段，选取切入风速至额定风速之间的区域备用；
步骤2：采用神经网络对选定区域内的风机理论功率曲线进行倒推，神经网络输入为理论功率值，输出为对应风速；
在激励传播过程中，输入数据通过输入层经隐含层处理并传向输出层；其中，神经网络隐含层中每一个神经元均代表一个基函数，该基函数采用公式(1.1)中所示的高斯函数进行确定：
Figure FDA0003740158900000011
上式中，x为输入数据，cj为第j个高斯基函数的中心点，σj为第j个高斯基函数的宽度参数，||x-cj||为样本x到中心点cj的欧式距离；
则该网络的最终输出可以表示为：
Figure FDA0003740158900000012
上式中，wj为第j个高斯基函数与输出层之间的权值参数；
步骤3：获取来自实际运行风电场的机舱风速、风功率数据，剔除数据中的无效数据，完成数据预处理后，将风功率数据输入神经网络，获取来流风速值；
步骤4：获取机舱风速概率分布图，将机舱风速按照高频、低频划分为两个区域；
步骤5：对高频、低频区域分别再进行分区处理；
步骤6：利用公式(1)、(2)，分别计算出每个区间内的机舱风速均值和来流风速平均值为：
Figure FDA0003740158900000013
Figure FDA0003740158900000014
上式中：vn,i为落在第i个区间内的机舱风速平均值；vf,i为落在第i个区间内的来流风速平均值；Ni为落在第i个区间内的数据数量；vn,i,j为落在第i个区间内的第j个机舱风速取值；vf,i,j为第i个测量点所代表的面积；
步骤7：第i个区间内采用线性函数进行拟合，利用公式(3)、(4)分别计算区间i的斜率及截距：
Figure FDA0003740158900000021
oi＝vf,i-sivn,i (4)
上式中：si为第i个区间内拟合线性函数的斜率；vf,i为第i个区间内拟合线性函数的截距；
步骤8：获取来流风速分段拟合线性函数，即机舱传递函数，如公式(5)所示：
vf＝sivn+oi (5)
上式中：vn为落在第i个区间内的机舱风速；vf为vn修正之后的来流风速。
2.根据权利要求1所述一种风力机机舱传递函数计算方法，其特征在于：步骤2中，神经网络采用反向传播算法，达到一定迭代次数或者一定精度之后训练终止。
3.根据权利要求1所述一种风力机机舱传递函数计算方法，其特征在于：步骤3中，无效数据包括测试设备异常产生的坏点数据、测试机组未处于正常发电状态的数据、数据传输过程中受外界干扰生成的异常数据。
4.根据权利要求1所述一种风力机机舱传递函数计算方法，其特征在于：步骤4中，机舱风速在机舱风速概率分布图区域内数据量占总数据的80％以上，为高频区域；机舱风速在机舱风速概率分布图区域内数据量占总数据的20％以下，为低频区域。
5.根据权利要求1所述一种风力机机舱传递函数计算方法，其特征在于：步骤5中，对于高频区域，风速范围划分为以0.5m/s整数倍的风速为中心，左右各0.25m/s的连续区间；对于低频区域，风速范围划分为2m/s整数倍的风速为中心，左右各1m/s的连续区间。
CN202110076043.8A 2021-01-20 2021-01-20 一种风力机机舱传递函数计算方法 Active CN112861429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110076043.8A CN112861429B (zh) 2021-01-20 2021-01-20 一种风力机机舱传递函数计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110076043.8A CN112861429B (zh) 2021-01-20 2021-01-20 一种风力机机舱传递函数计算方法

Publications (2)

Publication Number Publication Date
CN112861429A CN112861429A (zh) 2021-05-28
CN112861429B true CN112861429B (zh) 2022-08-30

Family

ID=76007729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110076043.8A Active CN112861429B (zh) 2021-01-20 2021-01-20 一种风力机机舱传递函数计算方法

Country Status (1)

Country Link
CN (1) CN112861429B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283035B (zh) * 2021-06-11 2023-04-07 华能新疆能源开发有限公司 双参数风力机机舱传递函数构建方法、系统、设备及存储介质
CN114233580B (zh) * 2021-12-01 2023-11-21 三一重能股份有限公司 一种风电机组机舱风速的修正方法及装置
CN114580192B (zh) * 2022-03-15 2023-04-11 北京博数智源人工智能科技有限公司 一种风机切入风速及额定风速的计算方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091209A (zh) * 2014-06-26 2014-10-08 沈阳工业大学 基于bp神经网络的风电机组功率特性评估方法
CN104794347A (zh) * 2015-04-22 2015-07-22 中国大唐集团新能源股份有限公司 一种风电机组机舱传递函数分区拟合方法
WO2017092297A1 (zh) * 2015-12-02 2017-06-08 中国电力科学研究院 风电机组功率特性评价方法及装置、存储介质
CN109356800A (zh) * 2018-12-12 2019-02-19 国电联合动力技术有限公司 低风速风电机组机舱风速修正函数的获得方法及其装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091209A (zh) * 2014-06-26 2014-10-08 沈阳工业大学 基于bp神经网络的风电机组功率特性评估方法
CN104794347A (zh) * 2015-04-22 2015-07-22 中国大唐集团新能源股份有限公司 一种风电机组机舱传递函数分区拟合方法
WO2017092297A1 (zh) * 2015-12-02 2017-06-08 中国电力科学研究院 风电机组功率特性评价方法及装置、存储介质
CN109356800A (zh) * 2018-12-12 2019-02-19 国电联合动力技术有限公司 低风速风电机组机舱风速修正函数的获得方法及其装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于功率曲线分析与神经网络的风电机组故障预警方法;乔福宇等;《中国测试》;20200819(第08期);第47-53页 *
基于机舱传递函数的风机功率曲线研究;杨明明;《华电技术》;20200525(第05期);第54-58页 *

Also Published As

Publication number Publication date
CN112861429A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112861429B (zh) 一种风力机机舱传递函数计算方法
CN107194625B (zh) 基于神经网络的风电场弃风电量评估方法
CN110826791A (zh) 一种基于长短时记忆神经网络的混合风功率预测方法
AU2017317610A1 (en) Method and device for detecting equivalent load of wind turbine
CN110110434B (zh) 一种概率潮流深度神经网络计算的初始化方法
CN110365053B (zh) 基于延迟优化策略的短期风电功率预测方法
CN106875037A (zh) 风力预测方法及装置
CN113029512B (zh) 用于暂冲式跨声速风洞的空气流场模型校正控制方法
CN109992889B (zh) 风电场模型的建立方法及系统、尾流值计算方法及系统
CN113919221A (zh) 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质
CN111091236A (zh) 一种按桨距角分类的多分类深度学习短期风功率预测方法
CN116624343B (zh) 一种风电机组塔筒异常振动监测及健康度评价方法及系统
CN114583767B (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
CN113343606B (zh) 一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法
CN111027816B (zh) 一种基于数据包络分析的光伏发电效率计算方法
CN116826735A (zh) 一种针对新能源场站宽频振荡辨识方法、装置
CN115062879B (zh) 一种风电机组指标参数的获取方法、装置及设备
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
CN116292057A (zh) 一种可变速抽水蓄能机组的控制方法、装置、设备及介质
CN105205560A (zh) 一种基于正负误差变权的光伏发电功率预测方法
CN113470839B (zh) 一种堆芯在线保护方法
CN114186407A (zh) 一种参数可自适应调整的风电场尾流速度场计算方法及系统
CN112748663B (zh) 一种基于数据驱动输出反馈的风电转矩容错控制方法
Chen et al. Variation-cognizant probabilistic power flow analysis via multi-task learning
CN116757101B (zh) 一种基于机理模型和神经网络的机舱风速修正方法和系统

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