CN112884262A - 一种风电机组载荷适应性确定方法和系统 - Google Patents
一种风电机组载荷适应性确定方法和系统 Download PDFInfo
- Publication number
- CN112884262A CN112884262A CN201911202044.1A CN201911202044A CN112884262A CN 112884262 A CN112884262 A CN 112884262A CN 201911202044 A CN201911202044 A CN 201911202044A CN 112884262 A CN112884262 A CN 112884262A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- data
- wind
- load
- load data
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种风电机组载荷适应性确定方法和系统,包括:根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值;根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组。本发明提供的技术方案,对于风电机组载荷要求不同的风位点配置不同规格的风电机组,以此提升风电机组在运行过程中的安全性与可靠性。
Description
技术领域
本发明涉及风力发电技术领域,具体涉及一种风电机组载荷适应性确定方法和系统。
背景技术
风力发电作为可再生能源开发中技术最成熟的、最具有规模开发和商业化发展前景的发电方式之一,在减轻环境污染、调整能源结构、解决偏远地区居民用电问题等方面的突出作用,越来越受到重视并得到了广泛的开发和应用。
近年来风力发电发展势头迅猛,风电装机每年翻番,风电机组运行结构安全逐渐成为风电机组制造商、业主及投资商关注的焦点。风电机组运行结构安全的评估依赖于针对风电机组各个主要结构部件的疲劳与极限载荷评价。
随着风电机组装机容量的不断加大,风电场的地形地貌等情况也越来越复杂。同一个风电场不同机位点的风参数(如风速特征、风切变、入流角、偏航误差、湍流、变桨速率、风速分布等)有很大差异,从而导致同一型号风电机组在同一风电场不同机位点处的表现也不尽相同。
发明内容
针对现有技术的不足,本发明的目的是提出一种风电机组载荷适应性确定方法,该方法对于风电机组载荷要求不同的风位点配置不同规格的风电机组,以此提升风电机组在运行过程中的安全性与可靠性。
本发明的目的是采用下述技术方案实现的:
本发明提供一种风电机组载荷适应性确定方法,其改进之处在于,所述方法包括:
根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值;
根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组;
其中,所述风电机组标准载荷数据值包括:风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
优选的,所述风电机组特征数据包括:风速数据、风切变数据、入流角数据、偏航误差数据、湍流数据、变桨速率数据和风速分布数据。
优选的,所述根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值,包括:
将风电场机位点处对应的风电机组特征数据的历史水平值代入预先构建的BP神经网络中,获取风电场机位点处对应的风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
优选的,所述根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组,包括:
若风电机组的叶片极限载荷数据值大于风电场机位点处对应的风电机组叶片标准载荷数据值,风电机组的主轴极限载荷数据值大于风电场机位点处对应的风电机组主轴标准载荷数据值且风电机组的塔筒极限载荷数据值大于风电场机位点处对应的风电机组塔筒标准载荷数据值,则风电场机位点处可安装所述风电机组,否则,风电场机位点处不可安装所述风电机组。
进一步的,所述预先构建的BP神经网络的建立过程,包括:
步骤a:初始化i=1;
步骤b:在第i种风电机组特征数据预先设定的阈值区间内等间隔抽取Di个样本数据;
步骤c:若i=7成立,则将各种风电机组特征数据抽取的样本数据进行组合,生成M组样本数据;否则,令i=i+1,并返回步骤b;
步骤d:将生成的M组样本数据代入预先训练的载荷预测模型中,获取M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值;
步骤e:将生成的M组样本数据作为初始BP神经网络的输入层训练样本,将M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值作为初始BP神经网络的输出层训练样本,训练初始BP神经网络,获取预先构建的BP神经网络;
进一步的,所述预先训练的载荷预测模型的构建过程包括:
将历史时段内各机位点处对应的风电机组特征数据实测值作为载荷预测模型的输入层训练样本,将历史时段内各机位点处对应的风电机组叶片实测载荷数据值、风电机组主轴实测载荷数据值和风电机组塔筒实测载荷数据值作为载荷预测模型的输出层训练样本,训练所述载荷预测模型,获取所述载荷预测模型。
本发明提供一种风电机组载荷适应性确定系统,其特征在于,所述系统包括:
确定模块,用于根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值;
选择模块,用于根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组;
其中,所述风电机组标准载荷数据值包括:风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
优选的,所述风电机组特征数据包括:风速数据、风切变数据、入流角数据、偏航误差数据、湍流数据、变桨速率数据和风速分布数据。
优选的,,所述确定模块,用于:
将风电场机位点处对应的风电机组特征数据的历史水平值代入预先构建的BP神经网络中,获取风电场机位点处对应的风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
优选的,,所述选择模块,用于:
若风电机组的叶片极限载荷数据值大于风电场机位点处对应的风电机组叶片标准载荷数据值,风电机组的主轴极限载荷数据值大于风电场机位点处对应的风电机组主轴标准载荷数据值且风电机组的塔筒极限载荷数据值大于风电场机位点处对应的风电机组塔筒标准载荷数据值,则风电场机位点处可安装所述风电机组,否则,风电场机位点处不可安装所述风电机组。
进一步的,所述预先构建的BP神经网络的建立过程,包括:
步骤a:初始化i=1;
步骤b:在第i种风电机组特征数据预先设定的阈值区间内等间隔抽取Di个样本数据;
步骤c:若i=7成立,则将各种风电机组特征数据抽取的样本数据进行组合,生成M组样本数据;否则,令i=i+1,并返回步骤b;
步骤d:将生成的M组样本数据代入预先训练的载荷预测模型中,获取M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值;
步骤e:将生成的M组样本数据作为初始BP神经网络的输入层训练样本,将M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值作为初始BP神经网络的输出层训练样本,训练初始BP神经网络,获取预先构建的BP神经网络;
进一步的,所述预先训练的载荷预测模型的构建过程包括:
将历史时段内各机位点处对应的风电机组特征数据实测值作为载荷预测模型的输入层训练样本,将历史时段内各机位点处对应的风电机组叶片实测载荷数据值、风电机组主轴实测载荷数据值和风电机组塔筒实测载荷数据值作为载荷预测模型的输出层训练样本,训练所述载荷预测模型,获取所述载荷预测模型。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供的技术方案,根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值;根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组;对于风电机组载荷要求不同的风位点配置不同规格的风电机组,以此提升风电机组在运行过程中的安全性与可靠性。
附图说明
图1是一种风电机组载荷适应性确定方法流程图;
图2是一种风电机组载荷适应性确定系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种风电机组载荷适应性确定方法,如图1所示,所述方法包括:
步骤101.根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值;
步骤102.根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组;
其中,所述风电机组标准载荷数据值包括:风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
所述风电机组特征数据包括:风速数据、风切变数据、入流角数据、偏航误差数据、湍流数据、变桨速率数据和风速分布数据。
具体的,所述步骤101,包括:
将风电场机位点处对应的风电机组特征数据的历史水平值代入预先构建的BP神经网络中,获取风电场机位点处对应的风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
具体的,所述步骤102,包括:
若风电机组的叶片极限载荷数据值大于风电场机位点处对应的风电机组叶片标准载荷数据值,风电机组的主轴极限载荷数据值大于风电场机位点处对应的风电机组主轴标准载荷数据值且风电机组的塔筒极限载荷数据值大于风电场机位点处对应的风电机组塔筒标准载荷数据值,则风电场机位点处可安装所述风电机组,否则,风电场机位点处不可安装所述风电机组。
在本发明的最优实施例中,风电场机位点处风电机组选择方法可以用于更换风电场内某些机位点处风电机组,也可以用于新建风电场时为风电场机位点处配置风电机组,此时,风电场机位点处对应的风电机组特征数据的历史水平值可以通过仿真获取。
进一步的,所述预先构建的BP神经网络的建立过程,包括:
步骤a:初始化i=1;
步骤b:在第i种风电机组特征数据预先设定的阈值区间内等间隔抽取Di个样本数据;其中,Di应当不小于100;
在本发明的最佳实施例中,若风速数据预先设定的阈值区间为1m/s-100m/s,以1m/s为间隔,可抽取100个风速样本数据;
在本发明的最佳实施例中,风速数据预先设定的阈值区间涵盖切入风速至切出风速,风速变化间隔可以为0.5m/s,风切变数据预先设定的阈值区间涵盖0-1,风切变变化间隔可以为0.05;湍流数据预先设定的阈值区间涵盖0-1,湍流变化间隔可以为0.05;变桨速率数据预先设定的阈值区间涵盖-8-8°/s,变桨速率变化间隔可以为0.1°/s;偏航误差数据预先设定的阈值区间涵盖-30-30°,偏航误差变化间隔可以为2°;入流角度数据预先设定的阈值区间涵盖-10-10°,入流角度变化间隔可以为2°;
步骤c:若i=7成立,则将各种风电机组特征数据抽取的样本数据进行组合,生成M组样本数据;否则,令i=i+1,并返回步骤b;
步骤d:将生成的M组样本数据代入预先训练的载荷预测模型中,获取M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值;
步骤e:将生成的M组样本数据作为初始BP神经网络的输入层训练样本,将M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值作为初始BP神经网络的输出层训练样本,训练初始BP神经网络,获取预先构建的BP神经网络;
在本发明的最优实施例中,预先构建的BP神经网络适用于各个风电场,利用预先构建的BP神经网络进行风电场内机位点处风电机组的配置是工作效率显着提高。
进一步的,所述预先训练的载荷预测模型的构建过程包括:
将历史时段内各机位点处对应的风电机组特征数据实测值作为载荷预测模型的输入层训练样本,将历史时段内各机位点处对应的风电机组叶片实测载荷数据值、风电机组主轴实测载荷数据值和风电机组塔筒实测载荷数据值作为载荷预测模型的输出层训练样本,训练所述载荷预测模型,获取所述载荷预测模型。
本发明提供一种风电机组载荷适应性确定系统,如图2所示,所述系统包括:
确定模块,用于根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值;
选择模块,用于根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组;
其中,所述风电机组标准载荷数据值包括:风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
所述风电机组特征数据包括:风速数据、风切变数据、入流角数据、偏航误差数据、湍流数据、变桨速率数据和风速分布数据。
具体的,所述确定模块,用于:
将风电场机位点处对应的风电机组特征数据的历史水平值代入预先构建的BP神经网络中,获取风电场机位点处对应的风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
具体的,所述选择模块,用于:
若风电机组的叶片极限载荷数据值大于风电场机位点处对应的风电机组叶片标准载荷数据值,风电机组的主轴极限载荷数据值大于风电场机位点处对应的风电机组主轴标准载荷数据值且风电机组的塔筒极限载荷数据值大于风电场机位点处对应的风电机组塔筒标准载荷数据值,则风电场机位点处可安装所述风电机组,否则,风电场机位点处不可安装所述风电机组。
进一步的,所述预先构建的BP神经网络的建立过程,包括:
步骤a:初始化i=1;
步骤b:在第i种风电机组特征数据预先设定的阈值区间内等间隔抽取Di个样本数据;
步骤c:若i=7成立,则将各种风电机组特征数据抽取的样本数据进行组合,生成M组样本数据;否则,令i=i+1,并返回步骤b;
步骤d:将生成的M组样本数据代入预先训练的载荷预测模型中,获取M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值;
步骤e:将生成的M组样本数据作为初始BP神经网络的输入层训练样本,将M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值作为初始BP神经网络的输出层训练样本,训练初始BP神经网络,获取预先构建的BP神经网络;
进一步的,所述预先训练的载荷预测模型的构建过程包括:
将历史时段内各机位点处对应的风电机组特征数据实测值作为载荷预测模型的输入层训练样本,将历史时段内各机位点处对应的风电机组叶片实测载荷数据值、风电机组主轴实测载荷数据值和风电机组塔筒实测载荷数据值作为载荷预测模型的输出层训练样本,训练所述载荷预测模型,获取所述载荷预测模型。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种风电机组载荷适应性确定方法,其特征在于,所述方法包括:
根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值;
根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组;
其中,所述风电机组标准载荷数据值包括:风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
2.如权利要求1所述的方法,其特征在于,所述风电机组特征数据包括:风速数据、风切变数据、入流角数据、偏航误差数据、湍流数据、变桨速率数据和风速分布数据。
3.如权利要求1所述的方法,其特征在于,所述根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值,包括:
将风电场机位点处对应的风电机组特征数据的历史水平值代入预先构建的BP神经网络中,获取风电场机位点处对应的风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
4.如权利要求3所述的方法,其特征在于,所述预先构建的BP神经网络的建立过程,包括:
步骤a:初始化i=1;
步骤b:在第i种风电机组特征数据预先设定的阈值区间内等间隔抽取Di个样本数据;
步骤c:若i=7成立,则将各种风电机组特征数据抽取的样本数据进行组合,生成M组样本数据;否则,令i=i+1,并返回步骤b;
步骤d:将生成的M组样本数据代入预先训练的载荷预测模型中,获取M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值;
步骤e:将生成的M组样本数据作为初始BP神经网络的输入层训练样本,将M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值作为初始BP神经网络的输出层训练样本,训练初始BP神经网络,获取预先构建的BP神经网络;
5.如权利要求4所述的方法,其特征在于,所述预先训练的载荷预测模型的构建过程包括:
将历史时段内各机位点处对应的风电机组特征数据实测值作为载荷预测模型的输入层训练样本,将历史时段内各机位点处对应的风电机组叶片实测载荷数据值、风电机组主轴实测载荷数据值和风电机组塔筒实测载荷数据值作为载荷预测模型的输出层训练样本,训练所述载荷预测模型,获取所述载荷预测模型。
6.如权利要求1所述的方法,其特征在于,所述根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组,包括:
若风电机组的叶片极限载荷数据值大于风电场机位点处对应的风电机组叶片标准载荷数据值,风电机组的主轴极限载荷数据值大于风电场机位点处对应的风电机组主轴标准载荷数据值且风电机组的塔筒极限载荷数据值大于风电场机位点处对应的风电机组塔筒标准载荷数据值,则风电场机位点处可安装所述风电机组,否则,风电场机位点处不可安装所述风电机组。
7.一种风电机组载荷适应性确定系统,其特征在于,所述系统包括:
确定模块,用于根据风电场机位点处对应的风电机组特征数据的历史水平值确定风电场机位点处对应的风电机组标准载荷数据值;
选择模块,用于根据风电场机位点处对应的风电机组标准载荷数据值选择风电场机位点处安装的风电机组;
其中,所述风电机组标准载荷数据值包括:风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
8.如权利要求7所述的系统,其特征在于,所述风电机组特征数据包括:风速数据、风切变数据、入流角数据、偏航误差数据、湍流数据、变桨速率数据和风速分布数据。
9.如权利要求7所述的系统,其特征在于,所述确定模块,用于:
将风电场机位点处对应的风电机组特征数据的历史水平值代入预先构建的BP神经网络中,获取风电场机位点处对应的风电机组叶片标准载荷数据值、风电机组主轴标准载荷数据值和风电机组塔筒标准载荷数据值。
10.如权利要求9所述的系统,其特征在于,所述预先构建的BP神经网络的建立过程,包括:
步骤a:初始化i=1;
步骤b:在第i种风电机组特征数据预先设定的阈值区间内等间隔抽取Di个样本数据;
步骤c:若i=7成立,则将各种风电机组特征数据抽取的样本数据进行组合,生成M组样本数据;否则,令i=i+1,并返回步骤b;
步骤d:将生成的M组样本数据代入预先训练的载荷预测模型中,获取M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值;
步骤e:将生成的M组样本数据作为初始BP神经网络的输入层训练样本,将M组样本数据对应的风电机组的叶片载荷数据值、主轴载荷数据值和塔筒载荷数据值作为初始BP神经网络的输出层训练样本,训练初始BP神经网络,获取预先构建的BP神经网络;
11.如权利要求10所述的系统,其特征在于,所述预先训练的载荷预测模型的构建过程包括:
将历史时段内各机位点处对应的风电机组特征数据实测值作为载荷预测模型的输入层训练样本,将历史时段内各机位点处对应的风电机组叶片实测载荷数据值、风电机组主轴实测载荷数据值和风电机组塔筒实测载荷数据值作为载荷预测模型的输出层训练样本,训练所述载荷预测模型,获取所述载荷预测模型。
12.如权利要求7所述的系统,其特征在于,所述选择模块,用于:
若风电机组的叶片极限载荷数据值大于风电场机位点处对应的风电机组叶片标准载荷数据值,风电机组的主轴极限载荷数据值大于风电场机位点处对应的风电机组主轴标准载荷数据值且风电机组的塔筒极限载荷数据值大于风电场机位点处对应的风电机组塔筒标准载荷数据值,则风电场机位点处可安装所述风电机组,否则,风电场机位点处不可安装所述风电机组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202044.1A CN112884262A (zh) | 2019-11-29 | 2019-11-29 | 一种风电机组载荷适应性确定方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202044.1A CN112884262A (zh) | 2019-11-29 | 2019-11-29 | 一种风电机组载荷适应性确定方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884262A true CN112884262A (zh) | 2021-06-01 |
Family
ID=76038643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911202044.1A Pending CN112884262A (zh) | 2019-11-29 | 2019-11-29 | 一种风电机组载荷适应性确定方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884262A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116146421A (zh) * | 2023-03-08 | 2023-05-23 | 大唐凉山新能源有限公司 | 一种基于风机状态感知的智能控制方法及系统 |
-
2019
- 2019-11-29 CN CN201911202044.1A patent/CN112884262A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116146421A (zh) * | 2023-03-08 | 2023-05-23 | 大唐凉山新能源有限公司 | 一种基于风机状态感知的智能控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shokrzadeh et al. | Wind turbine power curve modeling using advanced parametric and nonparametric methods | |
EP3121442B1 (en) | Operating wind turbines | |
Ciri et al. | Model-free control of wind farms: A comparative study between individual and coordinated extremum seeking | |
CN104632521A (zh) | 一种基于偏航校正的风电功率优化系统及其方法 | |
CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
Réthoré et al. | TopFarm: Multi-fidelity optimization of offshore wind farm | |
KR101411420B1 (ko) | 시뮬레이션 기법을 이용한 풍력 발전 단지의 풍력 발전기 제어 시스템 및 방법 | |
CN110094298B (zh) | 切出策略自适应调整的方法及装置 | |
CN107045574B (zh) | 基于svr的风力发电机组低风速段有效风速估计方法 | |
CN110094297B (zh) | 基于扇区的风力发电机组的控制方法及控制系统 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
CN108062722A (zh) | 基于风速变异系数的山地风电场模型风机机械功率计算方法 | |
CN102661243B (zh) | 一种双馈感应风电机组的预报校正变桨控制方法 | |
CN112884262A (zh) | 一种风电机组载荷适应性确定方法和系统 | |
CN113761692B (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 | |
CN106779202B (zh) | 一种考虑空气湿度的风电功率预测方法 | |
CN109766611A (zh) | 一种考虑地形坡度的风电场功率简化预测方法 | |
Moussa et al. | Wind turbine emulator controlled through field programmable gate array: modeling, analysis, and design | |
CN111178593A (zh) | 一种光伏系统输出功率预测方法及装置 | |
CN104965975B (zh) | 一种微风区mw级风力发电机风轮大小初选的确定方法 | |
CN111082457B (zh) | 一种风电消纳能力分析方法 | |
CN113027674A (zh) | 风力发电机组的控制方法及其装置 | |
Khalid et al. | Reliability assessment of tidal stream energy: significance for large-scale deployment in the UK | |
CN112287621B (zh) | 风电机组运行状态阈值曲线确定方法、评价方法及系统 | |
CN116663935B (zh) | 风力机发电量计算方法、装置、计算机设备及存储介质 |
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 |