CN113094997A - 一种风电机组运行模拟方法、装置、设备及存储介质 - Google Patents

一种风电机组运行模拟方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113094997A
CN113094997A CN202110418312.4A CN202110418312A CN113094997A CN 113094997 A CN113094997 A CN 113094997A CN 202110418312 A CN202110418312 A CN 202110418312A CN 113094997 A CN113094997 A CN 113094997A
Authority
CN
China
Prior art keywords
data
wind
simulation
actual
sample set
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.)
Granted
Application number
CN202110418312.4A
Other languages
English (en)
Other versions
CN113094997B (zh
Inventor
阎洁
王航宇
陶涛
刘永前
韩爽
李莉
孟航
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202110418312.4A priority Critical patent/CN113094997B/zh
Publication of CN113094997A publication Critical patent/CN113094997A/zh
Application granted granted Critical
Publication of CN113094997B publication Critical patent/CN113094997B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开涉及一种风电机组运行模拟方法、装置、设备和存储介质。该方法包括：获取风电机组的待模拟数据，其中，待模拟数据包括风电机组的实时运行数据和/或仿真数据，实时运行数据和仿真数据均包括风况数据、工况数据；将待模拟数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果，其中，运行模拟模型根据风况样本集、工况样本集以及样本运行模拟数据训练得到。通过上述方式，实现了基于训练好的运行模拟模型和获取的实际运行数据，准确且快速地确定风电机组的运行参数和荷载参数，且运行模拟模型采用通用的编程语言建立，模型的兼容性高。

Description

一种风电机组运行模拟方法、装置、设备及存储介质
技术领域
本公开涉及风电机组运行模拟技术领域，尤其涉及一种风电机组运行模拟方法、装置、设备和存储介质。
背景技术
风电机组运行模拟是在给定风况和风电机组工况的条件下，精确计算风电机组的运行参数和荷载参数，是风电机组-风电场-场群-电力系统优化运行控制的关键输入。
目前，风电机组运行模拟的方法主要有两种。第一种方法：采用风电机组制造商提供的功率曲线获得风速与电功率之间的静态对应关系。这种方法简单快速，但在实际应用过程中，风速与电功率之间的转化关系是模糊的，往往一个风速在不同风况或工况下对应的发电功率并不唯一，静态功率曲线无法准确模拟复杂风况或工况下风电机组的真是运行状态；第二种方法：利用专业仿真软件，如FAST和GH Bladed软件，建立风轮、传动链、发电机等风电机组关键部件的数学模型，能够较为准确的模拟风电机组动态特性，然而，这种模拟方法计算时间长，很难服务于时效性要求较高的实时控制领域，同时，由于此类专业软件兼容性影响，模拟的结果不能由其他软件直接调用，不易于与运行控制系统进行集成。
可见，现有技术中采用的风电机组模拟方法模拟精度和效率低，且存在兼容性问题，不利于与其他系统集成应用。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种本发明实施例提供一种风电机组运行模拟方法、装置、设备和存储介质，以实现基于训练好的运行模拟模型和获取的实际运行数据，准确且快速地确定风电机组的运行参数和荷载参数，且运行模拟模型采用通用的编程语言建立，模型的兼容性高。
本公开提供了一种风电机组运行模拟方法，该方法包括：
获取风电机组的待模拟数据，其中，所述待模拟数据包括风电机组的实时运行数据和/或仿真数据，所述实时运行数据和所述仿真数据均包括风况数据、工况数据；
将所述待模拟数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果，其中，所述运行模拟模型根据风况样本集、工况样本集以及样本运行模拟数据训练得到，所述样本运行模拟数据包括历史时间段内的实测样本集和/或仿真样本集，所述实测样本集和/或仿真样本集均包括功率数据和载荷数据中的至少一种，所述运行模拟结果包括功率数据和载荷数据中的至少一种。
本公开提供了一种风电机组运行模拟，该装置包括：
实际运行数据获取模块，用于获取风电机组的待模拟数据，其中，所述待模拟数据包括风电机组的实时运行数据和/或仿真数据，所述实时运行数据和所述仿真数据均包括：实际风况数据、实际工况数据；
运行模拟结果确定模块，用于将所述待模拟数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果，其中，所述运行模拟模型根据风况样本集、工况样本集以及样本运行模拟数据训练得到，所述样本运行模拟数据包括历史时间段内的实测样本集和/或仿真样本集，所述实测样本集和/或仿真样本集均包括功率数据和载荷数据中的至少一种，所述运行模拟结果包括功率数据和载荷数据中的至少一种。
本发明实施例还提供了一种风电机组运行模拟设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的风电机组运行模拟方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的风电机组运行模拟方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
通过获取风电机组的待模拟数据，待模拟数据包括风电机组的实时运行数据和/或仿真数据，实时运行数据和仿真数据均包括风况数据、工况数据，将待模拟数据输入至训练好的运行模拟模型，直接确定风电机组的运行模拟结果。由于运行模拟模型是采用通用的变成语言建立的，兼容性高，可以在离线状态和在线状态下确定风电机组的模拟运行结果。另外，风况样本集和工况样本集是发电机组的实际运行数据，符合风电机组实际运行状态下的运行情况，因此，基于风况样本集和工况样本集训练得到的运行模拟模型，能够精准分析风电机组实际运行情况，将获取的实际运行数据输入至运行模拟模型中，可以快速且准确的确定风电机组对模拟运行结果，有利于推广应用。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一中的一种风电机组运行模拟方法的流程图；
图2是本发明实施例一中的运行模拟模型的训练逻辑示意图；
图3是本发明实施例二中的一种风电机组运行模拟方法的流程图；
图4是本发明实施例二中的一种运行模拟模型的训练逻辑示意图；
图5是本发明实施例二中的一种运行模拟模型的另一训练逻辑示意图；
图6是本发明实施例三中的一种风电机组运行模拟装置的结构示意图；
图7是本发明实施例四中的一种风电机组运行模拟设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
实施例一
本实施例提供的风电机组运行模拟方法可适用于基于获取对实时运行数据，精确且快速的确定风电机组的模拟运行结果。该方法可以由风电机组模拟运行装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在具有数据运算功能的设备中，例如台式电脑或服务器等。参见图1，本实施例的方法具体包括如下步骤：
S110、获取风电机组的待模拟数据。
其中，风电机组指的是风力发电机组，是将风能转化为机械功，机械功带动转子旋转，最终输出交流电的电力设备。待模拟数据包括风电机组的实时运行数据和/或仿真数据，实时运行数据和仿真数据均包括风况数据、工况数据。实际运行数据指的是风电机组中当前时刻的运行数据，用于进行风电机组运行模拟，以精确计算风电机组运行参数和荷载参数，以基于运行参数和荷载参数优化控制风电机组/风电场。仿真数据指的是基于FAST和GH Bladed等仿真软件得到的仿真数据。
可选的，实际运行数据和仿真数据包括：风况数据、工况数据。具体的，实际运行数据包括实际风况数据、实际风况数据；仿真数据包括仿真风况数据、仿真工况数据。实际风况数据可以来自于风电场测风塔或数据采集与监视控制(Supervisory Control And DataAcquisition，SCADA)系统，可以包括风速、湍流强度和风速波动幅值等参数。实际工况数据可以包括风电机组正常发电工况、风电机组限功率发电工况和发电机组非正对风向运行工况等工况下的机组运行参数(如桨距角、转速等)。仿真风况数据和仿真工况数据均是基于仿真软件确定的仿真数据。
S120、将待模拟数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果。
其中，运行模拟模型指的是用于进行风电机组模拟的模型。运行模拟模型包括但不限于深度神经网络、支持向量机(Support Vector Machine，SVM)、长短期记忆网络(LongShort-Term Memory，LSTM)、逻辑回归模型(Logistics Regression，LR)、XGBoost(ExtremeGradient Boosting，极端梯度提升决策树)算法、GBDT(GradientBoostingDecisionTree，梯度提升决策树)算法、全卷积网络(Fully Convolutional Networks，FCN)、循环卷积网络(Recurrent Neural Network，RNN)、残差网络(Residual Network，ResNet)、门控循环单元(Gate Recurrent Unit，GRU)等中对至少一种。其中，运行模拟模型可以根据风况样本集、工况样本集以及样本运行模拟数据训练得到，其中，样本运行模拟数据包括历史时间段内的实测样本集和/或仿真样本集，实测样本集和/或仿真样本集均包括功率数据和载荷数据中的至少一种，运行模拟结果包括功率数据和载荷数据中的至少一种。
可选的，运行模拟模型对训练方法包括：获取来自于风电场测风塔或风电机组SCADA系统中的历史风速测量数据，以及获取基于仿真软件得到的仿真数据，得到仿真的风况样本集、工况样本集和功率样本集、载荷样本集，将功率样本集和载荷样本集作为样本运行模拟数据；对风况样本集和工况样本集进行预处理，得到预处理之后的风况样本集和工况样本集，其中，预处理包括数据矫正、异常值识别与插补、特征提取处理中的至少一种；将预处理之后的风况样本集和工况样本集以设定比例组成训练集和测试集，如8:2或7:3；基于训练集输入至待训练的运行模拟模型中，以进行模型训练，得到运行模拟结果；基于训练集中的样本运行模拟数据和输出的运行模拟结果计算模型评价指标，根据评价指标调整待训练的运行模拟模型的模型参数，当评价指标满足预设值时，训练初步完成，通过测试集进行模型测试，测试通过则得到训练好的运行模拟模型。其中，模型评价指标可以包括但不限于精准率、召回率、F1指数、真正利率、假正例率以及混淆矩阵等。
图2所示为运行模拟模型的训练逻辑示意图，本实施例中运行模拟模型以深度神经网络为例，结合图2具体的解释运行模拟模型的训练过程。参见图2，获取训练样本集，训练样本集可以是预处理后的样本集，训练样本集可以包括以时间序列表示的输入数据和输出数据，输入数据可以包括风况样本集、工况样本集，输出数据可以包括功率样本集、载荷样本集。输入数据具体可以包括但不限于风速、偏航角、变桨角以及转速等特征数据；将输入数据输入至原始神经网络模型，基于注意力机制计算出各输入数据的权重值，基于权重值对各输入数据进行特征变换，得到新的输入特征；接着，将新的输入特征输入至原始神经网络模型的输入层，输入层对新的输入特征进行编码处理，得到新的输入特征对应的特征向量，将特征向量传递至隐藏层；基于隐藏层的非线性激活函数对特征向量进行特征映射，隐藏层可以是三层，每层的维度分别是520、200、52；将特征映射结果传递至输出层，基于输出层预测运行模拟结果；进一步的，基于预测运行模拟结果和样本运行模拟结果中的功率和机组载荷，计算原始神经网络模型的损失函数，损失函数可以是但不限于均方损失函数，基于损失函数调整原始神经网络模型的网络参数，得到训练好的运行模拟模型；进一步的，还可以基于验证集对运行模拟模型进行验证，以验证运行模拟模型的性能，以得到高精度运行模拟模型。
需要说明的是，在进行风电机组运行模拟时，由于实际运行数据通过不同方式采集，会导致实时运行数据存在噪声数据或者分布不规律。因此，将待模拟数据输入至预先训练好的运行模拟模型之前，可以对待模拟数据中的实际运行数据预处理，如对实际运行数据进行数据矫正、异常值识别与插补、特征提取处理等，以将预处理后的实际运行数据和/或仿真数据输入至运行模拟模型中，得到运行模拟结果。
本实施例的技术方案，通过获取风电机组的待模拟数据，待模拟数据包括风电机组的实时运行数据和/或仿真数据，实时运行数据和仿真数据均包括风况数据、工况数据，将待模拟数据输入至训练好的运行模拟模型，直接确定风电机组的运行模拟结果。由于运行模拟模型是采用通用的变成语言建立的，兼容性高，可以在离线状态和在线状态下确定风电机组的模拟运行结果。另外，风况样本集、工况样本集和样本运行模拟数据包括发电机组的实测运行数据和仿真数据，符合风电机组实际运行状态下的运行情况，因此，基于风况样本集和工况样本集训练得到的运行模拟模型，能够精准分析风电机组实际运行情况，将获取的实际运行数据输入至运行模拟模型中，可以快速且准确的确定风电机组对模拟运行结果，有利于推广应用。
实施例二
本实施例在上述实施例一的基础上，增加了“运行模拟模型的训练过程”。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3，本实施例提供的风电机组运行模拟方法包括：
S210、获取风况样本集、工况样本集、样本运行模拟数据和原始模拟模型。
其中，所述风况样本集包括至少一种风况输入特征，所述工况样本集包括至少一种工况输入特征。风况输入特征可以包括预设时间段内测得的风速、湍流强度、风速波动幅值等特征和模拟得到的风速、湍流强度、风速波动幅值、风电机组的转速、桨距角、偏航角等数据；工况输入特征包括预设时间段内预设时间段内测得的风电机组正常发电工况、风电机组限功率发电工况和发电机组非正对风向运行工况以及模拟得到的风电机组正常发电工况、风电机组限功率发电工况和发电机组非正对风向运行工况等数据。样本运行模拟数据可以包括预设时间段内的风电机组的功率和载荷等数据。
参见图4所示的运行模拟模型的训练逻辑示意图。图4示出了获取预设时间段内的实际数据、仿真风况数据和仿真工况数据，其中，实际数据包括实际风况数据和实际工况数据；接着，分别对实际风况数据和实际工况数据进行分类，基于分类后的实际风况数据和仿真风况数据生成风况样本集，基于分类后的实际工况数据和仿真工况数据生成工况样本集，以进一步将风况样本集和工况样本集作为原始模拟模型的输入数据，将样本运行模拟数据作为原始模拟模型的输出数据，基于输入数据和输出数据迭代训练原始模拟模型，得到训练完成的运行模拟模型。
可选的，获取风况样本集，包括：获取预设时间段内的实际风况数据和/或仿真风况数据；对所述实际风况数据进行分类，得到实际风况特征；基于所述仿真风况数据和/或所述实际风况特征，确定所述风况样本集。
参见图5所示的运行模拟模型的另一训练逻辑示意图。图5在图4的基础上对实际风况数据和实际工况数据进行分类的过程进行了细化。
参见图5，在一个可选的实施例中，对所述实际风况数据进行分类，包括：如果实际风况数据的分类时间长度为第一类时间长度，基于至少一个第一类时间长度内实际风况数据的特征，对实际风况数据进行分类。
其中，第一类时间长度为固定时间长度。固定时间长度可以是5分钟、10分钟或者半个小时等。与前述描述相同的，实际风况数据指的是来自于风电场测风塔或风电机组SCADA系统中的历史测量数据，包括风速、湍流强度、风速波动幅值等数据，符合风电机组实际运行状态下的运行情况，保证数据的准确性。
在本公开实施例中，以计算风速的特征计算结果为例，详细的解释计算风速的特征计算结果的过程。本公开实施例将获取的实际风况数据以风速时间序列的形式表示。
在一个可选的实施例中，基于至少一个第一类时间长度内实际风况数据的特征，对实际风况数据进行分类，得到实际风况特征，包括：基于第一类时间长度设置第一类滑动窗口；在各第一类滑动窗口内，基于预设聚类半径，对以风速时间序列形式表示的实际风况数据进行聚类，得到至少一个聚类结果；对至少一个聚类结果进行特征计算，将得到的特征计算结果作为实际风况特征。
具体的，此处所采用的聚类算法可以包括但不限于K-MEANS聚类算法、均值偏移聚类算法、基于密度的聚类算法、层次聚类算法中的任意一种。预设聚类半径指的是任一实际风况数据与选取的聚类中心点之间的距离。聚类结果的特征计算结果可以包括风速、湍流强度、风速波动幅值、功率和载荷等数据的特征计算结果。
示例性的，下述描述为计算风速的特征计算结果的计算方法。假设每个聚类结果即每段时序风速的特征值集合为{v1,v2,L L,vt}，则每段时序风速的风速均值为：
Figure BDA0003026864080000091
每段时序风速的风速方差为：
Figure BDA0003026864080000092
每段时序风速的风速最大值为：vmax＝max{v1,v2,L vt} (公式3)
每段时序风速的风速最小值为：vmin＝min{v1,v2,L vt} (公式4)
每段时序风速的风速波动幅值为：va＝max{|v1|,|v2|,L|vt|} (公式5)
其中，t为每段时序风速时间。
在另一个可选的实施例中，基于至少一个第一类时间长度内实际风况数据的特征，对实际风况数据进行分类，得到实际风况特征，包括：对以风速时间序列形式表示的实际风况数据进行数据拟合，得到实际风况数据对应的拟合曲线；基于聚类算法等对该拟合参数进行波动类型分类，得到实际风况特征。其中，风速波动类型可以包括三个级别，例如，风速波动较小、风速波动适中以及风速波动频繁等。
参见图5，在另一个可选的实施例中，对所述实际风况数据进行分类，包括：如果所述分类时间长度为第二类时间长度，基于至少一个第二类时间长度内所述实际风况数据的特征，对所述实际风况数据进行分类。
其中，第二类时间长度可以是非固定时间长度。具体的，可以基于摇摆窗口法或者滑动窗口法确定第二类时间长度。示例性的，基于摇摆窗口法确定第二类时间长度的过程为：
Figure BDA0003026864080000101
其中，Su为上摇摆窗；Sd为下摇摆窗；ε摇摆窗的宽度；t为离散风速数据对应的时间，t＝0为任何风速波动过程的初始时间，v0为此时的风速值；vi为第i个时刻的风速值。
从初始时间开始，依照t＝t+1计算上下摇摆窗，取满足Su≥Sd的最小时刻tp为此波动过程的终止时刻，如式(7)所示：
Figure BDA0003026864080000102
继续以tp确定为下一波动过程作为起点，直至整个预测输出数据的划分完成，得到上摇摆窗Su和下摇摆窗Sd。
在一个可选的实施例中，基于至少一个第二类时间长度内所述实际风况数据的特征，对所述实际风况数据进行分类，得到实际风况特征，包括：基于第二类时间长度设置第二类滑动窗口；在各第二类滑动窗口内，基于预设聚类半径，对以风速时间序列形式表示的实际风况数据进行聚类，得到至少一个聚类结果；对至少一个聚类结果进行特征计算，将得到的特征计算结果作为实际风况特征。
在另一个可选的实施例中，基于至少一个第二类时间长度内所述实际风况数据的特征，对所述实际风况数据进行分类，包括：对以风速时间序列形式表示的实际风况数据进行数据拟合，得到实际风况数据对应的拟合曲线；基于聚类算法对该拟合曲线进行波动类型分类，得到实际风况特征。其中，风速波动类型可以包括三个级别，例如，风速波动较小、风速波动适中以及风速波动频繁等。需要说明的是，对所述实际风况数据进行分类的具体方法可参照上述描述，此处不再详细赘述。
参见图5，在本公开实施例中，获取所述工况样本集，包括：获取历史时间段内的实际工况数据和/或仿真工况数据；对实际工况数据进行特征分类，得到实际工况特征；基于仿真工况数据和/或实际工况特征，确定工况样本集。
其中，历史时间段可以是当前时间段之前的半个月、一个月或者三个月等。实际工况数据可以直接来自历史时间段内的风电机组的实际工况数据库，实际工况数据符合风电机组实际运行状态下的运行情况，可以保证数据的准确性。仿真工况数据可以基于专业仿真软件或算法，导入机组模型，并结合预设时间段内的实际风况数据，设置工况样本集的输出参数，输出仿真工况数据。其中，输出参数可以根据需求进行设定或者调整。可选的，输出参数包括风电机组的主轴转速n、偏航角θp、桨距角θj等，其中，主轴转速n也可以替换为风轮转速等。
具体的，对实际工况数据进行特征分类，包括：根据实际工况数据的分类需求，对实际工况数据进行特征分类，其中，分类需求包括风电机组正常发电工况、风电机组限功率发电工况和风电机组非正对风向运行工况中的至少一种。
S220、将至少一种风况输入特征和至少一种工况输入特征，作为原始模拟模型的输入数据，将样本运行模拟数据作为原始模拟模型的输出数据，并基于输入数据和输出数据，迭代训练原始模拟模型，直至得到训练完成的运行模拟模型。
在本公开实施例中，将至少一种风况输入特征和至少一种工况输入特征，按照实际数据和仿真数据以预设的比例(如8:2或者7:3)混合生成输入数据，输入数据可以包括风速、风电机组的主轴转速n、偏航角θp、桨距角θj等数据；将样本运行模拟数据中的功率数据和载荷数据作为输出数据，输出数据可以包括风电机组的功率和荷载。在训练运行模拟模型时，将输入数据和输出数据按照8:2或者7:3划分为训练集和测试集，基于训练集中的输入数据和输出数据，迭代训练原始模拟模型，以调节原始模拟模型的模型参数，直至当前迭代的原始模拟模型达到稳定状态，将当前迭代的原始模拟模型作为初步训练完成的运行模拟模型。
进一步的，得到初步训练完成的运行模拟模型后，为了测试运行模拟模型的性能，分别获取预设比例的风况样本集和工况样本集，作为测试样本集；基于测试样本集对训练完成的运行模拟模型进行测试，得到测试完成的运行模拟模型。具体的，将测试集中的风速、风电机组的主轴转速n、偏航角θp、桨距角θj等输入数据输入至初步训练完成的运行模拟模型，将测试集中的风电机组的功率和荷载等数据作为初步训练完成的运行模拟模型的输出数据，基于初步训练完成的运行模拟模型输出的当前数据和测试集中的输出数据，根据留出法、交叉验证法以及自助法验证中的至少一种测试方法，测试初步训练完成的运行模拟模型的模型精度，得到测试完成的运行模拟模型。
需要说明的是，对于有特殊要求时或者风电机组实际数据质量差、运行时间段导致真实的实际数据的数据量较少，难以支撑后续训练的情况下，通过专业仿真软件生成仿真风况数据和仿真工况数据，将仿真风况数据和/或实际风况数据作为风况样本集，将仿真工况数据和/或实际工况数据作为工况样本集，综合考虑了各类风况和各类风电机组运行工况的场景。因此，基于上述风况样本集和工况样本集训练的运行模拟模型，可以适用于风电机组在各类场景下的运行模拟情况，保证了运行模拟结果的可靠性。
S230、获取风电机组的实际运行数据。
其中，实际运行数据包括：实际风况数据和实际工况数据。
S240、将实际运行数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果。
其中，运行模拟模型根据风况样本集、工况样本集训练得到。
本实施例提供的技术方案，获取的实际风况数据和实际工况数据符合风电机组实际运行状态下的运行情况，可以保证风况样本集和工况样本集的准确性；分别对实际风况数据和实际工况数据进行分类，基于分类的特征针对性的训练运行模拟模型，可以提高运行模拟模型的训练效率和精度；将仿真风况数据和/或实际风况数据作为风况样本集，将仿真工况数据和/或实际工况数据作为工况样本集，综合考虑了各类风况和各类风电机组运行工况的场景，因此，基于上述风况样本集和工况样本集训练的运行模拟模型，可以适用于风电机组在各类场景下的运行模拟情况，基于训练得到的运行模拟模型进行风电机组运行模拟计算时，提高了风电机组运行模拟结果的精度，保证运行模拟结果的可靠性。
以下是本发明实施例提供的风电机组运行模拟装置的实施例，该装置与上述各实施例的风电机组运行模拟方法属于同一个发明构思，在风电机组运行模拟装置的实施例中未详尽描述的细节内容，可以参考上述风电机组运行模拟方法的实施例。
实施例三
本实施例提供一种风电机组运行模拟装置，参见图6，该装置具体包括：
待模拟数据获取模块310，用于获取风电机组的待模拟数据，其中，所述待模拟数据包括风电机组的实时运行数据和/或仿真数据，所述实时运行数据和所述仿真数据均包括风况数据、工况数据；
运行模拟结果确定模块320，用于将所述待模拟数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果，其中，所述运行模拟模型根据风况样本集、工况样本集以及样本运行模拟数据训练得到，所述样本运行模拟数据包括历史时间段内的实测样本集和/或仿真样本集，所述实测样本集和/或仿真样本集均包括功率数据和载荷数据中的至少一种，所述运行模拟结果包括功率数据和载荷数据中的至少一种。
通过本发明实施例三的一种风电机组运行模拟装置，实现了基于训练好的运行模拟模型和获取的实际运行数据，准确且快速地确定风电机组的运行参数和荷载参数，且运行模拟模型采用通用的编程语言建立，模型的兼容性高。
本发明实施例所提供的风电机组运行模拟装置可执行本发明任意实施例所提供的风电机组运行模拟方法，具备执行方法相应的功能模块和有益效果。
可选的，该装置还包括：运行模拟模型的训练模块；其中，运行模拟模型的训练模块，用于获取风况样本集、工况样本集、所述样本运行模拟数据和原始模拟模型，所述风况样本集包括至少一种风况输入特征，所述工况样本集包括至少一种工况输入特征；
将所述至少一种风况输入特征和至少一种工况输入特征，作为所述原始模拟模型的输入数据，将所述样本运行模拟数据作为所述原始模拟模型的输出数据，并基于所述输入数据和所述输出数据，迭代训练所述原始模拟模型，直至得到训练完成的运行模拟模型。
可选的，运行模拟模型的训练模块具体用于，获取预设时间段内的实际风况数据和/或仿真风况数据；
对所述实际风况数据进行分类，得到实际风况特征；
基于所述仿真风况数据和/或所述实际风况特征，确定所述风况样本集。
可选的，运行模拟模型的训练模块具体用于，如果所述实际风况数据的分类时间长度为第一类时间长度，基于至少一个第一类时间长度内所述实际风况数据的特征，对所述实际风况数据进行分类；
如果所述分类时间长度为第二类时间长度，基于至少一个第二类时间长度内所述实际风况数据的特征，对所述实际风况数据进行分类；
所述第一类时间长度为固定时间长度，所述第二类时间长度为非固定时间长度。
可选的，运行模拟模型的训练模块具体用于，获取历史时间段内的实际工况数据和/或仿真工况数据；
对所述实际工况数据进行特征分类，得到实际工况特征；
基于所述仿真工况数据和/或所述实际工况特征，确定所述工况样本集。
可选的，运行模拟模型的训练模块具体用于，根据所述实际工况数据的分类需求，对所述实际工况数据进行特征分类，其中，所述分类需求包括风电机组正常发电工况、风电机组限功率发电工况和风电机组非正对风向运行工况中的至少一种。
可选的，该装置还包括：测试模块；其中，测试模块，用于分别获取预设比例的所述风况样本集和所述工况样本集，作为测试样本集；
基于所述测试样本集对所述训练完成的运行模拟模型进行测试，得到测试完成的运行模拟模型。
实施例四
参见图7，本实施例提供了一种风电机组运行模拟设备400，其包括：一个或多个处理器420；存储装置410，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器420执行，使得一个或多个处理器420实现本发明实施例所提供的风电机组运行模拟方法，包括：
获取风电机组的待模拟数据，其中，所述待模拟数据包括风电机组的实时运行数据和/或仿真数据，所述实时运行数据和所述仿真数据均包括风况数据和工况数据；
将所述待模拟数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果，其中，所述运行模拟模型根据风况样本集、工况样本集以及样本运行模拟数据训练得到，所述样本运行模拟数据包括历史时间段内的实测样本集和/或仿真样本集，所述实测样本集和/或仿真样本集均包括功率数据和载荷数据中的至少一种，所述运行模拟结果包括功率数据和载荷数据中的至少一种。
当然，本领域技术人员可以理解，处理器420还可以实现本发明任意实施例所提供的风电机组运行模拟方法的技术方案。
图7显示的风电机组运行模拟设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，该风电机组运行模拟设备400包括处理器420、存储装置410、输入装置430和输出装置440；设备中处理器420的数量可以是一个或多个，图7中以一个处理器420为例；设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储装置410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的风电机组运行模拟方法对应的程序指令/模块(例如，风电机组运行模拟装置中的实际运行数据获取模块310和运行模拟结果确定模块320)。
存储装置410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入，例如可以包括鼠标、键盘和触摸屏中的至少一个。输出装置440可包括显示屏等显示设备。
实施例五
本实施例提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种风电机组运行模拟方法，该方法包括：
获取风电机组的待模拟数据，其中，所述待模拟数据包括风电机组的实时运行数据和/或仿真数据，所述实时运行数据和所述仿真数据均包括风况数据和工况数据；
将所述待模拟数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果，其中，所述运行模拟模型根据风况样本集、工况样本集以及样本运行模拟数据训练得到，所述样本运行模拟数据包括历史时间段内的实测样本集和/或仿真样本集，所述实测样本集和/或仿真样本集均包括功率数据和载荷数据中的至少一种，所述运行模拟结果包括功率数据和载荷数据中的至少一种。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的风电机组运行模拟方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所提供的风电机组运行模拟方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种风电机组运行模拟方法，其特征在于，包括：
获取风电机组的待模拟数据，其中，所述待模拟数据包括风电机组的实时运行数据和/或仿真数据，所述实时运行数据和所述仿真数据均包括风况数据、工况数据；
将所述待模拟数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果，其中，所述运行模拟模型根据风况样本集、工况样本集以及样本运行模拟数据训练得到，所述样本运行模拟数据包括历史时间段内的实测样本集和/或仿真样本集，所述实测样本集和/或仿真样本集均包括功率数据和载荷数据中的至少一种，所述运行模拟结果包括功率数据和载荷数据中的至少一种。
2.根据权利要求1所述的方法，其特征在于，所述运行模拟模型的训练方法，包括：
获取风况样本集、工况样本集、样本运行模拟数据和原始模拟模型，所述风况样本集包括至少一种风况输入特征，所述工况样本集包括至少一种工况输入特征；
将所述至少一种风况输入特征和至少一种工况输入特征，作为所述原始模拟模型的输入数据，将所述样本运行模拟数据作为所述原始模拟模型的输出数据，并基于所述输入数据和所述输出数据，迭代训练所述原始模拟模型，直至得到训练完成的运行模拟模型。
3.根据权利要求2所述的方法，其特征在于，所述获取风况样本集，包括：
获取预设时间段内的实际风况数据和/或仿真风况数据；
对所述实际风况数据进行分类，得到实际风况特征；
基于所述仿真风况数据和/或所述实际风况特征，确定所述风况样本集。
4.根据权利要求3所述的方法，其特征在于，所述对所述实际风况数据进行分类，包括：
如果所述实际风况数据的分类时间长度为第一类时间长度，基于至少一个第一类时间长度内所述实际风况数据的特征，对所述实际风况数据进行分类；
如果所述分类时间长度为第二类时间长度，基于至少一个第二类时间长度内所述实际风况数据的特征，对所述实际风况数据进行分类；
所述第一类时间长度为固定时间长度，所述第二类时间长度为非固定时间长度。
5.根据权利要求2所述的方法，其特征在于，获取所述工况样本集，包括：
获取历史时间段内的实际工况数据和/或仿真工况数据；
对所述实际工况数据进行特征分类，得到实际工况特征；
基于所述仿真工况数据和/或所述实际工况特征，确定所述工况样本集。
6.根据权利要求5所述的方法，其特征在于，所述对所述实际工况数据进行特征分类，包括：
根据所述实际工况数据的分类需求，对所述实际工况数据进行特征分类，其中，所述分类需求包括风电机组正常发电工况、风电机组限功率发电工况和风电机组非正对风向运行工况中的至少一种。
7.根据权利要求2所述的方法，其特征在于，还包括：
分别获取预设比例的所述风况样本集和所述工况样本集，作为测试样本集；
基于所述测试样本集对所述训练完成的运行模拟模型进行测试，得到测试完成的运行模拟模型。
8.一种风电机组运行模拟装置，其特征在于，包括：
待模拟数据获取模块，用于获取风电机组的待模拟数据，其中，所述待模拟数据包括风电机组的实时运行数据和/或仿真数据，所述实时运行数据和所述仿真数据均包括：实际风况数据和实际工况数据；
运行模拟结果确定模块，用于将所述待模拟数据输入至预先训练好的运行模拟模型，得到风电机组的运行模拟结果，其中，所述运行模拟模型根据风况样本集、工况样本集以及样本运行模拟数据训练得到，所述样本运行模拟数据包括历史时间段内的实测样本集和/或仿真样本集，所述实测样本集和/或仿真样本集均包括功率数据和载荷数据中的至少一种，所述运行模拟结果包括功率数据和载荷数据中的至少一种。
9.一种风电机组运行模拟设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的风电机组运行模拟方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的风电机组运行模拟方法。
CN202110418312.4A 2021-04-19 2021-04-19 一种风电机组运行模拟方法、装置、设备及存储介质 Active CN113094997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110418312.4A CN113094997B (zh) 2021-04-19 2021-04-19 一种风电机组运行模拟方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110418312.4A CN113094997B (zh) 2021-04-19 2021-04-19 一种风电机组运行模拟方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113094997A true CN113094997A (zh) 2021-07-09
CN113094997B CN113094997B (zh) 2022-04-01

Family

ID=76679016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110418312.4A Active CN113094997B (zh) 2021-04-19 2021-04-19 一种风电机组运行模拟方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113094997B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626990A (zh) * 2021-07-19 2021-11-09 许昌许继风电科技有限公司 基于风功率预测测风塔的风电机组功率曲线验证方法
CN113822344A (zh) * 2021-08-30 2021-12-21 中能电力科技开发有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN114400663A (zh) * 2022-02-18 2022-04-26 北京交通大学 异构样本构造、电力系统暂态电压稳定评估方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400230A (zh) * 2013-08-08 2013-11-20 上海电机学院 一种风电功率预测系统及方法
CN104299044A (zh) * 2014-07-01 2015-01-21 沈阳工程学院 基于聚类分析的风功率短期预测系统及预测方法
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
CN105649878A (zh) * 2015-12-31 2016-06-08 北京金风科创风电设备有限公司 风力发电机组的风能捕获方法、装置和风力发电机组
CN106351793A (zh) * 2015-07-17 2017-01-25 通用电气公司 用于改进风力发电的系统和方法
US20170147930A1 (en) * 2015-01-30 2017-05-25 Hewlett Packard Enterprise Development Lp Performance testing based on variable length segmentation and clustering of time series data
CN110210044A (zh) * 2018-02-28 2019-09-06 北京金风科创风电设备有限公司 风力发电机组的载荷预测方法和装置
CN110298494A (zh) * 2019-06-11 2019-10-01 东南大学 一种基于分段聚类及组合优化的风电功率预测方法
CN111260503A (zh) * 2020-01-13 2020-06-09 浙江大学 一种基于聚类中心优化的风电机组功率曲线离群点检测方法
CN111291514A (zh) * 2020-02-03 2020-06-16 华北电力大学 一种风电机组疲劳寿命的快速预测的方法
CN111753893A (zh) * 2020-06-12 2020-10-09 国网福建省电力有限公司 一种基于聚类和深度学习的风电机组功率集群预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400230A (zh) * 2013-08-08 2013-11-20 上海电机学院 一种风电功率预测系统及方法
CN104299044A (zh) * 2014-07-01 2015-01-21 沈阳工程学院 基于聚类分析的风功率短期预测系统及预测方法
US20170147930A1 (en) * 2015-01-30 2017-05-25 Hewlett Packard Enterprise Development Lp Performance testing based on variable length segmentation and clustering of time series data
CN106351793A (zh) * 2015-07-17 2017-01-25 通用电气公司 用于改进风力发电的系统和方法
CN105649878A (zh) * 2015-12-31 2016-06-08 北京金风科创风电设备有限公司 风力发电机组的风能捕获方法、装置和风力发电机组
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
CN110210044A (zh) * 2018-02-28 2019-09-06 北京金风科创风电设备有限公司 风力发电机组的载荷预测方法和装置
CN110298494A (zh) * 2019-06-11 2019-10-01 东南大学 一种基于分段聚类及组合优化的风电功率预测方法
CN111260503A (zh) * 2020-01-13 2020-06-09 浙江大学 一种基于聚类中心优化的风电机组功率曲线离群点检测方法
CN111291514A (zh) * 2020-02-03 2020-06-16 华北电力大学 一种风电机组疲劳寿命的快速预测的方法
CN111753893A (zh) * 2020-06-12 2020-10-09 国网福建省电力有限公司 一种基于聚类和深度学习的风电机组功率集群预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴丹岳等: "基于风速-功率拟合与区间潮流的风电场电压波动预测", 《电气技术》 *
胡宇鹏: "时间序列数据挖掘中的特征表示与分类方法的研究", 《中国博士学位论文全文数据库》 *
解加盈等: "基于多变量选择的深度神经网络功率曲线建模", 《华电技术》 *
阎洁等: "基于风场景识别的动态风电功率概率预测方法", 《现代电力》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626990A (zh) * 2021-07-19 2021-11-09 许昌许继风电科技有限公司 基于风功率预测测风塔的风电机组功率曲线验证方法
CN113626990B (zh) * 2021-07-19 2023-06-06 许昌许继风电科技有限公司 基于风功率预测测风塔的风电机组功率曲线验证方法
CN113822344A (zh) * 2021-08-30 2021-12-21 中能电力科技开发有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN113822344B (zh) * 2021-08-30 2024-05-31 龙源(北京)新能源工程技术有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN114400663A (zh) * 2022-02-18 2022-04-26 北京交通大学 异构样本构造、电力系统暂态电压稳定评估方法及系统

Also Published As

Publication number Publication date
CN113094997B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN113094997B (zh) 一种风电机组运行模拟方法、装置、设备及存储介质
Cheng et al. Study on planetary gear fault diagnosis based on entropy feature fusion of ensemble empirical mode decomposition
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN108920863B (zh) 一种机器人伺服系统能耗估计模型的建立方法
CN112686464A (zh) 短期风电功率预测方法及装置
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN114595858A (zh) 基于滚动时间序列和支持向量机的短期风速预测方法和系统
CN112200038B (zh) 一种基于cnn的电力系统振荡类型的快速辨识方法
CN106897945A (zh) 风力发电机组的聚类方法和设备
CN106979126A (zh) 基于svr的风力发电机组高风速段有效风速估计方法
CN110067696B (zh) 一种风电机组载荷确定方法、装置、设备及可读存储介质
CN116306798A (zh) 一种超短时风速预测方法及系统
CN116707331B (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
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
CN113449920A (zh) 一种风电功率预测方法、系统及计算机可读介质
Xiuli et al. Fault diagnosis method of wind turbine gearbox based on deep belief network and vibration signal
Kong et al. Vibration fault analysis of hydropower units based on extreme learning machine optimized by improved sparrow search algorithm
CN114066214A (zh) 一种基于多融合卷积神经网络的电能质量分析方法
CN107527093B (zh) 一种风电机组运行状态诊断方法及装置
Sun et al. A compound structure for wind speed forecasting using MKLSSVM with feature selection and parameter optimization
CN117151488A (zh) 一种寒潮大风天气样本扩充方法、系统、存储介质及设备
CN115434870B (zh) 风力发电组振动数据的处理方法、装置、设备及存储介质
CN106709598B (zh) 一种基于单类样本的电压稳定性预测判断方法
Zhu Quantitative evaluation method for error of wind farm equivalent model based on multiscale entropy-greedy Gaussian segmentation
CN112348700B (zh) 一种结合som聚类与ifou方程的线路容量预测方法

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