CN113139880A - 风电机组实际功率曲线拟合方法、装置、设备及存储介质 - Google Patents
风电机组实际功率曲线拟合方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113139880A CN113139880A CN202110353565.8A CN202110353565A CN113139880A CN 113139880 A CN113139880 A CN 113139880A CN 202110353565 A CN202110353565 A CN 202110353565A CN 113139880 A CN113139880 A CN 113139880A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- wind speed
- value
- data 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000012163 sequencing technique Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 53
- 238000012216 screening Methods 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000011217 control strategy Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004859 neutralization-reionization mass spectrometry Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- 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
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风力发电机技术领域，公开了一种风电机组实际功率曲线拟合方法、装置、设备及存储介质，所述方法包括：通过对风电机组的数据信息进行预处理，得到目标数据集；将目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对排序后的目标数据集进行分段处理得到分段风速对应的功率数据集；若功率数据集超过设定的最小功率的数据占比大于等于设定值，则功率数据集对应的风速为目标切入风速；若功率数据集超过设定的额定功率的数据占比大于等于设定值，则功率数据集对应的风速为额定风速；根据切入风速和额定风速对目标数据集进行分段，并采用分段Dbin拟合处理，确定功率拟合曲线，解决当前技术下理论电量计算值偏差过大的问题。
Description
技术领域
本发明涉及风力发电机技术领域，尤其涉及一种风电机组实际功率曲线拟合方法、装置、设备及存储介质。
背景技术
近年来，伴随风电装机容量激增，综合电价持续下降，盈利空间不断压缩。摒弃“靠天吃饭”的粗犷管理方式，加强经济运行管理，追求“寸风不弃，度电必争”的经营理念已成为各大新能源企业的共识。风电经济运行管控的核心是评估在已知风资源条件下“应发多少电”，进而计算“损失了多少电”，分析“损失去了哪里”，从而发现经济运行短板，寻求改善。目前，理论发电量的计算是通过排除风电场所处区域的地形、空气密度等情况的影响，结合风电场实际布局，建立风电场基于历史数据的数字化模型，对风力发电机组历史运行数据进行分析、校正，形成风力发电机组拟合功率曲线，然后利用风力发电机组十分钟风速数据，与拟合功率曲线进行插值积分，得到其对应的理论发电量，进而获得单台风力发电机组的理论发电量、全场理论发电量。因此，风力发电机组功率曲线拟合的精度将直接影响理论发电量的计算。但是现有的实际功率拟合算法没有考虑到实际生产过程中风速分布不平均、同一风速区间内异常数据(影响建模的数据)占比较大及额定功率选择等问题，使得计算出来的理论电量与实际偏差过大，无法支撑数据分析工作。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种风电机组实际功率曲线拟合方法、装置、设备及存储介质，旨在解决现有技术中发电机组原始运行数据质量不高，导致当前技术下理论电量计算值偏差过大的问题。
为实现上述目的，本发明提供一种风电机组实际功率曲线拟合方法，所述风电机组功率曲线拟合的方法包括以下步骤：
获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集；
将所述目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对所述排序后的目标数据集进行分段处理，得到分段风速对应的功率数据集；
若所述功率数据集超过设定的最小功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为切入风速；
若所述功率数据集超过设定的额定功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速；
根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线。
可选地，所述获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集之前，还包括：
获取风电机组SCADA系统采集的原始数据；
根据预设算法需求对所述原始数据进行数组处理，得到风电机组的数据信息。
可选地，所述获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集，包括：
获取风电机组的运行数据信息，根据预设函数对所述数据信息的空值进行填补，得到初始数据集；
剔除所述初始数据集中功率小于最低预设值且大于最高预设值的数据，得到实际数据集；
通过预设算法对所述实际数据进行筛选，得到目标数据集。
可选地，所述通过预设算法对所述实际数据进行筛选，得到目标数据集，包括：
基于预设控制策略对所述实际数据进行过滤，得到样本数据；
通过预设聚类算法对所述样本数据进行聚类，得到样本数据簇；
通过预设核密度算法对所述样本数据簇进行筛选，得到目标数据集。
可选地，所述通过预设核密度算法对所述样本数据簇进行筛选，得到目标数据集，包括：
根据样本数据簇进行划分处理，得到划分区间；
获取所述划分区间对应的功率值，并将所述功率值通过预设算法确定概率密度；
根据概率密度确定目标区间概率密度值，并根据所述目标区间概率密度值对所述样本数据簇进行筛选，得到目标数据集。
可选地，所述根据概率密度确定目标区间概率密度值，并根据所述目标区间概率密度值对所述样本数据簇进行筛选，得到目标数据集，包括；
将初始区间概率密度值置零；
在初始区间概率密度值基础上进行区间概率密度累加，得到目标概率集密度值；
获取置信度，并对所述置信度与所述目标概率集密度值进行判断；
若所述目标概率集密度值大于所述置信度，则根据所述目标概率集密度值对应的划分区间得到目标数据集。
可选地，所述根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线，还包括：
根据所述功率拟合曲线确定理论功率值；
获取功率实际测量值，并根据所述功率实际测量值和所述理论功率值确定均方根误差值、归一化均方根误差值、平均绝对误差值、平均相对误差值和皮尔逊相关系数值；
根据所述均方根误差值、所述归一化均方根误差值、所述平均绝对误差值、所述平均相对误差值和所述皮尔逊相关系数值对所述拟合曲线进行评价，得到评价指标。
此外，为实现上述目的，本发明还提出一种风电机组实际功率曲线拟合装置，所述风电机组功率曲线拟合的装置包括：
预处理模块，获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集；
分段处理模块，用于将所述目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对所述排序后的目标数据集进行分段处理，得到分段风速对应的功率数据集；
切入数据选择模块，用于若所述功率数据集超过设定的最小功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速；
额定数据选择模块，用于若所述功率数据集超过设定的额定功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速；
拟合模块，用于根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线。
此外，为实现上述目的，本发明还提出一种风电机组实际功率曲线拟合设备，所述风电机组实际功率曲线拟合设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风电机组功率曲线拟合的程序，所述风电机组实际功率曲线拟合程序配置有实现如上所述风电机组实际功率曲线拟合方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有风电机组实际功率曲线拟合程序，所述风电机组实际功率曲线拟合程序被处理器执行时实现如上文所述的风电机组实际功率曲线拟合方法的步骤。
本发明提出的风电机组实际功率曲线拟合方法，通过获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集；将所述目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对所述排序后的目标数据集进行分段处理，得到分段风速对应的功率数据集；若所述功率数据集超过设定的最小功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为切入风速；若所述功率数据集超过设定的额定功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速；根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线，从而解决当前技术下理论电量计算值偏差过大的问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的风电机组实际功率曲线拟合设备结构示意图；
图2为本发明风电机组实际功率曲线拟合方法第一实施例的流程示意图；
图3为本发明风电机组实际功率曲线拟合方法一实施例的功率拟合曲线示意图；
图4为本发明风电机组实际功率曲线拟合方法第二实施例的流程示意图；
图5为本发明风电机组实际功率曲线拟合方法第三实施例的流程示意图；
图6为本发明风电机组实际功率曲线拟合方法一实施例的桨距角筛选示意图；
图7为本发明风电机组实际功率曲线拟合方法一实施例的聚类筛选示意图；
图8为本发明风电机组实际功率曲线拟合方法一实施例的密度估计筛选示意图；
图9为本发明风电机组实际功率曲线拟合装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的风电机组实际功率曲线拟合设备结构示意图。
如图1所示，该风电机组实际功率曲线拟合设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对风电机组实际功率曲线拟合设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风电机组实际功率曲线拟合程序。
在图1所示的风电机组实际功率曲线拟合设备中，网络接口1004主要用于连接外网，与其他网络设备进行数据通信；用户接口1003主要用于连接用户设备，与所述用户设备进行数据通信；本发明设备通过处理器1001调用存储器1005中存储的风电机组实际功率曲线拟合程序，并执行本发明实施例提供的风电机组实际功率曲线拟合方法。
基于上述硬件结构，提出本发明风电机组实际功率曲线拟合方法实施例。
参照图2，图2为本发明风电机组实际功率曲线拟合方法第一实施例的流程示意图。
在第一实施例中，所述风电机组实际功率曲线拟合方法包括以下步骤：
步骤S10，获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集。
需要说明的是，本实施例的执行主体可为风电机组功率曲线拟合的设备，还可为其他可实现相同或相似功能的设备，本实施例对此不作限制，在本实施例中，以风电机组功率曲线拟合的设备为例进行说明。
进一步的，获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集之前，包括：
获取风电机组SCADA系统采集的原始数据，根据预设算法需求对所述原始数据进行数组处理，得到风电机组的数据信息。
应当理解的是，数据采集与监控系统(supervisory control and dataacquisition，SCADA)系统是以计算机技术、通信技术以及自动化技术为基础的生产监控系统，它可以对现场的运行设备进行监视和控制，实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能。原始数据可以为风电机组后台采集的风电机组运行数据，每十分钟保存一个数据，每台机组每小时可以保存6个数据，以此类推，本实施例中包括选取风速、功率以及桨距角三种类型的十分钟数据点，预设算法需求可以为结合算法需求，本实施例对此不作限制，即，通过选取同区域、同机型机组SCADA系统采集的周期30天的十分钟风速、功率、桨距角数据，通过结合算法需求对原始数据进行数组处理，得到风电机组的数据信息，例如，导出10分钟数据为m×n列，其中，m为所需数据点数，n为机组台数，通过结合算法需求对原始数据进行处理，处理后得到的m列数据为风电机组的数据信息。
可以理解的是，预处理可以为补充空值过程和剔除异常数据过程，通过对获取的风电机组的数据信息进行预处理可以得到目标数据集。
步骤S20，将所述目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对所述排序后的目标数据集进行分段处理，得到分段风速对应的功率数据集。
可以理解的是，例如，通过将目标数据集按照风速从小到大进行排序，得到排序后的目标数据集，将排序后的目标数据集的风速以0.1m/s步长进行分段，得到对应的功率数据集。
步骤S30，若所述功率数据集超过设定的最小功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为切入风速。
可以理解的是，在具体实施过程中，以切入风速选择为例，设定的最小功率可以为0kW，设定值可以为80％，本实施例对此不作限制，即当某一功率数据集内超过设定的最小功率的数据占比大于等于设定值时，则判定该功率数据集对应的风速为切入风速。
步骤S40，若所述功率数据集超过设定的额定功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速。
需要说明的是，在具体实施过程中，以额定风速选择为例，设定的额定功率可以为2000-1％kW，设定值可以为80％，本实施例对此不作限制，即当某一功率数据集内超过设定的额定功率的数据占比大于等于设定值时，则判定该功率数据集对应的风速为额定风速。
步骤S50，根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线。
应当理解的是，如图3所示为本实施例的功率拟合曲线示意图，通过切入风速、额定风速和额定功率根据分箱算法(Dbin)进行拟合处理，得到功率拟合曲线。
可以理解的是，获取的风速可以用V表示，即V＝(V1，V2，....，Vn)，功率可以用P表示，即P＝(P1，P2，....，Pn)，其中n表示获取的风速和功率对应的数量，本实施例对此不作限制。根据切入风速Vq、额定风速Vr以及切出风速Vmax划分风速区间，定义第一区间为[Vq，Vr]、第二区间为[Vr，Vmax]以及额定功率Pr。分别对第一区间和第二区间进行分段处理，得到划分的区间数量，即：
其中，N1表示第一区间分段对应的划分区间数量，N2表示第二区间分段对应的划分区间数量，N1、N2为正整数。
需要说明的是，通过对得到的分段N1个区间和分段N2个区间进行反推，进而得到区间对应的步长，即：
其中，Vstep1表示分段N1个区间对应的风速步长，Vstep2表示分段N2个区间对应的风速步长。
进一步的，遍历分段N1个区间位于区间[Vq+(K1－1)Vstep1，Vq+K1*Vstep1]的风速数据，并将遍历得到的风速数据归集到风速数据集合Vm中，其中风速数据集合Vm是从K1＝1遍历到K1＝N1得到的数据集合，遍历分段N2个区间位于区间[Vq+(K2－1)Vstep2，Vq+K2*Vstep2]的风速数据，并将遍历得到的风速数据归集到风速数据集合Vn中，其中风速数据集合Vn是从K2＝1遍历到K2＝N2得到的数据集合，然后对N1区间第K1个子范围内的风速数据Vm进行统计分析，即进一步将[min(Vm),max(Vm)]划分为m个格，其中，m可以为本领域技术人员设定，本实施例的对此不作限制，进一步计算第K1个子范围内的风速期望值VI，即：
其中，Vj'表示风速位于第j个箱子中的概率，Vj是位于第j个箱子中的风速数据。
进一步的，风速对应的功率为PI，即：
其中，Pj'表示功率位于第j个箱子中的概率，Pj是位于第j个箱子中的功率数据。
进一步的，对N2区间第K2个子范围内的风速数据Vn进行统计分析，即进一步将[min(Vn)，max(Vn)]划分为m个格，然后计算第K2个子范围内的风速期望值VI'，即：
其中，Vj'表示风速位于第j个箱子中的概率，Vj是位于第j个箱子中的风速数据。
因此N2区间风速对应的功率为：
Pi＝Pr
在具体实施过程中，额定功率可以2000kW，本实施例对此不作限制，例如，选取风机额定功率2000kW，在切入风速Vq、额定风速Vr、切出风速Vmax之间对目标数据集划出第一区间[Vq，Vr]和第二区间[Vr，Vmax]两个风速区间，将所有数据点按照其风速大小归入这两个风速区间，然后使用Dbin算法对风速区间内的数据进行统计分析，可以确定功率拟合曲线。
本实施例中通过获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集；将所述目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对所述排序后的目标数据集进行分段处理，得到分段风速对应的功率数据集；若所述功率数据集超过设定的最小功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为切入风速；若所述功率数据集超过设定的额定功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速；根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线，从而解决当前技术下理论电量计算值偏差过大的问题。
在一实施例中，如图4所示，基于第一实施例提出本发明风电机组实际功率曲线拟合方法第二实施例，所述步骤S10，包括：
步骤S101，获取风电机组的运行数据信息，根据预设函数对所述数据信息的空值进行填补，得到初始数据集。
可以理解的是，预设函数可以为填充函数fillmissing函数，本实施例对此不作限制，根据fillmissing函数通过选取数据信息的空值相邻前后的平均值作为空值填充值，对数据信息的空值进行填补，即可得到初始数据集。
步骤S102，剔除所述初始数据集中功率小于最小预设值且功率大于最大预设值的数据，得到实际数据。
应当理解的是，最小预设值可以为0kW，最大预设值可以为(额定功率+5％额定功率)kW，本实施例对此不作限制，在具体实施过程中，通过剔除数据集中功率小于0kW的数据和功率大于(额定功率+5％额定功率)的数据，从而得到实际数据，而功率小于0kW的数据主要为停机数据，其主要特征为功率小于等于零，功率大于(额定功率+5％额定功率)的数据主要为突变数据，其主要特征为功率大于机组理论最大值。
步骤S103，通过预设算法对所述实际数据进行筛选，得到目标数据集。
可以理解的是，基于预设控制策略对实际数据进行过滤，得到样本数据；再通过预设聚类算法对样本数据进行聚类，得到样本数据簇；最后通过预设核密度对样本数据簇进行筛选，得到目标数据集。
需要说明的是，预设控制策略为基于风电机组变桨控制策略，预设聚类算法可以为四分位+聚类算法，预设核密度可以为窗宽自适应二维核密度估计的方法，本实施例对此不作限制，通过，基于风电机组变桨控制策略，设定功率、桨距角限值初步过滤异常数据；再基于四分位+聚类算法，能够将样本聚类成多个数据簇，使得数据边界更加清晰，可有效的剔除数据簇外的异常数据；最后基于窗宽自适应二维核密度方法，能够有效的表示出边界内有效数据的概率特性，在给定置信度的情况下，利用数据本身的特性，选出高概率密度点，以达到进一步提升有效数据准确率的目的。
进一步地，在步骤S50之后，还包括：
步骤S601，根据所述功率拟合曲线确定理论功率值。
可以理解的是，功率拟合曲线是由实际SCADA所采集的点通过筛选拟合形成的，故而拟合的功率曲线与实际数据之间总有一定的误差，因此，利用拟合出的功率曲线计算得到的理论功率会与实际功率存在一定的误差。
步骤S602，获取功率实际测量值，并根据所述功率实际测量值和所述理论功率值确定均方根误差值、归一化均方根误差值、平均绝对误差值、平均相对误差值和皮尔逊相关系数值。
需要说明的是，功率实际测量值为SCADA采集的实际功率值，根据功率实际测量值和理论功率值通过均方根误差算法，得到均方根误差值，即：
其中，N表示样本个数，Pe表示理论功率值，Pi功率实际测量值，eMES表示均方根误差。
其次，根据功率实际测量值和理论功率值通过归一化均方根误差算法，得到归一化均方根误差值，即：
其中，eMA表示归一化均方根误差值。
然后，根据功率实际测量值和理论功率值通过平均绝对误差算法，得到平均绝对误差值，即：
其中，eNRMS表示平均绝对误差值。
再次，根据功率实际测量值和理论功率值通过平均相对误差算法，得到平均相对误差值，即：
其中，eMR表示平均绝对误差值。
最后，根据功率实际测量值和理论功率值通过皮尔逊相关系数算法，得到皮尔逊相关系数值，即：
其中，R表示皮尔逊相关系数值。
步骤S603，根据所述均方根误差值、所述归一化均方根误差值、所述平均绝对误差值、所述平均相对误差值和所述皮尔逊相关系数值对所述拟合曲线进行评价，得到评价指标。
应当理解的是，均方根误差值即标准误差值，是预测值与真实值偏差的平方与观测次数N比值的平方根，用来衡量观测值同真值之间的偏差，归一化均方根误差值是所有单个观测值与算术平均值的偏差的绝对值的平均，平均绝对误差可以避免误差相互抵消的问题，因而可以准确反映实际误差的大小，平均绝对误差值是指相对误差的平均值，相对误差指的是测量所造成的绝对误差与被测量(约定)真值之比乘以100％所得的数值，更能反映测量的可信程度，平均相对误差值是通过将均方的表达式经过变换，化为无量纲的表达式,成为标量，皮尔逊相关系数值是指两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商，用于度量两个变量之间的相关性。由于功率拟合曲线是由实际SCADA所采集的点通过筛选拟合形成的，故而拟合的功率曲线与实际数据之间总有一定的误差，因此可以利用误差就能够判断拟合功率曲线对实际风力发电机组的发电能力的拟合效果，从而得到评价指标。例如，下表为通过实际参数得到的评价指标。
本实施例中通过获取风电机组的数据信息，根据预设函数对所述数据信息的空值进行填补，得到初始数据集，剔除所述初始数据集中功率小于最低预设值且大于最高预设值的数据，得到实际数据集，通过预设算法对所述实际数据进行筛选，得到目标数据集，然后对目标数据集进行排序、分段处理和判断，分别得到额定风速和切入风速，再根据额定风速和切入风速对目标数据集进行分段进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线，最后通过功率拟合曲线对应的理论功率值和获取的功率实际测量值确定均方根误差值、归一化均方根误差值、平均绝对误差值、平均相对误差值和皮尔逊相关系数值，并根据均方根误差值、归一化均方根误差值、平均绝对误差值、平均相对误差值和皮尔逊相关系数值对拟合曲线进行评价，得到评价指标，进一步提高解决当前技术下理论电量计算值偏差过大的效率。
在一实施例中，如图5所示，基于第一实施例或第二实施例提出本发明风电机组实际功率曲线拟合方法第三实施例，在本实施例中，基于第一实施例进行说明，步骤S103，包括：
步骤S1031，基于预设控制策略对所述实际数据进行过滤，得到样本数据。
可以理解的是，预设控制策略可以为基于风电机组变桨控制策略，本实施例对此不作限制，在具体实现中，如图6所示，图6为本实施例的桨距角筛选示意图，通过基于风电机组变桨控制策略，通过设定功率和桨距角限值，通过对设定功率和桨距角限值初步过滤异常数据筛选，得到样本数据，其中，设定功率和桨距角限值可以为本领域技术人员设置。
步骤S1032，通过预设聚类算法对所述样本数据进行聚类，得到样本数据簇。
应当理解的是，预设聚类算法可以为四分位加聚类算法，本实施例对此不作限制，在具体实现中，如图7所示，图7为本实施例的聚类筛选示意图，通过将样本数据聚类成多个数据簇，使得数据边界更加清晰，可有效的剔除数据簇外的异常数据，例如，设样本数据为X，其中，X＝[x1，x2…xn]，则：
其中，Q2表示第二四分位数。
当n＝4k+3(k＝0,1,2,.....)时，有：
其中，Q1表示第一四分位数，Q3表示第三四分位数。
当n＝4k+1(k＝0,1,2,.....)时，有：
则，四分位距为：
IQR＝Q3-Q1
其中，IQR表示四分位距。
因此，剔除数据簇外的异常数据的内限为：
可以理解的是，处于内限[F1,Fu]以外的数据都是异常值，由于四分位方法只有在异常数据量占比总数据量较小的情况下才能有效识别异常数据，因此，通过四分位法后加聚类进行异常数据的筛选。
步骤S1033，通过预设核密度算法对所述样本数据簇进行筛选，得到目标数据集。
可以理解的是，预设核密度算法可以为窗宽自适应二维核密度估计算法，本实施例对此不作限制，在具体实现中，如图8所示，图8为本实施例的密度估计筛选示意图，通过样本数据簇进行筛选，能够有效的表示出边界内有效数据的概率特性，在给定置信度的情况下，利用数据本身的特性，选出高概率密度点，以达到进一步提升有效数据准确率的目的。
进一步的，步骤S1033，还包括：
通过对所述样本数据簇进行划分处理，得到划分区间。
可以理解的是，根据样本数据簇的自身特性，自动选择窗宽进行划分处理，得到划分区间，其中划分区间包括对应的个数和对应的数据簇，其中，子区间个数计算公式如下：
其中，pmax表示区间中最大功率，pmin表示区间中最小功率，n表示子区间个数。
获取所述划分区间对应的功率值，并将所述功率值通过预设算法确定概率密度。
需要说明的是，在具体实施过程中，功率可以用di表示，相应的各区间内功率范围为Di＝[Pmin+(i-1)ΔP，Pmax+iΔP]，i＝1…n，其中，Δp表示最大概率与最小概率的差值，因此，di包含在功率范围内，预设算法可以为核函数，本实施例对此不作限制，例如，假设风组功率样本yi的数据量为N，其通过核函数计算概率密度公式如下：
其中，h为带宽系数。
根据概率密度确定目标区间概率密度值，并根据所述目标区间概率密度值对所述样本数据簇进行筛选，得到目标数据集。
进一步的，根据概率密度确定目标区间概率密度值，并根据所述目标区间概率密度值对所述样本数据簇进行筛选，得到目标数据集，包括：
将初始区间概率密度值置零；在初始区间概率密度值基础上进行区间概率密度累加，得到目标概率集密度值；获取置信度，并对所述置信度与所述目标概率集密度值进行判断；若所述目标概率集密度值大于所述置信度，则根据所述目标概率集密度值对应的划分区间为得到的目标数据集。
可以理解的是，利用窗宽自适应二维核密度估计得到多个区间概率密度峰值，引入置信区间，当累加的区间概率值大于等于置信区间值时，则认为区间外的密度点为需要剔除的异常值。首先将初始区间概率密度值置零，即Sdi＝0，通过将区间概率密度进行求和处理，得到目标概率集密度值，即Sdi＝f(di)+Sdi，其中，f(di)表示风组功率为di计算得到的概率密度，然后获取设定得到置信度，通过判断目标概率集密度值是否大于置信度，若目标分位概率集密度大于置信度，则目标概率集密度值确定划分区间，根据划分区间对应的数据簇可以作为目标数据集，若目标概率集密度值小于等于置信度，则继续累加计算下一位对应的目标概率集密度值与置信度进行比较，直到目标概率集密度值大于置信度。
本实施例中通过基于预设控制策略对所述实际数据进行桨距角筛选过滤，得到样本数据，通过四分位加聚类法对所述样本数据进行聚类，得到样本数据簇，通过窗宽自适应二维核密度估计法对所述样本数据簇进行筛选，得到目标数据集，进一步提高解决当前技术下理论电量计算值偏差过大的准确性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有风电机组实际功率曲线拟合程序，所述风电机组实际功率曲线拟合程序被处理器执行时实现如上文所述的风电机组实际功率曲线拟合方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图9，本发明实施例还提出一种风电机组实际功率曲线拟合装置，所述风电机组实际功率曲线拟合装置包括：
预处理模块10，用于获取数据采集与监视控制系统采集的数据信息，并对所述数据信息进行预处理，得到目标数据集。
所述预处理模块10，还用于获取风电机组SCADA系统采集的原始数据，根据预设算法需求对所述原始数据进行数组处理，得到风电机组的数据信息。
应当理解的是，数据采集与监控系统(supervisory control and dataacquisition，SCADA)系统是以计算机技术、通信技术以及自动化技术为基础的生产监控系统，它可以对现场的运行设备进行监视和控制，实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能。原始数据可以为风电机组后台采集的风电机组运行数据，每十分钟保存一个数据，每台机组每小时可以保存6个数据，以此类推，本实施例中包括选取风速、功率以及桨距角三种类型的十分钟数据点，预设算法需求可以为结合算法需求，本实施例对此不作限制，即，通过选取同区域、同机型机组SCADA系统采集的周期30天的十分钟风速、功率、桨距角数据，通过结合算法需求对原始数据进行数组处理，得到风电机组的数据信息，例如，导出10分钟数据为m×n列，其中，m为所需数据点数，n为机组台数，通过结合算法需求对原始数据进行处理，处理后得到的m列数据为风电机组的数据信息。
可以理解的是，预处理可以为补充空值过程和剔除异常数据过程，通过对获取的风电机组的数据信息进行预处理可以得到目标数据集。
分段处理模块20，用于将所述目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对所述排序后的目标数据集进行分段处理，得到分段风速对应的功率数据集。
可以理解的是，例如，通过将目标数据集按照风速从小到大进行排序排序，得到排序后的目标数据集，将排序后的目标数据集的风速以0.1m/s步长进行分段，得到对应的功率数据集。
切入数据选择模块30，用于若所述功率数据集超过设定的最小功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为目标切入风速。
可以理解的是，在具体实施过程中，以切入风速选择为例，设定的最小功率可以为0kW，设定值可以为80％，本实施例对此不作限制，即当某一功率数据集内超过设定的最小功率的数据占比大于等于设定值时，则判定该功率数据集对应的风速为切入风速。
额定数据选择模块40，用于若所述功率数据集超过设定的额定功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速。
需要说明的是，在具体实施过程中，以额定风速选择为例，设定的额定功率可以为2000-1％kW，设定值可以为80％，本实施例对此不作限制，即当某一功率数据集内超过设定的额定功率的数据占比大于等于设定值时，则判定该功率数据集对应的风速为额定风速。
拟合模块50，用于根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线。
应当理解的是，如图3所示为本实施例的功率拟合曲线示意图，通过切入风速、额定风速和额定功率根据可分箱算法(Dbin)进行拟合处理，得到功率拟合曲线。
可以理解的是，获取的风速可以用V表示，即V＝(V1，V2，....，Vn)，功率可以用P表示，即P＝(P1，P2，....，Pn)，其中n表示获取的风速和功率对应的数量，本实施例对此不作限制。根据切入风速Vq、额定风速Vr以及切出风速Vmax划分风速区间，定义第一区间为[Vq，Vr]、第二区间为[Vr，Vmax]以及额定功率Pr。分别对第一区间和第二区间进行分段处理，得到划分的区间数量，即：
其中，N1表示第一区间分段对应的划分区间数量，N2表示第二区间分段对应的划分区间数量，N1、N2为正整数。
需要说明的是，通过对得到的分段N1个区间和分段N2个区间进行反推，进而得到区间对应的步长，即：
其中，Vstep1表示分段N1个区间对应的风速步长，Vstep2表示分段N2个区间对应的风速步长，Vstep1、Vstep2为正整数。
进一步的，遍历分段N1个区间位于区间[Vq+(K1－1)Vstep1，Vq+(K1+1)Vstep1]的风速数据，并将遍历得到的风速数据归集到风速数据集合Vm中，其中风速数据集合Vm是从K1＝1遍历到K1＝N1得到的数据集合，遍历分段N2个区间位于区间[Vq+(K2－1)Vstep2，Vq+(K2+1)Vstep2]的风速数据，并将遍历得到的风速数据归集到风速数据集合Vn中，其中风速数据集合Vn是从K2＝1遍历到K2＝N2得到的数据集合，然后对N1区间第K1个子范围内的风速数据Vm进行统计分析，即进一步将[min(Vm),max(Vm)]划分为m个格，其中，m可以为本领域技术人员设定，本实施例的对此不作限制，进一步计算第K1个子范围内的风速期望值VI，即：
其中，Vj'表示风速位于第j个箱子中的概率，Vj是位于第j个箱子中的风速数据。
进一步的，风速对应的功率为PI，即：
其中，Pj'表示功率位于第j个箱子中的概率，Pj是位于第j个箱子中的功率数据。
进一步的，对N2区间第K2个子范围内的风速数据Vn进行统计分析，即进一步将[min(Vn)，max(Vn)]划分为m个格，然后计算第K2个子范围内的风速期望值VI'，即：
其中，Vj'表示风速位于第j个箱子中的概率，Vj是位于第j个箱子中的风速数据。
因此N2区间风速对应的功率为：
Pi＝Pr
在具体实施过程中，额定功率可以2000kW，本实施例对此不作限制，例如，选取风机额定功率2000kW，在切入风速Vq、额定风速Vr、切出风速Vmax之间对目标数据集划出第一区间[Vq，Vr]和第二区间[Vr，Vmax]两个风速区间，将所有数据点按照其风速大小归入这两个风速区间，然后使用Dbin算法对风速区间内的数据进行统计分析，可以确定功率拟合曲线。
本实施例中通过获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集；将所述目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对所述排序后的目标数据集进行分段处理，得到分段风速对应的功率数据集；若所述功率数据集超过设定的最小功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为目标切入风速；若所述功率数据集超过设定的额定功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速；根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线，从而解决当前技术下理论电量计算值偏差过大的问题。
在一实施例中，所述风电机组功率曲线拟合的装置还包括：数据采集模块，用于获取风电机组SCADA系统采集的原始数据；根据预设算法需求对所述原始数据进行数组处理，得到风电机组的数据信息。
在一实施例中，所述预处理模块40，还用于获取风电机组的数据信息，根据预设函数对所述数据信息的空值进行填补，得到初始数据集；剔除所述初始数据集中功率小于最低预设值且大于最高预设值的数据，得到实际数据集；通过预设算法对所述实际数据进行筛选，得到目标数据集。
在一实施例中，所述预处理模块40，还用于基于预设控制策略对所述实际数据进行过滤，得到样本数据；通过预设聚类算法对所述样本数据进行聚类，得到样本数据簇；通过预设核密度算法对所述样本数据簇进行筛选，得到目标数据集。
在一实施例中，所述预处理模块40，还用于根据所述样本数据簇进行划分处理，得到划分区间；获取所述划分区间对应的功率值，并将所述功率值通过预设算法确定概率密度；根据概率密度确定目标区间概率密度值，并根据所述目标区间概率密度值对所述样本数据簇进行筛选，得到目标数据集。
在一实施例中，所述预处理模块40，还用于将初始区间概率密度值置零；在初始区间概率密度值基础上进行区间概率密度累加，得到目标概率集密度值；获取置信度，并对所述置信度与所述目标概率集密度值进行判断；若所述目标概率集密度值大于所述置信度，则根据所述目标概率集密度值对应的划分区间得到目标数据集。
在一实施例中，所述风电机组功率曲线拟合的装置还包括：评价模块，用于根据所述功率拟合曲线确定理论功率值；获取功率实际测量值，并根据所述功率实际测量值和所述理论功率值确定均方根误差值、归一化均方根误差值、平均绝对误差值、平均相对误差值和皮尔逊相关系数值；根据所述均方根误差值、所述归一化均方根误差值、所述平均绝对误差值、所述平均相对误差值和所述皮尔逊相关系数值对所述拟合曲线进行评价，得到评价指标。
在本发明所述风电机组实际功率曲线拟合装置的其他实施例或具体实现方法可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该估算机软件产品存储在如上所述的一个估算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台智能的设备(可以是手机，估算机，风电机组功率曲线拟合的设备，空调器，或者网络的设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种风电机组实际功率曲线拟合方法，其特征在于，所述风电机组实际功率曲线拟合方法包括以下步骤：
获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集；
将所述目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对所述排序后的目标数据集进行分段处理，得到分段风速对应的功率数据集；
若所述功率数据集超过设定的最小功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为切入风速；
若所述功率数据集超过设定的额定功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速；
根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线。
2.如权利要求1所述的风电机组实际功率曲线拟合方法，其特征在于，所述获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集之前，还包括：
获取风电机组SCADA系统采集的原始数据；
根据预设算法需求对所述原始数据进行数组处理，得到风电机组的数据信息。
3.如权利要求1所述的风电机组实际功率曲线拟合方法，其特征在于，所述获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集，包括：
获取风电机组的数据信息，根据预设函数对所述数据信息的空值进行填补，得到初始数据集；
剔除所述初始数据集中功率小于最低预设值且大于最高预设值的数据，得到实际数据集；
通过预设算法对所述实际数据进行筛选，得到目标数据集。
4.如权利要求3所述的风电机组实际功率曲线拟合方法，其特征在于，所述通过预设算法对所述实际数据进行筛选，得到目标数据集，包括：
基于预设控制策略对所述实际数据进行过滤，得到样本数据；
通过预设聚类算法对所述样本数据进行聚类，得到样本数据簇；
通过预设核密度算法对所述样本数据簇进行筛选，得到目标数据集。
5.如权利要求4所述的风电机组实际功率曲线拟合方法，其特征在于，所述通过预设核密度算法对所述样本数据簇进行筛选，得到目标数据集，包括：
根据所述样本数据簇进行划分处理，得到划分区间；
获取所述划分区间对应的功率值，并将所述功率值通过预设算法确定概率密度；
根据概率密度确定目标区间概率密度值，并根据所述目标区间概率密度值对所述样本数据簇进行筛选，得到目标数据集。
6.如权利要求5所述的风电机组实际功率曲线拟合方法，其特征在于，所述根据概率密度确定目标区间概率密度值，并根据所述目标区间概率密度值对所述样本数据簇进行筛选，得到目标数据集，包括；
将初始区间概率密度值置零；
在初始区间概率密度值基础上进行区间概率密度累加，得到目标概率集密度值；
获取置信度，并对所述置信度与所述目标概率集密度值进行判断；
若所述目标概率集密度值大于所述置信度，则根据所述目标概率集密度值对应的划分区间得到目标数据集。
7.如权利要求1至6中任一项所述的风电机组实际功率曲线拟合方法，其特征在于，所述根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线之后，还包括：
根据所述功率拟合曲线确定理论功率值；
获取功率实际测量值，并根据所述功率实际测量值和所述理论功率值确定均方根误差值、归一化均方根误差值、平均绝对误差值、平均相对误差值和皮尔逊相关系数值；
根据所述均方根误差值、所述归一化均方根误差值、所述平均绝对误差值、所述平均相对误差值和所述皮尔逊相关系数值对所述拟合曲线进行评价，得到评价指标。
8.一种风电机组实际功率曲线拟合装置，其特征在于，所述风电机组功率曲线拟合的装置包括：
预处理模块，用于获取风电机组的数据信息，并对所述数据信息进行预处理，得到目标数据集；
分段处理模块，用于将所述目标数据集按照风速由小到大进行排序得到排序后的目标数据集，并对所述排序后的目标数据集进行分段处理，得到分段风速对应的功率数据集；
切入数据选择模块，用于若所述功率数据集超过设定的最小功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为切入风速；
额定数据选择模块，用于若所述功率数据集超过设定的额定功率，且超出的数据占比大于等于设定值，则所述功率数据集对应的风速为额定风速；
拟合模块，用于根据所述切入风速和所述额定风速对所述目标数据集进行分段，并对分段后的目标数据集采用分段Dbin拟合处理，确定功率拟合曲线。
9.一种风电机组实际功率曲线拟合设备，其特征在于，所述风电机组功率曲线拟合的设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风电机组功率曲线拟合程序，所述风电机组功率曲线拟合程序配置有实现如权利要求1至7中任一项所述的风电机组功率曲线拟合的方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有风电机组实际功率曲线拟合程序，所述风电机组实际功率曲线拟合程序被处理器执行时实现如权利要求1至7中任一项所述的风电机组实际功率曲线拟合方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353565.8A CN113139880A (zh) | 2021-03-31 | 2021-03-31 | 风电机组实际功率曲线拟合方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353565.8A CN113139880A (zh) | 2021-03-31 | 2021-03-31 | 风电机组实际功率曲线拟合方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113139880A true CN113139880A (zh) | 2021-07-20 |
Family
ID=76811371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110353565.8A Pending CN113139880A (zh) | 2021-03-31 | 2021-03-31 | 风电机组实际功率曲线拟合方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113139880A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591359A (zh) * | 2021-08-17 | 2021-11-02 | 华能华家岭风力发电有限公司 | 一种风电机组切入/切出风速调优方法、系统及设备介质 |
| CN113726911A (zh) * | 2021-11-01 | 2021-11-30 | 南京绛门信息科技股份有限公司 | 一种基于物联网技术的工厂数据采集处理系统 |
| CN114580192A (zh) * | 2022-03-15 | 2022-06-03 | 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 |
| CN114638312A (zh) * | 2022-03-24 | 2022-06-17 | 申能新能源(青海)有限公司 | 一种风电功率无监督式学习分类算法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104653410A (zh) * | 2014-09-10 | 2015-05-27 | 国家电网公司 | 基于激光雷达测风仪的风电机组运行功率特性测试系统及方法 |
| CN106355512A (zh) * | 2016-08-26 | 2017-01-25 | 华北电力大学 | 一种基于概率密度极大值优化的风电机组功率曲线拟合方法 |
| CN107885959A (zh) * | 2017-12-06 | 2018-04-06 | 华北电力大学 | 一种基于置信等效功率曲线带的风电建模及性能评估方法 |
| CN108448625A (zh) * | 2018-04-09 | 2018-08-24 | 中能电力科技开发有限公司 | 一种基于数据驱动的风机切入风速计算方法 |
| CN109783486A (zh) * | 2019-01-17 | 2019-05-21 | 华北电力大学 | 数据清洗方法、装置及服务器 |
-
2021
- 2021-03-31 CN CN202110353565.8A patent/CN113139880A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104653410A (zh) * | 2014-09-10 | 2015-05-27 | 国家电网公司 | 基于激光雷达测风仪的风电机组运行功率特性测试系统及方法 |
| CN106355512A (zh) * | 2016-08-26 | 2017-01-25 | 华北电力大学 | 一种基于概率密度极大值优化的风电机组功率曲线拟合方法 |
| CN107885959A (zh) * | 2017-12-06 | 2018-04-06 | 华北电力大学 | 一种基于置信等效功率曲线带的风电建模及性能评估方法 |
| CN108448625A (zh) * | 2018-04-09 | 2018-08-24 | 中能电力科技开发有限公司 | 一种基于数据驱动的风机切入风速计算方法 |
| CN109783486A (zh) * | 2019-01-17 | 2019-05-21 | 华北电力大学 | 数据清洗方法、装置及服务器 |
Non-Patent Citations (2)
| Title |
|---|
| 王新;王政霞;: "基于改进bin算法的风电机组风速-功率数据清洗", no. 01, pages 62 - 71 * |
| 程明，张建忠，王念春: "可再生能源发电技术 第2版", 机械工业出版社, pages: 29 - 32 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591359A (zh) * | 2021-08-17 | 2021-11-02 | 华能华家岭风力发电有限公司 | 一种风电机组切入/切出风速调优方法、系统及设备介质 |
| CN113591359B (zh) * | 2021-08-17 | 2023-11-17 | 华能华家岭风力发电有限公司 | 一种风电机组切入/切出风速调优方法、系统及设备介质 |
| CN113726911A (zh) * | 2021-11-01 | 2021-11-30 | 南京绛门信息科技股份有限公司 | 一种基于物联网技术的工厂数据采集处理系统 |
| CN113726911B (zh) * | 2021-11-01 | 2022-01-14 | 南京绛门信息科技股份有限公司 | 一种基于物联网技术的工厂数据采集处理系统 |
| CN114580192A (zh) * | 2022-03-15 | 2022-06-03 | 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 |
| 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 |
| CN114638312A (zh) * | 2022-03-24 | 2022-06-17 | 申能新能源(青海)有限公司 | 一种风电功率无监督式学习分类算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
| CN113139880A (zh) | 风电机组实际功率曲线拟合方法、装置、设备及存储介质 | |
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN116186634B (zh) | 一种建筑工程施工数据智能管理系统 | |
| CN110070282B (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
| CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
| CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
| CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
| CN110490369A (zh) | 一种基于ewt和lssvm模型的短期电力负荷预测方法 | |
| CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
| CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| CN114722098A (zh) | 一种基于正态云模型和密度聚类算法的典型负荷曲线辨识方法 | |
| CN117972314A (zh) | 一种基于数字孪生的云平台监控方法及系统 | |
| CN113902181A (zh) | 公变重过载的短期预测方法及设备 | |
| CN113139698A (zh) | 负荷预测方法、装置及设备 | |
| CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| CN108898890B (zh) | 空管运行效率等级评估方法及其装置 | |
| CN116541780A (zh) | 输电线路舞动预警方法、装置、设备及存储介质 | |
| CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 | |
| CN115687948A (zh) | 一种基于负荷曲线的电力专变用户无监督分类方法 | |
| CN115829168A (zh) | 基于数据分析的新能源设备远程协调运维管理系统 | |
| CN118228897B (zh) | 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法 | |
| CN118171778A (zh) | 一种高价值可调节潜力用户识别与筛查方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210720 |