CN113762608A - 风电场故障风速传感器风速预测方法、装置及存储介质 - Google Patents

风电场故障风速传感器风速预测方法、装置及存储介质 Download PDF

Info

Publication number
CN113762608A
CN113762608A CN202110988591.8A CN202110988591A CN113762608A CN 113762608 A CN113762608 A CN 113762608A CN 202110988591 A CN202110988591 A CN 202110988591A CN 113762608 A CN113762608 A CN 113762608A
Authority
CN
China
Prior art keywords
wind speed
wind
fault
speed sensor
sensor
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
CN202110988591.8A
Other languages
English (en)
Inventor
沈小军
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110988591.8A priority Critical patent/CN113762608A/zh
Publication of CN113762608A publication Critical patent/CN113762608A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及一种风电场故障风速传感器风速预测方法、装置及存储介质，该方法包括：对风电场机组按照风速空间相关性进行群落划分，将风速空间相关性较高的多台机组划分到一个群落中；定位故障风速传感器所在群落；根据风速传感器的实测风速数据在群落内滚动筛选与故障风速传感器风速相关性最优的关联机组，将关联机组的实测风速序列输入至预先训练的风速预测模型，所述的风速预测模型输出故障风速传感器的预测风速序列。与现有技术相比，本发明具有预测速度快、准确度高等优点。

Description

风电场故障风速传感器风速预测方法、装置及存储介质
技术领域
本发明涉及风力发电技术领域，尤其是涉及一种风电场故障风速传感器风速预测方法、装置及存储介质。
背景技术
风速作为风电机组运行控制的重要参数，直接影响风电机组的运行方式，风电机组控制系统需要输入风速及风向参数的功能主要有：(1)机组根据输入风速信号值自动进行启停、并网或离网操作；(2)风速变化时，机组能够自动进行转速变换和功率控制；(3)风向变化时机组能够进行偏航操作，完成自动对风。风电机组风速风向参数主要由裸露在机身外部的传感器测量，传感器的健康状态备受考验，当机组遭遇极端恶劣天气时，尤其是海上风电机组，长期运行在低温、潮湿等复杂气候环境下，雷击、鸟类撞击、材料腐蚀、机械磨损等都可能引起传感器转速失准甚至停止转动，机组控制器获得的风速信息偏离实际风速，造成机组运行紊乱，出力效率低下，事故率攀升，乃至对电网形成冲击。据瑞典某风电场某一年的故障统计，传感器故障约占风电场所有故障的25％，位居风机各部件故障率前三。风速传感器典型故障可归纳为以下几个方面：
(1)破坏性故障：传感器退出运行或系统无风速信号输入，风速数据缺测、漏测，例如：风速传感器供电线路损坏，造成风速传感器的供电电压不稳定，风速数据缺测；
(2)非破坏性故障：传感器故障运行，测量数据偏移正常值，例如：受雷暴、鸟类撞击等因素影响，风速传感器风杯或转动轴发生变形，造成传感器转动卡滞、不灵活等问题，测量数据长期失准；
(3)演化性故障：风速传感器长期运行于恶劣环境、复杂气候条件下，故障的严重程度伴随着外界影响逐步加重，故障状态处于长期的发展过程。例如：暴风、暴雨、冰雹等天气会对转动轴承的润滑油性能造成影响，并伴随着时间的积累逐渐衰减，润滑油若涂抹不均或长时间未补充，容易造成轴承转动不灵活，测风数据逐步失准。
实际工程应用中，风电机组SCADA系统中有传感器故障诊断模块，诊断的基本逻辑是设置风速上下阈值，当传感器测量值超出阈值范围内时，系统报警，传感器故障，机组处于无输入风速信号运行状态，容易出现运行事故。
因此，如何进行风电场故障风速传感器风速预测成为一项重要研究项目。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电场故障风速传感器风速预测方法、装置及存储介质。
本发明的目的可以通过以下技术方案来实现：
一种风电场故障风速传感器风速预测方法，该方法包括：
对风电场机组按照风速空间相关性进行群落划分，将风速空间相关性较高的多台机组划分到一个群落中；
定位故障风速传感器所在群落；
根据风速传感器的实测风速数据在群落内滚动筛选与故障风速传感器风速相关性最优的关联机组，将关联机组的实测风速序列输入至预先训练的风速预测模型，所述的风速预测模型输出故障风速传感器的预测风速序列。
优选地，所述的群落划分的方式包括：以机组偏航数据为基础计算风速空间相关性，将风速空间相关性较高的多台机组划分到一个群落中。
优选地，在群落内滚动筛选与故障风速传感器风速相关性最优的关联机组的方式包括：
选取群落内位于故障风速传感器所对应机组的上风向机组作为关联机组；
计算待预测时间段内故障风速传感器与各关联机组实测风速的风速相关性；
对于预测时间段内的任意一个时刻，选取风速相关性最高的关联机组作为该时刻的最优关联机组；
提取各个时刻最优关联机组的实测风速组成实测风速序列。
优选地，所述的风速相关性通过如下方式获得：
对于待计算的两个机组，选取当前时刻前n-1个时刻以及当前时刻组成量化时间序列，通过下式滚动计算两个机组的风速相关性：
Figure BDA0003231685950000031
其中，ri为量化时间序列i内两个风速传感器测量风速数据的相关性，Xi,t、Yi,t对应为量化时间序列i内t采样时刻两个风速传感器的风速数据，Xi,avg、Yi,avg对应为量化时间序列i内两个风速传感器的风速数据平均值，n为量化时间序列i内的采样时刻总数。
优选地，所述的风速预测模型包括双向长短期记忆神经网络模型。
优选地，该方法包括对预测风速序列的整定，整定方式具体为：
Figure BDA0003231685950000032
Figure BDA0003231685950000033
其中，
Figure BDA0003231685950000034
表示t时刻的整定风速，
Figure BDA0003231685950000035
表示t时刻的预测风速，vt表示t时刻预测的故障风速传感器的实测风速，ξMAPE表示风速预测模型的MAPE误差，n表示预测时间序列中的时刻总数。
优选地，在风速预测阶段还定时更新对群落的划分。
优选地，当风向变化超过阈值时重新划分群落。
一种风电场故障风速传感器风速预测装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现所述的风电场故障风速传感器风速预测方法。
一种存储介质，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所述的风电场故障风速传感器风速预测方法。
与现有技术相比，本发明具有如下优点：
(1)本发明在群落内滚动筛选与故障风速传感器风速相关性最优的关联机组，实现了多传感器共享映射机制，能够有效挖掘风速分布的时空特性，利用多关联机组实测风速作为模型的输入可以有效保证风速预测的精度，形式实现故障传感器风速数据的有效预测，便于指导机组优化控制运行；
(2)本发明采用双向长短期记忆神经网络作为风速预测模型，可对历史数据进行正反两方向训练，从历史数据中学到更多有效信息，从而能够充分挖掘风速分布的时空特性，使得预测结果更加可靠；
(3)本发明利用故障风速传感器的实测数据对预测风速进行整定，弥补风速预测模型的预测误差，整定得到的风速数据可靠性进一步提高，进而使得后续指导机组优化控制的安全性和可靠性大大提高。
附图说明
图1为本发明一种风电场故障风速传感器风速预测方法的流程框图；
图2为本发明实施例1中长短期记忆神经网络的结构示意图；
图3为本发明实施例1中双向长短期记忆神经网络的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例1
如图1所示，本实施例提供一种风电场故障风速传感器风速预测方法，该方法包括：
首先，对风电场机组按照风速空间相关性进行群落划分，将风速空间相关性较高的多台机组划分到一个群落中，在风速预测阶段还定时更新对群落的划，具体为：当风向变化超过阈值时重新划分群落；
然后，定位故障风速传感器所在群落，即风电场机组通常一一配置一台风速传感器，将故障风速传感器与对应机组进行匹配即可确定故障风速传感器所在群落；
最后，根据风速传感器的实测风速数据在群落内滚动筛选与故障风速传感器风速相关性最优的关联机组，将关联机组的实测风速序列输入至预先训练的风速预测模型，风速预测模型输出故障风速传感器的预测风速序列。
具体地：
群落划分的方式包括：以机组偏航数据为基础计算风速空间相关性，将风速空间相关性较高的多台机组划分到一个群落中。风速具有空间相关性，以机组间风速空间相关性作为划分标准，将风速空间相关性较强的风电机组划分到一个故障互诊群落，同一个风电场可以划分为多个故障互诊群落，实现群体协同互诊。对于超短期风速映射模型，影响风速空间相关性的因素主要由大气压的变化造成，引起风速、风向的随机波动。风电机组间的风速相关性强弱直接决定着基于传统空间相关性风速预测结果的精度，所以关联风电机组的种子优选是风电机组实时预测体系中的核心部分。针对风速实时感知预测，目标机组的关联种子机组一般应为两台以上，方能保证其风速预测值的可靠性与抗干扰性。关联风电机组的筛选可按如下步骤进行：(1)风速相关性时序分析：由于风速相关性具有很强的时变性，因此要考虑关联机组的风速相关性时序变化，根据风电运行历史数据，分析各备选种子机组与目标机组在一天内的风速相关系数随时辰的变化特征，为后续的关联机组种子动态筛选提供依据；(2)动态关联种子机组筛选：根据不同时辰下各待选风电机组与目标机组的相关系数，设定一个关联机组的阈值，当备选机组的风速相关系数达到阈值范围即可优选为关联种子机组。依次原则，即可获得不同时辰下的动态关联种子机组的优选结果。
风速数据的缺失或者异常风速数据输入控制系统可能导致机组运行紊乱，严重时可能造成机组损坏。因此，对故障传感器位置的风速感知和预测十分关键，为充分提取风速数据的时空分布特性，提高虚拟风速的映射精度，本申请采用基于多机共享关联输入的双向长短时记忆神经网络完成虚拟风速的映射。
长短期记忆(Long-short term memory,LSTM)神经网络是在循环神经网络的基础上进行了改进和优化，增加了输入门限，遗忘门限和输出门限，信息积累的时间尺度可以动态改变，神经元能够识别需要抛弃的旧信息并选择将其遗忘，避免梯度消失或爆炸问题。LSTM结构如图2所示。
图中ct-1为上一个细胞层的细胞状态，at-1是上一个细胞层的输出，xt为外部输入，σ表示sigmoid函数，分别对应于LSTM的遗忘门、输入门和输出门，sigmoid层的输出是0-1之间的实数，表示信息通过的权重，0代表不允许通过，1代表全部通过。tanh层产生新的细胞状态值。
遗忘门决定旧细胞状态中丢弃的信息，读取上一时刻的隐藏状态at-1和当前时刻的输入xt，进而获取细胞当前的输出状态：
ft＝σ(Wf[at-1,xt]+bf)
输入门控制细胞读入的新信息，首先通过当前时刻输入状态it决定需要更新的信息，gt决定备选用于更新的信息；随后通过乘运算将两者结合，对细胞状态进行更新。输入门的公式如下：
Figure BDA0003231685950000061
输入xt来决定，输出细胞状态的公式表示如下：
Figure BDA0003231685950000062
上述三式中：ft、it、gt、ct、ot、at分别为t时刻各门的特征变量；Wf、Wi、Wg、Wo分别为各门的权重矩阵；bf、bi、bg、bo分别为各门的偏置项；xt为t时刻输入变量；at-1和at分别为t-1和t时刻输出变量；σ和tanh为激活函数；
Figure BDA0003231685950000063
为哈达玛积。
LSTM神经网络训练时，细胞状态的传递更新基于过去时刻的时序数据，然而风速时间序列在当前时刻的风速不仅与过去时段的风速序列存在相关性，与未来时段的风速序列也存在一定联系，单方向的训练方式容易忽略历史数据的全局特征，当输入样本的时间长度过长，会使LSTM神经网络遗忘掉早期学习到的内容。
双向长短期记忆神经网络(Bi-directional LSTM neural network,BiD-LSTM-NN)可解决信息的单向传播问题，其本质上由正反2个独立的LSTM网络组成，每一时步的输出均由正反两向LSTM共同组成，可对历史数据进行正反两方向训练，从历史数据中学到更多有效信息，其基本结构如图3所示。
通过构建多层双向长短期记忆神经网络隐含层，将各隐含层正反两向LSTM神经网络输出进行结合作为该隐含层的最终输出，表达式为：
Figure BDA0003231685950000064
式中：
Figure BDA0003231685950000065
分别为t时刻第u层隐含层中正向LSTM神经网络、反向LSTM神经网络和双向长短期记忆神经网络的输出；U为隐含层数。
将风速历史数据运用BiD-LSTM-NN进行训练，选取均方误差EMSE计算模型损失值，结合Adam优化算法进行模型的权重更新。EMSE表达式为：
Figure BDA0003231685950000066
式中：ω为参与计算的样本数；yt为t时刻风速测量值；
Figure BDA0003231685950000067
为t时刻风速的映射值。
因此，本发明采用双向长短期记忆神经网络作为风速预测模型，采用风速预测模型进行风速预测的具体步骤为：
1、在群落内滚动筛选与故障风速传感器风速相关性最优的关联机组，具体包括：
选取群落内位于故障风速传感器所对应机组的上风向机组作为关联机组；
计算待预测时间段内故障风速传感器与各关联机组实测风速的风速相关性；
对于预测时间段内的任意一个时刻，选取风速相关性最高的关联机组作为该时刻的最优关联机组；
提取各个时刻最优关联机组的实测风速组成实测风速序列。
风速相关性通过如下方式获得：
对于待计算的两个机组，选取当前时刻前n-1个时刻以及当前时刻组成量化时间序列，通过下式滚动计算两个机组的风速相关性：
Figure BDA0003231685950000071
其中，ri为量化时间序列i内两个风速传感器测量风速数据的相关性，Xi,t、Yi,t对应为量化时间序列i内t采样时刻两个风速传感器的风速数据，Xi,avg、Yi,avg对应为量化时间序列i内两个风速传感器的风速数据平均值，n为量化时间序列i内的采样时刻总数。
本发明采用多机共享关联进行风速预测，选取多个点位的测风数据作为目标机组预测风速的输入，可有效减小预测模型的误差。最优的关联机组的选取以故障传感器所在群落为对象，选取故障传感器所处群落内的多个上风向机组作为备选种子，滚动统计备选种子与故障传感器的风速相关性，分别选取各个样本时序点相关性最强的机组作为关联种子，以各个时序点关联种子的实测风速作为映射模型的输入数据，构成故障传感器的共享预测组合序列；选用多台机组共享关联预测，目的是克服因风速的时变特性对风速映射的影响，所选关联机组数量越多，误差越小，预测越精准，计算量也会增加，需要结合应用需求综合考虑。
2、风速预测：以提取的各个时刻最优关联机组的实测风速组成实测风速序列为输入，故障传感器风速为目标，通过历史数据离线状态下对模型进行训练和测试，将需要预测时序区间的测量风速输入到经训练测试的BiD-LSTM-NN，输出风速即为故障传感器位置的映射风速。
3、预测风速整定：
由于预测模型存在一定的误差，为提升机组依托虚拟风速所指定运行控制策略的安全性和可靠性，需要对虚拟风速进行整定，整定方式具体为：
Figure BDA0003231685950000081
Figure BDA0003231685950000082
其中，
Figure BDA0003231685950000083
表示t时刻的整定风速，
Figure BDA0003231685950000084
表示t时刻的预测风速，vt表示t时刻预测的故障风速传感器的实测风速，ξMAPE表示风速预测模型的MAPE误差，n表示预测时间序列中的时刻总数。
实施例2
本实施例提供一种风电场故障风速传感器风速预测装置，包括存储器和处理器，存储器用于存储计算机程序，处理器用于当执行所述计算机程序时，实现实施例1中所述的风电场故障风速传感器风速预测方法，所述的风电场故障风速传感器风速预测方法在实施例1中已详细说明，本实施例中不再赘述。
实施例3
本实施例提供一种存储介质，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实施例1中所述的风电场故障风速传感器风速预测方法，所述的风电场故障风速传感器风速预测方法在实施例1中已详细说明，本实施例中不再赘述。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (10)

1.一种风电场故障风速传感器风速预测方法，其特征在于，该方法包括：
对风电场机组按照风速空间相关性进行群落划分，将风速空间相关性较高的多台机组划分到一个群落中；
定位故障风速传感器所在群落；
根据风速传感器的实测风速数据在群落内滚动筛选与故障风速传感器风速相关性最优的关联机组，将关联机组的实测风速序列输入至预先训练的风速预测模型，所述的风速预测模型输出故障风速传感器的预测风速序列。
2.根据权利要求1所述的一种风电场故障风速传感器风速预测方法，其特征在于，所述的群落划分的方式包括：以机组偏航数据为基础计算风速空间相关性，将风速空间相关性较高的多台机组划分到一个群落中。
3.根据权利要求1所述的一种风电场故障风速传感器风速预测方法，其特征在于，在群落内滚动筛选与故障风速传感器风速相关性最优的关联机组的方式包括：
选取群落内位于故障风速传感器所对应机组的上风向机组作为关联机组；
计算待预测时间段内故障风速传感器与各关联机组实测风速的风速相关性；
对于预测时间段内的任意一个时刻，选取风速相关性最高的关联机组作为该时刻的最优关联机组；
提取各个时刻最优关联机组的实测风速组成实测风速序列。
4.根据权利要求3所述的一种风电场故障风速传感器风速预测方法，其特征在于，所述的风速相关性通过如下方式获得：
对于待计算的两个机组，选取当前时刻前n-1个时刻以及当前时刻组成量化时间序列，通过下式滚动计算两个机组的风速相关性：
Figure FDA0003231685940000011
其中，ri为量化时间序列i内两个风速传感器测量风速数据的相关性，Xi,t、Yi,t对应为量化时间序列i内t采样时刻两个风速传感器的风速数据，Xi,avg、Yi,avg对应为量化时间序列i内两个风速传感器的风速数据平均值，n为量化时间序列i内的采样时刻总数。
5.根据权利要求1所述的一种风电场故障风速传感器风速预测方法，其特征在于，所述的风速预测模型包括双向长短期记忆神经网络模型。
6.根据权利要求1所述的一种风电场故障风速传感器风速预测方法，其特征在于，该方法包括对预测风速序列的整定，整定方式具体为：
Figure FDA0003231685940000021
Figure FDA0003231685940000022
其中，vt vir表示t时刻的整定风速，vt map表示t时刻的预测风速，vt表示t时刻预测的故障风速传感器的实测风速，ξMAPE表示风速预测模型的MAPE误差，n表示预测时间序列中的时刻总数。
7.根据权利要求1所述的一种风电场故障风速传感器风速预测方法，其特征在于，在风速预测阶段还定时更新对群落的划分。
8.根据权利要求7所述的一种风电场故障风速传感器风速预测方法，其特征在于，当风向变化超过阈值时重新划分群落。
9.一种风电场故障风速传感器风速预测装置，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现如权利要求1～8任一项所述的风电场故障风速传感器风速预测方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1～8任一项所述的风电场故障风速传感器风速预测方法。
CN202110988591.8A 2021-08-26 2021-08-26 风电场故障风速传感器风速预测方法、装置及存储介质 Pending CN113762608A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110988591.8A CN113762608A (zh) 2021-08-26 2021-08-26 风电场故障风速传感器风速预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110988591.8A CN113762608A (zh) 2021-08-26 2021-08-26 风电场故障风速传感器风速预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113762608A true CN113762608A (zh) 2021-12-07

Family

ID=78791329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110988591.8A Pending CN113762608A (zh) 2021-08-26 2021-08-26 风电场故障风速传感器风速预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113762608A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102830250A (zh) * 2011-06-14 2012-12-19 湘潭大学 一种基于空间相关性的风电场风速传感器故障诊断方法
CN109214566A (zh) * 2018-08-30 2019-01-15 华北水利水电大学 基于长短期记忆网络的风电功率短期预测方法
CN111723990A (zh) * 2020-06-19 2020-09-29 福州大学 基于双向长短期记忆神经网络的共享单车流量预测方法
CN112836884A (zh) * 2021-02-07 2021-05-25 国网福建省电力有限公司经济技术研究院 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102830250A (zh) * 2011-06-14 2012-12-19 湘潭大学 一种基于空间相关性的风电场风速传感器故障诊断方法
CN109214566A (zh) * 2018-08-30 2019-01-15 华北水利水电大学 基于长短期记忆网络的风电功率短期预测方法
CN111723990A (zh) * 2020-06-19 2020-09-29 福州大学 基于双向长短期记忆神经网络的共享单车流量预测方法
CN112836884A (zh) * 2021-02-07 2021-05-25 国网福建省电力有限公司经济技术研究院 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
沈小军: "基于机联网-空间相关性权重的风电机组风速预测研究", 《电工技术学报》, pages 1783 *
罗培屿: "基于空间相关性的超短期风速预测方法与应用"", 《中国优秀硕士学位论文全文数据库, pages 13 - 47 *

Similar Documents

Publication Publication Date Title
US10288038B2 (en) Reducing curtailment of wind power generation
US10598157B2 (en) Reducing curtailment of wind power generation
Vera-Tudela et al. Analysing wind turbine fatigue load prediction: The impact of wind farm flow conditions
CN108680358A (zh) 一种基于轴承温度模型的风电机组故障预测方法
CN108388962B (zh) 一种风电功率预测系统及方法
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
Zhong et al. Short-term solar power forecasts considering various weather variables
Qu et al. An unsupervised hourly weather status pattern recognition and blending fitting model for PV system fault detection
CN105958474B (zh) 一种电网调控系统用输电线路动态增容方法和系统
Tao et al. Early fault warning of wind turbine based on BRNN and large sliding window
CN113991711A (zh) 一种光伏电站储能系统容量配置方法
CN117669960A (zh) 一种基于多变量气象因子的新能源功率预测方法
Krishna et al. NowCasting: Accurate and precise short-term wind power prediction using hyperlocal wind forecasts
Cao et al. Development of short-term wind power forecasting methods
CN113762608A (zh) 风电场故障风速传感器风速预测方法、装置及存储介质
Sarwar et al. Time series method for machine performance prediction using condition monitoring data
CN115912334A (zh) 风电场出力保证率的预测模型创建方法及预测方法
Li et al. Extraction of Abnormal Points from On-line Operation Data of Intelligent Meter Based on LSTM
Song et al. Design and development of BP neural network-based wind power prediction system of Dechang Wind Farm
Li et al. A Data-based Water-inflow Forcasting Method for Small/medium Sized Hydropower Plants in Spot Market
CN115049443B (zh) 基于多尺度特征的自适应回归气象中长期优化方法及系统
He Adaptive Explainable Continual Learning Framework for Regression Problems with Focus on Power Forecasts
Niu et al. Missing Wind Speed Imputation Research for Wind Farm Considering Wake Effect
Zhang et al. A Regime-Switching Spatio-temporal GARCH Method for Short-Term Wind Forecasting
CN117703809A (zh) 基于CapBLSTM-MOHHO的风机故障诊断方法

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