CN113847214B - 一种大型风力发电机组结冰检测方法 - Google Patents
一种大型风力发电机组结冰检测方法 Download PDFInfo
- Publication number
- CN113847214B CN113847214B CN202111081271.0A CN202111081271A CN113847214B CN 113847214 B CN113847214 B CN 113847214B CN 202111081271 A CN202111081271 A CN 202111081271A CN 113847214 B CN113847214 B CN 113847214B
- Authority
- CN
- China
- Prior art keywords
- power
- wind
- value
- wind speed
- icing
- 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
Links
- 238000001514 detection method Methods 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 17
- 238000010248 power generation Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008014 freezing Effects 0.000 abstract description 3
- 238000007710 freezing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000009434 installation Methods 0.000 description 3
- 238000010977 unit operation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种大型风力发电机组结冰检测方法,进行风机非结冰期的大数据采集,通过高斯过程回归方法对采集的风机运行数据进行处理,建立机组风速‑功率曲线,可同时表征风电机组的确定和不确定出力特征,也能反映风电机组的运行效率。在结冰期,根据实时风速,对比风机实际功率与风速‑功率曲线,若风机实际功率超出风速‑功率曲线的95%置信区间边界,则认定为风机结冰。本发明提出的机组结冰检测方法,使的风机的功率曲线更贴近实际情况,具有较高的参考性。通过风机实际功率与风机功率曲线进行对比来判断机组是否结冰,可以降低风机结冰误判几率,提高机组的利用率。
Description
技术领域
本发明涉及结冰检测技术领域,尤其涉及一种大型风力发电机组结冰检测方法。
背景技术
随着各个国家的经济发展和能源需求矛盾日益凸显,风能作为一种储量丰富、资源分布广泛的可再生清洁能源,受到了各国的高度重视。近年来,我国的风电装机容量持续增长,风电累计装机容量与新增装机容量上均居全球第一。由于风能获取的特殊性决定了大量的风机需要布置在高纬度、高海拔的寒冷地区,在此环境下会出现风向仪结冰或叶片结冰的情况,导致风速数据异常、增大叶片阻力,降低了风能的转化效率,影响风机的稳定性及安全性。因此,风力发电机组的结冰检测方法的研究,对保证风机安全、稳定的运行,提高发电效率有着重要的意义。
目前风机的结冰检测技术通常分为硬件检测以及软件检测两方面。
目前通过硬件检测技术是在风机的机舱顶部安装一套机械式风速风向仪和一套超声波式风速风向仪,利用不同类型风速风向仪采集的风速信号计算出风速偏差及叶片安装结冰传感器来判定风机的结冰状况,然而使用此方法存在较大的缺陷,机组受外部复杂环境影响以及自身风速风向仪机械结构问题,可能会出现机组未结冰而误判为机组结冰的状况,也可能会出现机组已经结冰但未达到严重程度而误判为机组未结冰的情况,因此结果的可靠性较差、极易发生误判,若发生误判将严重影响风机的发电效率和使用寿命,一年中相比风机结冰时期较短,加装结冰传感器增加了风机的成本且利用效率低。
而目前通过软件检测机组结冰的方法一般通过基于使用风机状态数据分类模型作为判断依据,需要大量历史样本得到结冰判断依据,并且计算量大,工程应用不便,数据样本若不全面,则会导致误判。
发明内容
针对现有技术存在的问题,本发明提供一种大型风力发电机组结冰检测方法,进行风机非结冰期的大数据采集,通过高斯过程回归方法对采集的风机运行数据进行处理,建立机组风速-功率曲线,可同时表征风电机组的确定和不确定出力特征,也能反映风电机组的运行效率。在结冰期,根据实时风速,对比风机实际功率与风速-功率曲线,若风机实际功率超出风速-功率曲线的95%置信区间边界,则认定为风机结冰。该检测方法参考数据更贴近风机实际运行状况,大大降低风机结冰误判几率,提高机组的利用率。。
为达到上述目的,本发明提供了一种大型风力发电机组结冰检测方法,包括:
在非结冰期采集风力发电机组的数据;
选择正常发电状态数据;
根据风速与对应的功率数据,由正常发电状态数据构建风速-功率曲线,得到95%置信区间上边界与95%置信区间下边界;
分别对95%置信区间上边界与95%置信区间下边界进行拟合,获得95%置信区间上边界与95%置信区间下边界的拟合曲线;
实时采集风力发电机组的数据,当处于正常发电状态且环境温度小于结冰监测阈值T时开始进行风力发电机组结冰判断,风速仪采集大型风力发电机组叶片处的风速值,功率表采集实际功率值,由风速值分别代入95%置信区间上边界与95%置信区间下边界的拟合曲线计算获得上边界功率值和下边界功率值,如果实际功率值不在上边界功率值和下边界功率值之间,判定为风力发电机组结冰。
进一步地,如果实际功率值高于上边界功率值且持续时间t以上,则判定为风速仪结冰;如果实际功率值低于下边界功率值且持续时间t以上,则判定为风力发电机组叶片结冰。
进一步地,根据风速与对应的功率数据,构建风速-功率曲线,得到95%置信区间上边界与95%置信区间下边界,包括采用高斯过程回归方法。
进一步地,采用高斯过程回归方法包括:
以输入的风速向量为x,功率观测值为y,构建功率观测值y和功率预测值f*之间的联合高斯分布为:
由联合高斯分布计算风速测试点x*对应的功率预测值f*;
计算功率预测值f*的均值:
其中k(x*,x)为x*,x的协方差矩阵,x*为风速测试点,k(x*,x)为x*,x的协方差矩阵,I为N*N的单位矩阵,k(x,x)表示N*N阶对称正定的风速协方差矩阵,N为学习样本的数据量,为功率观测值的方差;
计算风速测试点x*对应的功率预测值f*的方差:
计算95%置信区间上边界曲线:
计算95%置信区间下边界曲线:
其中y1*为风速测试点x*对应95%置信区间上边界功率预测值,y2*为风速测试点x*对应95%置信区间下边界功率预测值,z值表示标准差的倍数,通过z检验表获得,n为功率观测值样本数量。
进一步地,对95%置信区间上边界与95%置信区间下边界进行拟合,包括,分别对风速区间进行等间隔划分,每个间隔内进行分段线性拟合。
进一步地,在非结冰期采集风力发电机组的数据,包括风速、风向、机组发电功率、环境温度、齿轮箱温度以及机组运行状态;选择风速在设定范围内、风向与叶轮方向夹角小于阈值、环境温度高于结冰监测阈值、齿轮箱温度在设定范围内、机组运行状态为正常运行状态的风力发电机组的数据,作为正常发电状态数据。
进一步地,实时采集风力发电机组的数据包括风速、风向、机组发电功率、环境温度、齿轮箱温度以及机组运行状态;当风速在设定范围内、风向与叶轮方向夹角小于阈值、环境温度低于结冰监测阈值、齿轮箱温度在设定范围内、机组运行状态为正常运行状态时进行风力发电机组结冰判断。
进一步地,T为1~5℃。
进一步地,t为5~10min。
本发明的上述技术方案具有如下有益的技术效果:
(1)本发明提出的机组结冰检测方法,是通过大量风机实际运行数据分析处理实现的,与当前传统的机组风向仪结冰、叶片结冰方法相比较,首次通过采集大量的风机运行数据,利用高斯过程回归方法,建立机组风速-功率曲线,可同时表征风电机组的确定和不确定出力特征,也能反映风电机组的运行效率。使的风机的功率曲线更贴近实际情况,具有较高的参考性。
(2)本发明通过风机实际功率与风机功率曲线进行对比来判断机组是否结冰,可以降低风机结冰误判几率,提高机组的利用率。
(3)本发明无需设置结冰传感器,降低机组成本。
(4)本发明能够准确判断风速仪结冰或风力发电机组叶片结冰,定位准确,便于检修操作。
附图说明
图1是检测方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
提供一种大型风力发电机组结冰检测方法,结合图1,包括如下步骤:
(1)在非结冰期采集风力发电机组的数据。
在一个实施例中,采集选取河南省某风电场,该场区起伏较小,地表多为草坡、草地,属低山丘陵区,风电场环境温度在-37.3℃至34℃之间,空气密度为1.056kg/m3,适合风机运行数据的采集工作,数据采集时间定为秋季,此季节风况较好且为非结冰期,防止风机结冰导致采集的原始数据失去研究意义,风机运行数据需要长时间采集,采集具体变量包括风速、风向、机组发电功率、环境温度、齿轮箱温度、机组运行状态等信息。机组运行状态包括,机组正常发电状态、机组限功率状态、停机状态等。
(2)选择正常发电状态数据。
机组运行数据先进行非有效数据的剔除工作,选取风速处于机组运行设计范围内数据,剔除风机非发电状态数据及限功率状态数据,且风机实时保持对风状态,保证风速-功率原始数据具有参考意义,使得到的结果具有可信度。剔除的数据包括:风速不在设定范围内的数据,齿轮箱温度不在设定范围内的数据,风向与叶轮方向夹角大于阈值的数据,环境温度低于5度的数据,机组运行状态包括限功率状态、待机、检修等状态的数据。
(3)根据风速与对应的功率数据,由正常发电状态数据构建风速-功率曲线,得到95%置信区间上边界与95%置信区间下边界。
采用高斯过程回归方法,根据风速及对应功率数据建立机组的风速-功率曲线,得到95%置信区间上边界与95%置信区间下边界,具体方法如下。
对应给定的数据集合D={(xi,yi)}i=1 n,其中xi为风速数据矩阵,yi为功率数据矩阵,数据集合D中f(x(1))、f(x(2))、…、f(x(n))可构成随机变量的一个集合,具有联合高斯分布,高斯过程的全部统计特征有均值函数m(x)和协方差函数k(x,x′)组成,即:
f(x)~GP(m(x),k(x,x′))
将含噪声考虑到功率观测目标值y中,可建立高斯过程回归问题一般模型,即:
y=f(x)+ε
x为输入的风速向量,f(x)是风速功率回归函数,y为受加性噪声污染的功率观测值,ε为独立的高斯白噪声,符合高斯分布,均值为0,方差为可记作/>f(x)是风速功率回归函数,x风速观测值和y功率观测值是已知的,为前期风场采集的学习样本数据(即风速观测值、功率观测值)。
则可得到功率观察值y联合分布的集合可形成一个高斯过程:
功率观测值y和功率预测值f*之间的联合高斯分布为:
式中m(x)为功率均值函数,I为N*N的单位矩阵,k(x,x)表示N*N阶对称正定的风速协方差矩阵,矩阵元素kij=k(xi,xj)。由此可以计算出主要的GP回归方程,即:
f*|x,y,x*~N(m*,cov(f*))
其中m*为风速测试点x*对应的功率预测值f*的均值,cov(f*)为风速测试点x*对应的功率预测值f*的方差。
根据功率预测值均值及功率预测值方差可得出,95%置信区间上边界曲线:
与95%置信区间下边界曲线:
其中y1*为风速测试点x*对应95%置信区间上边界功率预测值,y2*为风速测试点x*对应95%置信区间下边界功率预测值,z值表示有多少标准差,可根据z检验表查询得到95%置信区间对应值,n为功率观测值样本数量。
(4)分别对95%置信区间上边界与95%置信区间下边界进行拟合,获得95%置信区间上边界与95%置信区间下边界的拟合曲线。
通过高斯过程回归方法得到的风速-功率曲线数据区间为[a,b],将该区间进行等间隔划分[a,a+1/N*(b-a),a+2/N*(b-a),…,a+(N-1)/N*(b-a),b],其中N为区间段数量。若N足够大,则每个区间的95%置信区间上边界与95%置信区间下边界曲线都可视为一段线性相关线段,可通过具体函数在程序中实现每个区间的95%置信区间上边界与95%置信区间下边界的表达。
(5)实时采集风力发电机组的数据,当处于正常发电状态且环境温度小于结冰监测阈值T时开始进行风力发电机组结冰判断。
实时采集风力发电机组的数据包括风速、风向、机组发电功率、环境温度、齿轮箱温度以及机组运行状态;当风速在设定范围内、风向与叶轮方向夹角小于阈值、环境温度低于结冰监测阈值、齿轮箱温度在设定范围内、机组运行状态为正常运行状态时进行风力发电机组结冰判断。风速值分别代入95%置信区间上边界与95%置信区间下边界的拟合曲线计算获得上边界功率值和下边界功率值,如果实际功率值不在上边界功率值和下边界功率值之间,判定为风力发电机组结冰。一旦判断发生结冰,则进行停机检查,现场工作人员进行进一步排查。
当环境温度小于5℃时开始进行风机结冰判断,在风机处于正常运行状态且未限功率时,根据风机采集的风速值可得到对应区间的95%置信区间上边界与95%置信区间下边界功率值,将此时风机的实际功率值与对应区间的95%置信区间上边界与95%置信区间下边界功率值进行对比,若高于上边界值且保持5分钟以上,说明此时风机并不是偶然性功率过高,为风速仪采集风速值偏低造成,判定为风速仪结冰;若低于下边界值且保持5分钟以上,说明此时风机并不是偶然性功率过低,判定为叶片结冰。
综上所述,本发明涉及一种大型风力发电机组结冰检测方法,进行风机非结冰期的大数据采集,通过高斯过程回归方法对采集的风机运行数据进行处理,建立机组风速-功率曲线,可同时表征风电机组的确定和不确定出力特征,也能反映风电机组的运行效率。在结冰期,根据实时风速,对比风机实际功率与风速-功率曲线,若风机实际功率超出风速-功率曲线的95%置信区间边界,则认定为风机结冰。本发明提出的机组结冰检测方法,使的风机的功率曲线更贴近实际情况,具有较高的参考性。通过风机实际功率与风机功率曲线进行对比来判断机组是否结冰,可以降低风机结冰误判几率,提高机组的利用率。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (6)
1.一种大型风力发电机组结冰检测方法,其特征在于,包括:
在非结冰期采集风力发电机组的数据;
选择正常发电状态数据;
根据风速与对应的功率数据,由正常发电状态数据构建风速-功率曲线,得到95%置信区间上边界与95%置信区间下边界,包括采用高斯过程回归方法:以输入的风速向量为x,功率观测值为y,构建功率观测值y和功率预测值f*之间的联合高斯分布;
分别对95%置信区间上边界与95%置信区间下边界进行拟合,获得95%置信区间上边界与95%置信区间下边界的拟合曲线;
实时采集风力发电机组的数据,当处于正常发电状态且环境温度小于结冰监测阈值T时开始进行风力发电机组结冰判断,风速仪采集大型风力发电机组叶片处的风速值,功率表采集实际功率值,由风速值分别代入95%置信区间上边界与95%置信区间下边界的拟合曲线计算获得上边界功率值和下边界功率值,如果实际功率值不在上边界功率值和下边界功率值之间,判定为风力发电机组结冰;
其中,在非结冰期采集风力发电机组的数据,包括风速、风向、机组发电功率、环境温度、齿轮箱温度以及机组运行状态;选择风速在设定范围内、风向与叶轮方向夹角小于阈值、环境温度高于结冰监测阈值、齿轮箱温度在设定范围内、机组运行状态为正常运行状态的风力发电机组的数据,作为正常发电状态数据;实时采集风力发电机组的数据包括风速、风向、机组发电功率、环境温度、齿轮箱温度以及机组运行状态;当风速在设定范围内、风向与叶轮方向夹角小于阈值、环境温度低于结冰监测阈值、齿轮箱温度在设定范围内、机组运行状态为正常运行状态时进行风力发电机组结冰判断。
2.根据权利要求1所述的大型风力发电机组结冰检测方法,其特征在于,如果实际功率值高于上边界功率值且持续时间t以上,则判定为风速仪结冰;如果实际功率值低于下边界功率值且持续时间t以上,则判定为风力发电机组叶片结冰。
3.根据权利要求2所述的大型风力发电机组结冰检测方法,其特征在于,采用高斯过程回归方法还包括:
以输入的风速向量为x,功率观测值为y,构建功率观测值y和功率预测值f*之间的联合高斯分布为:
由联合高斯分布计算风速测试点x*对应的功率预测值f*;
计算功率预测值f*的均值:
其中k(x*,x)为x*,x的协方差矩阵,x*为风速测试点,k(x*,x)为x*,x的协方差矩阵,I为N*N的单位矩阵,k(x,x)表示N*N阶对称正定的风速协方差矩阵,N为学习样本的数据量,为功率观测值的方差;
计算风速测试点x*对应的功率预测值f*的方差:
计算95%置信区间上边界曲线:
计算95%置信区间下边界曲线:
其中y1*为风速测试点x*对应95%置信区间上边界功率预测值,y2*为风速测试点x*对应95%置信区间下边界功率预测值,z值表示标准差的倍数,通过z检验表获得,n为功率观测值样本数量。
4.根据权利要求1或2所述的大型风力发电机组结冰检测方法,其特征在于,对95%置信区间上边界与95%置信区间下边界进行拟合,包括,分别对风速区间进行等间隔划分,每个间隔内进行分段线性拟合。
5.根据权利要求1或2所述的大型风力发电机组结冰检测方法,其特征在于,T为1~5℃。
6.根据权利要求2所述的大型风力发电机组结冰检测方法,其特征在于,t为5~10min。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081271.0A CN113847214B (zh) | 2021-09-15 | 2021-09-15 | 一种大型风力发电机组结冰检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081271.0A CN113847214B (zh) | 2021-09-15 | 2021-09-15 | 一种大型风力发电机组结冰检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113847214A CN113847214A (zh) | 2021-12-28 |
CN113847214B true CN113847214B (zh) | 2023-12-29 |
Family
ID=78974040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111081271.0A Active CN113847214B (zh) | 2021-09-15 | 2021-09-15 | 一种大型风力发电机组结冰检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113847214B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114753980B (zh) * | 2022-04-29 | 2024-06-04 | 南京国电南自维美德自动化有限公司 | 一种风机叶片结冰监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108223307A (zh) * | 2016-12-15 | 2018-06-29 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
CN110273818A (zh) * | 2019-06-10 | 2019-09-24 | 浙江大学 | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 |
CN110334875A (zh) * | 2019-07-10 | 2019-10-15 | 东北电力大学 | 计及评估指标冲突的风电功率组合概率预测方法 |
CN110659672A (zh) * | 2019-09-02 | 2020-01-07 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 |
CN112324615A (zh) * | 2020-11-26 | 2021-02-05 | 中国船舶重工集团海装风电股份有限公司 | 一种风力发电机组结冰控制方法、系统及相关组件 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120226485A1 (en) * | 2011-03-03 | 2012-09-06 | Inventus Holdings, Llc | Methods for predicting the formation of wind turbine blade ice |
-
2021
- 2021-09-15 CN CN202111081271.0A patent/CN113847214B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108223307A (zh) * | 2016-12-15 | 2018-06-29 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
CN110273818A (zh) * | 2019-06-10 | 2019-09-24 | 浙江大学 | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 |
CN110334875A (zh) * | 2019-07-10 | 2019-10-15 | 东北电力大学 | 计及评估指标冲突的风电功率组合概率预测方法 |
CN110659672A (zh) * | 2019-09-02 | 2020-01-07 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 |
CN112324615A (zh) * | 2020-11-26 | 2021-02-05 | 中国船舶重工集团海装风电股份有限公司 | 一种风力发电机组结冰控制方法、系统及相关组件 |
Also Published As
Publication number | Publication date |
---|---|
CN113847214A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108343566B (zh) | 一种基于风电机组运行状态的叶片覆冰故障在线监测方法及系统 | |
WO2022100021A1 (zh) | 基于风机相互预警的虚拟激光雷达系统及方法 | |
CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
Chen et al. | Learning deep representation for blades icing fault detection of wind turbines | |
CN113847214B (zh) | 一种大型风力发电机组结冰检测方法 | |
CN112832960A (zh) | 一种基于深度学习的风机叶片结冰检测方法和存储介质 | |
CN108062722B (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 | |
CN115095487A (zh) | 基于多源异构scada数据的风电机组状态监测方法 | |
Zhai et al. | Medium and long-term wind power prediction based on artificial fish swarm algorithm combined with extreme learning machine | |
CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
CN106677985A (zh) | 一种风力发电机组评估系统及其预测控制服务系统 | |
CN111794921B (zh) | 一种基于迁移成分分析的陆上风电机组叶片结冰诊断方法 | |
CN110985315A (zh) | 一种检测风机叶片结冰的早期预测方法 | |
CN202768252U (zh) | 风力发电机组结冰控制装置 | |
CN115450864A (zh) | 一种基于合成少数类样本的风电机组叶片结冰诊断方法 | |
CN114607571A (zh) | 一种运用润滑系统监测的海上风电齿轮箱故障识别方法及系统 | |
Han et al. | Characteristic curve fitting method of wind speed and wind turbine output based on abnormal data cleaning | |
CN110334951A (zh) | 一种风电机组高温降容状态的智能评估方法及系统 | |
Xie et al. | Data Cleaning and Modeling of Wind Power Curves | |
Heinilä | Long-term correction of icing losses based on operational data from three wind farms in Finland | |
Lou et al. | A data-mining approach for wind turbine power generation performance monitoring based on power curve | |
CN118008729B (zh) | 一种基于北斗的海上风机结构状态监控方法及系统 | |
Deepalakshmi et al. | An assessment of potential windmills using image processing and artificial intelligence (AI) based wind speed estimation | |
Yang et al. | Confidence intervals of six distance indices estimated by numerical simulations |
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 |