CN114049014A - 海上风电机组运行状态评估方法、装置及系统 - Google Patents
海上风电机组运行状态评估方法、装置及系统 Download PDFInfo
- Publication number
- CN114049014A CN114049014A CN202111351664.9A CN202111351664A CN114049014A CN 114049014 A CN114049014 A CN 114049014A CN 202111351664 A CN202111351664 A CN 202111351664A CN 114049014 A CN114049014 A CN 114049014A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- state
- turbine generator
- prediction
- parameters
- 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 43
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种海上风电机组运行状态评估方法、装置及系统,所述方法包括利用预设的风电机组状态参量预测模型对风电机组状态参量进行预测,获得风电机组状态预测参量,所述风电机组状态参量预测模型是结合注意力机制和GRU神经网络建立获得的;将所述风电机组状态预测参量和真实参量的残差,与基于风电机组状态参量计算出的自适应阈值进行比较,完成风电机组状态预测。本发明法能够在保证状态预测精度的前提下有效避免触发虚警,显著提高了海上风电机组运行状态评估的准确性。
Description
技术领域
本发明属于故障诊断领域,具体涉及一种海上风电机组运行状态评估方法、装置及系 统,尤其涉及一种基于深度学习和注意力机制的海上风电机组运行状态评估方法、装置及 系统。
背景技术
近年来我国海上风电发展迅速,逐步呈现由近海到远海、由浅海到深海的趋势。我国 沿海经济发达地区海上风电的发展可有效缓解该地区能源匮乏、电源结构单一的矛盾,还 便于风电的大规模就地消纳和利用。然而,由于海上环境复杂多变,导致获取的风电机组 SCADA数据具有非平稳性、波动性强等特点,这使得对海上风电机组进行状态评估的难度远大于陆上机组,因此海上风电机组状态评估一直是海上风电运维的研究热点,如何提高海上风电机组状态评估的准确性是亟待解决的关键问题。
发明内容
针对上述问题,本发明提出一种海上风电机组运行状态评估方法、装置及系统,将注 意力机制与GRU神经网络相结合,以此保证海上风电机组状态评估结果的准确性。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种海上风电机组运行状态评估方法,包括:
利用预设的风电机组状态参量预测模型对风电机组状态参量进行预测,获得风电机组 状态预测参量,所述风电机组状态参量预测模型是结合注意力机制和GRU神经网络建立 获得的;
将所述风电机组状态预测参量和真实参量的残差,与基于风电机组状态参量计算出的 自适应阈值进行比较,完成风电机组状态预测。
可选地,所述风电机组状态参量预测模型包括相连的注意力层和GRU层;所述注意力层用于对风电机组状态参量分配注意力权重;所述GRU层用于基于带有权重的风电机 组状态参量,对下一时间步的风电机组状态参量进行预测。
可选地,所述注意力层通过tanh和Softmax函数对风电机组状态参量加入注意力权重, 其输出信号的表达式为:
fi=VTσ(W*Xi),i=1,2,3…m
其中,X为风电机组状态参量,X′为加入注意力权重的风电机组状态参量,ωi为第i 个参量的注意力权重,i=1,2,3…m,m为风电机组状态参量的数据长度,W和V为可训 练矩阵,随模型不断优化调整,σ为tanh激活函数,将每个时间步构造为长度为T的输入 向量
可选地,所述GRU层的输出信号的表达式为:
其中,Wrx、Wrh、Wzx、Wzh、Whx、Whh代表权重矩阵,⊙代表点乘运算,Xt表示在t时 刻风电机组状态参量,br、bz、bh代表偏置,ht代表t时刻隐藏节点,代表第一个候选状 态,rt代表重置门,zt代表更新门。
可选地,所述残差的计算公式为:
可选地,所述自适应阈值的获取方法包括:
将计算出的残差按固定长度窗口滑动,计算窗口数据的均值和方差和阈值;
将时间窗口的下一个实际值和均值和方差比较,若超出阈值则为异常值点;
若为异常值点,则对异常值点做平滑处理。
可选地,所述均值的计算公式为:
所述方差的计算公式为:
所述阈值的计算公式为:
δT+1=avgT+1+σstdT+1
其中,Xt是经过平滑处理后t时刻的残差值,α为滑动窗口宽度,σ为阈值系数,δT+1为T+1时刻的阈值;
所述平滑处理采用的计算公式为:
Xt=βxt+(1-β)Xt-1,β∈(0,1)
其中,Xt为平滑后t时刻的残差值,xt为平滑前t时刻的残差值,β为平滑系数,β 越大代表当前值对平滑值的影响越大。
可选地,所述利用预设的风电机组状态参量预测模型对风电机组状态参量进行预测步 骤之前,还包括:将风电机组状态参量进行归一化处理,归一化处理后的结果的表达式为:
其中,xmax和xmin分别对应各参量的最大值和最小值,x′为归一化处理后的风电机组 状态参量,x为归一化处理前的风电机组状态参量。
第二方面,本发明提供了一种海上风电机组运行状态评估装置,包括:
第一预测模块,用于利用预设的风电机组状态参量预测模型对风电机组状态参量进行 预测,获得风电机组状态预测参量,所述风电机组状态参量预测模型是结合注意力机制和 GRU神经网络建立获得的;
第二预测模块,用于将所述风电机组状态预测参量和真实参量的残差,与基于风电机 组状态参量计算出的自适应阈值进行比较,完成风电机组状态预测。
第三方面,本发明提供了一种海上风电机组运行状态评估系统,包括存储介质和处理 器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述的方法。
与现有技术相比,本发明的有益效果:
本发明首先根据海上风电机组状态评估的要求给出GRU神经网络及注意力机制的具 体模型,实现对风电机组的状态预测。接着,对预测结果的残差采用一种自适应的阈值进 一步实现风电机组的状态评估。利用我国江苏省某海上风电场实际风电机组运行SCADA数据对所提方法进行验证。结果表明,本发明中提出的注意力机制与GRU神经网络相结 合的方法能够准确辨别海上风电机组运行过程中的正常状态和故障状态,相比传统的预测方法具有更高的准确性。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发 明作进一步详细的说明,其中:
图1为GRU神经网络结构图;
图2为基于GRU和注意力机制的海上风电机组运行参量预测模型;
图3为基于自适应阈值的海上风电机组运行状态评估流程;
图4为预处理后风电机组SCADA数据;
图5为不同迭代次数下的模型损失值;
图6为不同模型下齿轮箱油温量测值预测效果;
图7为采用自适应阈值的GRU状态评估报警图;
图8为采用自适应阈值的Attention+GRU状态评估报警图;
图9为采用3σ准则的恒定阈值报警图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进 行进一步详细说明。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 限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中提供了一种海上风电机组运行状态评估方法,包括:
利用预设的风电机组状态参量预测模型对风电机组状态参量进行预测,获得风电机组 状态预测参量,所述风电机组状态参量预测模型是结合注意力机制和GRU神经网络建立 获得的;
将所述风电机组状态预测参量和真实参量的残差,与基于风电机组状态参量计算出的 自适应阈值进行比较,完成风电机组状态预测。
在本发明实施例的一种具体实施方式中,所述风电机组状态参量预测模型包括相连的 注意力层和GRU层(即Attention+GRU模型),所述GRU层为GRU神经网络,即在GRU 神经网络前引入注意力机制。以风电机组某一固定时间窗口内的风电机组状态参量(风电 机组SCADA数据)作为输入,通过注意力层对各参量分配注意力权重;之后将带有权重 的SCADA数据送入GRU层,对下一时间步的风电机组状态参量进行预测。GRU神经网 络由于具有门控机制,能很好地处理长期记忆问题,因此可以有效地对随时间推移而获取 的海上风电机组SCADA时序数据进行分析处理,从而实现对实际机组运行状态的评估; 在GRU神经网络层前引入注意力层,从而显著提高风电机组SCADA数据状态参量的捕 捉效率和准确性。引入注意力机制,就是对GRU神经网络中输入的每一个状态参量设置 一个权重,从而更好地抓中输入参量的维度特征。
GRU神经网络属于LSTM神经网络的变体,由于具有门控机制,GRU能很好地处理 长期记忆问题,因此可以有效地对随时间推移而获取的海上风电机组SCADA时序数据进 行分析处理,从而实现对机组运行状态的评估。GRU神经网络在结构上比LSTM更简单, 只拥有两个门,即重置门和更新门。重置门决定遗忘先前信息的程度,更新门用于选择和 丢弃新信息。同时,GRU比LSTM的参数少,训练速度快,能够显著提高训练效率。
GRU的结构如图1所示,其输入由当前节点状态xt和上个节点的隐藏状态ht-1构成,其中ht-1包含了先前的输入信息;GRU的输出为yt和当前节点的隐藏状态ht。通过xt、ht-1以及激活函数获取当前节点的更新门和重置门信息。由ht-1和xt得到重置门r的信息,之后 将ht-1′和xt拼接后的数据带入到tanh中得到 中包含了当前输入xt和先前输入的隐藏 信息。最终得到当前节点的隐藏信息GRU神经网络的最终输出 由输出门和门控单元共同决定,如式(1)所示:
其中,将输出压缩到0-1之间;Wrx、Wrh、Wzx、Wzh、Whx、Whh代表权重矩阵,⊙代表 点乘运算,Xt表示在t时刻风电机组状态参量,br、bz、bh代表偏置,ht代表t时刻隐 藏节点,代表第一个候选状态,rt代表重置门,zt代表更新门。
在海上风电机组状态评估过程中,将每个时间步的风电机组SCADA数据构造为长度为 T的向量这里m即表示风电机组SCADA数据的长度,t表示时间。将经过预处理的风电机组某一时间段内的SCADA数据送入注意力层,之后将GRU隐层 输出通过全连接层实现预测。
Attention机制计算步骤如下:
fi=VTσ(W*Xi),i=1,2,3…m (2)
X′i=ωiXi,i=1,2,3…m (4)
其中,W和V是可训练矩阵,随模型不断优化调整,σ为tanh激活函数。
综上,可得到本发明基于GRU和注意力机制的风电机组参量预测模型,如图2所示。
将图2中风电机组参量预测模型得到的预测参量与实际参量作为进一步状态评估部分 的输入,可以评估出海上风电机组在当前时间点的运行状态。当风电机组正常运行时,风 电机组SCADA数据均在一定范围内波动,将风电机组正常运行时的SCADA数据作为模型训练的样本,学习风电机组在各种工况下参数的关联关系。将固定步长的风电机组SCADA数据时间序列作为模型输入,利用GRU神经网络预测出风电机组在下一个时间步 的SCADA数据。若风电机组正常运行,则预测出的输出序列和实际值非常接近;当风电 机组发生异常时,例如强烈振动和温度急剧升高等,SCADA数据内部的关联关系将被破 坏,此时预测值和实际值产生较大偏离。将T+1时刻的实际值和预测值的残差作为风 电机组状态评估指标,的计算方法为:
然而,风电机组运行时的Re具有非平稳性,即使当机组正常运行时,由于风速等因素 影响,Re序列会产生较大的波动性,因此设定一个恒定的阈值容易在状态评估过程中使机 组产生误报警,本发明考虑采用随Re序列波动而变化的阈值来提高评估的精确度,降低误 报警的可能性。
本发明采用一种时间序列异常点检测算法(Smoothed Z-score)评估海上风电机组运 行状态的异常点。Smoothed Z-score算法利用过去一段数据的时间窗口的方差和均值信息 预测下一个时间步的值,当实际值超过某一个阈值时,认为是异常点;由于异常点会造成 数据不平滑从而影响下一个异常点的评估,Smoothed Z-score会对异常点数值进行平滑处 理。自适应阈值评估风电机组状态流程如图3所示,具体包括以下步骤:
①将残差(时间序列)按固定长度窗口滑动,计算窗口数据的均值和方差和阈值;
②将时间窗口的下一个实际值和均值和方差比较,若超出阈值则为异常值点;
③若为异常值点,则对异常值点做平滑处理;否则不做处理;
④返回步骤①,对处理后的时间序列做滑动窗口。
仿真分析:
本实施例在Python平台上进行仿真验证。为验证所提出算法的有效性,本发明选取江 苏某海上风电场01号风电机组2021年1月到6月的SCADA数据进行分析和计算。SCADA数据集每10min采样一次,共计23238条数据。采集的数据参量包括风速、机舱温度、齿 轮箱油温等,如表1所示。
表1
考虑到海上风电机组运行环境恶劣,SCADA数据中易存在大量异常数据及出现缺失 数据的情况,因此需要先通过有效的数据预处理手段提高数据质量。针对异常数据问题, 本发明利用箱型图法快速识别异常值并直观描述数据分布情况。针对缺失数据问题,本发 明采用随机森林对缺失数据进行填补。以风电机组温度的SCADA数据为例,证明本发明 进行数据预处理的有效性。由图4可以看出,经过预处理后的SCADA数据波动性明显减弱,且信息缺失问题得到明显改善,这为进一步使用Attention+GRU模型预测风电机组状态进而进行状态评估提供了良好的时间序列。
为了避免使用Attention+GRU模型时参量数量级不同的问题,在预测前首先将风电机 组SCADA数据的各个参量进行归一化处理:
其中,xmax和xmin分别对应各参量的最大值和最小值。
选取只包含正常状态的连续数据集作为模型的训练集。在模型参数方面,本发明将输 入序列长度设为50,也就是利用1~50个连续的参量对第51时刻的参量进行建模。GRU的输入维度为19,隐藏层维度为128,模型输出维度为19。设置模型的学习率为0.0001, 损失函数选择MSELoss,根据图5不同迭代次数下的模型损失值曲线可知,当模型迭代超 过1000时损失值曲线较为平缓,为了进一步提高模型精确度选择模型迭代次数为5000次, 训练批次为128,优化器选择Adam优化器。
为了验证发明Attention+GRU方法的有效性,这里将单独使用LSTM网络、单独使用GRU网络、Attention+LSTM模型及Attention+GRU模型的风电机组运行参量预测效果进 行对比,如图6所示。由图中可以看出,采用Attention+GRU神经网络相结合的方式可以 显著提高模型预测精度。表2给出了分别采用四种方法时,以各参量均方根误差(Root MeanSquare Error,RMSE)之和为评分标准时的拟合度评分,评分越小代表拟合度越高。由表2中的结果也可以看出Attention+GRU方法的优越性。
表2
选取该风电机组6月2号之后的运行数据作为海上风电机组状态评估的测试集,经过 调试,将滑动时间窗口宽度设置为1000,平滑系数设置为0.5,阈值系数设置为4.5时,自适应阈值曲线波动性较小,预测效果比较稳定。单独采用GRU网络的海上风电机组运 行状态评估报警如图7所示,机组大约在6月5日19:40发出误报警信号,而当前风电 机组运行状态为正常并网。如图8所示,采用Attention+GRU模型预测大约在6月6日16: 40之后风电机组才出现连续故障信号,之后进行停机检修,与实际情况相符,因此与传统 的GRU模型相比,Attention+GRU在预测精度上有明显提高。
从表3可以看出,在6月1日到6月6日的测试集中采用Attention+GRU预测模型相比其他模型误判次数明显减少,由于机组在采集到第一个故障信号后立刻进行停机检修,其误判次数多为停机维护时将故障机组判定为正常,因此虽然Attention+GRU模型仍有误判但实际中对维护操作几乎不构成影响;而单独使用GRU模型的第一个故障信号出现在6月5日,属于误报警。
表3
为了进一步证明自适应阈值的优越性,本发明使用一种基于3σ准则的恒定阈值设置方 法做对比,采用Attention+GRU模型进行风电机组状态参量预测,取训练集中所有数据计 算平均值和方差,根据3σ准则计算阈值,将阈值带入测试集中后所得的结果如图9所示, 由图可知根据3σ准则设定的阈值恒定,然而在6月6日越过故障点并不发出报警信号。因 此恒定阈值在本算例中不能很好地辨别异常数据,与本发明方案相比灵敏度较差。
实施例2
基于与实施例1相同的发明构思,本发明实施例中提供了一种海上风电机组运行状态 评估装置,包括:
第一预测模块,用于利用预设的风电机组状态参量预测模型对风电机组状态参量进行 预测,获得风电机组状态预测参量,所述风电机组状态参量预测模型是结合注意力机制和 GRU神经网络建立获得的;
第二预测模块,用于将所述风电机组状态预测参量和真实参量的残差,与基于风电机 组状态参量计算出的自适应阈值进行比较,完成风电机组状态预测。
其余部分均与实施例1相同。
实施例3
基于与实施例1相同的发明构思,本发明实施例中提供了一种海上风电机组运行状态 评估系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述的方法。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员 应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明 的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化 和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等 效物界定。
Claims (10)
1.一种海上风电机组运行状态评估方法,其特征在于,包括:
利用预设的风电机组状态参量预测模型对风电机组状态参量进行预测,获得风电机组状态预测参量,所述风电机组状态参量预测模型是结合注意力机制和GRU神经网络建立获得的;
将所述风电机组状态预测参量和真实参量的残差,与基于风电机组状态参量计算出的自适应阈值进行比较,完成风电机组状态预测。
2.根据权利要求1所述的一种海上风电机组运行状态评估方法,其特征在于:所述风电机组状态参量预测模型包括相连的注意力层和GRU层;所述注意力层用于对风电机组状态参量分配注意力权重;所述GRU层用于基于带有权重的风电机组状态参量,对下一时间步的风电机组状态参量进行预测。
6.根据权利要求1所述的一种海上风电机组运行状态评估方法,其特征在于:所述自适应阈值的获取方法包括:
将计算出的残差按固定长度窗口滑动,计算窗口数据的均值和方差和阈值;
将时间窗口的下一个实际值和均值和方差比较,若超出阈值则为异常值点;
若为异常值点,则对异常值点做平滑处理。
9.一种海上风电机组运行状态评估装置,其特征在于,包括:
第一预测模块,用于利用预设的风电机组状态参量预测模型对风电机组状态参量进行预测,获得风电机组状态预测参量,所述风电机组状态参量预测模型是结合注意力机制和GRU神经网络建立获得的;
第二预测模块,用于将所述风电机组状态预测参量和真实参量的残差,与基于风电机组状态参量计算出的自适应阈值进行比较,完成风电机组状态预测。
10.一种海上风电机组运行状态评估系统,其特征在于:包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111351664.9A CN114049014A (zh) | 2021-11-16 | 2021-11-16 | 海上风电机组运行状态评估方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111351664.9A CN114049014A (zh) | 2021-11-16 | 2021-11-16 | 海上风电机组运行状态评估方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049014A true CN114049014A (zh) | 2022-02-15 |
Family
ID=80209563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111351664.9A Pending CN114049014A (zh) | 2021-11-16 | 2021-11-16 | 海上风电机组运行状态评估方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049014A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270491A (zh) * | 2022-08-06 | 2022-11-01 | 福建华电福瑞能源发展有限公司福建分公司 | 基于多元信息融合的海上风电运维平台设计方法 |
-
2021
- 2021-11-16 CN CN202111351664.9A patent/CN114049014A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270491A (zh) * | 2022-08-06 | 2022-11-01 | 福建华电福瑞能源发展有限公司福建分公司 | 基于多元信息融合的海上风电运维平台设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214566B (zh) | 基于长短期记忆网络的风电功率短期预测方法 | |
CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
US11418029B2 (en) | Method for recognizing contingencies in a power supply network | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN111091233A (zh) | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 | |
CN113420509A (zh) | 一种风电机组状态评价方法、装置及存储介质 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN113705922A (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN114049014A (zh) | 海上风电机组运行状态评估方法、装置及系统 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
Qu et al. | Data imputation of wind turbine using generative adversarial nets with deep learning models | |
CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN113837443B (zh) | 基于深度BiLSTM的变电站线路负载预测方法 | |
Vogt et al. | Multi-task distribution learning approach to anomaly detection of operational states of wind turbines | |
CN112685900B (zh) | 一种表征冲击负荷功率特性的电力负荷模拟方法 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
Hu et al. | Bayesian averaging-enabled transfer learning method for probabilistic wind power forecasting of newly built wind farms | |
Pérez-Pérez et al. | Fault detection and isolation in wind turbines based on neuro-fuzzy qLPV zonotopic observers | |
CN112183814A (zh) | 一种短期风速预测方法 | |
Liu et al. | A Bayesian deep learning-based probabilistic risk assessment and early-warning model for power systems considering meteorological conditions |
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 |