CN114117887B - 风电机组的在线发电性能的实时评估方法、系统及介质 - Google Patents

风电机组的在线发电性能的实时评估方法、系统及介质 Download PDF

Info

Publication number
CN114117887B
CN114117887B CN202111264967.7A CN202111264967A CN114117887B CN 114117887 B CN114117887 B CN 114117887B CN 202111264967 A CN202111264967 A CN 202111264967A CN 114117887 B CN114117887 B CN 114117887B
Authority
CN
China
Prior art keywords
power generation
wind turbine
active power
turbine generator
instantaneous efficiency
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
Application number
CN202111264967.7A
Other languages
English (en)
Other versions
CN114117887A (zh
Inventor
朱俊杰
王维海
王文锋
王一冰
任鑫
李晖
赵登峰
尹伟伟
刘旭亮
吴昊
吕亮
祝金涛
武青
李遥宇
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.)
Huaneng Lijin Wind Power Co ltd
Huaneng Clean Energy Research Institute
Original Assignee
Huaneng Lijin Wind Power Co ltd
Huaneng Clean Energy Research Institute
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 Huaneng Lijin Wind Power Co ltd, Huaneng Clean Energy Research Institute filed Critical Huaneng Lijin Wind Power Co ltd
Priority to CN202111264967.7A priority Critical patent/CN114117887B/zh
Publication of CN114117887A publication Critical patent/CN114117887A/zh
Application granted granted Critical
Publication of CN114117887B publication Critical patent/CN114117887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本申请提出了一种风电机组的在线发电性能的实时评估方法、系统及介质，该方法包括：根据有功功率和对应的标准功率计算瞬时效率；根据风速对机组的工况进行划分，在每个第一工况内对瞬时效率进行等级划分，并根据滑动窗口和多个连续的瞬时效率的等级计算发电指数；根据有功功率预测模型的训练集中的桨距角和偏航误差对风电机组的工况进行划分，针对每个第二工况训练对应的有功功率预测模型，根据有功功率的实际值和预测值，计算机组的发电潜力；根据瞬时效率、发电指数和发电潜力评估机组的发电性能。该方法考虑了机组的实际运行状况，根据有功功率等级化模型以及基于有功功率的发电指数和发电潜力，对风电机组发电性能进行全面和准确的评估。

Description

风电机组的在线发电性能的实时评估方法、系统及介质
技术领域
本申请涉及风力发电技术领域，尤其涉及一种风电机组的在线发电性能的实时评估方法、系统及介质。
背景技术
随着风电在我国电力能源结构中占比不断提升，如何有效提升风电机组发电能力是风能长期健康发展的关键。其中,风电机组的发电性能表现出当前机组风能转换能力，作为风电机组运行的一项重要指标，有助于明确机组发电潜力和提高机组发电量，正确的认识与发电能力优秀水平的差距。
在相关的研究发电性能的技术中，由于风电机组的有功功率是研究发电性能的基础，起初，一般是采用发电量和瞬时有功功率来表征风电机组的发电性能，然而，发电量是有功功率的时间累积的表现形式，忽视了有功功率包含的机组在短时间内的发电性能的变化，而瞬时的有功功率受风速及风能变化的影响较大，所以发电量和瞬时有功功率不能有效客观地在线评估风电机组的发电性能。因此，目前，相关技术中还提出了通过基于实际功率曲线和设计功率曲线的方法来完成发电性能的确定，但是由于在实际安装过程中，每台风电机组的环境和位置是不同的，因此，国内外学者基于参数方法，非参数方法和随机方法构建更为精确地构建考虑风电机组特点的功率曲线。比如，Byrne等人采用IEC的bin方法研究了VestasV52在2017-2018年期间的功率曲线，发现机组每年的功率曲线有明显不同，2018年与额定功率的偏差相比于2008年增加了4％，从而基于功率曲线可以评估出风电机组的发电性在动态变化。但是，实际功率曲线的改变是缓慢的，需要大量相似点的不断强化出现才足以改变已有的趋势。由于有功功率在线数据一般是分散于实际运行的功率曲线两边，因此很难基于实际功率曲线判断机组的在线发电性能。
综上，上述评估风电机组发电性能的方法，不论是发电量还是实际运行的功率曲线的评估方式，均不能很好地适应在线评估风电机组的运行需要，因此，目前亟需一种在考虑符合机组运行实际的情况下可以准确的评估机组的发电性能方案。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种风电机组的在线发电性能的实时评估方法，该方法结合机组所处环境的风速风向和环境温度等因素以及机组的应对策略，对风电机组发电性能进行有效客观的评价，可以综合有功功率等级化模型、基于有功功率的发电指数和发电潜力，对风电机组发电性能进行全面的评估,提高了对风电机组发电性能进行评估的准确性和多样性。
本申请的第二个目的在于提出一种风电机组的在线发电性能的实时评估系统；
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请的第一方面实施例在于提出一种风电机组的在线发电性能的实时评估方法，该方法包括以下步骤：
通过数据采集与监视控制系统SCADA监测风电机组的有功功率的变化，根据所述有功功率的变化和标准功率曲线计算不同时刻下的瞬时效率，并基于分位数对所述瞬时效率进行分类；
根据风速对所述风电机组的工况进行划分，在每个第一工况内对所述瞬时效率进行等级划分，并根据包含多个连续的瞬时效率的滑动窗口和所述多个连续的瞬时效率的等级计算发电指数，以根据所述发电指数评估所述风电机组的前发电水平；
生成有功功率预测模型的训练集，根据所述训练集中的桨距角和偏航误差对所述风电机组的工况进行划分，针对每个第二工况训练一个对应的有功功率预测模型，根据有功功率的实际值和有功功率预测模型输出的有功功率的预测值，计算所述风电机组的发电潜力；
根据所述瞬时效率、所述发电指数和所述发电潜力实时评估所述风电机组的发电性能。
可选地，在本申请的一个实施例中，通过以下公式计算所述瞬时效率：
其中，EESPC是瞬时效率，PR是有功功率的实际值，PS是与PR在相同时间点下的风速对应的标准功率。
可选地，在本申请的一个实施例中，在每个第一工况内对所述瞬时效率进行等级划分之后，还包括：根据风能参数的分布和瞬时效率的分布对历史瞬时效率数据进行清洗，将清洗后的数据作为发电性能评估的基准数据样本。
可选地，在本申请的一个实施例中，生成有功功率预测模型的训练集，包括：对所述基准数据样本进行筛选处理；建立包括但不限于以风速、风向变化、桨距角、偏航误差、机舱位置和风速波动为输入参数的有功功率预测模型的训练集。
可选地，在本申请的一个实施例中，通过以下公式计算所述发电指数：
其中，n是滑动窗口的步长，ri为第i个瞬时效率的等级。
可选地，在本申请的一个实施例中，通过以下公式计算所述风电机组的发电潜力：
其中，p′i是有功功率预测模型输出的有功功率的预测值，pi是与p′i对应的有功功率的实际值。
为达上述目的，本申请的第二方面实施例还提出了一种风电机组的在线发电性能的实时评估系统，包括以下模块:
瞬时效率计算模块，用于通过数据采集与监视控制系统SCADA监测风电机组的有功功率的变化，根据所述有功功率的变化和标准功率曲线计算不同时刻下的瞬时效率，并基于分位数对所述瞬时效率进行分类；
发电指数计算模块，用于根据风速对所述风电机组的工况进行划分，在每个第一工况内对所述瞬时效率进行等级划分，并根据包含多个连续的瞬时效率的滑动窗口和所述多个连续的瞬时效率的等级计算发电指数，以根据所述发电指数评估所述风电机组的前发电水平；
发电潜力计算模块，用于生成有功功率预测模型的训练集，根据所述训练集中的桨距角和偏航误差对所述风电机组的工况进行划分，针对每个第二工况训练一个对应的有功功率预测模型，根据有功功率的实际值和有功功率预测模型输出的有功功率的预测值，计算所述风电机组的发电潜力；
评估模块，用于根据所述瞬时效率、所述发电指数和所述发电潜力实时评估所述风电机组的发电性能。
可选地，在本申请的一个实施例中，瞬时效率计算模块，具体用于通过以下公式计算所述瞬时效率：
其中，EESPC是瞬时效率，PR是有功功率的实际值，PS是与PR相同时间点下的风速对应的标准功率。
可选地，在本申请的一个实施例中，发电指数计算模块，还用于：根据风能参数的分布和瞬时效率的分布对历史瞬时效率数据进行清洗，将清洗后的数据作为发电性能评估的基准数据样本。
本申请的实施例提供的技术方案至少带来以下有益效果：本申请结合机组所处环境的风速风向和环境温度等因素以及机组的应对策略，在符合风电机组的实际运行状况情况下,对风电机组发电性能进行有效客观的评价,具体通过对有功功率进行等级化，合理确定了风电机组发电性能评估基础，并通过瞬时效率的多点联合形式降低评估参数的随机性并关联有功功率在一个时段内的前后信息，可以更加准确的评估机组的当前发电水平，还针对风能的波动特性选择合适的网络模型研究风电机组的发电潜力。从而可以综合有功功率等级化模型、基于有功功率的发电指数和发电潜力，对风电机组发电性能进行全面和准确的评估。
为了实现上述实施例，本申请第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的风电机组的能效评价与诊断方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提出的一种风电机组的在线发电性能的实时评估方法的流程图；
图2为本申请实施例提出的一种风电机组发电性能的评估结果的显示界面的示意图；
图3为本申请实施例提出的一种具体的风电机组的在线发电性能的实时评估方法的流程示意图；
图4为本申请实施例提出的一种风电机组的在线发电性能的实时评估系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图详细描述本发明实施例所提出的一种风电机组的在线发电性能的实时评估方法、系统。
图1为本申请实施例提出的一种风电机组的在线发电性能的实时评估方法的流程图，如图1所示，该方法包括以下步骤：
步骤101，通过数据采集与监视控制系统SCADA监测风电机组的有功功率的变化，根据有功功率的变化和标准功率曲线计算不同时刻下的瞬时效率，并基于分位数对瞬时效率进行分类。
其中，标准功率曲线是在标准大气情况下，表示风力发电机组净电功率输出和风速关系的图和表,标准功率曲线是在评估风电机组的发电性能时设计功率曲线的依据，也是评估风电机组运行过程中发电性能的关键基准,标准功率曲线可以通过如下公式表示:
P＝f(Vw)
其中,P是机组输出的有功功率，单位为kW，Vw是风速，单位为m/s。标准功率是在严格的测试环境下得到的机组在特定风速和环境下的功率输出，因此，通过标准功率曲线可以在确定风速时获取不同时刻下的标准功率。
其中，数据采集与监视控制系统(Supervisory Control And Data Acquisition，简称SCADA)可以对运行现场的风电机组的设备进行监视和控制，实现数据采集和设备控制等各种功能。
在本申请的一个实施例中，SCADA可以设置为客户端/服务器体系结构，其中，服务器与预设的各个监测设备相连，各个监测设备可以是设置在风电机组的每个运行设备和所处环境中的各个类型的传感器，监测设备可以采集风电机组中各个子系统和设备的运行参数，以及所处环境的环境参数，比如，监测机组的桨距角、偏航误差和机舱位置，又比如，还可以通过风速传感器监测机组当前所处环境的风速和风向，通过温度传感器监测所处环境的温度等。客户端用于人机交互，可以在智能系统界面通过多种方式，比如用文字、动画的形式显示后续获取的风电机组的发电性能的评估结果。
在本示例中，SCADA根据获取的数据可以计算机组的有功功率，再根据不同时刻下通过监测确定的有功功率分析出有功功率的变化情况，比如，根据不同时刻下的有功功率的数值，生成有功功率的变化曲线，从而监测风电机组的有功功率的变化。并且，还可以将SCADA与预设的风电机组的历史数据库连接，将SCADA实时获取的数据存入历史数据库，在存入数据时按照时间顺序进行标注，以便于获取风电机组不同时间段的历史数据，为后续的神经网络模型训练和工况划分等步骤提供所需的历史数据。
在本申请实施例中，针对风速、风向和环境温度等环境因素的变化对风电机组输出功率的影响，为了更加准确的表示风电机组运行过程中发电性能的变化，同时也为了解决功率变化数值归一性问题，本申请提出了基于标准功率曲线的瞬时效率(Efficiencyestimation based on standard power curve，简称，EESPC)。作为一种实现方式，通过以下公式计算瞬时效率：
其中,PR是有功功率的实际值,即SCADA确定的机组运行过程中的有功功率的实际值，PS是与PR在相同时间点下的风速对应的标准功率,PS可以通过查询标准功率曲线获得，由此，基于标准功率曲线将历史数据中的有功功率转化为瞬时效率。
需要说明的是,通过上述公式可知,通过本申请提出的基于标准功率曲线的瞬时效率的计算，可以将波动范围从零到最大功率的有功功率转换为波动范围在1附近的瞬时效率。并且，在风电机组运行过程中，额定风速是机组风能捕捉的分割点，输入风速大于或小于额定风速标准功率变化规律是不一样的，而本申请将每个时间点的有功功率基于标准功率曲线转化为瞬时效率，消除了额定风速的功率分割点的作用，使得切入风速到切出风速之间有了统一的效率评估基准。
进一步的，基于分位数对瞬时效率进行分类。需要理解的是，在不同的风速区间，瞬时效率的分布是不一样的，而在实际应用中，风电机组可能运行在不同的风速工况下，因此，为了提高本申请通过瞬时效率进行评估的实用性，在本申请实施例中还设置了在不同的风速区间评估风电机组的瞬时效率时的固定标准，即针对环境因素和机组应对动作对有功功率输出的影响，提出了基于分位数的瞬时效率等级分级发电性能评估模型。
其中，分位数是基于数据位置排列的一种分割数据集的方式，分位数将随机变量的分布函数(频数)分为若干相等的规则区间，如果它们将顺序排列的变量值分为q个相等频数区间，则称它们为q分位数(q-quartiles)。设随机变量X的分布函数为F(x)，其q分位数的第k位分位点数是x，则该第k位分位点数是:P(X≤x)＝F(x)≤k/q。
作为一种示例，本申请可以采用百分位分析瞬时效率，比如，P90，P95，P99分别代表的是90分位数，95分位数，99分位数。采用百分位数P10，P20，P30，P40，P50，P60，P70，P80，P90将瞬时效率划分为不同等级，每个时间点的瞬时效率等级r由下表确定：
表1
由此，构建了在不同的风速工况下对瞬时效率进行等级划分的依据，本申请实施例构建了基于分位数的有功功率等级化模型，合理的确定了风电机组发电性能评估基础。其中，针对风速波动的频繁性，通过采用SCADA的监测间隔分析有功功率的变化，可以更加精确的捕捉风电机组的功率输出能力，并基于标准功率曲线将历史数据中的有功功率转化为瞬时效率，然后基于分位数将瞬时效率划分到不同的等级。
步骤102，根据风速对风电机组的工况进行划分，在每个第一工况内对瞬时效率进行等级划分，并根据包含多个连续的瞬时效率的滑动窗口和多个连续的瞬时效率的等级计算发电指数，以根据发电指数评估风电机组的前发电水平。
其中，第一工况指的是根据风速进行工况划分时，不同的风速区间对应的工况。
具体的，通过每个风速区间的瞬时效率分布可知，不同的风速区间瞬时效率的分布情况是不一样的，因此为了提高评估的准确性，本申请根据风速对风电机组的工况进行划分，即将全风速区间按照风速大小划分成不同的风速区间，每个风速区间对应一个工况，具体划分风速区间的方式可以根据评估精确度的需求等实际需要确定，比如，从上述机组的历史数据库中获取历史数据，经过稳态筛选后，再通过K-均值聚类算法进行工况划分，具体划分方式此处不做限制。然后，在每个工况内分别采用步骤101中的等级划分方式，通过分位数分析瞬时效率，基于分位数将瞬时效率划分为不同等级评估风电机组的运行效率，即在每个第一工况内进行瞬时效率的等级化。
在本申请一个实施例中，在每个第一工况内对瞬时效率进行等级划分之后，还包括根据风能参数的分布和瞬时效率的分布对历史瞬时效率数据进行清洗，将清洗后的数据作为发电性能评估的基准数据样本。具体而言，由于评估风电机组发电性能是从稳定可持续的角度去判断机组的发电性能是否发生改变，因此，在本申请实施例中根据风能参数的分布和瞬时效率的分布，对从机组的历史数据库中获取的历史瞬时效率数据进行过滤，清除其中频率较低的数据，将清洗后的数据作为发电性能评估的基准数据样本，用于后续的构建神经网络模型和计算发电指数，从而可以提高发电性能评估的准确性。
进一步的，通过分析不同的风速工况内的瞬时效率的等级可知，当风速小于切入风速或接近切入风速时，瞬时效率的计算是有功功率与理论值之比，在这种情况下，瞬时效率的范围很大。在风速波动时，瞬时效率会突然大幅度波动。通过对有功功率变化的理论分析，有功功率的增加随着风速的增加而逐渐增加。而风速波动的范围远小于有功功率的波动范围，一个风速值可能对应于多个不同的有功功率值。由于单一的有功功率数据点所包含的信息具有单一性和瞬时性，而风电机组在运行过程中是按照时间顺序是前后状态逐渐改变的过程，针对机组运行过程的连续性和发电性能的稳定性，本申请可以采用瞬时效率等级化评估不同时刻或一段较短的时间内风电机组的发电性能的状态，然后通过滑动窗口的形式分析等级化瞬时效率作为机组发电性能的评估指标。
其中，通过滑动窗口的形式可以关联在时间顺序上前后相邻的几个瞬时效率，因此采用包含多个连续瞬时效率的滑动窗口是将当前时刻的发电性能在时间尺度上进行了扩展。因为单点的瞬时效率等级值包含了更多随机成分的影响，比如，在分析机组的短时发电性能时，低于中位数的瞬时效率相比于高于中位数的瞬时效率包含着更多机组短时发电性能的波动特性，而在本申请实施例中采用多点的联合形式降低随机性，同时多点联合也可以将有功功率前后的信息关联起来，可以进一步提高评估的准确性。
具体实施时，由于本申请在进行机组瞬时效率等级划分时采用分位数的方式确保了瞬时效率在每个分位数区间出现的频率是相等的，可以计算一定范围内瞬时效率水平的平均值的方式计算发电指数，作为一种可能的实现方式，可以通过以下公式计算发电指数：
其中，n是滑动窗口的步长，ri为第i个瞬时效率的等级。由上述公式可知，发电指数是滑动窗口范围内效率水平的平均值，表示该时间点机组的发电性能的水平，因此，通过计算出的发电指数可以用来评估机组的当前发电水平。举例而言，基于分位数的特性可知发电指数的值大于5表示机组目前的发电性能处于极好的水平，而发电指数的值持续小于5表示机组目前运行状态较差，需要进行干预。
由此，本申请针对风电机组运行工况的复杂性和多样性，提出了基于瞬时效率等级化的发电性能在线评估模型，采用滑动窗口的形式关联前后瞬时效率，能够捕捉到瞬时效率背后所涵盖的机组发电性能变化的信息。
步骤103，生成有功功率预测模型的训练集，根据训练集中的桨距角和偏航误差对风电机组的工况进行划分，针对每个第二工况训练一个对应的有功功率预测模型，根据有功功率的实际值和有功功率预测模型输出的有功功率的预测值，计算风电机组的发电潜力。
其中，风电机组的发电潜力指的是当前风电机组的发电性能的提升的空间，在本申请中采用发电潜力(Power generation potential，Pgp)定量描述一段时间内风电机组的发电量提升的程度。需要说明的是，在实际变化的风能环境和机组动态动作的过程中，风能随机性产生的功率损失在不同的风速区间是不同的，因此本申请在评估风电机组的当前发电指数的基础上，还通过有功功率预测模型预测风电机组的发电潜力。
其中，有功功率预测模型可以是各种类型的神经网络模型，在本申请实施例中，由于风电机组当前状态下的发电潜力受当前状态下风能的波动特性的影响，因此在本示例中采用了适用于处理多变量的反向传播(back propagation，简称BP)神经网络构建了考虑风能随机特性的有功功率预测模型。
还需说明的是，B-P神经网络是有监督的处理数值和分类的数据挖掘算法，不需要考虑物理模型或者数据间的物理关联，B-P神经网络的反向优化权值使得模型的精度不断提高从而处理更多的历史数据。但是，在构建模型的过程中B-P神经网络对于输入参没有预筛选过程，即神经网络会采用所有的输入参数，从而会导致加大了网络的复杂程度，隐层节点的数目随着输入参数的增多成倍数增长，并且噪音参数会降低模型的精度，因此，在本申请实施例中在训练B-P神经网络之前，还对对输入参数进行预处理，根据预处理后的输入参数生成有功功率预测模型的训练集。
作为其中一种可能的实现方式，生成有功功率预测模型的训练集，包括对基准数据样本进行筛选处理；建立包括但不限于以风速、风向变化、桨距角、偏航误差、机舱位置和风速波动为输入参数的有功功率预测模型的训练集。具体而言，从步骤102中确定的基准数据样本中筛选出预设类型的数据，筛选出的数据可以包括风速、风向变化、桨距角、偏航误差、机舱位置和风速波动等，也可以根据评估需要选择其他数据，此处不做限制，再以筛选出的上述数据作为神经网络构建模型的过程中的输入参数，构建出有功功率预测模型的训练集。
进一步的，针对风电机组的风能工况和机组的运行参数对功率输出的影响，划分出不同的工况，针对每个工况分别训练一个功功率预测模型，从而便于根据风电机组当前所处的工况实时的进行准确的评估。
在本申请实施例中，由于变桨系统和偏航系统是风电机组控制系统中最大化吸收风能的重要环节，是影响风能捕获的重要因素，可以分析出机组的风能工况和机组的运行参数对功率输出的影响，因此，本申请采用桨距角和偏航误差作为工况划分的边界条件，对风电机组的工况进行划分，划分出多个第二工况，其中，第二工况指的是根据桨距角和偏航误差进行工况划分时，不同的变桨角度大小和偏航误差值对应的工况，具体划分第二工况的方式也可以根据实际需要进行确定，比如，采用决策树模型基于桨距角和偏航误差划分运行工况。
更进一步的，在每个工况内根据筛选处理后的训练集中的历史数据和相应的风能参数构建有功功率的预测模型，并进行训练，具体的模型训练方式可以参照相关技术中的神经网络的训练方式，此处不做赘述。然后，由训练完成的有功功率预测模型输出有功功率的预测值，再结合有功功率的实际值计算风电机组的发电潜力。
在本申请一个实施例中，可以根据预测值与实际值的差值确定提升风电机组发电量的运行区间，即以实际有功功率与预测功率的差值为发电量提升空间，为提升风电机组发电量提供了分析区间，从而在线预测风电机组的有功功率。作为一种可能的实现方式，可以通过以下公式计算风电机组的发电潜力：
其中，p′i是有功功率预测模型输出的有功功率的预测值，pi是与p′i对应的有功功率的实际值。
由上式可知，在本示例中，Pgp是一段时间内功率残差的累计值，由于风速和风向产生的变化波动在一定范围内都会影响到有功功率在一定范围内变化，因此对于单个时间点的有功功率偏差的产生存在偶然性和不可重复性。在本申请实施例中采用累加的形式可以确定在固定的研究区间内，有功功率的偏差的存在是持续性的，而不是由于风能的突变性造成的短暂性的调整引起功率偏差，从而降低了误判的概率。
由此，本申请在评估机组当前发电指数的基础上，还提出了在可实现范围内评估风电机组的发电潜力，通过建立针对当前风速和风向环境的有功功率预测模型，基于此判断当前机组的发电性能提升的空间。
步骤104，根据瞬时效率、发电指数和发电潜力实时评估风电机组的发电性能。
具体的，在采集风电机组的实时运行数据和环境数据后，通过上述方式计算风电机组的瞬时效率、发电指数和发电潜力，从而以不同的角度从多方面实时评估风电机组的发电性能。
在本申请一个实施例中，在计算出机组实时的瞬时效率、发电指数和发电潜力后，可以通过步骤101中所述的SCADA的客户端，在人机交际界面上显示评估结果，作为一种示例，可以按如图2所示的方式，在系统界面上同时呈现出不同时间点下的风速信息(a)、风向信息(b)、偏航误差信息(c)、瞬时效率EESPC(d)、发电指数(e)和发电潜力(f)，从而便于用户综合比较当前时段内各评估量的变化情况，更加全面的获取机组的在线发电性能的实时评估结果。当然，用户也可以根据自身需要选择显示相应若干个的计算结果，从而更加针对性的获取评估结果。
在本示例中，如图2所示，还可以根据瞬时效率、发电指数和发电潜力对机组当前的发电性能进行在线的打分，确定等级，以更加直观的显示本发电机组与发电能力优秀水平的差距。具体而言，可以预先为瞬时效率、发电指数和发电潜力设置对应的权重，在获取机组当前的瞬时效率、发电指数和发电潜力后，将各个评估结果乘以对应的权重计算出机组当前的评估分值，再确定评估分值属于的分值区间，根据预先确定的分值区间与发电性能等级的对应关系，确定本机组的当前发电性能的评估等级。
在本申请另一个实施例中，还可以将最终的评估结果以及在机组运行状态较差时诊断出的相应的维护策略将传输到运行人员的移动客户端上，运维人员可以更加方便的在不同场景下查看指定机组的发电性能。
综上所述，本申请实施例的风电机组的在线发电性能的实时评估方法，结合机组所处环境的风速风向和环境温度等因素以及机组的应对策略，在符合风电机组的实际运行状况情况下,对风电机组发电性能进行有效客观的评价,具体通过对有功功率进行等级化，合理确定了风电机组发电性能评估基础，并通过瞬时效率的多点联合形式降低评估参数的随机性并关联有功功率在一个时段内的前后信息，可以更加准确的评估机组的当前发电水平，还针对风能的波动特性选择合适的网络模型研究风电机组的发电潜力。从而可以综合有功功率等级化模型、基于有功功率的发电指数和发电潜力，对风电机组发电性能进行全面和准确的评估。
为了更加清楚地说明本申请实施例的风电机组的在线发电性能的实时评估方法，下面以一个具体的风电机组的在线发电性能的实时评估的实施例进行详细说明。图3为本申请实施例提出的一种具体的风电机组的在线发电性能的实时评估的流程示意图，
如图3所示，通过该方法进行评估时，首先将监测出的有功功率转换为基于标准功率曲线的瞬时效率，再根据瞬时效率的分布特征根据分位数对瞬时效率分类，生成等级化的结果，以此构建有功功率等级化模型。
然后，对每个风速区间对瞬时效率分布特性进行分析，考虑到每个区间的分布特性有所不同，因此需要将全风速区间划分成不同工况，在每个工况内进行瞬时效率的等级化，同时在每个工况下，对历史数据中频率较低的数据过滤，将过滤后的数据作为发电性能评估的基准数据样本，再通过滑窗法，基于基准数据样本中的瞬时效率的等级进行计算，计算出发电指数，通过发电指数评估当前发电水平。
其次，基于神经网络模型，构建发电潜力评估模型。从已经确定的基准数据样本中筛选出数据，结合风能随机性参数作为神经网络模型的训练集合，并考虑到偏航系统和变桨系统是影响风能捕获的重要因素，因此采用决策树模型基于桨距角和偏航误差划分运行工况，然后在每个工况内分别构建考虑风能随机性的有功功率预测模型，通过各个有功功率预测模型输出对应的预测值，在本实施例中，可以通过滑动窗口对各个模型输出的预测值进行整理，计算出当前时段内个模型预测的平均值作为预测值得输出结果，再将实际有功功率与预测功率作差，将实际有功功率与预测功率的差值作为发电量提升空间。
由此，围绕风电机组发电性能评估进行了更加全面的研究，通过本申请提出的有功功率等级化模型、基于有功功率的发电指数和发电潜力进行评估，并依据分位数和B-P神经网络模型构建了评估模型。
为了实现上述实施例，本申请还提出了一种风电机组的在线发电性能的实时评估系统，图4为本申请实施例提出的一种风电机组的在线发电性能的实时评估系统的结构示意图，如图4所示，该系统包括瞬时效率计算模块100，发电指数计算模块200，发电潜力计算模块300和评估模块400。
其中，瞬时效率计算模块100，用于通过数据采集与监视控制系统SCADA监测风电机组的有功功率的变化，根据有功功率的变化和标准功率曲线计算不同时刻下的瞬时效率，并基于分位数对瞬时效率进行分类。
发电指数计算模块200，用于根据风速对风电机组的工况进行划分，在每个第一工况内对瞬时效率进行等级划分，并根据包含多个连续的瞬时效率的滑动窗口和多个连续的瞬时效率的等级计算发电指数，以根据发电指数评估风电机组的前发电水平。
发电潜力计算模块300，用于生成有功功率预测模型的训练集，根据训练集中的桨距角和偏航误差对风电机组的工况进行划分，针对每个第二工况训练一个对应的有功功率预测模型，根据有功功率的实际值和有功功率预测模型输出的有功功率的预测值，计算风电机组的发电潜力。
评估模块400，用于根据瞬时效率、发电指数和发电潜力实时评估风电机组的发电性能。
可选地，在本申请的一个实施例中，瞬时效率计算模块100具体用于通过以下公式计算所述瞬时效率：
其中，EESPC是瞬时效率，PR是有功功率的实际值，PS是与PR相同时间点下的风速对应的标准功率。
可选地，在本申请的一个实施例中，发电指数计算模块200还用于根据风能参数的分布和瞬时效率的分布对历史瞬时效率数据进行清洗，将清洗后的数据作为发电性能评估的基准数据样本。
可选地，在本申请的一个实施例中，发电指数计算模块300还用于：对基准数据样本进行筛选处理；建立包括但不限于以风速、风向变化、桨距角、偏航误差、机舱位置和风速波动为输入参数的有功功率预测模型的训练集。
可选地，在本申请的一个实施例中，发电指数计算模块300还用于通过以下公式计算发电指数：
其中，n是滑动窗口的步长，ri为第i个瞬时效率的等级。
可选地，在本申请的一个实施例中，发电潜力计算模块300还用于通过以下公式计算风电机组的发电潜力：
其中，p′i是有功功率预测模型输出的有功功率的预测值，pi是与p′i对应的有功功率的实际值。
需要说明的是，前述对风电机组的在线发电性能的实时评估方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述
综上所述，本申请实施例的风电机组的在线发电性能的实时评估系统，结合机组所处环境的风速风向和环境温度等因素以及机组的应对策略，在符合风电机组的实际运行状况情况下,对风电机组发电性能进行有效客观的评价,具体通过对有功功率进行等级化，合理确定了风电机组发电性能评估基础，并通过瞬时效率的多点联合形式降低评估参数的随机性并关联有功功率在一个时段内的前后信息，可以更加准确的评估机组的当前发电水平，还针对风能的波动特性选择合适的网络模型研究风电机组的发电潜力。从而可以综合有功功率等级化模型、基于有功功率的发电指数和发电潜力，对风电机组发电性能进行全面和准确的评估。
为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的风电机组的在线发电性能的实时评估方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种风电机组的在线发电性能的实时评估方法，其特征在于，包括以下步骤：
通过数据采集与监视控制系统SCADA监测风电机组的有功功率的变化，根据所述有功功率的变化和标准功率曲线计算不同时刻下的瞬时效率，并基于分位数对所述瞬时效率进行分类，其中，计算所述瞬时效率的公式为：
其中，EESPC是瞬时效率，PR是有功功率的实际值，PS是与PR在相同时间点下的风速对应的标准功率；
根据风速对所述风电机组的工况进行划分，在每个第一工况内对所述瞬时效率进行等级划分，并根据包含多个连续的瞬时效率的滑动窗口和所述多个连续的瞬时效率的等级计算发电指数，以根据所述发电指数评估所述风电机组的当前发电水平，其中，所述第一工况指的是根据风速进行工况划分时，不同的风速区间对应的工况，计算所述发电指数的公式为：
其中，n是滑动窗口的步长，ri为第i个瞬时效率的等级；
生成有功功率预测模型的训练集，根据所述训练集中的桨距角和偏航误差对所述风电机组的工况进行划分，针对每个第二工况训练一个对应的有功功率预测模型，根据有功功率的实际值和有功功率预测模型输出的有功功率的预测值，计算所述风电机组的发电潜力，其中，所述第二工况指的是根据桨距角和偏航误差进行工况划分时，不同的变桨角度大小和偏航误差值对应的工况，所述风电机组的发电潜力的公式为：
其中，p′j是有功功率预测模型输出的有功功率的预测值，pj是与p′j对应的有功功率的实际值；
根据所述瞬时效率、所述发电指数和所述发电潜力实时评估所述风电机组的发电性能。
2.根据权利要求1所述的评估方法，其特征在于，所述在每个第一工况内对所述瞬时效率进行等级划分之后，还包括：
根据风能参数的分布和瞬时效率的分布对历史瞬时效率数据进行清洗，将清洗后的数据作为发电性能评估的基准数据样本。
3.根据权利要求2所述的评估方法，其特征在于，所述生成有功功率预测模型的训练集，包括：
对所述基准数据样本进行筛选处理；
建立包括但不限于以风速、风向变化、桨距角、偏航误差、机舱位置和风速波动为输入参数的有功功率预测模型的训练集。
4.一种风电机组的在线发电性能的实时评估系统，其特征在于，包括：
瞬时效率计算模块，用于通过数据采集与监视控制系统SCADA监测风电机组的有功功率的变化，根据所述有功功率的变化和标准功率曲线计算不同时刻下的瞬时效率，并基于分位数对所述瞬时效率进行分类，其中，计算所述瞬时效率的公式为：
其中，EESPC是瞬时效率，PR是有功功率的实际值，PS是与PR在相同时间点下的风速对应的标准功率；
发电指数计算模块，用于根据风速对所述风电机组的工况进行划分，在每个第一工况内对所述瞬时效率进行等级划分，并根据包含多个连续的瞬时效率的滑动窗口和所述多个连续的瞬时效率的等级计算发电指数，以根据所述发电指数评估所述风电机组的当前发电水平，其中，所述第一工况指的是根据风速进行工况划分时，不同的风速区间对应的工况，计算所述发电指数的公式为：
其中，n是滑动窗口的步长，ri为第i个瞬时效率的等级；
发电潜力计算模块，用于生成有功功率预测模型的训练集，根据所述训练集中的桨距角和偏航误差对所述风电机组的工况进行划分，针对每个第二工况训练一个对应的有功功率预测模型，根据有功功率的实际值和有功功率预测模型输出的有功功率的预测值，计算所述风电机组的发电潜力，其中，所述第二工况指的是根据桨距角和偏航误差进行工况划分时，不同的变桨角度大小和偏航误差值对应的工况，所述风电机组的发电潜力的公式为：
其中，p′j是有功功率预测模型输出的有功功率的预测值，pj是与p′j对应的有功功率的实际值；
评估模块，用于根据所述瞬时效率、所述发电指数和所述发电潜力实时评估所述风电机组的发电性能。
5.根据权利要求4所述的评估系统，其特征在于，所述发电指数计算模块，还用于：
根据风能参数的分布和瞬时效率的分布对历史瞬时效率数据进行清洗，将清洗后的数据作为发电性能评估的基准数据样本。
6.一种非临时性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1-3中任一所述的风电机组的在线发电性能的实时评估方法。
CN202111264967.7A 2021-10-28 2021-10-28 风电机组的在线发电性能的实时评估方法、系统及介质 Active CN114117887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111264967.7A CN114117887B (zh) 2021-10-28 2021-10-28 风电机组的在线发电性能的实时评估方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111264967.7A CN114117887B (zh) 2021-10-28 2021-10-28 风电机组的在线发电性能的实时评估方法、系统及介质

Publications (2)

Publication Number Publication Date
CN114117887A CN114117887A (zh) 2022-03-01
CN114117887B true CN114117887B (zh) 2024-07-02

Family

ID=80377219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111264967.7A Active CN114117887B (zh) 2021-10-28 2021-10-28 风电机组的在线发电性能的实时评估方法、系统及介质

Country Status (1)

Country Link
CN (1) CN114117887B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707035B (zh) * 2023-08-07 2023-09-29 江苏蔚风能源科技有限公司 一种依赖低风速动态规划的有功功率控制方法
CN116956047B (zh) * 2023-09-19 2023-12-08 北京岳能科技股份有限公司 一种基于风力发电数据的风电机组性能评估系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110968942A (zh) * 2019-11-11 2020-04-07 许昌许继风电科技有限公司 一种基于周边环境的风电机组的性能评估方法
CN111709490A (zh) * 2020-06-24 2020-09-25 河北工业大学 一种基于gru神经网络的风机健康状态评估方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915747B (zh) * 2015-02-03 2019-02-01 远景能源（江苏）有限公司 一种发电机组的发电性能评估方法及设备
KR20190022156A (ko) * 2017-08-25 2019-03-06 김경수 인공신경망을 이용한 최적 풍력발전 모델 선정 방법
US10570882B2 (en) * 2017-11-13 2020-02-25 General Electric Company Dynamic active and reactive power capability for wind farms
CN111400845B (zh) * 2018-12-27 2024-05-17 北京金风科创风电设备有限公司 风电机组的发电性能评估方法和装置
US20210288493A1 (en) * 2020-03-12 2021-09-16 ComAp a.s. Optimization of power generation from power sources using fault prediction based on intelligently tuned machine learning power management
CN111582392B (zh) * 2020-05-12 2021-03-02 河北工业大学 一种风电机组关键部件多工况健康状态在线监测方法
CN112598210A (zh) * 2020-10-23 2021-04-02 河北新天科创新能源技术有限公司 一种风电机组发电机性能评估及预警方法
CN112800103B (zh) * 2020-12-09 2023-03-03 华能陕西发电有限公司 一种scada数据挖掘的风电机组功率曲线的获取系统及方法
CN112943561B (zh) * 2021-03-17 2021-11-16 中国华能集团清洁能源技术研究院有限公司 一种风电机组出力性能评估方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110968942A (zh) * 2019-11-11 2020-04-07 许昌许继风电科技有限公司 一种基于周边环境的风电机组的性能评估方法
CN111709490A (zh) * 2020-06-24 2020-09-25 河北工业大学 一种基于gru神经网络的风机健康状态评估方法

Also Published As

Publication number Publication date
CN114117887A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN114117887B (zh) 风电机组的在线发电性能的实时评估方法、系统及介质
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
Kusiak et al. Analysis of wind turbine vibrations based on SCADA data
Miele et al. Deep anomaly detection in horizontal axis wind turbines using graph convolutional autoencoders for multivariate time series
CN101634605A (zh) 基于混合推理和神经网络的齿轮箱故障智能诊断方法
CN112818604A (zh) 一种基于风功率预测的风电机组风险度评估方法
Yao et al. A novel composed method of cleaning anomy data for improving state prediction of wind turbine
CN114742363A (zh) 风电机组的能效状态评价方法、系统及介质
CN117728587B (zh) 一种新能源发电设备运行数据的实时监控系统及方法
CN117111446B (zh) 一种磁悬浮飞轮电机模糊pid控制优化方法
KR102383675B1 (ko) 시계열 데이터 이상 진단 시스템
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
Liu et al. Real-time comprehensive health status assessment of hydropower units based on multi-source heterogeneous uncertainty information
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN113339208B (zh) 风电机组振动异常片段的选取方法
US20180087489A1 (en) Method for windmill farm monitoring
CN113809365A (zh) 氢燃料电池系统电压衰减的确定方法、系统及电子设备
CN108959719B (zh) 交直流混合的分布式可再生能源系统测试场景模拟方法
CN112799378A (zh) 一种用于风力发电机组硬件信号的诊断及模拟方法
Bogen et al. Evaluating a data clustering approach for life-cycle facility control
CN111625525A (zh) 一种环境数据修复/填充方法及系统
Obdam et al. Flight leader concept for wind farm load counting: offshore evaluation
Cross et al. Model-based condition monitoring for wind turbines
CN115759762A (zh) 风电机组能效状态的实时评价方法及系统
CN117057621A (zh) 投资成本和发电系统可靠性提升水平间的量化分析方法

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