CN114154731A - 基于深度学习的风电超短期功率预测方法及系统 - Google Patents

基于深度学习的风电超短期功率预测方法及系统 Download PDF

Info

Publication number
CN114154731A
CN114154731A CN202111492610.4A CN202111492610A CN114154731A CN 114154731 A CN114154731 A CN 114154731A CN 202111492610 A CN202111492610 A CN 202111492610A CN 114154731 A CN114154731 A CN 114154731A
Authority
CN
China
Prior art keywords
value
power
prediction
wind
factor
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.)
Withdrawn
Application number
CN202111492610.4A
Other languages
English (en)
Inventor
罗丹
谢永超
唐晨
蒋兵兵
黄银秀
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.)
HUNAN RAILWAY PROFESSIONAL TECHNOLOGY COLLEGE
Original Assignee
HUNAN RAILWAY PROFESSIONAL TECHNOLOGY COLLEGE
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 HUNAN RAILWAY PROFESSIONAL TECHNOLOGY COLLEGE filed Critical HUNAN RAILWAY PROFESSIONAL TECHNOLOGY COLLEGE
Priority to CN202111492610.4A priority Critical patent/CN114154731A/zh
Publication of CN114154731A publication Critical patent/CN114154731A/zh
Withdrawn legal-status Critical Current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
    • 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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了基于深度学习的风电超短期功率预测方法及系统，涉及风力发电机组技术领域，解决了内部的预测因子未进行多次处理，导致因子偏差较大，进而导致功率预测值偏差较大的问题；预先通过数据采集端对风力发电机组的各项工作数值进行采集，再通过比对单元将所提取的实际功率数值与预计功率数值进行比对，将所提取的数值进行线性离散处理，将进行离散处理后的均值预测因子进行提取，并将此预测因子输送至预测模型内，同时对预测因子进行多组训练，并对因子进行线性处理，预先剔除了偏差较大的数值，再进行线性训练，剔除偏差较大的预测因子，再对多组因子进行求值，通过多组训练方式，可使预测因子更加准确，便使所预测的功率值更加精准。

Description

基于深度学习的风电超短期功率预测方法及系统
技术领域
本发明属于风力发电机组技术领域，具体是基于深度学习的风电超短期功率预测方法及系统。
背景技术
风力发电机组包括风轮、发电机；风轮中含叶片、轮毂、加固件等组成；它有叶片受风力旋转发电、发电机机头转动等功能，风力发电电源由风力发电机组、支撑发电机组的塔架、蓄电池充电控制器、逆变器、卸荷器、并网控制器、蓄电池组等组成。
风力发电机组在进行功率预测时，需通过风电功率预测系统来进行，针对于风力功率预测，外部操作人员一般根据对应的天气风速数据以及转速比值，从而对风力功率的输出值进行预测，但是此种预测方式数据偏差较大，因内部数据未进行多次训练，同时内部的预测因子未进行多次处理，导致因子偏差较大，便导致功率预测值偏差较大。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于深度学习的风电超短期功率预测方法及系统，该基于深度学习的风电超短期功率预测方法及系统解决了内部的预测因子未进行多次处理，导致因子偏差较大，便导致功率预测值偏差较大的问题。
为实现上述目的，根据本发明的第一方面的实施例提出基于深度学习的风电超短期功率预测系统，包括：
数据采集端，用于对风力发电机组的外部环境风速数值以及内部转子的转速数值进行采集；
实际输出端，用于对风力发电机组的内部实际功率数值进行计算获取；预计输出端，通过对数据采集端所采集的数据进行功率预测，得到对应的预计功率数值；比对单元，用于将实际功率数值与预计功率数值进行提取比对处理；
因子训练端，对数据采集端所采集的数值进行多组训练计算，得到进行功率转换的预测因子；
预测模型，根据预测因子以及不同的风力发电机组所处的环境数据，对风力发电机组的超短期输出功率进行预测；
故障预测端，对预测后的超短期输出功率进行差值处理，并通过处理结果进行预警。
优选的，所述预计输出端对数据采集端所采集的数据进行功率预测的步骤如下：
S1、将外部环境风速数值标记为Fi，内部转子转速数值标记为Zi，其中i代表不同的风力发电机组，i＝1、2、……、n；
S2、采用
Figure BDA0003399897500000021
得到对应的预计功率数值Gi，其中预测输出端内部包括存储单元，存储单元内部存储有环境风速数值以及对应的功率数值和内部转子转速数值所对应的功率数值，其中Fi对应指定的功率值Wi，Zi对应指定的功率值Pi，其中
Figure BDA0003399897500000022
为修正因子，取值为0.97562，其中C1和C2均为固定的系数因子。
优选的，比对单元内部设置有阈值区间，阈值区间由外部操作人员进行拟定。
优选的，比对单元将实际功率数值与预计功率数值进行提取比对处理的步骤为：
实际输出端对所采集的风力发电机组内部实际功率数值进行提取，并将其实际功率数值标记为Gsi，比对单元将对应的预计功率数值Gi与实际功率数值Gsi进行提取比对，并进行差值处理得到差值Ci；
将差值Ci与阈值区间进行比对，并将属于阈值区间的Ci值进行提取，将不属于阈值区间的Ci值进行剔除。
优选的，因子训练端对数据采集端所采集的数值进行多组训练计算的步骤如下：
Q1、通过对应的Ci对风力发电机组的Zi值以及预计功率数值Ci进行提取，形成对应的数列集合[(Z1，C1)、(Z2，C2)、……、(Zn，Cn)]；
Q2、因子训练端对数列集合内部元素(Zi，Ci)进行线性离散处理，预先通过
Figure BDA0003399897500000031
得到对应的离散因子δi，再对离散因子δi进行处理；
Q3、采用
Figure BDA0003399897500000032
对离散因子δi进行离散处理，其中j属于i，令j＝2，
Figure BDA0003399897500000033
为δi的均值，得到第一组离散值；
Q4、当二者离散值小于X1时，X1为预设值，由外部操作人员进行拟定，此时将标记关联线性离散区间；否则跳转至步骤Q6；
Q5、并令j值加一，重复步骤Q3-Q4，直到离散值大于等于X1，获取到对应的j值，将[Z1,Zj-1]，标记为第一个线性区间；之后进行下一步骤处理；
Q6、令j值减一，重复步骤Q3，得到单个转速数值Zi所对应的功率数值Ci，并进行记录，并将对应的Cj，标记为点值区间；
Q7、将离散值小于X1的数值δi进行提取，将多组数值δi进行均值处理，得到处理后的均值Ji，将处理后的预测因子Ji直接输送至预测模型内。
优选的，预测模型对风力发电机组的超短期输出功率进行预测的步骤为：
W1、将外部环境风速与电机转子的比例进行求值处理，得到对应的系数值L1，将外部环境风速标记为YFi，i代表不同的预测风力发电机组；
W2、采用
Figure BDA0003399897500000041
得到对应的预测功率值YCGi，Δ为设定因子，取值为0.85362，不同的发电机组对应不同的节点；
W3、将计算得到的预测功率值YCGi输送至对应的节点输出端内，节点输出端将所预测功率值YCGi输送至外部终端，节点输出端同时会对节点内部实际功率值进行均值处理并记录，并同时将记录后的均值数值以及所预测的功率值YCGi输送至故障预测端内。
优选的，故障预测端内部包括差值区间，将对应的功率值YCGi与记录均值进行差值处理，并将处理后的差值与差值区间进行比对，若差值不属于差值区间，则判定此节点存在故障，将故障信息发送至外部终端，属于差值区间的差值则不作处理。
优选的，基于深度学习的风电超短期功率预测系统的预测方法，包括以下步骤：
步骤一、预先通过数据采集端对风力发电机组的各项工作数值进行采集，通过实际输出端对风力发电机组内部实际功率数值进行提取，并通过比对单元将所提取的实际功率数值与预计功率数值进行比对，提取差值属于差值区间内部的发电机组数值，并对此类数值进行提取，将所提取的数值进行线性离散处理；
步骤三、将进行离散处理后的均值预测因子进行提取，并将此预测因子输送至预测模型内，其中不同的风力发电机组均进行了预测因子训练，不同的风力发电机组对应不同的预测因子Ji；
步骤四、预测模型通过预测因子Ji对不同的风力发电机组进行功率预测处理，通过对外部风速进行采集，通过风速数据对风力发电机组的功率数据进行预测并得到对应的数值；
步骤五、预测模型将预测后的数值输送至故障预测端内，故障预测端内部同样设定有差值区间，将对应的功率值YCGi与记录均值进行差值处理，并将处理后的差值与差值区间进行比对，若差值不属于差值区间，则判定此节点风力发电机组存在故障，属于差值区间的差值则不作处理。
与现有技术相比，本发明的有益效果是：预先通过数据采集端对风力发电机组的各项工作数值进行采集，再通过比对单元将所提取的实际功率数值与预计功率数值进行比对，将所提取的数值进行线性离散处理，将进行离散处理后的均值预测因子进行提取，并将此预测因子输送至预测模型内，其中不同的风力发电机组均进行了预测因子训练，不同的风力发电机组对应不同的预测因子，同时对预测因子进行多组训练，并对因子进行线性处理，预先剔除了偏差较大的数值，再进行线性训练，剔除偏差较大的预测因子，再对多组因子进行求值，通过多组训练方式，可使预测因子更加准确，便使所预测的功率值更加精准；
预测模型将预测后的数值输送至故障预测端内，故障预测端内部同样设定有差值区间，将对应的功率值与记录均值进行差值处理，并将处理后的差值与差值区间进行比对，若差值不属于差值区间，则判定此节点风力发电机组存在故障，将故障信息发送至外部终端，外部终端接收到对应故障信息进行预警，警示外部操作人员，使外部操作人员进行故障维修处理工作，通过对应的功率值与预测值进行比对，可得到差值较大的数值，此类设备便可能出现故障，可快速的对故障设备进行判定，便于外部人员及时找到故障设备，并对此类故障设备进行处理。
附图说明
图1为本发明的原理图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，基于深度学习的风电超短期功率预测系统，包括数据采集端、预测模型、因子训练端、实际输出端、预计输出端、比对单元、节点输出端以及故障预测端；
所述数据采集端输出端与预测模型输入端电性连接，所述预测模型输出端与节点输出端电性连接，所述节点输出端与故障预测端输入端电性连接，所述数据采集端输出端与因子训练端输入端电性连接，且因子训练端输出端分别与预测模型、预计输出端以及实际输出端输入端均电性连接，所述实际输出端与预计输出端均与比对单元电性连接，所述比对单元输出端均与因子训练端输入端电性连接；
实际输出端，用于对风力发电机组的内部实际功率数值进行计算获取，其中计算操作由外部人员进行操作；预计输出端，通过对数据采集端所采集的数据进行功率预测，得到对应的预计功率数值；比对单元，用于将实际功率数值与预计功率数值进行提取比对处理
数据采集端用于对风力发电机组的外部环境风速数值以及内部转子的转速数值，并将所采集的数值输送至预测模型以及因子训练端内；
因子训练端用于对预测因子进行处理计算，经过多组训练计算，可计算得到误差最小的预测因子；
预计输出端，通过对数据采集端所采集的数据进行功率预测，得到对应的预计功率数值；
其中预计输出端进行功率预测的步骤如下：
S1、将外部环境风速数值标记为Fi，内部转子转速数值标记为Zi，其中i代表不同的风力发电机组，i＝1、2、……、n；
S2、采用
Figure BDA0003399897500000061
得到对应的预计功率数值Gi，其中预测输出端内部包括存储单元，存储单元内部存储有环境风速数值以及对应的功率数值和内部转子转速数值所对应的功率数值，其中Fi对应指定的功率值Wi，转速数值Zi对应Pi，其中对应数值由操作人员从存储单元内部存储的数值进行获取，其中
Figure BDA0003399897500000071
为修正因子，取值为0.97562，其中C1和C2均为固定的系数因子；
S3、通过实际输出端对所采集的风力发电机组内部实际功率数值进行提取，并将其实际功率数值标记为Gsi，比对单元将对应的预计功率数值Gi与实际功率数值Gsi进行提取比对，并进行差值处理得到差值Ci，其中比对的条件在于风力发电机组均处于同一风速环境下；
S4、比对单元内部设置有固定的阈值区间，将差值Ci与阈值区间进行比对，并将属于阈值区间的Ci值进行提取，将不属于阈值区间的Ci值进行剔除，同时剔除的还有该风力发电机组的工作参数数值；
S5、通过对应的Ci对风力发电机组的Zi值以及预计功率数值Ci进行提取，形成对应的数列集合[(Z1，C1)、(Z2，C2)、……、(Zn，Cn)]，并将数列集合内部元素(Zi，Ci)输送至因子训练端内部进行训练，训练方式为：
S51、因子训练端对元素(Zi，Ci)进行线性离散处理，预先通过
Figure BDA0003399897500000072
得到对应的离散因子δi，再对离散因子δi进行处理；
S52、采用
Figure BDA0003399897500000073
对离散因子δi进行离散处理，其中j属于i，令j＝2，
Figure BDA0003399897500000074
为δi的均值，得到第一组离散值；
S53、当S52中离散值小于X1时，X1为预设值，由外部操作人员进行拟定，此时将标记关联线性离散区间；否则跳转至步骤S55；
S54、并令j值加一，重复步骤S52-S53，直到离散值大于等于X1，获取到对应的j值，将[Z1,Zj-1]，标记为第一个线性区间；之后进行下一步骤处理；
S55、令j值减一，重复步骤S52，得到单个转速数值Zi所对应的功率数值Ci，并进行记录，并将对应的Cj，标记为点值区间；
S56、将离散值小于X1的数值δi进行提取，将多组数值δi进行均值处理，得到处理后的均值Ji，将处理后的预测因子Ji直接输送至预测模型内。
预测模型对所训练后的因子Ji进行提取并存储，其中不同的风力发电机组均进行了因子训练，不同的风力发电机组对应不同的预测因子Ji，并通过预测模型进行存储，且预测模型根据预测因子Ji对风力发电机组的超短期输出功率进行预测；
预测模型用于对所采集的数据进行超短期功率预测处理，其中所采集的数据包括外部环境风速，外部环境风速由天气终端进行提供，其中处理步骤为：
W1、将外部环境风速与电机转子的比例进行求值处理，得到对应的系数值L1，将外部环境风速标记为YFi，i代表不同的预测风力发电机组；
W2、采用
Figure BDA0003399897500000081
得到对应的预测功率值YCGi，其中不同的风力发电机组所预测的功率值均不相同，Δ为设定因子，取值为0.85362；
W3、将计算得到的预测功率值YCGi输送至对应的节点输出端内，节点输出端将所预测功率值YCGi输送至外部终端，供外部人员进行查看，节点输出端同时会对该节点内部实际功率值进行均值处理并记录，并同时将记录后的均值数值以及所预测的功率值YCGi输送至故障预测端内；
W4、故障预测端内部同样设定有差值区间，将对应的功率值YCGi与记录均值进行差值处理，并将处理后的差值与差值区间进行比对，不同的发电机组对应不同的节点，若差值不属于差值区间，则判定此节点存在故障，将故障信息发送至外部终端，外部终端接收到对应故障信息进行预警，警示外部操作人员，使外部操作人员进行故障维修处理工作。
基于深度学习的风电超短期功率预测方法，包括以下步骤：
步骤一、预先通过数据采集端对风力发电机组的各项工作数值进行采集，并对各项工作数值进行处理，采用因子训练端对预测因子进行训练；
步骤二、通过实际输出端对风力发电机组内部实际功率数值进行提取，并通过比对单元将所提取的实际功率数值与预计功率数值进行比对，提取差值属于差值区间内部的发电机组数值，并对此类数值进行提取，将所提取的数值进行线性离散处理；
步骤三、将进行离散处理后的均值预测因子进行提取，并将此预测因子输送至预测模型内，其中不同的风力发电机组均进行了预测因子训练，不同的风力发电机组对应不同的预测因子Ji；
步骤四、预测模型通过预测因子Ji对不同的风力发电机组进行功率预测处理，通过对外部风速进行采集，通过风速数据对风力发电机组的功率数据进行预测并得到对应的数值；
步骤五、预测模型将预测后的数值输送至故障预测端内，故障预测端内部同样设定有差值区间，将对应的功率值YCGi与记录均值进行差值处理，并将处理后的差值与差值区间进行比对，若差值不属于差值区间，则判定此节点风力发电机组存在故障，将故障信息发送至外部终端，外部终端接收到对应故障信息进行预警，警示外部操作人员，使外部操作人员进行故障维修处理工作。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.基于深度学习的风电超短期功率预测系统，其特征在于，包括：
数据采集端，用于对风力发电机组的外部环境风速数值以及内部转子的转速数值进行采集；
实际输出端，用于对风力发电机组的内部实际功率数值进行计算获取；预计输出端，通过对数据采集端所采集的数据进行功率预测，得到对应的预计功率数值；比对单元，用于将实际功率数值与预计功率数值进行提取比对处理；
因子训练端，对数据采集端所采集的数值进行多组训练计算，得到进行功率转换的预测因子；
预测模型，根据预测因子以及不同的风力发电机组所处的环境数据，对风力发电机组的超短期输出功率进行预测；
故障预测端，对预测后的超短期输出功率进行差值处理，并通过处理结果进行预警。
2.根据权利要求1所述的基于深度学习的风电超短期功率预测系统，其特征在于，所述预计输出端对数据采集端所采集的数据进行功率预测的步骤如下：
S1、将外部环境风速数值标记为Fi，内部转子转速数值标记为Zi，其中i代表不同的风力发电机组，i＝1、2、……、n；
S2、采用
Figure FDA0003399897490000011
得到对应的预计功率数值Gi，其中预测输出端内部包括存储单元，存储单元内部存储有环境风速数值以及对应的功率数值和内部转子转速数值所对应的功率数值，其中Fi对应指定的功率值Wi，Zi对应指定的功率值Pi，其中
Figure FDA0003399897490000012
为修正因子，取值为0.97562，其中C1和C2均为固定的系数因子。
3.根据权利要求2所述的基于深度学习的风电超短期功率预测系统，其特征在于，比对单元内部设置有阈值区间，阈值区间由外部操作人员进行设定。
4.根据权利要求3所述的基于深度学习的风电超短期功率预测系统，其特征在于，比对单元将实际功率数值与预计功率数值进行提取比对处理的步骤为：
实际输出端对所采集的风力发电机组内部实际功率数值进行提取，并将其实际功率数值标记为Gsi，比对单元将对应的预计功率数值Gi与实际功率数值Gsi进行提取比对，并进行差值处理得到差值Ci；
将差值Ci与阈值区间进行比对，并将属于阈值区间的Ci值进行提取，将不属于阈值区间的Ci值进行剔除。
5.根据权利要求4所述的基于深度学习的风电超短期功率预测系统，其特征在于，因子训练端对数据采集端所采集的数值进行多组训练计算的步骤如下：
Q1、通过对应的Ci对风力发电机组的Zi值以及预计功率数值Ci进行提取，形成对应的数列集合[(Z1，C1)、(Z2，C2)、……、(Zn，Cn)]；
Q2、因子训练端对数列集合内部元素(Zi，Ci)进行线性离散处理，预先通过
Figure FDA0003399897490000021
得到对应的离散因子δi，再对离散因子δi进行处理；
Q3、采用
Figure FDA0003399897490000022
对离散因子δi进行离散处理，其中j属于i，令j＝2，
Figure FDA0003399897490000023
为δi的均值，得到第一组离散值；
Q4、当Q3中离散值小于X1时，X1为预设值，由外部操作人员进行拟定，此时将标记关联线性离散区间；否则跳转至步骤Q6；
Q5、并令j值加一，重复步骤Q3-Q4，直到离散值大于等于X1，获取到对应的j值，将[Z1,Zj-1]，标记为第一个线性区间；之后进行下一步骤处理；
Q6、令j值减一，重复步骤Q3，得到单个转速数值Zi所对应的功率数值Ci，并进行记录，并将对应的Cj，标记为点值区间；
Q7、将离散值小于X1的数值δi进行提取，将多组数值δi进行均值处理，得到处理后的均值Ji，将处理后的预测因子Ji直接输送至预测模型内。
6.根据权利要求5所述的基于深度学习的风电超短期功率预测系统，其特征在于，预测模型对风力发电机组的超短期输出功率进行预测的步骤为：
W1、将外部环境风速与电机转子的比例进行求值处理，得到对应的系数值L1，将外部环境风速标记为YFi，i代表不同的预测风力发电机组；
W2、采用
Figure FDA0003399897490000031
得到对应的预测功率值YCGi，Δ为设定因子，取值为0.85362，不同的发电机组对应不同的节点；
W3、将计算得到的预测功率值YCGi输送至对应的节点输出端内，节点输出端将所预测功率值YCGi输送至外部终端，节点输出端同时会对节点内部实际功率值进行均值处理并记录，并同时将记录后的均值数值以及所预测的功率值YCGi输送至故障预测端内。
7.根据权利要求6所述的基于深度学习的风电超短期功率预测系统，其特征在于，故障预测端内部包括差值区间，将对应的功率值YCGi与记录均值进行差值处理，并将处理后的差值与差值区间进行比对，若差值不属于差值区间，则判定此节点存在故障，将故障信息发送至外部终端，属于差值区间的差值则不作处理。
8.根据权利要求1-7任意一项所述的基于深度学习的风电超短期功率预测系统的预测方法，其特征在于，包括以下步骤：
步骤一、预先通过数据采集端对风力发电机组的各项工作数值进行采集，通过实际输出端对风力发电机组内部实际功率数值进行提取，并通过比对单元将所提取的实际功率数值与预计功率数值进行比对，提取差值属于差值区间内部的发电机组数值，并对此类数值进行提取，将所提取的数值进行线性离散处理；
步骤三、将进行离散处理后的均值预测因子进行提取，并将此预测因子输送至预测模型内，其中不同的风力发电机组均进行了预测因子训练，不同的风力发电机组对应不同的预测因子Ji；
步骤四、预测模型通过预测因子Ji对不同的风力发电机组进行功率预测处理，通过对外部风速进行采集，通过风速数据对风力发电机组的功率数据进行预测并得到对应的数值；
步骤五、预测模型将预测后的数值输送至故障预测端内，故障预测端内部同样设定有差值区间，将对应的功率值YCGi与记录均值进行差值处理，并将处理后的差值与差值区间进行比对，若差值不属于差值区间，则判定此节点风力发电机组存在故障，属于差值区间的差值则不作处理。
CN202111492610.4A 2021-12-08 2021-12-08 基于深度学习的风电超短期功率预测方法及系统 Withdrawn CN114154731A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111492610.4A CN114154731A (zh) 2021-12-08 2021-12-08 基于深度学习的风电超短期功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111492610.4A CN114154731A (zh) 2021-12-08 2021-12-08 基于深度学习的风电超短期功率预测方法及系统

Publications (1)

Publication Number Publication Date
CN114154731A true CN114154731A (zh) 2022-03-08

Family

ID=80453764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111492610.4A Withdrawn CN114154731A (zh) 2021-12-08 2021-12-08 基于深度学习的风电超短期功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN114154731A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114779074A (zh) * 2022-04-19 2022-07-22 安徽皖新电机有限公司 一种电机快速出厂负载测试用自动化测试系统
CN114817865A (zh) * 2022-06-28 2022-07-29 深圳市傲立电子有限公司 一种基于大数据的射频功率放大器用运行故障预测系统
CN114966295A (zh) * 2022-07-28 2022-08-30 深圳市今朝时代股份有限公司 一种基于大数据的超级电容运行电力调频检测系统
CN115001122A (zh) * 2022-08-04 2022-09-02 深圳市今朝时代股份有限公司 一种基于数据分析的超级电容电能储存管理系统
CN115031748A (zh) * 2022-05-26 2022-09-09 芜湖宏景电子股份有限公司 基于自动导航的汽车油量指示系统
CN115320181A (zh) * 2022-08-26 2022-11-11 江西福山众品鑫包装有限公司 一种瓦楞纸制备工艺智能控制系统及其表面处理工艺

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114779074A (zh) * 2022-04-19 2022-07-22 安徽皖新电机有限公司 一种电机快速出厂负载测试用自动化测试系统
CN114779074B (zh) * 2022-04-19 2022-12-30 安徽皖新电机有限公司 一种电机快速出厂负载测试用自动化测试系统
CN115031748A (zh) * 2022-05-26 2022-09-09 芜湖宏景电子股份有限公司 基于自动导航的汽车油量指示系统
CN114817865A (zh) * 2022-06-28 2022-07-29 深圳市傲立电子有限公司 一种基于大数据的射频功率放大器用运行故障预测系统
CN114966295A (zh) * 2022-07-28 2022-08-30 深圳市今朝时代股份有限公司 一种基于大数据的超级电容运行电力调频检测系统
CN115001122A (zh) * 2022-08-04 2022-09-02 深圳市今朝时代股份有限公司 一种基于数据分析的超级电容电能储存管理系统
CN115001122B (zh) * 2022-08-04 2022-11-29 深圳市今朝时代股份有限公司 一种基于数据分析的超级电容电能储存管理系统
CN115320181A (zh) * 2022-08-26 2022-11-11 江西福山众品鑫包装有限公司 一种瓦楞纸制备工艺智能控制系统及其表面处理工艺

Similar Documents

Publication Publication Date Title
CN114154731A (zh) 基于深度学习的风电超短期功率预测方法及系统
CN110259646B (zh) 一种基于历史数据的风力发电机组部件状态预警方法
CN105134510A (zh) 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN106815771A (zh) 一种风电场载荷的长期评估方法
CN109086527B (zh) 一种基于风电机组运行状态的实用化等值建模方法
CN111878322B (zh) 风力发电机装置
CN109782124B (zh) 一种基于梯度下降算法的主配用一体化故障定位方法及系统
CN106979126A (zh) 基于svr的风力发电机组高风速段有效风速估计方法
EP3771822A1 (en) A method for computer-implemented determination of a vertical speed wind profile of a wind field
CN113675878B (zh) 海上风电场并网性能测试方法、系统、计算机设备和介质
CN114165392A (zh) 一种风电机组功率异常诊断方法、装置及存储介质
CN107947228A (zh) 基于Markov理论的含风电电力系统随机稳定性分析方法
CN117350159A (zh) 发电机散热性能预警方法、装置、设备及存储介质
CN117410961A (zh) 风功率预测方法、装置、设备及存储介质
CN110489852A (zh) 提高风电系统数据质量的方法及装置
CN116317937A (zh) 一种分布式光伏电站运行故障诊断方法
CN114564804A (zh) 风电机组的叶片断裂预警方法和装置
CN114442543A (zh) 一种适用于水电站故障预警的计算机监测方法
CN113746132A (zh) 一种基于云边协同的光伏电站及其控制方法
CN112653185A (zh) 一种交直流混合系统的多目标优化配置方法和系统
CN118013862B (zh) 一种风电场短期电压稳定性仿真模型构建、评估及监测方法
Raja et al. Digital Twin of Wind Generator for Modelling Various Turbine Characteristics
CN115219853B (zh) 风电场集电线路故障预警处理方法及系统
CN109858066B (zh) 一种变流器过温预警方法和系统
CN117310495B (zh) 一种新能源电机的耐久性能综合检测系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220308

WW01 Invention patent application withdrawn after publication