CN114723104A - 一种风电机组机舱电气设备能耗优化综合建模方法及系统 - Google Patents

一种风电机组机舱电气设备能耗优化综合建模方法及系统 Download PDF

Info

Publication number
CN114723104A
CN114723104A CN202210239207.9A CN202210239207A CN114723104A CN 114723104 A CN114723104 A CN 114723104A CN 202210239207 A CN202210239207 A CN 202210239207A CN 114723104 A CN114723104 A CN 114723104A
Authority
CN
China
Prior art keywords
time sequence
sequence data
power generation
state
energy consumption
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.)
Granted
Application number
CN202210239207.9A
Other languages
English (en)
Other versions
CN114723104B (zh
Inventor
王维庆
程静
何山
程志江
袁至
樊小朝
武家辉
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.)
Xinjiang University
Original Assignee
Xinjiang 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 Xinjiang University filed Critical Xinjiang University
Priority to CN202210239207.9A priority Critical patent/CN114723104B/zh
Publication of CN114723104A publication Critical patent/CN114723104A/zh
Application granted granted Critical
Publication of CN114723104B publication Critical patent/CN114723104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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"
    • 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
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • 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
    • G06F16/2462—Approximate or statistical queries
    • 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
    • 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
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电机组机舱电气设备能耗优化综合建模方法及系统，包括以下步骤：步骤S1、在所述机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取运行特征时序数据，耗能特征时序数据，以及在历史发电日志中提取产能特征时序数据和发电特征时序数据；步骤S2、利用神经网络构建运行预测模型，发电状态优化模型，以及发电能耗优化模型；步骤S3在所述约束条件下求解得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果。本发明在风向调控装置的众多运行参量中找出影响发电稳定性和能耗的关键参数，保证发电过程的稳定性与高效性。

Description

一种风电机组机舱电气设备能耗优化综合建模方法及系统
技术领域
本发明涉及风电机组机舱能耗优化技术领域，具体涉及一种风电机组机舱电气设备能耗优化综合建模方法及系统。
背景技术
风力发电机由机舱、传动系统、电子控制器、偏航系统、液压系统、制动系统、发电机等组成，机舱中包容着风力发电机的关键设备，包括齿轮箱、发电机，其中发电机输出产生的电能，而齿轮箱由风向调控系统(偏航系统) 借助电动机转动机舱，以使风力发电机的扇叶正对风向，风向调控系统由电子控制器控制运行。
现有技术中对风电机组机舱能耗优化的研究一般是以优化发电效率为目标展开的。随着全球碳排放量激增、能源日益枯竭，发展“绿色经济”已成为全球热点，在这样的大背景下，传统风力发电的能量利用率低、耗能高、非稳态运行的弊端日益突出，特别是对于大型风力发电而言，如何使风力发电在既稳定又高效的状态下长期运行变得十分迫切。但是，风力发电是一个能量相互作用的复杂随机过程，评价其发电稳定性与能耗状态的特征参数具有跨学科、强耦合和非线性的特点，如何精准建立稳定-节能综合最优的机舱能耗优化模型并对其特征参数进行优化控制，已成为传统风力发电向绿色、智能、可持续转型过程中亟待解决的关键问题。
发明内容
本发明的目的在于提供一种风电机组机舱电气设备能耗优化综合建模方法及系统，以解决现有技术中能量利用率低、耗能高、非稳态运行的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种风电机组机舱电气设备能耗优化综合建模方法，包括以下步骤：
步骤S1、在所述机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
步骤S2、利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
步骤S3、基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果，以使得所述风向调控装置按所述设定值运行来实现机舱发电状态和发电产能的双目标优化。
作为本发明的一种优选方案，所述在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，包括：
在历史运行日志中依次按时序提取出风向调控装置的多个运行参量的时序数据，并对多个运行参量的时序数据进行冗余参量去除来得到表征风向调控装置运行状态特征的多个运行特征参量；
基于所述多个运行特征参量在历史运行日志中提取出多组运行特征参量时序数据，并对多组运行特征参量时序数据进行冗余时序去除来得到表征风向调控装置运行状态的运行特征时序数据；
按照所述运行特征时序数据的时序依次在历史运行日志中提取风向调控装置在对应时序处耗能参量的时序数据作为耗能特征时序数据，以表征风向调控装置耗能状态；
所述对多个运行参量的时序数据进行冗余参量去除，包括：
对所述多个运行参量的时序数据按时序进行主成分分析得到所有运行参量的特征值，并按特征值对所述运行参量进行倒序排列得到运行参量序列；
在运行参量序列中选取出前k项作为k个运行特征参量，以去除运行参量中的冗余参量；
所述对多组运行特征参量时序数据进行冗余时序去除，包括：
步骤101、依次将多组运行特征参量时序数据在相邻时序处进行数据相似度求和计算得到一组节点判定时序曲线，所述相似度求和的计算公式为：
Figure BDA0003543624370000031
其中，
Figure BDA0003543624370000032
为多组运行特征参量时序数据在相邻时序tj+1，tj处的数据相似度总和，且为节点判定时序曲线中时序tj+1处的数据，
Figure BDA0003543624370000033
分别表征为第i组运行特征参量时序数据中相邻时序tj+1，tj处的时序数据，tj+1，tj表征为第j+1、j个时序，i，j为计量常数；
步骤102、在节点判定时序曲线上绘制表征稳定运行状态的相似度总和的阈值区间曲线，并将节点判定时序曲线上位于阈值区间曲线外部的所有时序作为表征风向调节装置状态变更的变更时序，所述阈值区间表征为风向调控装置处于同种运行状态的相似度总和上限值和相似度总和下限值构成的时序曲线；
步骤103、依次统计多组运行特征参量时序数据在相邻变更时序之间的时序数据量，并对所有相邻变更时序之间的时序数据量进行归一化处理得到在每个相邻变更时序之间的数据提取率，所述数据提取率的计算公式为：
Figure BDA0003543624370000034
式中，
Figure BDA0003543624370000035
表征为相邻变更时序tr、tr+1之间的数据提取率，
Figure BDA0003543624370000036
表征为相邻变更时序tr、tr+1之间的时序数据量，tr、tr+1表征为第r、r+1个变更时序，r为计量常数，m为变更时序的总数目；
步骤104、设定时序数据的总提取量，依据数据提取率依次在每个相邻变更时序之间随机提取对应数量的时序数据，并将所述时序数据依时序连接为运行特征时序数据，以保证对风向调控装置运行状态的均衡表征且避免表征同种运行状态的数据冗余。
作为本发明的一种优选方案，所述在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据，包括：
按照所述运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处产能参量的时序数据作为产能特征时序数据，以表征机舱发电产能状态；
按照所述运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处发电状态参量的时序数据作为发电特征时序数据，以表征机舱发电状态。
作为本发明的一种优选方案，所述利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，包括：
将运行特征时序数据转换为运行特征时序序列为
Figure BDA0003543624370000043
Figure BDA0003543624370000041
将{tr|r∈[1,m]}和
Figure BDA0003543624370000042
作为输入项和输出项应用至LSTM神经网络中进行模型训练得到所述运行预测模型，所述运行预测模型的模型表达式为：
Xt＝LSTM(t)；
式中，X表征为运行特征时序数据在时序t处的时序数据，LSTM表征为 LSTM神经网络。
作为本发明的一种优选方案，所述基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，包括：
将运行特征时序数据和发电特征时序数据作为输入项和输出项应用至 CNN神经网络中进行模型训练得到所述发电状态优化模型，所述发电状态优化模型的模型表达式为：
labelt＝CNN(Xt)；
式中，labelt表征为发电特征时序数据在时序t处的时序数据，Xt表征为运行特征时序数据在时序t处的时序数据，CNN表征为CNN神经网络。
作为本发明的一种优选方案，所述基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型，包括：
将运行特征时序数据和产能特征时序数据、耗能特征时序数据作为输入项和输出项应用至CNN神经网络中进行模型训练得到所述发电状态优化模型，所述发电状态优化模型的模型表达式为：
Yt-yt＝CNN(Xt)；
式中，Yt、yt分别表征为产能特征时序数据、耗能特征时序数据在时序 t处的时序数据，Xt表征为运行特征时序数据在时序t处的时序数据，CNN表征为CNN神经网络。
作为本发明的一种优选方案，所述基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，包括：
将未来时序T输入至运行预测模型预测出风向调控装置在未来时序T处的运行特征时序数据的预测值XT。
作为本发明的一种优选方案，所述基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，包括：
设定调整偏差ΔX，基于所述预测值XT与调整调整偏差ΔX构建约束条件，所述约束条件的公式为：
XT′∈[XT-ΔX,XT+ΔX]；
式中，XT′表征为设定值。
作为本发明的一种优选方案，所述在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果，包括：
将所述设定值XT′作为所述发电能耗优化模型和发电状态优化模型的求解变量得到发电能耗优化模型和发电状态优化模型的优化求解公式为：
Figure RE-GDA0003659626140000061
其中，labelT分别表征为未来时序T处的发电状态，YT、yT分别表征为产能特征时序数据、耗能特征时序数据在未来时序T处的时序数据，所述发电状态包括稳定状态和非稳定状态；
对所述发电能耗优化模型和发电状态优化模型的优化求解公式进行求解得到所述设定值XT′的求解结果。
作为本发明的一种优选方案，本发明提供了一种根据所述的风电机组机舱电气设备能耗优化综合建模方法的建模系统，包括：
数据获取单元，用于在所述机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
模型建立单元，用于利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
优化应用单元，用于基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果。
本发明与现有技术相比较具有如下有益效果：
本发明在风向调控装置的众多运行参量中找出影响发电稳定性和能耗的关键参数，并构建对应的发电能耗优化模型和发电状态优化模型，简洁迅速地计算出同时兼顾加工稳定性和能耗双重目标的参量设定值，从而高效地调节风向调控装置的运行参量，保证发电过程的稳定性与高效性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的能耗优化综合建模方法流程图；
图2为本发明实施例提供的建模系统结构框图。
图中的标号分别表示如下：
1-数据获取单元；2-模型建立单元；3-优化应用单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种风电机组机舱电气设备能耗优化综合建模方法，包括以下步骤：
步骤S1、在机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，包括：
在历史运行日志中依次按时序提取出风向调控装置的多个运行参量的时序数据，并对多个运行参量的时序数据进行冗余参量去除来得到表征风向调控装置运行状态特征的多个运行特征参量；
基于多个运行特征参量在历史运行日志中提取出多组运行特征参量时序数据，并对多组运行特征参量时序数据进行冗余时序去除来得到表征风向调控装置运行状态的运行特征时序数据；
按照运行特征时序数据的时序依次在历史运行日志中提取风向调控装置在对应时序处耗能参量的时序数据作为耗能特征时序数据，以表征风向调控装置耗能状态；
对多个运行参量的时序数据进行冗余参量去除，包括：
对多个运行参量的时序数据按时序进行主成分分析得到所有运行参量的特征值，并按特征值对运行参量进行倒序排列得到运行参量序列；
在运行参量序列中选取出前k项作为k个运行特征参量，以去除运行参量中的冗余参量；
运行参量包括但不限于供电电流、供电脉宽、供电脉间、极间电压、进给速度等以控制风向调控装置的转速、转向等，在取出冗余参量后可对运行参量进行精简，只保留下对表征风向调控装置运行状态特征的多个运行特征参量，减低冗余后续计算。
对多组运行特征参量时序数据进行冗余时序去除，包括：
步骤101、依次将多组运行特征参量时序数据在相邻时序处进行数据相似度求和计算得到一组节点判定时序曲线，相似度求和的计算公式为：
Figure BDA0003543624370000081
其中，
Figure BDA0003543624370000082
为多组运行特征参量时序数据在相邻时序tj+1，tj处的数据相似度总和，且为节点判定时序曲线中时序tj+1处的数据，
Figure BDA0003543624370000091
分别表征为第i组运行特征参量时序数据中相邻时序tj+1，tj处的时序数据，tj+1，tj表征为第j+1、j个时序，i，j为计量常数；
步骤102、在节点判定时序曲线上绘制表征稳定运行状态的相似度总和的阈值区间曲线，并将节点判定时序曲线上位于阈值区间曲线外部的所有时序作为表征风向调节装置状态变更的变更时序，阈值区间表征为风向调控装置处于同种运行状态的相似度总和上限值和相似度总和下限值构成的时序曲线；
步骤103、依次统计多组运行特征参量时序数据在相邻变更时序之间的时序数据量，并对所有相邻变更时序之间的时序数据量进行归一化处理得到在每个相邻变更时序之间的数据提取率，数据提取率的计算公式为：
Figure BDA0003543624370000092
式中，
Figure BDA0003543624370000093
表征为相邻变更时序tr、tr+1之间的数据提取率，
Figure BDA0003543624370000094
表征为相邻变更时序tr、tr+1之间的时序数据量，tr、tr+1表征为第r、r+1个变更时序，r为计量常数，m为变更时序的总数目；
步骤104、设定时序数据的总提取量，依据数据提取率依次在每个相邻变更时序之间随机提取对应数量的时序数据，并将时序数据依时序连接为运行特征时序数据，以保证对风向调控装置运行状态的均衡表征且避免表征同种运行状态的数据冗余。
在风向长时间不变的状况下，风向调控装置的运行状态也将维持长时间不变，在该运行状态下会存在大量相近的运行特征时序数据，如果对运行状态的运行特征时序数据全部进行提取时，会导致在样本总量一定的情况下，该运行状态下的数据量占比过大，导致数据失衡，从而最终造成在模型训练时产生过拟合现象，因此本实施例对所有运行状态的变更时序进行提取，获得多个运行状态，并按各个运行状态下的数据量进行等比例数据抽取，从而保证数据均衡，同时也提出了大量相近的运行特征时序数据，提高模型训练速度。
在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据，包括：
按照运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处产能参量的时序数据作为产能特征时序数据，以表征机舱发电产能状态；
按照运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处发电状态参量的时序数据作为发电特征时序数据，以表征机舱发电状态。
步骤S2、利用神经网络基于运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
利用神经网络基于运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，包括：
将运行特征时序数据转换为运行特征时序序列为
Figure BDA0003543624370000101
Figure BDA0003543624370000103
将{tr|r∈[1,m]}和
Figure BDA0003543624370000102
作为输入项和输出项应用至LSTM神经网络中进行模型训练得到运行预测模型，运行预测模型的模型表达式为：
Xt＝LSTM(t)；
式中，X表征为运行特征时序数据在时序t处的时序数据，LSTM表征为 LSTM神经网络。
基于运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，包括：
将运行特征时序数据和发电特征时序数据作为输入项和输出项应用至 CNN神经网络中进行模型训练得到发电状态优化模型，发电状态优化模型的模型表达式为：
labelt＝CNN(Xt)；
式中，labelt表征为发电特征时序数据在时序t处的时序数据，Xt表征为运行特征时序数据在时序t处的时序数据，CNN表征为CNN神经网络。
基于运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型，包括：
将运行特征时序数据和产能特征时序数据、耗能特征时序数据作为输入项和输出项应用至CNN神经网络中进行模型训练得到发电状态优化模型，发电状态优化模型的模型表达式为：
Yt-yt＝CNN(Xt)；
式中，Yt、yt分别表征为产能特征时序数据、耗能特征时序数据在时序 t处的时序数据，Xt表征为运行特征时序数据在时序t处的时序数据，CNN表征为CNN神经网络。
步骤S3、基于运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在约束条件下求解发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果，以使得风向调控装置按设定值运行来实现机舱发电状态和发电产能的双目标优化。
基于运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，包括：
将未来时序T输入至运行预测模型预测出风向调控装置在未来时序T处的运行特征时序数据的预测值XT。
基于风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，包括：
设定调整偏差ΔX，基于预测值XT与调整调整偏差ΔX构建约束条件，约束条件的公式为：
XT′∈[XT-ΔX,XT+ΔX]；
式中，XT′表征为设定值。
在约束条件下求解发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果，包括：
将设定值XT′作为发电能耗优化模型和发电状态优化模型的求解变量得到发电能耗优化模型和发电状态优化模型的优化求解公式为：
Figure RE-GDA0003659626140000121
其中，labelT分别表征为未来时序T处的发电状态，YT、yT分别表征为产能特征时序数据、耗能特征时序数据在未来时序T处的时序数据，发电状态包括稳定状态和非稳定状态；
对发电能耗优化模型和发电状态优化模型的优化求解公式进行求解得到设定值XT′的求解结果。
运行预测模型根据大量运行特征时序数据训练而成，而运行特征时序数据都是电子控制器控制风向调控装置驱动风机扇叶正朝风向，因此预测出的未来时序处的运行特征时序数据也是在未来时序处控制风向调控装置驱动风机扇叶正朝风向，因此在未来时序处的运行特征时序数据的基础上进行调整偏差ΔX范围内的调整，可以使得未来时序处风向调控装置驱动风机扇叶正朝风向，即基于预测值XT与调整调整偏差ΔX构建约束条件。
发电能耗优化模型和发电状态优化模型双向目标优化，可实现在未来时序处发电能耗最小化以及发电状态稳定。
如图2所示，基于上述风电机组机舱电气设备能耗优化综合建模方法，本发明提供了一种建模系统，包括：
数据获取单元1，用于在所述机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
模型建立单元2，用于利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
优化应用单元3，用于基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果。
本发明在风向调控装置的众多运行参量中找出影响发电稳定性和能耗的关键参数，并构建对应的发电能耗优化模型和发电状态优化模型，简洁迅速地计算出同时兼顾加工稳定性和能耗双重目标的参量设定值，从而高效地调节风向调控装置的运行参量，保证发电过程的稳定性与高效性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种风电机组机舱电气设备能耗优化综合建模方法，其特征在于：包括以下步骤：
步骤S1、在所述机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
步骤S2、利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
步骤S3、基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果，以使得所述风向调控装置按所述设定值运行来实现机舱发电状态和发电产能的双目标优化。
2.根据权利要求1所述的一种风电机组机舱电气设备能耗优化综合建模方法，其特征在于：所述在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，包括：
在历史运行日志中依次按时序提取出风向调控装置的多个运行参量的时序数据，并对多个运行参量的时序数据进行冗余参量去除来得到表征风向调控装置运行状态特征的多个运行特征参量；
基于所述多个运行特征参量在历史运行日志中提取出多组运行特征参量时序数据，并对多组运行特征参量时序数据进行冗余时序去除来得到表征风向调控装置运行状态的运行特征时序数据；
按照所述运行特征时序数据的时序依次在历史运行日志中提取风向调控装置在对应时序处耗能参量的时序数据作为耗能特征时序数据，以表征风向调控装置耗能状态；
所述对多个运行参量的时序数据进行冗余参量去除，包括：
对所述多个运行参量的时序数据按时序进行主成分分析得到所有运行参量的特征值，并按特征值对所述运行参量进行倒序排列得到运行参量序列；
在运行参量序列中选取出前k项作为k个运行特征参量，以去除运行参量中的冗余参量；
所述对多组运行特征参量时序数据进行冗余时序去除，包括：
步骤101、依次将多组运行特征参量时序数据在相邻时序处进行数据相似度求和计算得到一组节点判定时序曲线，所述相似度求和的计算公式为：
Figure FDA0003543624360000021
其中，
Figure FDA0003543624360000022
为多组运行特征参量时序数据在相邻时序tj+1，tj处的数据相似度总和，且为节点判定时序曲线中时序tj+1处的数据，
Figure FDA0003543624360000023
分别表征为第i组运行特征参量时序数据中相邻时序tj+1，tj处的时序数据，tj+1，tj表征为第j+1、j个时序，i，j为计量常数；
步骤102、在节点判定时序曲线上绘制表征稳定运行状态的相似度总和的阈值区间曲线，并将节点判定时序曲线上位于阈值区间曲线外部的所有时序作为表征风向调节装置状态变更的变更时序，所述阈值区间表征为风向调控装置处于同种运行状态的相似度总和上限值和相似度总和下限值构成的时序曲线；
步骤103、依次统计多组运行特征参量时序数据在相邻变更时序之间的时序数据量，并对所有相邻变更时序之间的时序数据量进行归一化处理得到在每个相邻变更时序之间的数据提取率，所述数据提取率的计算公式为：
Figure FDA0003543624360000031
式中，
Figure FDA0003543624360000032
表征为相邻变更时序tr、tr+1之间的数据提取率，
Figure FDA0003543624360000033
表征为相邻变更时序tr、tr+1之间的时序数据量，tr、tr+1表征为第r、r+1个变更时序，r为计量常数，m为变更时序的总数目；
步骤104、设定时序数据的总提取量，依据数据提取率依次在每个相邻变更时序之间随机提取对应数量的时序数据，并将所述时序数据依时序连接为运行特征时序数据，以保证对风向调控装置运行状态的均衡表征且避免表征同种运行状态的数据冗余。
3.根据权利要求2所述的一种风电机组机舱电气设备能耗优化综合建模方法，其特征在于：所述在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据，包括：
按照所述运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处产能参量的时序数据作为产能特征时序数据，以表征机舱发电产能状态；
按照所述运行特征时序数据的时序依次在历史发电日志中提取机舱在对应时序处发电状态参量的时序数据作为发电特征时序数据，以表征机舱发电状态。
4.根据权利要求3所述的一种风电机组机舱电气设备能耗优化综合建模方法，其特征在于：所述利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，包括：
将运行特征时序数据转换为运行特征时序序列为
Figure FDA0003543624360000034
Figure FDA0003543624360000035
将{tr|r∈[1,m]}和
Figure FDA0003543624360000036
作为输入项和输出项应用至LSTM神经网络中进行模型训练得到所述运行预测模型，所述运行预测模型的模型表达式为：
Xt＝LSTM(t)；
式中，X表征为运行特征时序数据在时序t处的时序数据，LSTM表征为LSTM神经网络。
5.根据权利要求4所述的一种风电机组机舱电气设备能耗优化综合建模方法，其特征在于：所述基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，包括：
将运行特征时序数据和发电特征时序数据作为输入项和输出项应用至CNN神经网络中进行模型训练得到所述发电状态优化模型，所述发电状态优化模型的模型表达式为：
labelt＝CNN(Xt)；
式中，labelt表征为发电特征时序数据在时序t处的时序数据，Xt表征为运行特征时序数据在时序t处的时序数据，CNN表征为CNN神经网络。
6.根据权利要求5所述的一种风电机组机舱电气设备能耗优化综合建模方法，其特征在于：所述基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型，包括：
将运行特征时序数据和产能特征时序数据、耗能特征时序数据作为输入项和输出项应用至CNN神经网络中进行模型训练得到所述发电状态优化模型，所述发电状态优化模型的模型表达式为：
Yt-yt＝CNN(Xt)；
式中，Yt、yt分别表征为产能特征时序数据、耗能特征时序数据在时序t处的时序数据，Xt表征为运行特征时序数据在时序t处的时序数据，CNN表征为CNN神经网络。
7.根据权利要求6所述的一种风电机组机舱电气设备能耗优化综合建模方法，其特征在于，所述基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，包括：
将未来时序T输入至运行预测模型预测出风向调控装置在未来时序T处的运行特征时序数据的预测值XT。
8.根据权利要求7所述的一种风电机组机舱电气设备能耗优化综合建模方法，其特征在于，所述基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，包括：
设定调整偏差ΔX，基于所述预测值XT与调整调整偏差ΔX构建约束条件，所述约束条件的公式为：
XT′∈[XT-ΔX,XT+ΔX]；
式中，XT′表征为设定值。
9.根据权利要求8所述的一种风电机组机舱电气设备能耗优化综合建模方法，其特征在于，所述在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果，包括：
将所述设定值XT′作为所述发电能耗优化模型和发电状态优化模型的求解变量得到发电能耗优化模型和发电状态优化模型的优化求解公式为：
Figure FDA0003543624360000051
其中，labelT分别表征为未来时序T处的发电状态，YT、yT分别表征为产能特征时序数据、耗能特征时序数据在未来时序T处的时序数据，所述发电状态包括稳定状态和非稳定状态；
对所述发电能耗优化模型和发电状态优化模型的优化求解公式进行求解得到所述设定值XT′的求解结果。
10.一种根据权利要求1-9任一项所述的风电机组机舱电气设备能耗优化综合建模方法的建模系统，其特征在于，包括：
数据获取单元，用于在所述机舱的电子控制器中获取风向调控装置对机舱进行方位移动的历史运行日志，以及获取机舱的历史发电日志，并在历史运行日志中提取表征风向调控装置运行状态的运行特征时序数据，表征风向调控装置耗能状态的耗能特征时序数据，以及在历史发电日志中提取表征机舱发电产能状态的产能特征时序数据和表征机舱发电状态的发电特征时序数据；
模型建立单元，用于利用神经网络基于所述运行特征时序数据构建表征风向调控装置运行状态与时序映射关系的运行预测模型，基于所述运行特征时序数据与发电特征时序数据构建表征风向调控装置运行状态与发电状态映射关系的发电状态优化模型，以及基于所述运行特征时序数据与产能特征时序数据、耗能特征时序数据构建表征风向调控装置运行状态与发电产能状态、发电耗能状态映射关系的发电能耗优化模型；
优化应用单元，用于基于所述运行预测模型预测出风向调控装置在未来时序处的运行特征时序数据的预测值，并基于所述风向调控装置在未来时序处的运行特征时序数据的预测值构建约束条件，并在所述约束条件下求解所述发电能耗优化模型和发电状态优化模型得到风向调控装置在未来时序处的运行特征时序数据的设定值求解结果。
CN202210239207.9A 2022-03-11 2022-03-11 一种风电机组机舱电气设备能耗优化综合建模方法及系统 Active CN114723104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210239207.9A CN114723104B (zh) 2022-03-11 2022-03-11 一种风电机组机舱电气设备能耗优化综合建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210239207.9A CN114723104B (zh) 2022-03-11 2022-03-11 一种风电机组机舱电气设备能耗优化综合建模方法及系统

Publications (2)

Publication Number Publication Date
CN114723104A true CN114723104A (zh) 2022-07-08
CN114723104B CN114723104B (zh) 2023-05-16

Family

ID=82238021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210239207.9A Active CN114723104B (zh) 2022-03-11 2022-03-11 一种风电机组机舱电气设备能耗优化综合建模方法及系统

Country Status (1)

Country Link
CN (1) CN114723104B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160223600A1 (en) * 2015-02-03 2016-08-04 Envision Energy (Jiangsu) Co., Ltd. Power generation performance evaluation method and apparatus for power generator set
CN110474339A (zh) * 2019-08-07 2019-11-19 国网福建省电力有限公司 一种基于深度发电负荷预测的电网无功控制方法
CN113153655A (zh) * 2021-05-14 2021-07-23 大唐（赤峰）新能源有限公司 风电机组运行状态监测方法及装置
CN113822418A (zh) * 2021-09-24 2021-12-21 中节能风力发电股份有限公司 一种风电场功率预测方法、系统、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160223600A1 (en) * 2015-02-03 2016-08-04 Envision Energy (Jiangsu) Co., Ltd. Power generation performance evaluation method and apparatus for power generator set
CN110474339A (zh) * 2019-08-07 2019-11-19 国网福建省电力有限公司 一种基于深度发电负荷预测的电网无功控制方法
CN113153655A (zh) * 2021-05-14 2021-07-23 大唐（赤峰）新能源有限公司 风电机组运行状态监测方法及装置
CN113822418A (zh) * 2021-09-24 2021-12-21 中节能风力发电股份有限公司 一种风电场功率预测方法、系统、设备和存储介质

Also Published As

Publication number Publication date
CN114723104B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN107679671A (zh) 一种隐含时间序列深度信念网络的水泥生产电耗预测方法
CN109103929B (zh) 基于改进动态克里丝金模型的配电网经济优化调度方法
CN103092074B (zh) 半导体先进过程控制的参数优化控制方法
CN109978287B (zh) 多晶硅智能生产方法及系统
CN107609667B (zh) 基于Box_cox变换和UFCNN的供热负荷预测方法及系统
CN109523084A (zh) 一种基于主元分析和机器学习的风电功率超短期预测方法
CN108512258B (zh) 一种基于改进多智能体一致性算法的风电场有功调度方法
CN109376426B (zh) 一种风电并网功率调度方法及装置
CN112927097A (zh) 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法
CN111340305A (zh) 一种建筑运行能耗预测方法
CN112329339A (zh) 一种风电场短期风速预测方法
CN113471982A (zh) 云边协同与电网隐私保护的分布式电源就地电压控制方法
CN115425668A (zh) 一种基于电力系统时序生产模拟的储能容量优化配置方法
Bao et al. Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm
CN113627685B (zh) 一种考虑风电上网负荷限制的风力发电机功率预测方法
CN110909994A (zh) 基于大数据驱动的小水电群发电量预测方法
CN113422371B (zh) 一种基于图卷积神经网络的分布式电源就地电压控制方法
Hurry Optimizing Power Electronics with Machine Learning Algorithms and Data Science
CN117515802A (zh) 计及空调运行状态的定频中央空调日前负荷预测方法
CN114723104A (zh) 一种风电机组机舱电气设备能耗优化综合建模方法及系统
CN113363976A (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
CN109375507B (zh) 一种火电机组深度调峰控制方法
CN117028141A (zh) 一种风电机组的变桨协调优化控制方法
CN115115139A (zh) 一种风电功率的实时预测方法
CN115660038A (zh) 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测

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