CN114899876B - 风电场运行控制方法、装置、设备及存储介质 - Google Patents
风电场运行控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114899876B CN114899876B CN202210814187.3A CN202210814187A CN114899876B CN 114899876 B CN114899876 B CN 114899876B CN 202210814187 A CN202210814187 A CN 202210814187A CN 114899876 B CN114899876 B CN 114899876B
- Authority
- CN
- China
- Prior art keywords
- condition data
- power plant
- working condition
- target
- wind power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010248 power generation Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 14
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开涉及一种风电场运行控制方法、装置、设备及存储介质。该方法包括:获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据;将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率;基于目标工况数据,控制目标风电场中各台机组运行。根据本公开实施例,能够使得目标风电场输出的功率最大,降低了风电场的尾流效应,提高了风电场的整体发电量,最终实现风电场尾流效应的在线优化。
Description
技术领域
本公开涉及风力发电技术领域,尤其涉及一种风电场运行控制方法、装置、设备及存储介质。
背景技术
风电场内的风力发电机组是风电场中将空气中的风能转换为电能的发电装置。上游的机组从风中获取风能的同时会在其下游形成风速下降的尾流区,导致位于尾流区内的下游机组的发电量降低,从而导致风电场的整体发电量降低。
为了提高风电场的整体发电量,一般会对风电场内的机组进行运行控制,以降低尾流效应,进一步提高风电场的整体发电量。然而,基于现有的风电场运行控制方法进行运行控制时,只考虑单个机组的最大发电量,单个机组的发电量最大不能代表风电场的整体发电量最大。因此,提供一种提高风电场的整体发电量的风电场运行控制方法是目前亟需解决的技术问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种风电场运行控制方法、装置、设备及存储介质。
第一方面,本公开提供了一种风电场运行控制方法,该方法包括:
获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据;
将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率;
基于目标工况数据,控制目标风电场中各台机组运行。
第二方面,本公开提供了一种风电场运行控制装置,该装置包括:
数据获取模块,用于获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据;
目标工况数据确定模块,用于将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率;
运行控制模块,用于基于目标工况数据,控制目标风电场中各台机组运行。
第三方面,本公开实施例还提供了一种风电场运行控制设备,该设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现第一方面所提供的风电场运行控制方法。
第四方面,本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面所提供的风电场运行控制方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例的一种风电场运行控制方法、设备及存储介质,首先,获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据;然后,将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率;最后,基于目标工况数据,控制目标风电场中各台机组运行。通过上述过程,可以利用预先训练好的工况预测模型,实时预测出目标风电场的最大发电功率对应的目标工况数据,因此,利用目标工况数据控制目标风电场中各台机组运行时,能够使得目标风电场输出的功率最大,降低了风电场的尾流效应,提高了风电场的整体发电量,最终实现风电场尾流效应的在线优化。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种风电场运行控制方法的流程示意图;
图2为本公开实施例提供的另一种风电场运行控制方法的流程示意图;
图3为本公开实施例提供的一种风电场运行控制方法的逻辑示意图;
图4为本公开实施例提供的一种风电场运行控制装置的结构示意图;
图5为本公开实施例提供的一种风电场运行控制设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
为了最大化的利用风能资源并满足经济可行性,目前的风电场建设趋于集中化和规模化,这种建设方式降低建设成本的同时,也会产生尾流效应,风电场中的尾流效应会导致风电场的整体发电量降低。
为了提高风电场的整体发电量,目前的风电场运行控制方法只考虑单个机组的最大发电量,未考虑各台机组之间的尾流影响,使得单个机组的发电量最大不能代表风电场的整体发电量最大。因此,基于目前的风电场运行控制方法,无法保证风电场输出最大发电量。
为了解决上述问题,本公开实施例提供了一种能够提高风电场的整体发电量的风电场运行控制方法、设备及存储介质。
下面,首先结合图1至图3对本公开实施例提供的一种风电场运行控制方法进行说明。
图1示出了本公开实施例提供的一种风电场运行控制方法的流程示意图。
在本公开实施例中,图1所示的风电场运行控制方法可以由风电场运行控制设备执行。风电场运行控制设备可以是电子设备或服务器。该电子设备可以包括但不限于诸如智能手机、笔记本电脑、台式计算机等的固定终端。服务器可以是云服务器或者服务器集群等具有存储及计算功能的设备。本公开实施例以电子设备为执行主体进行详细的解释。
如图1所示,该风电场运行控制方法可以包括如下步骤。
S110、获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据。
在本公开实施例中,当需要提高风电场的发电量时,电子设备可以获取目标风电场的来流风况数据、各台机组之间的制约关系以及各台机组的当前工况数据,使得基于来流风况数据、各台机组之间的制约关系以及各台机组的当前工况数据来预测目标风电场的最优工况数据,由此,目标风电场可以基于最优工况数据输出最大发电量。
在本公开实施例中,目标风电场可以是任意的需要进行发电量优化的大型风电场。
其中,目标风电场可以包括多个机组,各个机组可以按照风况数据的分布,进行风力发电。
在本公开实施例中,来流风况数据可以是风电场的入口风况数据。
可选的,来流风况数据可以是最近一定时间段内的风况数据、未来一段时间段内的风况数据。其中,来流风况数据可以是风况数据均值或者是风况序列。
具体的,来流风况数据可以包括风速数据、风向数据以及湍流数据等数据。
在本公开实施例中,目标风电场中各台机组之间的制约关系可以是各台机组的尾流影响关系。
在一些实施例中,该制约关系可以是各台风电机组的发电量影响关系。
在另一些实施例中,该制约关系可以是各台风电机组的位置关系。
在又一些实施例中,该制约关系可以是各台风电机组的尾流影响面积关系。
在再一些实施例中,该制约关系可以包括各台风电机组的发电量影响关系、位置关系以及尾流影响面积关系中的至少两种。
在本公开实施例中,当前工况数据可以是工况预测之前目标风电场中各台机组的当前运行参数。具体的,当前工况数据可以作为预测的工况数据的约束条件,使得预测的工况数据与当前工况数据的偏差不会过大,从而避免过度的调整机组的工况。
可选的,当前工况数据可以包括偏航角、转速、桨距角中的至少一种。
S120、将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率。
在本公开实施例中,电子设备获取上述数据之后,可以获取目标风电场的预先训练好的工况预测模型,将获取的上述数据直接输入工况预测模型,利用工况预测模型预测目标发电场的最大发电功率对应的目标工况数据,从而得到目标风电场中各机组的最优工况。
在本公开实施例中,目标发电功率可以是训练工况预测模型时的样本发电功率,样本发电功率为训练工况预测模型时在不同样本风况时序数据下的最大发电功率。
在本公开实施例中,目标工况数据可以是用于控制目标风电场的各台机组的最优运行参数,也就是说,目标风电场基于目标工况数据运行时,输出的发电量最大。并且,目标工况数据是与当前工况数据差距较小的最优工况。具体的,当工况预测模型预测得到多个最优工况时,可以从多个最优工况中选择与当前工况数据差距最小的工况,作为目标工况数据。
可选的,目标工况数据可以包括目标风电场中各台机组的目标偏航角、目标转速以及目标桨距角中的至少一种。
由此,在本公开实施例中,当需要优化风电场的发电量时,可以利用训练好的工况预测模型准确的预测目标工况数据,从而得到风电场的最优工况,使得目标风电场基于最优工况输出最大发电量。并且,由于最优工况可以通过工况预测模型直接得到,最优工况的预测过程简单且所需的时间较短,因此,能够实现发电场在线优化时的实时控制的效果。
S130、基于目标工况数据,控制目标风电场中各台机组运行。
在本公开实施例中,电子设备确定目标工况数据之后,可以基于目标工况数据,控制目标风电场中各台机组运行,使得各台机组能够基于最优工况进行发电,使得目标风电场输出的功率最大,因此,提高了风电场的整体发电量。
具体的,目标风电场中各台机组可以基于各自对应的目标工况数据中的偏航角、转速以及桨距角运行发电,使得目标风电场能够输出最大功率。
在本公开实施例中,首先,获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据;然后,将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率;最后,基于目标工况数据,控制目标风电场中各台机组运行。通过上述过程,可以利用预先训练好的工况预测模型,实时预测出目标风电场的最大发电功率对应的目标工况数据,因此,利用目标工况数据控制目标风电场中各台机组运行时,能够使得目标风电场输出的功率最大,降低了风电场的尾流效应,因此,提高了风电场的整体发电量,最终实现风电场尾流效应的在线优化。
为了提高工况预测模型的模型精度,在S130之后,该方法还包括如下步骤:
获取目标风电场中各台机组的实际发电功率和实际发电功率对应的实际工况数据;
计算实际发电功率的和,得到目标风电场的实际发电功率;
若目标发电功率与目标风电场的实际发电功率的功率差大于预设差阈值,则根据来流风况数据、目标风电场中各台机组之间的制约关系、目标风电场中各台机组的当前工况数据以及实际运行功率对应的实际工况数据,更新工况预测模型,得到更新后的工况预测模型。
其中,实际运行功率可以是目标风电场中各台机组的实际发电量。
其中,实际工况数据可以是目标风电场中各台机组的实际运行参数。
其中,预设差阈值可以是预先确定的用于判断目标风电场的实际发电功率与目标发电功率之间的差值大小。
具体的,若目标发电功率与目标风电场的实际发电功率的功率差大于预设差阈值,则将来流风况数据、目标风电场中各台机组之间的制约关系、目标风电场中各台机组的当前工况数据作为工况预测模型的输入数据,将实际运行功率对应的实际工况数据作为工况预测模型的输出数据,并基于上述输入数据和输出数据,更新工况预测模型,得到更新后的工况预测模型。进一步的,得到更新后的工况预测模型之后,将来流风况数据、制约关系以及当前工况数据输入更新后的工况预测模型,得到新的目标工况数据,使得基于新的目标工况数据控制目标风电场中各台机组运行。
需要说明的是,若实际发电功率大于目标发电功率,可以将实际发电功率作为目标风电场的目标发电功率,从而得到工况预测模型对应的新的目标发电功率,并使得工况预测模型基于新的目标发电功率预测新的目标工况数据,并基于新的目标工况数据控制目标风电场中各台机组运行。
由此,在本公开实施例中,在工况预测模型的运行过程中,可以基于目标风电场的实际运行数据,更新工况预测模型,使得更新后的工况预测模型的模型精度更高,且更新后的工况预测模型更适用于目标风电场的发电情况。
在本公开另一种实施方式中,为了保证能够利用工况预测模型预测目标工况数据,执行在S110之前,还可以对工况预测模型进行训练。
图2示出了本公开实施例提供的另一种风电场运行控制方法的流程示意图。
如图2所示,该风电场运行控制方法包括如下步骤。
S210、获取样本来流风况数据、参考风电场中各台机组的初始工况数据、参考风电场的样本发电功率对应的样本工况数据以及参考风电场中各台机组之间的制约关系。
在本公开实施例中,当需要训练工况预测模型时,电子设备可以获取样本数据,该样本数据包括样本来流风况数据、参考风电场中各台机组的初始工况数据、参考风电场的样本发电功率对应的样本工况数据以及参考风电场中各台机组之间的制约关系,使得利用上述样本数据进行模型训练。
在本公开实施例中,样本来流风况数据可以为参考风电场的入口风况数据。
在本公开实施例中,参考风电场可以是训练样本中的不同风电场,样本风电场可以包括目标风电场。
在本公开实施例中,初始工况数据可以是得到样本工况数据之前的机组公开。
在本公开实施例中,参考风电场中各台机组之间的制约关系也可以是各台机组的尾流影响关系。
在本公开实施例中,样本发电功率对应的样本工况数据可以是用于控制参考风电场的各台机组的最优运行参数。也就是说,参考风电场基于目标工况数据运行时,输出的发电量最大。并且,样本工况数据是与初始工况数据差距最小的最优工况数据。
在本公开实施例中,可选的,S210中的“获取参考风电场的样本发电功率对应的样本工况数据”,具体可以包括如下步骤:
S2101、利用预设的风电场仿真模型,对样本来流风况数据以及参考风电场中各台机组的初始工况数据进行模拟,得到参考风电场的各台机组的发电功率;
S2102、根据样本发电功率与参考风电场的各台机组的发电功率的和,调整参考风电场中各台机组的初始工况数据,得到参考风电场的样本发电功率对应的样本工况数据。
其中,预设的风电场仿真模型,可以由各台机组对应的运行模拟模型构建。具体的,预设的风电场仿真模型,可以根据样本来流风况数据,计算参考风电场中各台机组的轮毂处的风况数据和各台机组的初始工况数据,并将各台机组的轮毂处的风况数据和各台机组的初始工况数据,输入各台机组对应的运行模拟模型,利用各台机组对应的运行模拟模型计算各台机组的发电功率。
其中,S2102具体可以包括如下步骤:
将各台机组的发电功率的和调整为样本发电功率,使得将参考风电场中各台机组的初始工况数据调整为参考风电场的样本发电功率对应的样本工况数据。
具体的,可以利用优化算法将各台机组的发电功率的和优化为样本发电功率,使得将参考风电场中各台机组的初始工况数据优化为参考风电场的样本发电功率对应的样本工况数据,得到样本发电功率对应的样本公开数据。
可选的,优化算法可以包括粒子群算法、强化学习算法以及最小化限制(SLSQP)等中的任意一种。
在本公开实施例中,可选的,S210中的“获取参考风电场中各台机组之间的制约关系”,具体可以包括以下至少一种方法:
获取参考风电场中各台机组的发电量影响关系,得到参考风电场中各台机组之间的制约关系;
获取参考风电场中各台机组的位置关系,得到参考风电场中各台机组之间的制约关系;
获取参考风电场中各台机组的尾流影响面积关系,得到参考风电场中各台机组之间的制约关系。
其中,发电量影响关系可以用于表征上游机组与下游机组之间的发电量大小的关系,则可以将发电量影响关系直接作为各台机组之间的制约关系。
其中,位置关系可以用于表征上游机组与下游机组之间的位置影响关系,则可以将位置关系直接作为各台机组之间的制约关系。
其中,尾流影响面积关系可以用于表征上游机组对下游机组的尾流影响大小,则可以将尾流影响面积关系直接作为各台机组之间的制约关系。
进一步的,得到上述训练数据之后,可以对上述训练数据进行归一化处理,使得利用归一化之后的训练数据进行模型训练。同时可以将归一化的之后的训练数据按照设定比例分成训练集和测试集,该设定比例可以是8:2或者7:3。
S220、基于样本来流风况数据、参考风电场中各台机组的初始工况数据、样本发电功率对应的样本工况数据以及参考风电场中各台机组之间的制约关系对预设神经网络进行训练,得到工况预测模型,其中,样本发电功率是参考风电场的最大发电功率,且样本发电功率包括目标发电功率。
在本公开实施例中,可选的,S220具体可以包括如下步骤:
S2201、将样本来流风况数据、参考风电场中各台机组的初始工况数据、样本发电功率对应的样本工况数据以及参考风电场中各台机组之间的制约关系,输入预设神经网络,得到预估工况数据和预估工况数据对应的预估发电功率;
S2202、基于预估发电功率和/或预估工况数据,以及样本发电功率和/或样本工况数据,计算预设神经网络的损失函数;
S2203、基于损失函数迭代调整预设神经网络,直至损失函数小于预设阈值,得到工况预测模型。
在一些实施例中,预设神经网络的损失函数可以根据预估发电功率和样本发电功率计算得到。
在另一些实施例中,预设神经网络的损失函数可以根据预估工况数据和样本工况数据计算得到。
在又一些实施例中,首先,根据预估发电功率和样本发电功率计算第一损失函数,并根据预估工况数据和样本工况数据计算计算第二损失函数,然后,对第一损失函数和第二损失函数进行加权求和,得到预设神经网络的损失函数。
为了掌握工况预测模型的精度,在得到训练好的工况预测模型之后,还可以利用测试样本对训练好的工况预测模型进行测试,若通过测试,则可以对工况预测模型进行部署应用。
由此,在本公开实施例中,可以基于样本数据在离线状态下训练工况预测模型,然后将训练好的工况预测模型进行部署,使得利用工况预测模型更快更精准的拟合出风电场的最优控制策略,降低尾流效应,提高风电场的发电量,最终提升风电场的经济效益。
S230、获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据。
S240、将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率。
S250、基于目标工况数据,控制目标风电场中各台机组运行。
其中,S230~S250与S110~S130相似,在此不做赘述。
为了便于理解工况预测模型的训练过程,图3示出了本公开实施例提供的一种工况预测模型的逻辑示意图。
如图3所示,该工况预测模型的训练方法包括如下步骤:
S310、获取风电场来流风况数据。
其中,风电场来流风况数据可以是过去一段时间内的风电场入流风况数据。
S320、对风电场来流风况数据进行筛选,得到样本来流风况数据。
具体的,可以将风电场来流风况数据中的无效数据剔除,得到样本来流风况数据。
S330、基于样本来流风况数据、参考风电场的各台机组之间的制约关系以及样本发电功率,计算参考风电场的样本发电功率对应的样本工况数据。
其中,S330与上述实施例中的工况预测模型的训练方法相似,在此不做赘述。
S340、基于样本来流风况数据、参考风电场中各台机组的初始工况数据、样本发电功率对应的样本工况数据以及参考风电场中各台机组之间的制约关系对预设神经网络进行训练,得到工况预测模型。
其中,S340与S220相似,在此不做赘述。
S350、对工况预测模型进行测试及更新。
具体的,可以利用测试样本对工况预测模型进行测试,以及利用运行过程中的数据对工况预测模型进行更新,得到更新后的工况预测模型。
本公开实施例还提供了一种用于实现上述的风电场运行控制方法的风电场运行控制装置,下面结合图4进行说明。在本公开实施例中,该风电场运行控制装置可以为电子设备。其中,电子设备可以包括移动终端、平板电脑等具有通信功能的设备。
图4示出了本公开实施例提供的一种风电场运行控制装置的结构示意图。
如图4所示,风电场运行控制装置400可以包括:数据获取模块410、目标工况数据确定模块420和运行控制模块430。
数据获取模块410,用于获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据;
目标工况数据确定模块420,用于将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率;
运行控制模块430,用于基于目标工况数据,控制目标风电场中各台机组运行。
在本公开实施例中,首先,获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据;然后,将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率;最后,基于目标工况数据,控制目标风电场中各台机组运行。通过上述过程,可以利用预先训练好的工况预测模型,实时预测出目标风电场的最大发电功率对应的目标工况数据,因此,利用目标工况数据控制目标风电场中各台机组运行时,能够使得目标风电场输出的功率最大,降低了风电场的尾流效应,因此,提高了风电场的整体发电量,最终实现风电场尾流效应的在线优化。
在一些实施例中,该装置还可以包括:模型训练模块,其中,模型训练模块,包括:
样本数据获取单元,用于获取样本来流风况数据、参考风电场中各台机组的初始工况数据、参考风电场的样本发电功率对应的样本工况数据以及参考风电场中各台机组之间的制约关系;
模型训练单元,用于基于样本来流风况数据、参考风电场中各台机组的初始工况数据、样本发电功率对应的样本工况数据以及参考风电场中各台机组之间的制约关系对预设神经网络进行训练,得到工况预测模型,其中,样本发电功率是参考风电场的最大发电功率,且样本发电功率包括目标发电功率。
在一些实施例中,样本获取单元具体用于,利用预设的风电场仿真模型,对样本来流风况数据以及参考风电场中各台机组的初始工况数据进行模拟,得到参考风电场的各台机组的发电功率;
根据样本发电功率与参考风电场的各台机组的发电功率的和,调整参考风电场中各台机组的初始工况数据,得到参考风电场的样本发电功率对应的样本工况数据。
在一些实施例中,样本获取单元具体用于,将各台机组的发电功率的和调整为样本发电功率,使得将参考风电场中各台机组的初始工况数据调整为参考风电场的样本发电功率对应的样本工况数据。
在一些实施例中,样本获取单元具体用于,获取参考风电场中各台机组的发电量影响关系,得到参考风电场中各台机组之间的制约关系;
获取参考风电场中各台机组的位置关系,得到参考风电场中各台机组之间的制约关系;
获取参考风电场中各台机组的尾流影响面积关系,得到参考风电场中各台机组之间的制约关系。
在一些实施例中,模型训练单元具体用于,将样本来流风况数据、参考风电场中各台机组的初始工况数据、样本发电功率对应的样本工况数据以及参考风电场中各台机组之间的制约关系,输入预设神经网络,得到预估工况数据和预估工况数据对应的预估发电功率;
基于预估发电功率和/或预估工况数据,以及样本发电功率和/或样本工况数据,计算预设神经网络的损失函数;
基于损失函数迭代调整预设神经网络,直至损失函数小于预设阈值,得到工况预测模型。
在一些实施例中,该装置还包括:
实际运行数据获取模块,用于获取目标风电场中各台机组的实际发电功率和实际运行功率对应的实际工况数据;
实际发电功率计算模块,用于计算实际发电功率的和,得到目标风电场的实际发电功率;
模型更新模块,用于若目标发电功率与目标风电场的实际发电功率的功率差大于预设差阈值,则根据来流风况数据、目标风电场中各台机组之间的制约关系、目标风电场中各台机组的当前工况数据以及实际工况数据,更新工况预测模型,得到更新后的工况预测模型。
需要说明的是,图4所示的风电场运行控制装置400可以执行图1至图3所示的方法实施例中的各个步骤,并且实现图1至图3所示的方法或系统实施例中的各个过程和效果,在此不做赘述。
图5示出了本公开实施例提供的一种风电场运行控制设备的结构示意图。
如图5所示,该风电场运行控制设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于信息或指令的大容量存储器。举例来说而非限制,存储器502可以包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个及其以上这些的组合。在合适的情况下,存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器502可在综合网关设备的内部或外部。在特定实施例中,存储器502是非易失性固态存储器。在特定实施例中,存储器502包括只读存储器(Read-Only Memory,ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable ROM,PROM)、可擦除PROM(Electrical Programmable ROM,EPROM)、电可擦除PROM(Electrically ErasableProgrammable ROM,EEPROM)、电可改写ROM(Electrically Alterable ROM,EAROM)或闪存,或者两个或及其以上这些的组合。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以执行本公开实施例所提供的风电场运行控制方法的步骤。
在一个示例中,该风电场运行控制设备还可包括收发器603和总线504。其中,如图5所示,处理器501、存储器502和收发器603通过总线504连接并完成相互间的通信。
总线504包括硬件、软件或两者。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(ExtendedIndustry Standard Architecture,EISA)总线、前端总线(Front Side BUS,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industrial Standard Architecture,ISA)总线、无限带宽互连、低引脚数(Low Pin Count,LPC)总线、存储器总线、微信道架构(MicroChannel Architecture,MCA)总线、外围控件互连(Peripheral Component Interconnect,PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial Advanced TechnologyAttachment,SATA)总线、视频电子标准协会局部(Video Electronics StandardsAssociation Local Bus,VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线504可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
以下是本公开实施例提供的计算机可读存储介质的实施例,该计算机可读存储介质与上述各实施例的风电场运行控制方法属于同一个发明构思,在计算机可读存储介质的实施例中未详尽描述的细节内容,可以参考上述风电场运行控制方法的实施例。
本实施例提供一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种风电场运行控制方法,该方法包括:
获取目标风电场的来流风况数据、目标风电场中各台机组之间的制约关系以及目标风电场中各台机组的当前工况数据;
将来流风况数据、制约关系以及当前工况数据输入预先训练好的工况预测模型,得到目标风电场的目标发电功率对应的目标工况数据,其中,目标发电功率为目标风电场的最大发电功率;
基于目标工况数据,控制目标风电场中各台机组运行。
当然,本公开实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本公开任意实施例所提供的风电场运行控制方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本公开可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机云平台(可以是个人计算机,服务器,或者网络云平台等)执行本公开各个实施例所提供的风电场运行控制方法。
注意,上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解,本公开不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此,虽然通过以上实施例对本公开进行了较为详细的说明,但是本公开不仅仅限于以上实施例,在不脱离本公开构思的情况下,还可以包括更多其他等效实施例,而本公开的范围由所附的权利要求范围决定。
Claims (8)
1.一种风电场运行控制方法,其特征在于,包括:
获取目标风电场的来流风况数据、所述目标风电场中各台机组之间的制约关系以及所述目标风电场中各台机组的当前工况数据,其中,所述目标风电场中各台机组之间的制约关系是各台机组的尾流影响关系;
将所述来流风况数据、所述制约关系以及所述当前工况数据输入预先训练好的工况预测模型,得到所述目标风电场的目标发电功率对应的目标工况数据,其中,所述目标发电功率为所述目标风电场的最大发电功率;
基于所述目标工况数据,控制所述目标风电场中各台机组运行;
工况预测模型的训练方法包括如下步骤:
获取样本来流风况数据、参考风电场中各台机组的初始工况数据、所述参考风电场的样本发电功率对应的样本工况数据以及所述参考风电场中各台机组之间的制约关系,其中,所述参考风电场中各台机组之间的制约关系是各台机组的尾流影响关系;
基于所述样本来流风况数据、所述参考风电场中各台机组的初始工况数据、所述样本发电功率对应的样本工况数据以及所述参考风电场中各台机组之间的制约关系对预设神经网络进行训练,得到所述工况预测模型,其中,所述样本发电功率是所述参考风电场的最大发电功率,且所述样本发电功率包括所述目标发电功率;
获取所述参考风电场的样本发电功率对应的样本工况数据,包括:
利用预设的风电场仿真模型,对所述样本来流风况数据以及所述参考风电场中各台机组的初始工况数据进行模拟,得到所述参考风电场的各台机组的发电功率;
根据所述样本发电功率与所述参考风电场的各台机组的发电功率的和,调整所述参考风电场中各台机组的初始工况数据,得到所述参考风电场的样本发电功率对应的样本工况数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述样本发电功率与所述参考风电场的各台机组的发电功率的和,调整所述参考风电场中各台机组的初始工况数据,得到所述参考风电场的样本发电功率对应的样本工况数据,包括:
将所述各台机组的发电功率的和调整为所述样本发电功率,使得将所述参考风电场中各台机组的初始工况数据调整为所述参考风电场的样本发电功率对应的样本工况数据。
3.根据权利要求1所述的方法,其特征在于,获取所述参考风电场中各台机组之间的制约关系,包括以下至少一种方法:
获取所述参考风电场中各台机组的发电量影响关系,得到所述参考风电场中各台机组之间的制约关系;
获取所述参考风电场中各台机组的位置关系,得到所述参考风电场中各台机组之间的制约关系;
获取所述参考风电场中各台机组的尾流影响面积关系,得到所述参考风电场中各台机组之间的制约关系。
4.根据权利要求1所述的方法,其特征在于,所述基于所述样本来流风况数据、所述参考风电场中各台机组的初始工况数据、所述样本发电功率对应的样本工况数据以及所述参考风电场中各台机组之间的制约关系对预设神经网络进行训练,得到所述工况预测模型,包括:
将所述样本来流风况数据、所述参考风电场中各台机组的初始工况数据、所述样本发电功率对应的样本工况数据以及所述参考风电场中各台机组之间的制约关系,输入所述预设神经网络,得到预估工况数据和所述预估工况数据对应的预估发电功率;
基于所述预估发电功率和/或所述预估工况数据,以及所述样本发电功率和/或样本工况数据,计算所述预设神经网络的损失函数;
基于所述损失函数迭代调整所述预设神经网络,直至所述损失函数小于预设阈值,得到所述工况预测模型。
5.根据权利要求1所述的方法,其特征在于,在所述基于所述目标工况数据,控制所述目标风电场中各台机组运行之后,所述方法还包括:
获取所述目标风电场中各台机组的实际发电功率和实际运行功率对应的实际工况数据;
计算所述实际发电功率的和,得到所述目标风电场的实际发电功率;
若所述目标发电功率与所述目标风电场的实际发电功率的功率差大于预设差阈值,则根据所述来流风况数据、所述目标风电场中各台机组之间的制约关系、所述目标风电场中各台机组的当前工况数据以及所述实际工况数据,更新所述工况预测模型,得到更新后的工况预测模型。
6.一种风电场运行控制装置,其特征在于,包括:
数据获取模块,用于获取目标风电场的来流风况数据、所述目标风电场中各台机组之间的制约关系以及所述目标风电场中各台机组的当前工况数据,其中,所述目标风电场中各台机组之间的制约关系是各台机组的尾流影响关系;
目标工况数据确定模块,用于将所述来流风况数据、所述制约关系以及所述当前工况数据输入预先训练好的工况预测模型,得到所述目标风电场的目标发电功率对应的目标工况数据,其中,所述目标发电功率为所述目标风电场的最大发电功率;
运行控制模块,用于基于所述目标工况数据,控制所述目标风电场中各台机组运行;
还包括:模型训练模块;所述模型训练模块,包括:
样本数据获取单元,用于获取样本来流风况数据、参考风电场中各台机组的初始工况数据、所述参考风电场的样本发电功率对应的样本工况数据以及所述参考风电场中各台机组之间的制约关系,其中,所述参考风电场中各台机组之间的制约关系是各台机组的尾流影响关系;
模型训练单元,用于基于所述样本来流风况数据、所述参考风电场中各台机组的初始工况数据、所述样本发电功率对应的样本工况数据以及所述参考风电场中各台机组之间的制约关系对预设神经网络进行训练,得到所述工况预测模型,其中,所述样本发电功率是所述参考风电场的最大发电功率,且所述样本发电功率包括所述目标发电功率;
所述样本获取单元具体用于,利用预设的风电场仿真模型,对所述样本来流风况数据以及所述参考风电场中各台机组的初始工况数据进行模拟,得到所述参考风电场的各台机组的发电功率;
根据所述样本发电功率与所述参考风电场的各台机组的发电功率的和,调整所述参考风电场中各台机组的初始工况数据,得到所述参考风电场的样本发电功率对应的样本工况数据。
7.一种风电场运行控制设备,其特征在于,包括:
处理器;
存储器,用于存储可执行指令;
其中,所述处理器用于从所述存储器中读取所述可执行指令,并执行所述可执行指令以实现上述权利要求1-5中任一项所述的风电场运行控制方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述存储介质存储有计算机程序,当所述计算机程序被处理器执行时,使得处理器实现上述权利要求1-5中任一项所述的风电场运行控制方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210814187.3A CN114899876B (zh) | 2022-07-12 | 2022-07-12 | 风电场运行控制方法、装置、设备及存储介质 |
US18/220,853 US11876378B1 (en) | 2022-07-12 | 2023-07-12 | Wind farm control strategy method, apparatus and device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210814187.3A CN114899876B (zh) | 2022-07-12 | 2022-07-12 | 风电场运行控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114899876A CN114899876A (zh) | 2022-08-12 |
CN114899876B true CN114899876B (zh) | 2022-09-16 |
Family
ID=82729974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210814187.3A Active CN114899876B (zh) | 2022-07-12 | 2022-07-12 | 风电场运行控制方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11876378B1 (zh) |
CN (1) | CN114899876B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116378897B (zh) * | 2023-05-04 | 2023-12-26 | 华北电力大学 | 一种风电场偏航角控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852172A (zh) * | 2010-03-09 | 2010-10-06 | 山东科技大学 | 一种考虑风电场内尾流影响的风电机组输入风速计算方法 |
CN102570453A (zh) * | 2012-01-06 | 2012-07-11 | 甘肃省电力公司风电技术中心 | 基于多套数值天气预报源的短期风电功率预测方法及系统 |
CN111342499A (zh) * | 2020-03-05 | 2020-06-26 | 宁夏嘉泽新能源股份有限公司 | 一种基于风功率预测数据的风电场实时调度方法 |
CN114021822A (zh) * | 2021-11-09 | 2022-02-08 | 莫毓昌 | 一种清洁能源发电功率预测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102570449B (zh) * | 2011-12-21 | 2013-12-11 | 西安交通大学 | 一种基于时空分布特性的区域风电功率预测方法 |
US20120133138A1 (en) * | 2011-12-22 | 2012-05-31 | Vestas Wind Systems A/S | Plant power optimization |
-
2022
- 2022-07-12 CN CN202210814187.3A patent/CN114899876B/zh active Active
-
2023
- 2023-07-12 US US18/220,853 patent/US11876378B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852172A (zh) * | 2010-03-09 | 2010-10-06 | 山东科技大学 | 一种考虑风电场内尾流影响的风电机组输入风速计算方法 |
CN102570453A (zh) * | 2012-01-06 | 2012-07-11 | 甘肃省电力公司风电技术中心 | 基于多套数值天气预报源的短期风电功率预测方法及系统 |
CN111342499A (zh) * | 2020-03-05 | 2020-06-26 | 宁夏嘉泽新能源股份有限公司 | 一种基于风功率预测数据的风电场实时调度方法 |
CN114021822A (zh) * | 2021-11-09 | 2022-02-08 | 莫毓昌 | 一种清洁能源发电功率预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
基于尾流效应的风电场最大出力优化控制;杨志超,等;《电力建设》;20170430;第38卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
US20240022080A1 (en) | 2024-01-18 |
US11876378B1 (en) | 2024-01-16 |
CN114899876A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346448B (zh) | 基于深度神经网络的识别装置、训练装置及方法 | |
CN113534936A (zh) | 一种服务器风扇转速控制方法、装置、设备及介质 | |
US20180018555A1 (en) | System and method for building artificial neural network architectures | |
CN112287986B (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN114899876B (zh) | 风电场运行控制方法、装置、设备及存储介质 | |
EP3724490A1 (en) | Method and apparatus for cooperative controlling wind turbines of a wind farm | |
CN111027428B (zh) | 一种多任务模型的训练方法、装置及电子设备 | |
CN110672323B (zh) | 一种基于神经网络的轴承健康状态评估方法及装置 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN114597960A (zh) | 风电场运行控制方法、装置、设备及存储介质 | |
CN115940148A (zh) | 最小惯量需求评估方法、装置、电子设备及存储介质 | |
CN114547917A (zh) | 仿真预测方法、装置、设备及存储介质 | |
CN111860405A (zh) | 图像识别模型的量化方法、装置、计算机设备及存储介质 | |
CN113027674A (zh) | 风力发电机组的控制方法及其装置 | |
CN114298300A (zh) | 不确定度预测方法、装置、电子设备及存储介质 | |
CN111291464A (zh) | 一种电力系统动态等值方法及装置 | |
CN117614023A (zh) | 风电场运行控制方法、装置、设备及存储介质 | |
CN117175585B (zh) | 风电功率预测方法、装置、设备及存储介质 | |
CN113790164B (zh) | 设备故障预警方法、装置、电子设备及计算机可读介质 | |
CN115358478A (zh) | 风电机组发电量增益的评估方法、装置和电子设备 | |
CN111753437B (zh) | 风储发电系统的可信容量评估方法及装置 | |
CN118295469A (zh) | 一种铜渣缓冷时间调控方法、装置、电子设备及存储介质 | |
CN109944740B (zh) | 风电场场群控制方法和设备 | |
CN118193606A (zh) | 数据回填方法、系统、设备、可读存储介质及产品 | |
Vipin et al. | Fapnn: An fpga based approximate probabilistic neural network library |
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 |