CN114943158A - 一种风电机组功率曲线建模方法及装置 - Google Patents

一种风电机组功率曲线建模方法及装置 Download PDF

Info

Publication number
CN114943158A
CN114943158A CN202210753636.8A CN202210753636A CN114943158A CN 114943158 A CN114943158 A CN 114943158A CN 202210753636 A CN202210753636 A CN 202210753636A CN 114943158 A CN114943158 A CN 114943158A
Authority
CN
China
Prior art keywords
data
historical operating
operating data
cleaning
cleansing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210753636.8A
Other languages
English (en)
Inventor
焦冲
蔡安民
蔺雪峰
许扬
林伟荣
张俊杰
金强
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 Clean Energy Research Institute
Huaneng Group Technology Innovation Center Co Ltd
Original Assignee
Huaneng Clean Energy Research Institute
Huaneng Group Technology Innovation Center Co Ltd
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 Clean Energy Research Institute, Huaneng Group Technology Innovation Center Co Ltd filed Critical Huaneng Clean Energy Research Institute
Priority to CN202210753636.8A priority Critical patent/CN114943158A/zh
Publication of CN114943158A publication Critical patent/CN114943158A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)

Abstract

本公开提供的风电机组功率曲线建模方法、装置、存储介质中，通过获取SCADA数据库中的历史运行数据，并对获取到的历史运行数据进行数据分析，确定历史运行数据对应的数据清洗类型，基于数据清洗类型，对历史运行数据进行数据清洗，得到标准数据，利用标准数据，建立功率曲线预测模型。由此可知，本申请基于历史运行数据对应的数据清洗类型对异常数据进行识别和剔除，得到标准数据，然后利用标准数据建立功率曲线预测模型，提升了功率曲线预测模型的准确性。

Description

一种风电机组功率曲线建模方法及装置
技术领域
本申请涉及风力发电领域，尤其涉及一种风电机组功率曲线建模的方法、装置、存储介质。
背景技术
风力发电机组运行环境往往十分恶劣，功率特性测试数据中存在大量不符合风力发电机组正常输出特性的异常数据。异常数据会导致无法准确判断风电发电机组的运行状况，进而无法准确判断风力发电机组发电性能的优劣，无法对风功率进行准确预测。因此，如何对风电机组异常数据进行识别和剔除是亟需解决的问题。
发明内容
本申请提供一种风电机组功率曲线建模方法、装置、存储介质，用于对风电机组功率曲线建模。
本申请第一方面实施例提出一种风电机组功率曲线建模方法，包括：
获取SCADA数据库中的历史运行数据；
对所述获取到的历史运行数据进行数据分析，确定所述历史运行数据对应的数据清洗类型；
基于所述数据清洗类型，对所述历史运行数据进行数据清洗，得到标准数据；
利用所述标准数据，建立功率曲线预测模型。
本申请第二方面实施例提出一种风电机组功率曲线建模装置，包括：
获取模块，用于获取SCADA数据库中的历史运行数据；
数据分析模块，用于对所述获取到的历史运行数据进行数据分析，确定所述历史运行数据对应的数据清洗类型；
数据清洗模块，用于基于所述数据清洗类型，对所述历史运行数据进行数据清洗，得到标准数据；
建立模块，用于利用所述标准数据，建立功率曲线预测模型。
本申请第三方面实施例提出的计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上第一方面所述的方法。
本申请第四方面实施例提出的计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现如上第一方面所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
本公开提供的风电机组功率曲线建模方法、装置、存储介质中，通过获取 SCADA数据库中的历史运行数据，并对获取到的历史运行数据进行数据分析，确定历史运行数据对应的数据清洗类型，基于数据清洗类型，对历史运行数据进行数据清洗，得到标准数据，利用标准数据，建立功率曲线预测模型。由此可知，本申请基于风电机组的历史运行数据，进行数据清洗，对异常数据进行识别和剔除，得到标准数据，建立功率曲线预测模型，有利于评价风力发电机组发电性能优劣及风功率预测，使得分析风力发电机组的运行状况更加准确，实现风电场发电效率的最大化。
本申请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，或通过本申请的实践了解到。
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为根据本申请一种风电机组功率曲线建模方法的流程示意图；
图2为根据本申请一种风电机组功率曲线建模装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，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，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的风电机组功率曲线建模方法及装置。
实施例一
图1为根据本申请一个实施例提供的风电机组功率曲线建模方法的流程示意图，如图1所示，可以包括：
步骤101、获取SCADA数据库中的历史运行数据。
其中，在本申请的一个实施例之中，可以获取SCADA数据库中的历史运行数据至少应为一年期数据。
步骤102、对获取到的历史运行数据进行数据分析，确定历史运行数据对应的数据清洗类型。
其中，在本申请的一个实施例之中，上述数据清洗类型可以包括通用数据清洗类型、按需数据清洗类型、离散数据清洗类型。
以及，在本申请的一个实施例之中，可以通过分析上述历史运行数据对应的数据异常问题，确定该历史运行数据对应的数据清洗类型。
具体的，在本申请的一个实施例之中，若上述历史运行数据存在全空数据、部分缺失数据、重复数据、时间异常数据、时间重复数据中的至少一种，说明上述历史运行数据存在通用数据异常问题，确定该历史运行数据的数据清洗类型为通用数据清洗类型。
以及，在本申请的另一个实施例之中，若上述历史运行数据存在时间间隔不达标数据、状态位异常数据、风速越界数据、限功率数据中的至少一种，说明上述历史运行数据存在按需数据异常问题，确定该历史运行数据的数据清洗类型为按需数据清洗类型。
在本申请的另一个实施例之中，若上述历史运行数据传感器故障数据、传感器噪声数据、一些不受控随机因素造成的异常数据中的至少一种，说明上述历史运行数据存在离散数据异常问题，确定该历史运行数据的数据清洗类型为离散数据清洗类型。
步骤103、基于数据清洗类型，对历史运行数据进行数据清洗，得到标准数据。
其中，在本申请的一个实施例之中，不同的数据清洗类型，对数据进行清洗的方法也有所不同。
具体的，在本申请的一个实施例之中，若历史运行数据对应的数据清洗类型为通用数据清洗类型，基于通用数据清洗类型，对历史运行数据进行数据清洗，得到标准数据的方法可以包括以下步骤：
步骤a、判断历史运行数据是否为全空数据，若历史运行数据为全空数据，利用全空数据数据处理方法对历史运行数据进行清洗；否则，不需要进行全空数据处理，继续执行步骤b。
其中，在本申请的一个实施例之中，全空数据主要存在于SCADA导出和合并过程中，通过判断任一字段是否为空还是判断文档大小，均可以对全空数据进行数据清洗。
步骤b、判断历史运行数据是否为部分缺失数据，若历史运行数据为部分缺失数据，利用部分缺失数据处理方法对历史运行数据进行清洗；否则，不需要进行部分缺失数据处理，继续执行步骤c。
其中，在本申请的一个实施例之中，采用部分缺失数据的前一时刻数值进行重新赋值，或者，采用部分缺失数据的后一时刻数值进行重新赋值。
步骤c、判断历史运行数据是否为重复数据，若历史运行数据为重复数据，利用重复数据方法对历史运行数据进行清洗；否则，不需要进行重复数据处理，继续执行步骤d。
其中，在本申请的一个实施例之中，在SCADA采集过程中出现某种错误导致的重复或是导出过程中存在某些异常造成的数据重复，对于重复数据的识别可以基于特殊字段的重复检测，清洗手段需要根据所研究的参变量选择完全清洗和部分清洗两种数据清洗的程度。
步骤d、判断历史运行数据是否为时间异常数据，若历史运行数据为时间异常数据，利用时间异常数据处理方法对历史运行数据进行清洗；否则，不需要进行时间异常数据处理，继续执行步骤e。
其中，在本申请的一个实施例之中，时间异常数据主要存在于SCADA时钟序列出错或者数据导出未知错误导致的时间序列紊乱和重复的问题，部分数据可能已被上述重复数据处理，其余的时间异常数据可以采用堆栈容器中转数据的方式检测时间序列问题。
步骤e、判断历史运行数据是否为时间重复数据，若历史运行数据为时间重复数据，利用时间重复数据处理方法对历史运行数据进行清洗；否则，数据清洗过程结束。
其中，在本申请的一个实施例之中，对于时间重复数据，主要是对时间序列进行重检测，时间一定程度上作为整个数据集的主键，具有唯一标识数据条的作用，可以采用二次循环检测方式来完全保证时间维度的数据正确性。
以及，在本申请的一个实施例之中，若历史运行数据对应的数据清洗类型为按需数据清洗类型，基于按需数据清洗类型，对历史运行数据进行数据清洗，得到标准数据的方法可以包括以下步骤：
步骤1、判断历史运行数据是否为时间间隔不达标数据，若历史运行数据为时间间隔不达标数据，利用时间间隔不达标处理方法对历史运行数据进行清洗；否则，不需要进行时间间隔不达标数据处理，继续执行步骤2。
其中，在本申请的一个实施例之中，对于时间间隔不达标数据，可以按照相关标准IEC61400-12-1-2005以及IEC61400-12-2-2013中的要求，对时间间隔低于10min的数据进行清洗。
步骤2、判断历史运行数据是否为状态位异常数据，若历史运行数据为状态位异常数据，利用状态位异常处理方法对历史运行数据进行清洗；否则，不需要进行状态位异常数据处理，继续执行步骤3。
其中，在本申请的一个实施例之中，对于状态位异常数据，功率特性测试要求非正常位的数据需要剔除，但是不用厂家不同风机型号的状态位标识各有不同，基于此可以按照需求对异常位数据进行清洗。
步骤3、判断历史运行数据是否为风速异常数据，若历史运行数据为风速异常数据，利用风速异常处理方法对历史运行数据进行清洗；否则，不需要进行风速异常数据处理，继续执行步骤4。
其中，在本申请的一个实施例之中，风速异常数据需要对越界、冰冻等数据进行清洗。具体的，功率特性测试要求风速区间应在0-50m/s的范围之内，实际数据中有少量数据对应的风速区间超过了这个范畴，应按照需求对越界风速数据条进行清洗。
以及，在本申请的一个实施例之中，冰冻数据的清洗主要基于风速标准差阈值的设定，若风速数据标准差过低且温度达到结冰条件，则应对冰冻数据进行清洗。
步骤4、判断历史运行数据是否为功率异常数据，若历史运行数据为功率异常数据，利用功率异常处理方法对历史运行数据进行清洗；否则，数据清洗过程结束。
其中，在本申请的一个实施例之中，对于功率异常数据，主要针对限功率数据进行清洗。具体的，功率特性测试要求对限电条件下的数据进行清洗，由于限功率涉及外部限功率和内部限功率，对应使用的策略不同，实际应用过程中应当结合风电场运维手册和秒级数据进行清洗。
进一步地，在本申请的一个实施例之中，若历史运行数据对应的数据清洗类型为离散数据清洗类型，基于离散数据清洗类型，对历史运行数据进行数据清洗，得到标准数据的方法可以包括：基于k-mean算法对历史运行数据进行数据清洗。
以及，在本申请的一个实施例之中，K-means算法(K均值聚类算法)因具备使用便捷和算法效率高等优势而得以广泛应用，针对给定的某一数据点集合，为实现优质的聚类效果，K聚类算法需以某个距离函数为依据，将数据反复分入到K个聚类(事先由用户指定)，位于密度较高的连通区域会形成聚类的类簇(一种点集的多维空间)，对空间中点的汇聚情况，可通过使用类簇完成测试过程，根据类簇间点集区域的密度情况分离不同类簇。聚类方法在未知的操作前提下，能够针对连续未知的数据簇以相应的质心或特性为依据完成计算区别过程。
其中，在本申请的一个实施例之中，假设数据对象的个数为M，K-means聚类算法先对其进行划分，并从中选择K个聚类中心，再将剩余对象距离各质心的最近距离作为归类对象，重新计算得到聚类中心，直至全部聚类均收敛， K-means聚类算法过程可描述为先完成聚类簇和数据对象集(分别由K和D 表示)的输入，在此基础上完成K个聚类(满足最小标准)的输出。
具体的，在本申请的一个实施例之中，基于k-mean算法对历史运行数据进行数据清洗可以包括以下步骤：
步骤1031、以给定的数据集作为数据输入，数目为n，从中随机筛选K个聚类中心；
步骤1032、选择k＝4作为小于额定风速阶段的参数设置；
步骤1033、对于每一个10min数据X1、X2、X3、…、Xm，首先选择初始化的k个类别中心a1、a2…ak。
步骤1034、对于每一个数据条，通过风速和功率的二维方式标记距离类别中心的aj最近的类别j；
步骤1035、更新每个类别的中心点aj为隶属于该类别的所有数据条的均值，重复上述的步骤直到所有的中心点不再发生变化或已达到设定的最大迭代次数，并产生最终类。
其中，使用风速和功率的二维方式标记距离：
Figure BDA0003721791590000071
以及，在本申请的一个实施例之中，经过离散数据异常清洗模块，由传感器故障造成的错误数据可以得到有效的清洗，同时由于迭代次数和k簇数目可控，噪声数据的清洗程度则根据实际情况来界定。
步骤104、利用标准数据，建立功率曲线预测模型。
其中，在本申请的一个实施例之中，可以利用经过上述步骤103清洗之后的标准数据，按照要求绘出功率曲线。
本公开提供的风电机组功率曲线建模方法、装置、存储介质中，通过获取 SCADA数据库中的历史运行数据，并对获取到的历史运行数据进行数据分析，确定历史运行数据对应的数据清洗类型，基于数据清洗类型，对历史运行数据进行数据清洗，得到标准数据，利用标准数据，建立功率曲线预测模型。由此可知，本申请基于历史运行数据对应的数据清洗类型对异常数据进行识别和剔除，得到标准数据，然后利用标准数据建立功率曲线预测模型，提升了功率曲线预测模型的准确性。
实施例二
图2为根据本申请一种风电机组的控制装置的结构示意图，如图2所示，可以包括：
获取模块201，用于获取SCADA数据库中的历史运行数据；
数据分析模块202，用于对获取到的历史运行数据进行数据分析，确定历史运行数据对应的数据清洗类型；
数据清洗模块203，用于基于数据清洗类型，对历史运行数据进行数据清洗，得到标准数据；
建立模块204，用于利用标准数据，建立功率曲线预测模型。
本公开提供的风电机组功率曲线建模方法、装置、存储介质中，通过获取 SCADA数据库中的历史运行数据，并对获取到的历史运行数据进行数据分析，确定历史运行数据对应的数据清洗类型，基于数据清洗类型，对历史运行数据进行数据清洗，得到标准数据，利用标准数据，建立功率曲线预测模型。由此可知，本申请基于历史运行数据对应的数据清洗类型对异常数据进行识别和剔除，得到标准数据，然后利用标准数据建立功率曲线预测模型，提升了功率曲线预测模型的准确性。
为了实现上述实施例，本公开还提出一种计算机设备。
本公开实施例提供的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；处理器执行程序时，能够实现如图1所示的方法。
为了实现上述实施例，本公开还提出一种计算机存储介质。
本公开实施例提供的计算机存储介质，计算机存储介质存储有计算机可执行指令；计算机可执行指令被处理器执行后，能够实现如图1所示的方法。
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。
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。
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 (9)

1.一种风电机组功率曲线建模方法，其特征在于，所述方法包括：
获取SCADA数据库中的历史运行数据；
对所述获取到的历史运行数据进行数据分析，确定所述历史运行数据对应的数据清洗类型；
基于所述数据清洗类型，对所述历史运行数据进行数据清洗，得到标准数据；
利用所述标准数据，建立功率曲线预测模型。
2.根据权利要求1所述的方法，其特征在于，所述数据清洗类型包括通用数据清洗类型、按需数据清洗类型、离散数据清洗类型。
3.根据权利要求2所述的方法，其特征在于，若所述历史运行数据对应的数据清洗类型为通用数据清洗类型，所述基于所述数据清洗类型，对所述历史运行数据进行数据清洗，得到标准数据，包括：
判断所述历史运行数据是否为全空数据，若所述历史运行数据为全空数据，利用全空数据数据处理方法对所述历史运行数据进行清洗；
判断所述历史运行数据是否为部分缺失数据，若所述历史运行数据为部分缺失数据，利用部分缺失数据处理方法对所述历史运行数据进行清洗；
判断所述历史运行数据是否为重复数据，若所述历史运行数据为重复数据，利用重复数据方法对所述历史运行数据进行清洗；
判断所述历史运行数据是否为时间异常数据，若所述历史运行数据为时间异常数据，利用时间异常数据处理方法对所述历史运行数据进行清洗；
判断所述历史运行数据是否为时间重复数据，若所述历史运行数据为时间重复数据，利用时间重复数据处理方法对所述历史运行数据进行清洗。
4.根据权利要求2所述的方法，其特征在于，若所述历史运行数据对应的数据清洗类型为按需数据清洗类型，所述基于所述数据清洗类型，对所述历史运行数据进行数据清洗，得到标准数据，包括：
判断所述历史运行数据是否为时间间隔不达标数据，若所述历史运行数据为时间间隔不达标数据，利用时间间隔不达标处理方法对所述历史运行数据进行清洗；
判断所述历史运行数据是否为状态位异常数据，若所述历史运行数据为状态位异常数据，利用状态位异常处理方法对所述历史运行数据进行清洗；
判断所述历史运行数据是否为风速异常数据，若所述历史运行数据为风速异常数据，利用风速异常处理方法对所述历史运行数据进行清洗；
判断所述历史运行数据是否为功率异常数据，若所述历史运行数据为功率异常数据，利用功率异常处理方法对所述历史运行数据进行清洗。
5.根据权利要求2所述的方法，其特征在于，若所述历史运行数据对应的数据清洗类型为离散数据清洗类型，所述基于所述数据清洗类型，对所述历史运行数据进行数据清洗，得到标准数据，包括：基于k-mean算法对所述历史运行数据进行数据清洗。
6.一种风电机组功率曲线建模装置，其特征在于，所述装置包括：
获取模块，用于获取SCADA数据库中的历史运行数据；
数据分析模块，用于对所述获取到的历史运行数据进行数据分析，确定所述历史运行数据对应的数据清洗类型；
数据清洗模块，用于基于所述数据清洗类型，对所述历史运行数据进行数据清洗，得到标准数据；
建立模块，用于利用所述标准数据，建立功率曲线预测模型。
7.根据权利要求6所述的装置，其特征在于，所述数据清洗类型包括通用数据清洗类型、按需数据清洗类型、离散数据清洗类型。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-5中任一所述的方法。
9.一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现权利要求1-5中任一所述的方法。
CN202210753636.8A 2022-06-29 2022-06-29 一种风电机组功率曲线建模方法及装置 Pending CN114943158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210753636.8A CN114943158A (zh) 2022-06-29 2022-06-29 一种风电机组功率曲线建模方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210753636.8A CN114943158A (zh) 2022-06-29 2022-06-29 一种风电机组功率曲线建模方法及装置

Publications (1)

Publication Number Publication Date
CN114943158A true CN114943158A (zh) 2022-08-26

Family

ID=82910108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210753636.8A Pending CN114943158A (zh) 2022-06-29 2022-06-29 一种风电机组功率曲线建模方法及装置

Country Status (1)

Country Link
CN (1) CN114943158A (zh)

Similar Documents

Publication Publication Date Title
CN111237134B (zh) 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法
CN105631596B (zh) 一种基于多维分段拟合的设备故障诊断方法
CN105677791B (zh) 用于分析风力发电机组的运行数据的方法和系统
CN108731923A (zh) 一种旋转机械设备的故障检测方法及装置
CN110362045B (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
CN109086793A (zh) 一种风力发电机的异常识别方法
CN113570138B (zh) 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN101464964A (zh) 一种设备故障诊断的支持向量机模式识别方法
CN109145948A (zh) 一种基于集成学习的注塑机堵料异常检测方法
CN111881617A (zh) 数据处理方法、风力发电机组的性能评估方法及系统
CN110795690A (zh) 风电场运行异常数据检测方法
CN111275136B (zh) 基于小样本下的故障预测系统及其预警方法
Shi et al. Study of wind turbine fault diagnosis and early warning based on SCADA data
CN112598207A (zh) 一种基于多重清洗的风电机组运行功率曲线评估方法
CN113205125A (zh) 一种基于XGBoost的特高压换流阀运行状态评估方法
CN111198979A (zh) 一种用于对输变电可靠性评估大数据进行清洗的方法及系统
CN110489852A (zh) 提高风电系统数据质量的方法及装置
Bo et al. Recognition of control chart patterns in auto-correlated process based on random forest
CN112817954A (zh) 一种基于多种方法集成学习的缺失值插补方法
CN117216702A (zh) 变电设备参数处理方法、装置及电子设备
CN114943158A (zh) 一种风电机组功率曲线建模方法及装置
CN116701846A (zh) 一种基于无监督学习的水电站调度运行数据清洗方法
CN116664098A (zh) 一种光伏电站的异常检测方法及系统
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
Zhou et al. Abnormal data processing of wind turbine based on combined algorithm and class center imputation

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