CN116146421A - 一种基于风机状态感知的智能控制方法及系统 - Google Patents
一种基于风机状态感知的智能控制方法及系统 Download PDFInfo
- Publication number
- CN116146421A CN116146421A CN202310214455.2A CN202310214455A CN116146421A CN 116146421 A CN116146421 A CN 116146421A CN 202310214455 A CN202310214455 A CN 202310214455A CN 116146421 A CN116146421 A CN 116146421A
- Authority
- CN
- China
- Prior art keywords
- parameter
- load
- wind condition
- fan
- parameter attribute
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010219 correlation analysis Methods 0.000 claims description 16
- 238000012098 association analyses Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Sustainable Development (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及风力发电技术领域，提供了一种基于风机状态感知的智能控制方法及系统，所述方法包括：获取风机载荷关键参数，其中包括载荷预测位置和载荷参数属性；获取风况参数属性信息；根据载荷预测位置述载荷参数属性对所述风况参数属性信息进行权重分布；根据参数属性权重分配结果，基于集成BP神经网络，训练风机载荷预测模型；获取风况参数监测信息；将风况参数监测信息输入风机载荷预测模型，生成风机载荷状态预测结果；根据所述风机载荷状态预测结果进行风电机组控制。采用本方法能够解决由于风电机组运行时影响参数多、情况复杂导致无法快速准确预测不同风况下的风机载荷状态，进而导致风电机组无法智能管控的技术问题。
Description
技术领域
本申请涉及风力发电技术领域，具体涉及一种基于风机状态感知的智能控制方法及系统。
背景技术
风力发电是一种把风的动能转换为电能的发电方式。风能是没有公害的能源之一，对于缺水、缺燃料和交通不便的岛屿、山区、高原等地带非常适合，大力发展风电等清洁能源，构建新型电力系统，是实现双碳目标的重要保障。
风电机组载荷是指作用在机组上的力或力矩，其中风电机组最主要的受力部件是叶片，其他受力部件所受的载荷也主要来自于叶片。由于风电机组运行时影响参数较多，像风速、空气密度、湍流强度、入流角、风切变、偏航误差角等都会影响到风电机组载荷，造成风机载荷状态无法快速准确预测。
综上所述，现有技术中存在由于风电机组运行时影响参数多、情况复杂导致无法快速准确预测不同风况下的风机载荷状态，进而导致风电机组无法智能管控的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于风机状态感知的智能控制方法及系统。
一种基于风机状态感知的智能控制方法，所述方法应用于智能控制系统，所述方法包括：获取风机载荷关键参数，其中，所述风机载荷关键参数包括载荷预测位置和载荷参数属性；获取风况参数属性信息；根据所述载荷预测位置和所述载荷参数属性对所述风况参数属性信息进行权重分布，获取参数属性权重分配结果；根据所述参数属性权重分配结果，基于集成BP神经网络，训练风机载荷预测模型；根据所述风况参数属性信息进行风况传感信息采集，获取风况参数监测信息；将所述风况参数监测信息输入所述风机载荷预测模型，生成风机载荷状态预测结果；根据所述风机载荷状态预测结果进行风电机组控制。
在一个实施例中，还包括：对所述风况参数属性信息进行一级关联性分析，生成离散风况参数属性信息，其中，所述离散风况参数属性信息之间对风机载荷的影响互相独立；根据所述载荷预测位置和所述载荷参数属性对所述离散风况参数属性信息进行二级关联度分析，生成关联度分析结果；根据所述关联度分析结果进行关联度占比计算，获取所述参数属性权重分配结果。
在一个实施例中，还包括：根据所述风况参数属性信息，获取第一参数属性和第二参数属性；判断所述第一参数属性和所述第二参数属性是否进行过一级关联性分析；若没有，以所述第一参数属性和所述第二参数属性为变量，以其它参数属性为定量，采集第一类型参数记录数据和第二类型参数记录数据，其中，所述第一类型参数记录数据和所述第二类型参数记录数据一一对应；判断所述第一类型参数记录数据和所述第二类型参数记录数据是否可以进行序列化调整；若可以，对所述第一类型参数记录数据和所述第二类型参数记录数据进行序列化调整，获取记录数据序列调整结果；根据所述记录数据序列调整结果，构建记录数据变化曲线；判断所述记录数据变化曲线是否具有属性关联系数；若具有，基于所述属性关联系数，以所述第一参数属性表征所述第二参数属性，将所述第一参数属性添加进所述离散风况参数属性信息。
在一个实施例中，还包括：以所述载荷预测位置为场景约束参数，以所述载荷参数属性和所述离散风况参数属性信息为目标检索参数进行数据采集，获取风机载荷记录数据和风况参数记录数据，其中，所述风机载荷记录数据和所述风况参数记录数据一一对应；将所述风机载荷记录数据设为比对参考序列；将所述风况参数记录数据设为比对目标序列；对所述比对参考序列和所述比对目标序列进行矩阵无量纲处理，获取无量纲矩阵；对所述无量纲矩阵进行灰色关联度分析，生成所述关联度分析结果。
在一个实施例中，还包括：遍历所述无量纲矩阵，求取第一关联参数，其中，所述第一关联参数计算公式为：
其中，i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值；遍历所述无量纲矩阵，求取第二关联参数，其中，所述第二关联参数计算公式为：
其中，i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值；获取关联系数评估公式：ξi(k)＝(A+ρB)/[|x0(k)-xi(k)|+ρB]其中，ξi(k)为第i行第k个参数值的关联系数，ρ为分辨系数；根据所述第一关联参数、所述第二关联参数和所述关联系数评估公式，对所述无量纲矩阵进行分析，获取多组关联系数；对所述多组关联系数的任意一组求取均值，获取所述关联度分析结果。
在一个实施例中，还包括：根据所述离散风况参数属性信息和所述载荷预测位置，采集风机运行日志数据，其中，所述风机运行日志数据包括离散风况参数属性记录值和预测位置载荷记录值；遍历所述离散风况参数属性信息，根据所述离散风况参数属性记录值和所述预测位置载荷记录值，基于BP神经网络，训练多个风机载荷预测单元；基于所述参数属性权重分配结果，将所述多个风机载荷预测单元合并，生成所述风机载荷预测模型。
在一个实施例中，还包括：根据所述离散风况参数属性信息，获取第m类型参数；以所述第m类型参数为单变量，对所述离散风况参数属性记录值和预测位置载荷记录值进行筛选，获取第m组训练数据集；根据所述第m组训练数据集，基于BP神经网络，构建第m风机载荷预测单元；将所述第m风机载荷预测单元添加进所述多个风机载荷预测单元。
一种基于风机状态感知的智能控制系统，所述系统包括：
风机载荷关键参数获取模块，所述风机载荷关键参数获取模块用于获取风机载荷关键参数，其中，所述风机载荷关键参数包括载荷预测位置和载荷参数属性；
风况参数属性信息获取模块，所述风况参数属性信息获取模块用于获取风况参数属性信息；
风况参数属性信息权重分布模块，所述风况参数属性信息权重分配模块用于根据所述载荷预测位置和所述载荷参数属性对所述风况参数属性信息进行权重分布，获取参数属性权重分配结果；
风机载荷预测模型训练模块，所述风机载荷预测模型训练模块用于根据所述参数属性权重分配结果，基于集成BP神经网络，训练风机载荷预测模型；
风况参数监测信息获取模块，所述风况参数监测信息获取模块用于根据所述风况参数属性信息进行风况传感信息采集，获取风况参数监测信息；
风机载荷状态预测结果生成模块，所述风机载荷状态预测结果生成模块用于将所述风况参数监测信息输入所述风机载荷预测模型，生成风机载荷状态预测结果；
风电机组控制模块，所述风电机组控制模块用于根据所述风机载荷状态预测结果进行风电机组控制。
上述一种基于风机状态感知的智能控制方法及系统，能够解决由于风电机组运行时影响参数多、情况复杂导致无法快速准确预测不同风况下的风机载荷状态，进而导致风电机组无法智能管控的技术问题。通过参数属性权重分配结果设置不同的权重参数和合理的BP神经网络结构，构建风机载荷预测模型，根据风机载荷预测模型对不同风况下的风机载荷进行预测，可以实现对不同风况下的风机载荷状态进行准确预测，从而实现对风机的安全管控。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请提供了一种基于风机状态感知的智能控制方法的流程示意图；
图2为本申请提供了一种基于风机状态感知的智能控制方法中生成离散风况参数属性信息的流程示意图；
图3为本申请提供了一种基于风机状态感知的智能控制方法中生成关联度分析结果的流程示意图；
图4为本申请提供了一种基于风机状态感知的智能控制系统的结构示意图。
附图标记说明：风机载荷关键参数获取模块1、风况参数属性信息获取模块2、风况参数属性信息权重分布模块3、风机载荷预测模型训练模块4、风况参数监测信息获取模块5、风机载荷状态预测结果生成模块6、风电机组控制模块7。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种基于风机状态感知的智能控制方法，所述方法应用于智能控制系统，所述方法包括：
步骤S100：获取风机载荷关键参数，其中，所述风机载荷关键参数包括载荷预测位置和载荷参数属性；
步骤S200：获取风况参数属性信息；
具体而言，通过参数统计和数值计算的方法获得风机载荷关键参数，所述风机载荷关键参数由载荷预测位置和载荷参数属性构成。所述载荷预测位置风机叶桨根部、风机根部、风机塔底等位置，所述载荷参数属性包括平均载荷和极限载荷，所述平均载荷是指某载荷截面特定风况下载荷的平均值，所述极限载荷是指某载荷截面特定风况下载荷的最大值。获得风况参数属性信息，所述风况参数属性信息包括风速、空气密度、湍流强度、入流角、风切变、偏航误差角等参数属性。通过获得所述风机载荷关键参数和所述风况参数属性信息，为下一步进行信息分析提供了原始资料。
步骤S300：根据所述载荷预测位置和所述载荷参数属性对所述风况参数属性信息进行权重分布，获取参数属性权重分配结果；
在一个实施例中，本申请步骤S300还包括：
步骤S310：对所述风况参数属性信息进行一级关联性分析，生成离散风况参数属性信息，其中，所述离散风况参数属性信息之间对风机载荷的影响互相独立；
如图2所示，在一个实施例中，本申请步骤S310还包括：
步骤S311：根据所述风况参数属性信息，获取第一参数属性和第二参数属性；
步骤S312：判断所述第一参数属性和所述第二参数属性是否进行过一级关联性分析；
步骤S313：若没有，以所述第一参数属性和所述第二参数属性为变量，以其它参数属性为定量，采集第一类型参数记录数据和第二类型参数记录数据，其中，所述第一类型参数记录数据和所述第二类型参数记录数据一一对应；
步骤S314：判断所述第一类型参数记录数据和所述第二类型参数记录数据是否可以进行序列化调整；
步骤S315：若可以，对所述第一类型参数记录数据和所述第二类型参数记录数据进行序列化调整，获取记录数据序列调整结果；
步骤S316：根据所述记录数据序列调整结果，构建记录数据变化曲线；
步骤S317：判断所述记录数据变化曲线是否具有属性关联系数；
步骤S318：若具有，基于所述属性关联系数，以所述第一参数属性表征所述第二参数属性，将所述第一参数属性添加进所述离散风况参数属性信息。
具体而言，从所述风况属性信息中随机挑选任意两个不同的风况属性信息作为第一参数属性和第二参数属性，然后判断所述第一参数属性和第二参数属性是否进行过一级关联性分析，如果没有进行过一级关联性分析，则将设置的所述第一参数属性和所述第二参数属性作为变量信息，将所述风况属性信息中的其他属性信息作为定量信息，对第一类型参数记录数据和第二类型参数记录数据进行多次数据采集，所述第一类型参数记录数据是指所述第一参数属性的具体数值，所述第二类型参数记录数据是指所述第二参数属性的具体数值，并且所述第一类型参数记录数据和所述第二类型参数记录数据出自同一次数据采集记录，两者之间具有一一对应的关系。然后判断所述第一类型参数记录数据和所述第二类型参数记录数据能否进行序列化调整，所述序列化调整是指将所述第一类型参数按照数值大小由小到大排列，所述第二类型参数则按照与所述第一类型参数对应的关系自动排列，获得所述第二类型参数排列结果。判断所述第二类型参数排列结果整体上是否按照由大到小或者由小到大的次序排列，由于数据采集记录过程中个别数据可能出现误差，可以预设一定的误差范围，当误差数量超出所述误差范围时，则视为不可进行序列化调整。如果所述第一类型参数记录数据和所述第二类型参数记录数据可以进行序列化调整时，则对所述第一类型参数记录数据和所述第二类型参数记录数据进行序列化调整，获得记录数据序列调整结果。根据所述记录数据序列调整结果，以所述第一类型参数记录数据作为横坐标，以所述第二类型参数记录数据作为纵坐标，构建直角坐标系。并按照横轴坐标数据将坐标轴中的点依次连接，构建记录数据变化曲线。基于专家系统构建曲线形状关联分析模型，所述曲线形状关联分析模型中包含大量曲线关联分析知识，由知识库、推理机等部分构成。利用所述曲线形状关联分析模型对所述记录数据变化曲线进行关联性分析，获得横纵坐标之间的关联参数。若所述记录数据变化曲线不具有相互影响的关联参数，则直接获得参数记录数据即离散风况参数属性信息。若具有相互影响的关联参数，则认为当第一类型参数存在时，第二类型参数必然存在某个与第一类型参数相关的值，其对于风机载荷的影响来说，基于第一类型参数的存在就是固定的，因此只需要研究第一类型参数的影响就可以了。则用第一类型参数属性与所述关联参数来表述所述第二关联参数属性，并将所述第一参数属性添加进所述离散风况参数属性信息。使用相同方式遍历任意两个类型属性，从而得到的最终，就都是互相独立的离散风况参数属性。
步骤S320：根据所述载荷预测位置和所述载荷参数属性对所述离散风况参数属性信息进行二级关联度分析，生成关联度分析结果；
如图3所示，在一个实施例中，本申请步骤S320还包括：
步骤S321：以所述载荷预测位置为场景约束参数，以所述载荷参数属性和所述离散风况参数属性信息为目标检索参数进行数据采集，获取风机载荷记录数据和风况参数记录数据，其中，所述风机载荷记录数据和所述风况参数记录数据一一对应；
步骤S322：将所述风机载荷记录数据设为比对参考序列；
步骤S323：将所述风况参数记录数据设为比对目标序列；
步骤S324：对所述比对参考序列和所述比对目标序列进行矩阵无量纲处理，获取无量纲矩阵；
步骤S325：对所述无量纲矩阵进行灰色关联度分析，生成所述关联度分析结果。
在一个实施例中，本申请步骤S325还包括：
步骤S3251：遍历所述无量纲矩阵，求取第一关联参数，其中，所述第一关联参数计算公式为：
其中，i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值；
步骤S3252：遍历所述无量纲矩阵，求取第二关联参数，其中，所述第二关联参数计算公式为：
其中，i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值；
步骤S3253：获取关联系数评估公式：
ξi(k)＝(A+ρB)/[|x0(k)-xi(k)|+ρB]
其中，ξi(k)为第i行第k个参数值的关联系数，ρ为分辨系数；
步骤S3254：根据所述第一关联参数、所述第二关联参数和所述关联系数评估公式，对所述无量纲矩阵进行分析，获取多组关联系数；
步骤S3255：对所述多组关联系数的任意一组求取均值，获取所述关联度分析结果。
具体而言，将所述载荷预测位置设置为场景约束参数，然后将所述载荷参数属性和所述离散风况参数属性信息设置为目标检索参数，对所述载荷预测位置进行数据采集，获得风机载荷记录数据和风况参数记录数据，其中所述风机载荷记录数据和所述风况参数记录数据具有一一对应的关系，将所述风机载荷记录数据设为比对参考序列，将所述风况参数记录数据设为比对目标序列，然后利用所述比对参考序列和所述比对目标序列建立原始数据矩阵，并将所述原始数据矩阵中第一列数据设为1，将矩阵中每一排第2到第N列的数据除以第一列数据获得数据计算结果，进而获得无量纲矩阵。遍历所述无量纲矩阵，利用所述第一关联参数计算公式：
其中i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值，求取第一关联参数。其中，i0表示风机载荷属性，i表示风况参数属性，k表示风机载荷记录数据和风况参数记录数据。所述第一关联参数即每行中经过比较得出的最小值。遍历所述无量纲矩阵，利用所述第二关联参数计算公式：
其中i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值，求取第二关联参数。所述第二关联参数即每行中经过比较得出的最大值。获得关联系数评估公式：ξi(k)＝(A+ρB)/[|x0(k)-xi(k)|+ρB]，其中ξi(k)为第i行第k个参数值的关联系数，ρ为分辨系数，默认值为0.5。然后根据所述第一关联参数、所述第二关联参数和所述关联系数评估公式，对所述无量纲矩阵进行分析，获取多组关联系数。最后把每组的多个关联系数相加再除以个数，获得多组数据结果即所述关联度分析结果。通过灰色关联度分析获得关联度分析结果，可以明确表示出所述载荷参数属性和所述离散风况参数属性之间的关联性大小，由于所需样本量多少没有要求，计算量也比较小，从而可以提高关联性分析的效率和准确率。
步骤S330：根据所述关联度分析结果进行关联度占比计算，获取所述参数属性权重分配结果。
具体而言，将所述关联度分析结果中的多组数据进行相加，然后除以所有数据之和获得所述关联度占比，进而获得参数属性权重分配结果，所述参数属性权重分配结果用于表示所述风况参数属性对所述载荷参数属性的影响程度。通过获得所述参数属性权重分配结果，对于构建风机载荷预测模型提供了数据支持，同时可以提高不同风况下风机载荷状态预测的准确率。
步骤S400：根据所述参数属性权重分配结果，基于集成BP神经网络，训练风机载荷预测模型；
在一个实施例中，本申请步骤S400还包括：
步骤S410：根据所述离散风况参数属性信息和所述载荷预测位置，采集风机运行日志数据，其中，所述风机运行日志数据包括离散风况参数属性记录值和预测位置载荷记录值；
步骤S420：遍历所述离散风况参数属性信息，根据所述离散风况参数属性记录值和所述预测位置载荷记录值，基于BP神经网络，训练多个风机载荷预测单元；
在一个实施例中，本申请步骤S420还包括：
步骤S421：根据所述离散风况参数属性信息，获取第m类型参数；
步骤S422：以所述第m类型参数为单变量，对所述离散风况参数属性记录值和预测位置载荷记录值进行筛选，获取第m组训练数据集；
步骤S423：根据所述第m组训练数据集，基于BP神经网络，构建第m风机载荷预测单元；
步骤S424：将所述第m风机载荷预测单元添加进所述多个风机载荷预测单元。
步骤S430：基于所述参数属性权重分配结果，将所述多个风机载荷预测单元合并，生成所述风机载荷预测模型。
具体而言，采集风机运行日志数据，所述风机运行日志数据包括离散风况参数属性记录值和预测位置载荷记录值。基于所述离散风况参数属性类型构建多个风机载荷预测单元，所述风机载荷预测单元是指机器学习中可以不断进行自我迭代优化的神经网络模型，通过训练数据集进行监督训练获得。根据所述离散风况参数属性信息，获取第m类型参数，所述第m类型参数为任一类型离散风况参数，将所述第m类型参数设置为单变量，其他参数为定量，对所述离散风况参数属性记录值和预测位置载荷记录值进行筛选，获得第m组训练数据集，所述第m组训练数据集只包含第m组参数属性和对应的预测位置载荷记录值。根据预设数据划分比例对所述第m组训练数据集进行数据划分，获得第m组样本训练集和第m组样本验证集。利用所述第m组样本训练集对所述第m风机载荷预测单元进行监督训练，利用所述第m组样本验证集对所述第m风机载荷预测单元进行验证训练，获得第m风机载荷预测单元。并将所述第m风机载荷预测单元添加进所述多个风机载荷预测单元。将所述参数属性权重分配结果分配给所属参数属性的风机载荷预测单元，获得多个权重分配风机载荷预测单元，然后将多个所述权重分配风机载荷预测单元进行合并，获得风机载荷预测模型，此时风机载荷预测模型的输入为多个权重分配风机载荷预测单元的输出和。通过获得所述风机载荷预测模型，为下一步对风机载荷状态进行预测提供了支持。
步骤S500：根据所述风况参数属性信息进行风况传感信息采集，获取风况参数监测信息；
步骤S600：将所述风况参数监测信息输入所述风机载荷预测模型，生成风机载荷状态预测结果；
步骤S700：根据所述风机载荷状态预测结果进行风电机组控制。
具体而言，根据所述风况参数属性信息，通过多种传感器设备进行风况传感信息采集，获得风况参数监测信息，所述风况参数监测信息包括风速、空气密度、湍流强度、入流角、风切变、偏航误差角等信息。然后将所述风况参数监测信息作为输入信息输入所述风机载荷预测模型，输出风机载荷状态预测结果。基于风机材料与物理结构预设载荷极限值，所述载荷极限值用于表示该风机位置所能承受的最大载荷，当所述风机载荷预测结果大于等于所述载荷极限值时，生成载荷预警信息并发送至工作人员，从而实现对风机的安全管控。利用上述方法可以解决由于风电机组运行时影响参数多、情况复杂导致无法快速准确预测不同风况下的风机载荷状态，进而导致风电机组无法智能管控的技术问题。
在一个实施例中，如图4所示提供了一种基于风机状态感知的智能控制系统，包括：风机载荷关键参数获取模块1、风况参数属性信息获取模块2、风况参数属性信息权重分布模块3、风机载荷预测模型训练模块4、风况参数监测信息获取模块5、风机载荷状态预测结果生成模块6、风电机组控制模块7、其中：
风机载荷关键参数获取模块1，所述风机载荷关键参数获取模块1用于获取风机载荷关键参数，其中，所述风机载荷关键参数包括载荷预测位置和载荷参数属性；
风况参数属性信息获取模块2，所述风况参数属性信息获取模块2用于获取风况参数属性信息；
风况参数属性信息权重分布模块3，所述风况参数属性信息权重分配模块3用于根据所述载荷预测位置和所述载荷参数属性对所述风况参数属性信息进行权重分布，获取参数属性权重分配结果；
风机载荷预测模型训练模块4，所述风机载荷预测模型训练模块4用于根据所述参数属性权重分配结果，基于集成BP神经网络，训练风机载荷预测模型；
风况参数监测信息获取模块5，所述风况参数监测信息获取模块5用于根据所述风况参数属性信息进行风况传感信息采集，获取风况参数监测信息；
风机载荷状态预测结果生成模块6，所述风机载荷状态预测结果生成模块6用于将所述风况参数监测信息输入所述风机载荷预测模型，生成风机载荷状态预测结果；
风电机组控制模块7，所述风电机组控制模块7用于根据所述风机载荷状态预测结果进行风电机组控制。
在一个实施例中，所述系统还包括：
离散风况参数属性信息生成模块，所述离散风况参数属性信息生成模块用于对所述风况参数属性信息进行一级关联性分析，生成离散风况参数属性信息，其中，所述离散风况参数属性信息之间对风机载荷的影响互相独立；
关联度分析结果生成模块，所述关联度分析结果生成模块用于根据所述载荷预测位置和所述载荷参数属性对所述离散风况参数属性信息进行二级关联度分析，生成关联度分析结果；
关联度占比计算模块，所述关联度占比计算模块用于根据所述关联度分析结果进行关联度占比计算，获取所述参数属性权重分配结果。
在一个实施例中，所述系统还包括：
参数属性获得模块，所述参数属性获得模块用于根据所述风况参数属性信息，获取第一参数属性和第二参数属性；
一级关联性分析判断模块，所述一级关联性分析判断模块用于判断所述第一参数属性和所述第二参数属性是否进行过一级关联性分析；
参数记录数据采集模块，所述参数记录数据采集模块是指若没有，以所述第一参数属性和所述第二参数属性为变量，以其它参数属性为定量，采集第一类型参数记录数据和第二类型参数记录数据，其中，所述第一类型参数记录数据和所述第二类型参数记录数据一一对应；
序列化调整判断模块，所述序列化调整判断模块用于判断所述第一类型参数记录数据和所述第二类型参数记录数据是否可以进行序列化调整；
序列化调整模块，所述序列化调整模块是指若可以，对所述第一类型参数记录数据和所述第二类型参数记录数据进行序列化调整，获取记录数据序列调整结果；
记录数据变化曲线构建模块，所述记录数据变化曲线构建模块用于根据所述记录数据序列调整结果，构建记录数据变化曲线；
属性关联系数判断模块，所述属性关联系数判断模块用于判断所述记录数据变化曲线是否具有属性关联系数；
第一参数属性添加模块，所述第一参数属性添加模块是指若具有，基于所述属性关联系数，以所述第一参数属性表征所述第二参数属性，将所述第一参数属性添加进所述离散风况参数属性信息。
在一个实施例中，所述系统还包括：
数据采集模块，所述数据采集模块用于以所述载荷预测位置为场景约束参数，以所述载荷参数属性和所述离散风况参数属性信息为目标检索参数进行数据采集，获取风机载荷记录数据和风况参数记录数据，其中，所述风机载荷记录数据和所述风况参数记录数据一一对应；
比对参考序列设置模块，所述比对参考序列设置模块用于将所述风机载荷记录数据设为比对参考序列；
比对目标序列设置模块，所述比对目标序列设置模块用于将所述风况参数记录数据设为比对目标序列；
矩阵无量纲处理模块，所述矩阵无量纲处理模块用于对所述比对参考序列和所述比对目标序列进行矩阵无量纲处理，获取无量纲矩阵；
灰色关联度分析模块，所述灰色关联度分析模块用于对所述无量纲矩阵进行灰色关联度分析，生成所述关联度分析结果。
在一个实施例中，所述系统还包括：
第一关联参数计算模块，所述第一关联参数计算模块用于遍历所述无量纲矩阵，求取第一关联参数，其中，所述第一关联参数计算公式为：
其中，i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值；
第二关联参数计算模块，所述第二关联参数计算模块用于遍历所述无量纲矩阵，求取第二关联参数，其中，所述第二关联参数计算公式为：
其中，i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值；
关联系数评估公式获得模块，所述关联系数评估公式获得模块用于获取关联系数评估公式：
ξi(k)＝(A+ρB)/[|x0(k)-xi(k)|+ρB]
其中，ξi(k)为第i行第k个参数值的关联系数，ρ为分辨系数；
无量纲矩阵分析模块，所述无量纲矩阵分析模块用于根据所述第一关联参数、所述第二关联参数和所述关联系数评估公式，对所述无量纲矩阵进行分析，获取多组关联系数；
关联度分析结果获得模块，所述关联度分析结果获得模块用于对所述多组关联系数的任意一组求取均值，获取所述关联度分析结果。
在一个实施例中，所述系统还包括：
风机运行日志数据采集模块，所述风机运行日志数据采集模块用于根据所述离散风况参数属性信息和所述载荷预测位置，采集风机运行日志数据，其中，所述风机运行日志数据包括离散风况参数属性记录值和预测位置载荷记录值；
风机载荷预测单元训练模块，所述风机载荷预测单元训练模块用于遍历所述离散风况参数属性信息，根据所述离散风况参数属性记录值和所述预测位置载荷记录值，基于BP神经网络，训练多个风机载荷预测单元；
风机载荷预测模型生成模块，所述风机载荷预测模型生成模块用于基于所述参数属性权重分配结果，将所述多个风机载荷预测单元合并，生成所述风机载荷预测模型。
在一个实施例中，所述系统还包括：
第m类型参数获得模块，所述第m类型参数获得模块用于根据所述离散风况参数属性信息，获取第m类型参数；
信息筛选模块，所述信息筛选模块用于以所述第m类型参数为单变量，对所述离散风况参数属性记录值和预测位置载荷记录值进行筛选，获取第m组训练数据集；
第m风机载荷预测单元构建模块，所述第m风机载荷预测单元构建模块用于根据所述第m组训练数据集，基于BP神经网络，构建第m风机载荷预测单元；
载荷预测单元添加模块，所述载荷预测单元添加模块用于将所述第m风机载荷预测单元添加进所述多个风机载荷预测单元。
综上所述，本申请提供了一种基于风机状态感知的智能控制方法及系统具有以下技术效果：
1.解决了由于风电机组运行时影响参数多、情况复杂导致无法快速准确预测不同风况下的风机载荷状态，进而导致风电机组无法智能管控的技术问题。通过参数属性权重分配结果设置不同的权重参数和合理的BP神经网络结构，构建风机载荷预测模型，根据风机载荷预测模型对不同风况下的风机载荷进行预测，可以实现对不同风况下的风机载荷状态进行准确预测，从而实现对风机的安全管控。
2.通过灰色关联度分析获得关联度分析结果，可以明确表示出所述载荷参数属性和所述离散风况参数属性之间的关联性大小，由于所需样本量多少没有要求，计算量也比较小，从而可以提高关联性分析的效率和准确率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于风机状态感知的智能控制方法，其特征在于，应用于智能控制系统，包括：
获取风机载荷关键参数，其中，所述风机载荷关键参数包括载荷预测位置和载荷参数属性；
获取风况参数属性信息；
根据所述载荷预测位置和所述载荷参数属性对所述风况参数属性信息进行权重分布，获取参数属性权重分配结果；
根据所述参数属性权重分配结果，基于集成BP神经网络，训练风机载荷预测模型；
根据所述风况参数属性信息进行风况传感信息采集，获取风况参数监测信息；
将所述风况参数监测信息输入所述风机载荷预测模型，生成风机载荷状态预测结果；
根据所述风机载荷状态预测结果进行风电机组控制。
2.如权利要求1所述的方法，其特征在于，所述根据所述载荷预测位置和所述载荷参数属性对所述风况参数属性信息进行权重分布，获取参数属性权重分配结果，包括：
对所述风况参数属性信息进行一级关联性分析，生成离散风况参数属性信息，其中，所述离散风况参数属性信息之间对风机载荷的影响互相独立；
根据所述载荷预测位置和所述载荷参数属性对所述离散风况参数属性信息进行二级关联度分析，生成关联度分析结果；
根据所述关联度分析结果进行关联度占比计算，获取所述参数属性权重分配结果。
3.如权利要求2所述的方法，其特征在于，所述对所述风况参数属性信息进行一级关联性分析，生成离散风况参数属性信息，其中，所述离散风况参数属性信息之间对风机载荷的影响互相独立，包括：
根据所述风况参数属性信息，获取第一参数属性和第二参数属性；
判断所述第一参数属性和所述第二参数属性是否进行过一级关联性分析；
若没有，以所述第一参数属性和所述第二参数属性为变量，以其它参数属性为定量，采集第一类型参数记录数据和第二类型参数记录数据，其中，所述第一类型参数记录数据和所述第二类型参数记录数据一一对应；
判断所述第一类型参数记录数据和所述第二类型参数记录数据是否可以进行序列化调整；
若可以，对所述第一类型参数记录数据和所述第二类型参数记录数据进行序列化调整，获取记录数据序列调整结果；
根据所述记录数据序列调整结果，构建记录数据变化曲线；
判断所述记录数据变化曲线是否具有属性关联系数；
若具有，基于所述属性关联系数，以所述第一参数属性表征所述第二参数属性，将所述第一参数属性添加进所述离散风况参数属性信息。
4.如权利要求2所述的方法，其特征在于，所述根据所述载荷预测位置和所述载荷参数属性对所述离散风况参数属性信息进行二级关联度分析，生成关联度分析结果，包括：
以所述载荷预测位置为场景约束参数，以所述载荷参数属性和所述离散风况参数属性信息为目标检索参数进行数据采集，获取风机载荷记录数据和风况参数记录数据，其中，所述风机载荷记录数据和所述风况参数记录数据一一对应；
将所述风机载荷记录数据设为比对参考序列；
将所述风况参数记录数据设为比对目标序列；
对所述比对参考序列和所述比对目标序列进行矩阵无量纲处理，获取无量纲矩阵；
对所述无量纲矩阵进行灰色关联度分析，生成所述关联度分析结果。
5.如权利要求4所述的方法，其特征在于，所述对所述无量纲矩阵进行灰色关联度分析，生成所述关联度分析结果，包括：
遍历所述无量纲矩阵，求取第一关联参数，其中，所述第一关联参数计算公式为：
其中，i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值；
遍历所述无量纲矩阵，求取第二关联参数，其中，所述第二关联参数计算公式为：
其中，i为第i行参数，k为第i行第k个参数，x0(k)为比对参考序列所在行的第k个参数值，xi(k)为第i行比对目标序列的第k个参数值；
获取关联系数评估公式：
ξi(k)＝(A+ρB)/[|x0(k)-xi(k)|+ρB]
其中，ξi(k)为第i行第k个参数值的关联系数，ρ为分辨系数；
根据所述第一关联参数、所述第二关联参数和所述关联系数评估公式，对所述无量纲矩阵进行分析，获取多组关联系数；
对所述多组关联系数的任意一组求取均值，获取所述关联度分析结果。
6.如权利要求2所述的方法，其特征在于，所述根据所述参数属性权重分配结果，基于集成BP神经网络，训练风机载荷预测模型，包括：
根据所述离散风况参数属性信息和所述载荷预测位置，采集风机运行日志数据，其中，所述风机运行日志数据包括离散风况参数属性记录值和预测位置载荷记录值；
遍历所述离散风况参数属性信息，根据所述离散风况参数属性记录值和所述预测位置载荷记录值，基于BP神经网络，训练多个风机载荷预测单元；
基于所述参数属性权重分配结果，将所述多个风机载荷预测单元合并，生成所述风机载荷预测模型。
7.如权利要求6所述的方法，其特征在于，所述遍历所述离散风况参数属性信息，根据所述离散风况参数属性记录值和所述预测位置载荷记录值，基于BP神经网络，训练多个风机载荷预测单元，包括：
根据所述离散风况参数属性信息，获取第m类型参数；
以所述第m类型参数为单变量，对所述离散风况参数属性记录值和预测位置载荷记录值进行筛选，获取第m组训练数据集；
根据所述第m组训练数据集，基于BP神经网络，构建第m风机载荷预测单元；
将所述第m风机载荷预测单元添加进所述多个风机载荷预测单元。
8.一种基于风机状态感知的智能控制系统，其特征在于，所述系统包括：
风机载荷关键参数获取模块，所述风机载荷关键参数获取模块用于获取风机载荷关键参数，其中，所述风机载荷关键参数包括载荷预测位置和载荷参数属性；
风况参数属性信息获取模块，所述风况参数属性信息获取模块用于获取风况参数属性信息；
风况参数属性信息权重分布模块，所述风况参数属性信息权重分配模块用于根据所述载荷预测位置和所述载荷参数属性对所述风况参数属性信息进行权重分布，获取参数属性权重分配结果；
风机载荷预测模型训练模块，所述风机载荷预测模型训练模块用于根据所述参数属性权重分配结果，基于集成BP神经网络，训练风机载荷预测模型；
风况参数监测信息获取模块，所述风况参数监测信息获取模块用于根据所述风况参数属性信息进行风况传感信息采集，获取风况参数监测信息；
风机载荷状态预测结果生成模块，所述风机载荷状态预测结果生成模块用于将所述风况参数监测信息输入所述风机载荷预测模型，生成风机载荷状态预测结果；
风电机组控制模块，所述风电机组控制模块用于根据所述风机载荷状态预测结果进行风电机组控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310214455.2A CN116146421A (zh) | 2023-03-08 | 2023-03-08 | 一种基于风机状态感知的智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310214455.2A CN116146421A (zh) | 2023-03-08 | 2023-03-08 | 一种基于风机状态感知的智能控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116146421A true CN116146421A (zh) | 2023-05-23 |
Family
ID=86373634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310214455.2A Pending CN116146421A (zh) | 2023-03-08 | 2023-03-08 | 一种基于风机状态感知的智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116146421A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117685175A (zh) * | 2023-12-01 | 2024-03-12 | 北京能源工业互联网研究院有限公司 | 风电机组的多个调控参数的实时优化方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537424A (zh) * | 2014-10-28 | 2015-04-22 | 北京天源科创风电技术有限责任公司 | 一种建立基于风电机组载荷数据库的预测响应系统的方法 |
| CN110067696A (zh) * | 2019-06-03 | 2019-07-30 | 浙江运达风电股份有限公司 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
| CN110210044A (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 风力发电机组的载荷预测方法和装置 |
| CN112884262A (zh) * | 2019-11-29 | 2021-06-01 | 中国电力科学研究院有限公司 | 一种风电机组载荷适应性确定方法和系统 |
| CN113361058A (zh) * | 2020-03-05 | 2021-09-07 | 北京金风科创风电设备有限公司 | 确定风电场的代表风参数的方法和设备 |
| CN113919102A (zh) * | 2021-11-08 | 2022-01-11 | 浙江理工大学 | 一种风电机组主传动系统载荷传递特性分析方法及系统 |
| CN113919221A (zh) * | 2021-10-08 | 2022-01-11 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 |
| US20220205425A1 (en) * | 2020-12-29 | 2022-06-30 | POSTECH Research and Business Development Foundation | Wind turbine system using predicted wind conditions and method of controlling wind turbine |
| CN115221785A (zh) * | 2022-07-22 | 2022-10-21 | 中国电力科学研究院有限公司 | 一种神经网络预测模型的构建方法、预测方法、系统 |
-
2023
- 2023-03-08 CN CN202310214455.2A patent/CN116146421A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537424A (zh) * | 2014-10-28 | 2015-04-22 | 北京天源科创风电技术有限责任公司 | 一种建立基于风电机组载荷数据库的预测响应系统的方法 |
| CN110210044A (zh) * | 2018-02-28 | 2019-09-06 | 北京金风科创风电设备有限公司 | 风力发电机组的载荷预测方法和装置 |
| CN110067696A (zh) * | 2019-06-03 | 2019-07-30 | 浙江运达风电股份有限公司 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
| CN112884262A (zh) * | 2019-11-29 | 2021-06-01 | 中国电力科学研究院有限公司 | 一种风电机组载荷适应性确定方法和系统 |
| CN113361058A (zh) * | 2020-03-05 | 2021-09-07 | 北京金风科创风电设备有限公司 | 确定风电场的代表风参数的方法和设备 |
| US20220205425A1 (en) * | 2020-12-29 | 2022-06-30 | POSTECH Research and Business Development Foundation | Wind turbine system using predicted wind conditions and method of controlling wind turbine |
| CN113919221A (zh) * | 2021-10-08 | 2022-01-11 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 |
| CN113919102A (zh) * | 2021-11-08 | 2022-01-11 | 浙江理工大学 | 一种风电机组主传动系统载荷传递特性分析方法及系统 |
| CN115221785A (zh) * | 2022-07-22 | 2022-10-21 | 中国电力科学研究院有限公司 | 一种神经网络预测模型的构建方法、预测方法、系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117685175A (zh) * | 2023-12-01 | 2024-03-12 | 北京能源工业互联网研究院有限公司 | 风电机组的多个调控参数的实时优化方法及系统 |
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 | |
| CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
| CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN110070228B (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
| CN114322199B (zh) | 基于数字孪生的通风系统自主优化运行调控平台及方法 | |
| CN116307641B (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
| CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN116146421A (zh) | 一种基于风机状态感知的智能控制方法及系统 | |
| CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN115221785A (zh) | 一种神经网络预测模型的构建方法、预测方法、系统 | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| US5422984A (en) | Apparatus and method for automatically generating membership function and/or fuzzy inference rule for fuzzy inference system | |
| CN109063930A (zh) | 一种基于聚类分析的动态风电场总功率预测方法 | |
| CN115685941A (zh) | 一种基于机柜热点温度预测的机房运行调控方法及装置 | |
| Santarisi et al. | Prediction of combined cycle power plant electrical output power using machine learning regression algorithms | |
| Xu et al. | Research on Load Forecasting Based on CNN-LSTM Hybrid Deep Learning Model | |
| CN115563885A (zh) | 一种风电厂储能电池能量转换系统 | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
| CN113705888A (zh) | 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统 | |
| CN113901622A (zh) | 一种基于遗传算法优化的svm的配电网拓扑辨识方法 | |
| CN114234392A (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
| CN113420492A (zh) | 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法 |
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 |