CN116227245B - 基于运行数据的风电机组多目标控制性能评估方法及装置 - Google Patents
基于运行数据的风电机组多目标控制性能评估方法及装置 Download PDFInfo
- Publication number
- CN116227245B CN116227245B CN202310514188.0A CN202310514188A CN116227245B CN 116227245 B CN116227245 B CN 116227245B CN 202310514188 A CN202310514188 A CN 202310514188A CN 116227245 B CN116227245 B CN 116227245B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- subjective
- parameter
- weight
- parameters
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 353
- 239000011159 matrix material Substances 0.000 claims abstract description 137
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000010977 unit operation Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 47
- 230000015556 catabolic process Effects 0.000 claims description 35
- 238000006731 degradation reaction Methods 0.000 claims description 35
- 238000010606 normalization Methods 0.000 claims description 26
- 238000011217 control strategy Methods 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 2
- 230000006872 improvement Effects 0.000 abstract description 44
- 230000000694 effects Effects 0.000 abstract description 18
- 238000004458 analytical method Methods 0.000 abstract description 17
- 238000011158 quantitative evaluation Methods 0.000 abstract description 15
- 230000007547 defect Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wind Motors (AREA)
Abstract
一种基于运行数据的风电机组多目标控制性能评估方法及装置,方法包括:根据预设的控制性能评估模型,获取机组运行数据,选择评估参数;根据预设的评估参数相互关系,确定评估参数的主观判断矩阵,得到主观权重;利用评估参数对应的参数数量及采样时间,构建评价矩阵,得到各评估参数对应的客观权重;根据主观权重及客观权重,确定各评估参数对应的组合权重;根据预设的评估参数设定值,确定各评估参数对应的方差,根据方差及组合权重,得到评估量化值。本发明使获得的主客观权重具有更强的合理性与针对性,避免了常规专家分析法的缺点,解决了技改前后和不同工况下控制评估设定值不一致的问题,实现对风电机组控制改造与优化效果进行量化评估。
Description
技术领域
本发明涉及风电机组控制性能评估技术领域,尤指一种基于运行数据的风电机组多目标控制性能评估方法及装置。
背景技术
随着风电机组的运行年限逐渐增加,由于设备老化、早期技术的不成熟导致风电机组运行问题凸显,老旧风电机组的技术改造成为了目前的研究热点。通过风电机组技术改造能够提高机组的运行效率和运行安全性。技术改造的目标和方法多种多样,控制技术改造作为最为快速有效且成本低廉的技改方式被大量应用,但目前未有统一规范或标准来客观评估改造效果,特别是缺乏一种针对风电机组发电性能、载荷特性等多目标控制改造进行量化评估的方法,使机组技改中发电性能提升与降低机组载荷两方面目标难以平衡。
控制性能评估是解决上述问题的一个重要途径之一。传统工业领域控制性能评估一般包括以下几个方面,首先确定系统的控制性能;然后定义一个性能基准,将系统的性能与基准性能相比,给出控制器性能进一步提高的可能性及裕度,之后对反映控制器性能的统计量不断进行监控,发现控制系统性能变化。其中选择设计性能评估的基准是评估中的核心部分,根据评估基准的不同,可以分为三类主要的评估方法:①用户自定义与基于历史数据的评估方法;②基于LQG(线性二次型)控制性能评估方法;③基于MVC(最小方差)控制基准的评估方法。
其中,用户自定义与基于历史数据的评估方法是最容易进行的,但它缺乏客观性,对实际系统性能的依赖较强,若自定义值或历史数据不是最优的,则对性能评估的结果有很大影响。LQG评估方法可以将控制作用引入到评估基准,将执行器调节限制考虑在内,更符合实际应用场景,但该评估基准需要准确的系统数学模型且计算量较大,不利于实际的普及。MVC评估方法是基于数据驱动型的,不需要过多的先验知识,在计算上相对简单,能够给系统提供最优性能的理论参考值,但其评估结果往往相对保守。此外,上述方法在风电控制性能评估领域均无实际应用。
目前,对风电技术改造效果和控制策略优劣的评价主要通过对比一个或者几个相关评价指标来实现,并且在不同应用场景评价指标的差异性往往较大,缺乏统一的计算标准;此外,一些控制策略虽然能改善一些机组参数的特性,但其往往也带来其他参数的劣化,对于这类控制策略的实际应用可能无法达到预期效果,顾此失彼。因此对于风电机组的控制性能的多目标综合评估有着重要的实际意义,而从查阅的文献和资料来看,目前对于这方面的研究较少,没有形成比较系统、完整的风电控制性能评估方法。
发明内容
针对现有技术中存在的问题,本发明实施例的主要目的在于提供一种基于运行数据的风电机组多目标控制性能评估方法及装置,实现对风电机组控制性能的多目标综合量化评估,可为实际风力发电机组技术改造提供方法指导。
为了实现上述目的,本发明实施例提供一种基于运行数据的风电机组多目标控制性能评估方法,方法包括:
根据预设的控制性能评估模型,获取机组运行数据,并利用机组运行数据,选择评估参数;
根据预设的评估参数相互关系,确定评估参数的主观判断矩阵,并根据主观判断矩阵,得到各评估参数对应的主观权重;
利用评估参数对应的参数数量及采样时间,构建评估参数对应的评价矩阵,并根据评价矩阵,得到各评估参数对应的客观权重;
根据各评估参数对应的主观权重及客观权重,确定各评估参数对应的组合权重;
根据预设的评估参数设定值,确定各评估参数对应的方差,并根据各评估参数对应的方差及组合权重,得到评估量化值。
可选的,在本发明一实施例中,利用机组运行数据,选择评估参数包括:
对机组运行数据进行异常数据剔除处理;
根据预设的参数运行区间,对异常数据剔除处理后的机组运行数据进行劣化度归一化处理,得到异常数据剔除处理后的机组运行数据对应的劣化度,并将劣化度作为评估参数。
可选的,在本发明一实施例中,根据主观判断矩阵,得到评估参数的主观权重包括:
对主观判断矩阵进行归一化处理,并对归一化处理后的主观判断矩阵进行按行相加处理;
利用按行相加处理后的主观判断矩阵,得到待验证主观权重,并根据待验证主观权重,确定主观判断矩阵对应的最大特征根;
根据主观判断矩阵对应的阶数及最大特征根,确定主观判断矩阵对应的一致性指标;
若一致性指标小于预设阈值,则将待验证主观权重作为评估参数的主观权重;若一致性指标不小于预设阈值,则更新主观判断矩阵,直至主观判断矩阵对应的一致性指标小于预设阈值。
可选的,在本发明一实施例中,根据评价矩阵,得到各评估参数对应的客观权重包括:
对评价矩阵进行标准化处理,并根据标准化处理后的评价矩阵及采样时间,确定各评估参数对应的熵;
根据各评估参数对应的熵,得到各评估参数对应的客观权重。
本发明实施例还提供一种基于运行数据的风电机组多目标控制性能评估装置,装置包括:
评估参数模块,用于根据预设的控制性能评估模型,获取机组运行数据,并利用机组运行数据,选择评估参数;
主观权重模块,用于根据预设的评估参数相互关系,确定评估参数的主观判断矩阵,并根据主观判断矩阵,得到各评估参数对应的主观权重;
客观权重模块,用于利用评估参数对应的参数数量及采样时间,构建评估参数对应的评价矩阵,并根据评价矩阵,得到各评估参数对应的客观权重;
组合权重模块,用于根据各评估参数对应的主观权重及客观权重,确定各评估参数对应的组合权重;
评估量化值模块,用于根据预设的评估参数设定值,确定各评估参数对应的方差,并根据各评估参数对应的方差及组合权重,得到评估量化值。
可选的,在本发明一实施例中,评估参数模块包括:
数据剔除单元,用于对机组运行数据进行异常数据剔除处理;
劣化度单元,用于根据预设的参数运行区间,对异常数据剔除处理后的机组运行数据进行劣化度归一化处理,得到异常数据剔除处理后的机组运行数据对应的劣化度,并将劣化度作为评估参数。
可选的,在本发明一实施例中,主观权重模块包括:
归一化单元,用于对主观判断矩阵进行归一化处理,并对归一化处理后的主观判断矩阵进行按行相加处理;
特征根单元,用于利用按行相加处理后的主观判断矩阵,得到待验证主观权重,并根据待验证主观权重,确定主观判断矩阵对应的最大特征根;
一致性指标单元,用于根据主观判断矩阵对应的阶数及最大特征根,确定主观判断矩阵对应的一致性指标;
主观权重单元,用于若一致性指标小于预设阈值,则将待验证主观权重作为评估参数的主观权重;若一致性指标不小于预设阈值,则更新主观判断矩阵,直至主观判断矩阵对应的一致性指标小于预设阈值。
可选的,在本发明一实施例中,客观权重模块包括:
熵计算单元,用于对评价矩阵进行标准化处理,并根据标准化处理后的评价矩阵及采样时间,确定各评估参数对应的熵;
客观权重单元,用于根据各评估参数对应的熵,得到各评估参数对应的客观权重。
本发明还提供一种电子设备,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,处理器执行所述程序时实现上述方法。
本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有由计算机执行上述方法的计算机程序。
本发明还提供一种计算机程序产品,包括计算机程序/指令,计算机程序/指令被处理器执行时实现上述方法的步骤。
本发明通过采用基于最小方差基准的性能评估方法,应用技改前后机组运行数据,结合主客观权重的校正,使获得的主客观权重具有更强的合理性与针对性,避免了常规专家分析法的缺点,在确定最小方差基准设定值时,根据风电机组在不同工况下评估参数控制目标的不同,分类别确定各工况参数的设定值,不仅解决了技改前后和不同工况下控制评估设定值不一致的问题,而且不会影响评估精度,实现对风电机组控制改造与优化效果进行量化评估,可为风电机组控制改造与控制策略优化提供指导,具有很强的实用与参考价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于运行数据的风电机组多目标控制性能评估方法的流程图;
图2为本发明实施例中确定评估参数的流程图;
图3为本发明实施例中得到主观权重的流程图;
图4为本发明实施例中得到客观权重的流程图;
图5为本发明一具体实施例中风电机组控制性能综合评估过程的流程图;
图6为本发明实施例中控制策略评价模型的示意图;
图7为本发明实施例中风电机组层次分析法结构示意图;
图8A-图8C为本发明实施例中独立变桨权重确定算例示意图;
图9为本发明实施例一种基于运行数据的风电机组多目标控制性能评估装置的结构示意图;
图10为本发明实施例中评估参数模块的结构示意图;
图11为本发明实施例中主观权重模块的结构示意图;
图12为本发明实施例中客观权重模块的结构示意图;
图13为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
本发明实施例提供一种基于运行数据的风电机组多目标控制性能评估方法及装置。
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作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所示为本发明实施例一种基于运行数据的风电机组多目标控制性能评估方法的流程图,本发明实施例提供的基于运行数据的风电机组多目标控制性能评估方法的执行主体包括但不限于计算机。本发明通过采用基于最小方差基准的性能评估方法,应用技改前后机组运行数据,结合主客观权重的校正,使获得的主客观权重具有更强的合理性与针对性,避免了常规专家分析法的缺点,在确定最小方差基准设定值时,根据风电机组在不同工况下评估参数控制目标的不同,分类别确定各工况参数的设定值,不仅解决了技改前后和不同工况下控制评估设定值不一致的问题,而且不会影响评估精度,实现对风电机组控制改造与优化效果进行量化评估,可为风电机组控制改造与控制策略优化提供指导,具有很强的实用与参考价值。图中所示方法包括:
步骤S1,根据预设的控制性能评估模型,获取机组运行数据,并利用机组运行数据,选择评估参数;
步骤S2,根据预设的评估参数相互关系,确定评估参数的主观判断矩阵,并根据主观判断矩阵,得到各评估参数对应的主观权重;
步骤S3,利用评估参数对应的参数数量及采样时间,构建评估参数对应的评价矩阵,并根据评价矩阵,得到各评估参数对应的客观权重;
步骤S4,根据各评估参数对应的主观权重及客观权重,确定各评估参数对应的组合权重;
步骤S5,根据预设的评估参数设定值,确定各评估参数对应的方差,并根据各评估参数对应的方差及组合权重,得到评估量化值。
其中,不同的控制策略或者控制技改方案其往往具有不同的控制目标,因此在选取评估指标时采用统一的标准,往往会因为其他无关参数而弱化了评估参数的准确性,也可能因缺乏某些关键评估参数造成不必要的误差。所以对于评估指标参数的选取,首先要根据技改方案或者控制策略所期望的目标,选择能反映控制性能变化的关键参数作为评估参数。具体的,本发明以独立变桨、塔架阻尼、提前变桨和风速前馈四个实际应用较多的控制策略为例,建立机组控制性能评价模型,即控制性能评估模型如图6所示。其中,控制性能评估模型的层数并不固定,可以根据实际需要再进一步细分,在进一步细分的过程中,最底层一般为具体的评估参数,其余层则是根据底层参数所属机组的部件或系统来建立。如需对某一控制策略进行评估可只选用只包括本控制策略的层次。
进一步的,利用控制性能评估模型,获取控制技改或优化前后机组运行数据。具体的,为使数据分析具有统计意义及更强的针对性,数据的时间跨度一般不小于预设时间段,例如一个月,并且需要包含机组不同风速区间和各典型工况的数据。由此,将得到的机组运行数据作为评价参数。
作为本发明的一个实施例,如图2所示,利用机组运行数据,选择评估参数包括:
步骤S11,对机组运行数据进行异常数据剔除处理;
步骤S12,根据预设的参数运行区间,对异常数据剔除处理后的机组运行数据进行劣化度归一化处理,得到异常数据剔除处理后的机组运行数据对应的劣化度,并将劣化度作为评估参数。
其中,由于选择的机组运行数据跨度较大,需要对异常及无效数据进行剔除。
进一步的,在风电机组控制系统中,能反应控制效果的参数往往具有不同的物理量纲。这些评估参数均具有其物理意义及各自不同的变化范围,为了使其能够进行综合对比分析,需要进行归一化处理。为此,采用基于劣化度的归一化方法,对机组运行数据进行归一化处理,由此得到量纲一致的评估参数。
进一步的,利用预设最佳的参数运行区间,计算各评估参数的劣化度。具体的,根据各评估参数数值与最佳运行区间的偏离程度来反应出风电机组性能的好坏,将评估参数的数值折算成区间[0,1]之间的具体数值,其中0代表最佳,1代表最差。
在本实施例中,在风电机组多目标控制综合量化评估中,会涉及到多个评估参数,在经过归一化后,能够一定程度上减小因个别参数数值较大对整体评估指标的影响,但对于最终控制目标,无法区分各参数之间的重要程度。因此,本发明通过主客观综合权重计算,从主、客观两方面对各参数的重要程度进行量化评估,从而进一步提升评估精度。
其中,预先建立评估参数相互关系,即建立控制性能评价层次结构,利用层次分析法,按照各个评估参数之间的相互关系分层次对风电机组控制性能进行分析,其一般结构如图7所示。
进一步的,评估参数相互关系表示出了评估参数对控制系统的重要程度,对各评估参数进行两两比较,需要使用数值来表示其重要性,由此得到主观判断矩阵。
作为本发明的一个实施例,如图3所示,根据主观判断矩阵,得到评估参数的主观权重包括:
步骤S21,对主观判断矩阵进行归一化处理,并对归一化处理后的主观判断矩阵进行按行相加处理;
步骤S22,利用按行相加处理后的主观判断矩阵,得到待验证主观权重,并根据待验证主观权重,确定主观判断矩阵对应的最大特征根;
步骤S23,根据主观判断矩阵对应的阶数及最大特征根,确定主观判断矩阵对应的一致性指标;
步骤S24,若一致性指标小于预设阈值,则将待验证主观权重作为评估参数的主观权重;若一致性指标不小于预设阈值,则更新主观判断矩阵,直至主观判断矩阵对应的一致性指标小于预设阈值。
在本实施例中,在得到主观判断矩阵之后,将主观判断矩阵按列归一化处理,再将归一化后的主观判断矩阵按行相加。进一步的,将按行相加后得到的和向量正规化,得到待验证主观权重。
其中,利用待验证主观权重计算主观判断矩阵的最大特征根,进而根据最大特征根进行一致性验证,以判断当前的待验证主观权重是否满足一致性原则。
进一步的,根据主观判断矩阵的最大特征根以及主观判断矩阵的阶数,生成一致性指标。将一致性指标与预设阈值相比较,若一致性指标小于预设阈值,则当前的主观判断矩阵满足一致性原则,将待验证主观权重作为评估参数的主观权重。若一致性指标不小于预设阈值,则需要更新主观判断矩阵,即对主观判断矩阵进行重新赋值整定,直到一致性指标小于预设阈值时,停止更新主观判断矩阵。
在本实施例中,利用评估参数对应的参数数量及采样时间,构建具有m个采样时间,n项评估参数的评价矩阵。
作为本发明的一个实施例,如图4所示,根据评价矩阵,得到各评估参数对应的客观权重包括:
步骤S31,对评价矩阵进行标准化处理,并根据标准化处理后的评价矩阵及采样时间,确定各评估参数对应的熵;
步骤S32,根据各评估参数对应的熵,得到各评估参数对应的客观权重。
其中,对评价矩阵进行标准化处理后,利用采样时间和标准化处理后的评价矩阵,计算各个评估参数的熵。进而利用各评估参数的熵,计算各评估参数的权系数,即各评估参数对应的客观权重。
在本实施例中,为了避免单独使用主观权重或客观权重带来的劣势,选取层次分析法和熵值法相结合的方法确定各指标的综合权重。具体的,将各评估参数对应的主观权重及客观权重进行组合,得到各评估参数对应的组合权重。
此外,控制性能评估的一个核心问题就是建立性能评估基准。如果没有一个基准设定值来比较,仅根据输出数据的方差,很难真正的评估当前控制系统的运行状况和控制技改的效果。
其中,利用评估参数设定值,计算各评估参数方差。具体的,由于风电机组控制性能的评估参数在不同的工况或风速区间大都有较为明确的目标指导值(如功率、发电机转速等),因此选择各工况下的控制目标值作为评估参数设定值,而对于那些没有明确指导值的参数一般取采样数据中的均值作为评估参数设定值。此外,评估参数对应的方差可以包括机组当前状态下方差、技改前后方差、机组历史最优状态下方差及系统优化前后方差。
进一步的,在得到评估参数的组合权重与方差后,根据各评估参数对应的方差及组合权重,计算得到评估量化值。
本发明通过采用基于最小方差基准的性能评估方法,应用技改前后机组运行数据,结合主客观权重的校正,使获得的主客观权重具有更强的合理性与针对性,避免了常规专家分析法的缺点,在确定最小方差基准设定值时,根据风电机组在不同工况下评估参数控制目标的不同,分类别确定各工况参数的设定值,不仅解决了技改前后和不同工况下控制评估设定值不一致的问题,而且不会影响评估精度,实现对风电机组控制改造与优化效果进行量化评估,可为风电机组控制改造与控制策略优化提供指导,具有很强的实用与参考价值。
在本发明一具体实施例中,如图5所示为风电机组控制性能综合评估过程风电机组控制性能综合评估过程,针对风力发电机组控制性能量化评估的问题,首先对机组数据进行统计处理和分析计算,以筛选出关系机组控制性能的主要参数;然后利用劣化度归一化的方法解决不同参数量纲不一致的问题,并且利用主客观相结合的权重方法确定不同参数之间重要度,最后基于最小方差的性能评估方法。具体流程如下:
1、评价数据的选取
控制性能评价模型的建立:不同的控制策略或者控制技改方案其往往具有不同的控制目标,因此在选取评估指标时采用统一的标准,往往会因为其他无关参数而弱化了评估参数的准确性,也可能因缺乏某些关键评估参数造成不必要的误差。所以对于评估指标参数的选取,首先要根据技改方案或者控制策略所期望的目标,选择能反映控制性能变化的关键参数作为评估参数。具体的,以独立变桨、塔架阻尼、提前变桨和风速前馈四个实际应用较多的控制策略为例,建立机组控制性能评价模型,即控制性能评估模型如图6所示。其中,控制性能评估模型的层数并不固定,可以根据实际需要再进一步细分,在进一步细分的过程中,最底层一般为具体的评估参数,其余层则是根据底层参数所属机组的部件或系统来建立。如需对某一控制策略进行评估可只选用只包括本控制策略的层次。
2、数据预处理
1)机组数据的采集
建立如图6所示的控制性能评价模型后,需要获取控制技改或优化前后机组运行数据。为使数据分析具有统计意义及更强的针对性,数据的时间跨度一般不小于1个月,并且需要包含机组不同风速区间和各典型工况的数据;采集得到的数据应为秒级数据,时间间隔不大于1秒。由于选择的数据跨度较大,需要对异常及无效数据进行剔除,并且对于不同的控制策略其需要数据范围也有所不同,例如独立变桨控制其数据应集中在额定风速以上,对于提前变桨则注重在额定风速附近的数据。
2)评估参数的归一化
在风电机组控制系统中,能反应控制效果的参数往往具有不同的物理量纲。这些评估参数均具有其物理意义及各自不同的变化范围,为了使其能够进行综合对比分析,需要对技改或优化前后机组运行数据进行归一化处理。为此,采用基于劣化度的归一化方法,根据各参数数值与最佳运行区间的偏离程度来反应出风电机组性能的好坏,将评估参数的数值折算成区间[0,1]之间的具体数值,其中0代表最佳,1代表最差。风电机组系统中主要涉及到以下三种劣化度计算方法。
a. 越小越优型指标
如叶根弯矩、塔架载荷、机舱前后位移等,计算其劣化度公式为:
式中, 为评估参数的劣化度;x是技改或优化前后评估参数的实际值;/> 为参数运行范围上下限。
b. 中间型指标
如电机转速、桨距角、变桨速率等,计算其劣化度公式为;
式中,为评估参数的劣化度;x是技改或优化前后评估参数的实际值;/> 为参数运行范围上下限,/>为该参数最佳运行范围。
c. 越大越优型指标
如额定风速下发电功率等,计算其劣化度公式为:
式中,为评估参数的劣化度;x是技改或优化前后评估参数的实际值;/> 为参数运行范围上下限。
3、权重计算
在风电机组多目标控制综合量化评估中,会涉及到多个评估参数,在经过归一化后,能够一定程度上减小因个别参数数值较大对整体评估指标的影响,但对于最终控制目标,无法区分各参数之间的重要程度。因此,本发明采用主客观综合权重计算方法,从主、客观两方面对各参数的重要程度进行量化评估。其中对于主观权重的计算,构建了主观判断矩阵,并且综合考虑各参数相互关系;而对于客观权重计算,将技改和优化前后的数据相加,统一进行客观权重计算,从而进一步提升评估精度。
1)基于层次分析法的主观权重
层次分析法广泛应用于工业分析于决策领域,通常用于对有限方案进行多目标、多属性的决策分析,计算出各目标与属性对于整体方案的权重值。基于层次分析法的主观权重确定方法主要包含以下步骤:
a. 建立控制性能评价层次结构
层次分析法需要按照各个评估参数之间的相互关系分层次对风电机组控制性能进行分析,其一般结构如图7所示。
b. 构造主观判断矩阵
主观判断矩阵是层次分析法的基础,也是判断评估参数之间的重要度的主要参考标准。对各参数进行比较时,需要使用数值来表示其重要性,其数值定义如表1所示。
表1重要度定义表
根据表1确定的重要度对n个参数进行两两比较,得出主观判断矩阵X:
在判断矩阵中,元素表示参数/>和参数/>相对重要之比,矩阵中数值存在以下关系:
c. 计算指标重要度
对于重要度的确定,常规的专家分析法受制于评判者的经验,同一个指标在不同评判者之间差别较大,因此为了避免这一问题所带来的误差。可以基于机组控制技改目的进行一定的量化计算,来辅助评判过程。例如技改的目的是降低机组载荷,则可以通过计算技改前后载荷部件的疲劳损伤或所受的等效应力来指导不同载荷参数重要度的确定。以机组独立变桨控制技改为算例,从经济性角度出发,分别计算技改前后控制动作成本、载荷部件损伤成本及发电量变化成本作为主观判断矩阵确定的依据,其主观判断矩阵如表2所示。
表2
d. 主观权重计算
① 再得到主观判断矩阵X之后,将矩阵X按列归一化
式中,是矩阵X第i行第j列元素;/>是归一化后的元素。
②将归一化后的判断矩阵按行相加
式中,是归一化后矩阵第i行第j列的元素;/>是各/>之和。
③将得到的和向量正规化
式中,表示第i各评估参数的主观权重。
④ 计算矩阵最大特征根
e. 一致性验证
层次分析法具有主观性过强的缺点,可能会造成判断矩阵出现偏差,因此为了保证判断矩阵的合理性,需要对其进行一致性验证。通常采用和/>进行判定,其中/>按下式计算。
式中,为判断矩阵的最大特征根;n为判断矩阵的阶数。
RI与判断矩阵的阶数n有关,对于“1~9”阶判断矩阵,n与RI的关系如表3所示。
表3 RI与阶数对照表
UI和RI确定平均随机一致性指标,按下式计算。
当<0.1时,则判断矩阵满足一致性原则,否则需要重新赋值整定,本算例/>与主观权重分别如表4和图8A所示。
表4
2)基于熵值法的客观权重确定方法
熵值法是根据各参数熵的大小来确定参数权重的客观赋权法。参数的熵越小,说明该参数的异化程度越大,提供的信息量也就越多,在综合评价中的作用越大,该参数的权重也越大。基于熵值法的客观权确定方法主要包含以下几个步骤:
a. 构建具有m个采样时间,n项评估参数的评价矩阵
式中,为第j项评估参数在第/>采样时间时的实际值。
b. 标准化评价矩阵,将评价矩阵中的各元素按列标准化处理:
式中,为/>标准化后数值。
c. 求各个评估参数的熵
式中,为第j项评估参数的熵。
d. 求各评估参数的权系数
式中,为第j项评估参数的客观权重,/>为第j项评估参数的熵,得到的客观权重如图8B所示。
3)组合权重的确定
为了避免单独使用主观权重或客观权重带来的劣势,选取层次分析法和熵值法相结合的方法确定各指标的综合权重。组合权重如下式所示:
式中,为第j个评估参数的组合权重,也是最终的权重值。/>为层次分析法确定的第j个参数的主观权重,/>为熵值法确定的第j个参数的客观权重,得到的组合权重如图8C所示。
4、评估方法与量化计算
1)最小方差基准及方差设定值的建立
控制性能评估的一个核心问题就是建立性能评估基准。如果没有一个基准设定值来比较,仅根据输出数据的方差,很难真正的评估当前控制系统的运行状况和控制技改的效果。常规的最小方差(MVC)基准,是通过对评估系统施加最小方差控制,来达到系统方差的下限,一般的控制器无法达到这个基准。而且直接采用这个基准往往会造成控制系统性能的低估,造成评估的结果过于保守。因此,本发明对于控制系统现状的评估以前期数据作为基准,采用前、后期数据的对比进行评估;对于两种不同的控制策略或算法,采用技改或优化前、后数据作为评估对象,以技改前数据作为基准。
对于各评估参数方差的计算,其公式如下:
式中,为评估参数的方差,n为该评估参数采样时间总个数,/>表示技改或优化前后该评估参数在第i个采样时间下的数据值,/>为评估参数设定值。由于风电机组控制性能的评估参数在不同的工况或风速区间大都有较为明确的目标指导值(如功率、发电机转速等),因此选择各工况下的控制目标值作为设定值,而对于那些没有明确指导值的参数一般取采样数据中的均值作为设定值。/>
2)MVC评估方法的量化计算
在过程控制领域中,系统输出方差的大小往往反应了控制效果及运行状态的诸多性能,是衡量控制系统的重要指标之一。因此,观察系统关键变量方差的变化是控制性能评估中的一个重要手段,以系统关键变量的方差作为量化计算的依据,对控制系统性能进行多目标综合量化评估。控制系统综合量化评估公式如下所示:
若是对机组改造进行评估,则式中为系统第j个评估参数技改后的方差,/>为技改前系统第j个评估参数的方差;而对于机组状态评估,式中/>为机组当前状态下第j个评估参数的方差,/>为机组历史最优状态下第j个评估参数的输出方差;对于控制策略优化,/>为系统优化后第j个评估参数的方差,为系统优化前第j个评估参数的方差。/>为第j个评估参数的综合权重。为综合评估量化值;若/>的取值在0-1之间,则表示系统经过技改后控制综合性能得到改善,且/>越接近0,改善效果越好。若/>的取值大于1,这表明改进的控制策略并未达到系统的综合改善。
本发明着眼于实际需求,针对风电机组技术改造过程中缺乏对控制改造效果量化评价方法,提出了基于MVC的多目标控制性能评估方法,可为风电机组控制改造与控制策略优化提供指导,具有很强的实用与参考价值;从风电机组的实际运行数据出发,可以根据评估参数的经济性能、实际应用侧重点、数据自身变化特征等因素确定主、客观权重评估标准,使获得的主客观权重具有更强的合理性与针对性,避免了常规专家分析法的缺点。在确定最小方差基准设定值时,根据风电机组在不同工况下评估参数控制目标的不同,分类别确定各工况参数的设定值,不仅解决了技改前后和不同工况下控制评估设定值不一致的问题,而且不会明显影响评估精度。
在本发明一具体实施例中,如图5所示的流程具体说明如下:
步骤1:参数选取
1)对于不同控制策略,通过分析其控制目标来确定控制系统关键变量,建立控制策略评价模型并确定评估参数;
步骤2:数据预处理
1)针对控制状态判定或技改效果评估等应用对象,分别进行前、后期的数据采集,剔除采样数据中的异常值及无效值。
2)为解决评估参数量纲不一致问题,根据参数自身特性确定不同评估参数所属的劣化度指标类型;
3)根据评估参数劣化度指标类型设定最大、最小值与最佳运行范围,通过式(1)、(2)、(3)进行数据劣化度归一化。
步骤3:权重计算
1)基于各个评估参数之间的相互关系建立层次分析法评判模型;
2)根据实际评估的目标确定各评估参数之间重要度;
3)通过式(4)、表1及评估参数之间的重要度,建立主观判断矩阵;
4)将得到的判断矩阵根据式(5)按列进行归一化,再对归一化的判断矩阵按照式(6)按行相加,将得到的和根据式(7)进行向量正规化,得出主观权重;
5)根据式(8)计算判断矩阵最大特征根;
6)为保证求得主观权重的合理性,根据式(9)、式(10)及表3进行一致性验证,若求得一致性指标则判断矩阵满足一致性原则,否则需要重新赋值整定,再次计算主观权重;
7)根据采样时间及评估参数个数,按照式(11)建立评价矩阵,然后根据式(12)来标准化评价矩阵,再通过式(13)计算出各指标熵,最后利用式(14)计算各指标的客观权重;
8)将主客观权重通过式(15)进行组合得到最终的综合权重。
步骤4:基准的建立及方差计算
1)根据控制评估的应用场景,建立控制系统最小方差基准;
2)确定评估参数的设定值,再通过式(16)计算各评估参数方差。
步骤5:量化评估
1)将得到的方差与权重根据式(17)进行组合,计算出综合评估量化值;
2)根据得到的评估值,对控制性能进行评估,确定系统改善特性。
本发明通过采用基于最小方差基准的性能评估方法,应用技改前后机组运行数据,结合主客观权重的校正,使获得的主客观权重具有更强的合理性与针对性,避免了常规专家分析法的缺点,在确定最小方差基准设定值时,根据风电机组在不同工况下评估参数控制目标的不同,分类别确定各工况参数的设定值,不仅解决了技改前后和不同工况下控制评估设定值不一致的问题,而且不会影响评估精度,实现对风电机组控制改造与优化效果的综合量化评估,可为风电机组控制改造与控制策略优化提供指导,具有很强的实用与参考价值。
如图9所示为本发明实施例一种基于运行数据的风电机组多目标控制性能评估装置的结构示意图,图中所示装置包括:
评估参数模块10,用于根据预设的控制性能评估模型,获取机组运行数据,并利用机组运行数据,选择评估参数;
主观权重模块20,用于根据预设的评估参数相互关系,确定评估参数的主观判断矩阵,并根据主观判断矩阵,得到各评估参数对应的主观权重;
客观权重模块30,用于利用评估参数对应的参数数量及采样时间,构建评估参数对应的评价矩阵,并根据评价矩阵,得到各评估参数对应的客观权重;
组合权重模块40,用于根据各评估参数对应的主观权重及客观权重,确定各评估参数对应的组合权重;
评估量化值模块50,用于根据预设的评估参数设定值,确定各评估参数对应的方差,并根据各评估参数对应的方差及组合权重,得到评估量化值。
作为本发明的一个实施例,如图10所示,评估参数模块10包括:
数据剔除单元11,用于对机组运行数据进行异常数据剔除处理;
劣化度单元12,用于根据预设的参数运行区间,对异常数据剔除处理后的机组运行数据进行劣化度归一化处理,得到异常数据剔除处理后的机组运行数据对应的劣化度,并将劣化度作为评估参数。
作为本发明的一个实施例,如图11所示,主观权重模块20包括:
归一化单元21,用于对主观判断矩阵进行归一化处理,并对归一化处理后的主观判断矩阵进行按行相加处理;
特征根单元22,用于利用按行相加处理后的主观判断矩阵,得到待验证主观权重,并根据待验证主观权重,确定主观判断矩阵对应的最大特征根;
一致性指标单元23,用于根据主观判断矩阵对应的阶数及最大特征根,确定主观判断矩阵对应的一致性指标;
主观权重单元24,用于若一致性指标小于预设阈值,则将待验证主观权重作为评估参数的主观权重;若一致性指标不小于预设阈值,则更新主观判断矩阵,直至主观判断矩阵对应的一致性指标小于预设阈值。
作为本发明的一个实施例,如图12所示,客观权重模块30包括:
熵计算单元31,用于对评价矩阵进行标准化处理,并根据标准化处理后的评价矩阵及采样时间,确定各评估参数对应的熵;
客观权重单元32,用于根据各评估参数对应的熵,得到各评估参数对应的客观权重。
基于与上述一种基于运行数据的风电机组多目标控制性能评估方法相同的申请构思,本发明还提供了上述一种基于运行数据的风电机组多目标控制性能评估装置。由于该一种基于运行数据的风电机组多目标控制性能评估装置解决问题的原理与一种基于运行数据的风电机组多目标控制性能评估方法相似,因此该一种基于运行数据的风电机组多目标控制性能评估装置的实施可以参见一种基于运行数据的风电机组多目标控制性能评估方法的实施,重复之处不再赘述。
本发明通过采用基于最小方差基准的性能评估方法,应用技改前后机组运行数据,结合主客观权重的校正,使获得的主客观权重具有更强的合理性与针对性,避免了常规专家分析法的缺点,在确定最小方差基准设定值时,根据风电机组在不同工况下评估参数控制目标的不同,分类别确定各工况参数的设定值,不仅解决了技改前后和不同工况下控制评估设定值不一致的问题,而且不会影响评估精度,实现对风电机组控制改造与优化效果进行量化评估,可为风电机组控制改造与控制策略优化提供指导,具有很强的实用与参考价值。
本发明还提供一种电子设备,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,处理器执行所述程序时实现上述方法。
本发明还提供一种计算机程序产品,包括计算机程序/指令,计算机程序/指令被处理器执行时实现上述方法的步骤。
本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有由计算机执行上述方法的计算机程序。
如图13所示,该电子设备600还可以包括:通信模块110、输入单元120、音频处理器130、显示器160、电源170。值得注意的是,电子设备600也并不是必须要包括图13中所示的所有部件;此外,电子设备600还可以包括图13中没有示出的部件,可以参考现有技术。
如图13所示,中央处理器100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中,存储器140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序,以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142,该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143,该数据存储部143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132,以经由扬声器131提供音频输出,并接收来自麦克风132的音频输入,从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器130还耦合到中央处理器100,从而使得可以通过麦克风132能够在本机上录音,且使得可以通过扬声器131来播放本机上存储的声音。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于运行数据的风电机组多目标控制性能评估方法,其特征在于,所述方法包括:
根据预设的控制性能评估模型,获取机组运行数据,并利用所述机组运行数据,选择评估参数;
根据预设的评估参数相互关系,利用层次分析法确定所述评估参数的主观判断矩阵,并根据所述主观判断矩阵,得到各评估参数对应的主观权重;
利用所述评估参数对应的参数数量及采样时间,构建所述评估参数对应的评价矩阵,并根据所述评价矩阵,得到各评估参数对应的客观权重;
根据各评估参数对应的主观权重及客观权重,确定各评估参数对应的组合权重;
根据预设的评估参数设定值,确定各评估参数对应的方差,并根据各评估参数对应的方差及组合权重,利用如下公式得到评估量化值:
;
其中,为第j个评估参数的综合权重;若是对机组改造进行评估,则式中/>为系统第j个评估参数技改后的方差,/>为技改前系统第j个评估参数的方差;若是对于机组状态评估,则式中/>为机组当前状态下第j个评估参数的方差,/>为机组历史最优状态下第j个评估参数的输出方差;若是对控制策略优化,则式中为系统优化后第j个评估参数的方差,/>为系统优化前第j个评估参数的方差;
其中,利用所述机组运行数据,选择评估参数包括:
利用预设需求,对所述机组运行数据进行筛选,并对筛选后的机组运行数据进行异常数据剔除处理;
根据预设的参数运行区间,对异常数据剔除处理后的机组运行数据进行劣化度归一化处理,得到异常数据剔除处理后的机组运行数据对应的劣化度,并将所述劣化度作为评估参数;
其中,根据所述主观判断矩阵,得到所述评估参数的主观权重包括:
对所述主观判断矩阵进行归一化处理,并对归一化处理后的主观判断矩阵进行按行相加处理;
利用按行相加处理后的主观判断矩阵,得到待验证主观权重,并根据所述待验证主观权重,确定所述主观判断矩阵对应的最大特征根;
根据所述主观判断矩阵对应的阶数及最大特征根,确定所述主观判断矩阵对应的一致性指标;
若所述一致性指标小于预设阈值,则将所述待验证主观权重作为所述评估参数的主观权重;若所述一致性指标不小于预设阈值,则更新所述主观判断矩阵,直至所述主观判断矩阵对应的一致性指标小于预设阈值。
2.根据权利要求1所述的方法,其特征在于,根据所述评价矩阵,得到各评估参数对应的客观权重包括:
对所述评价矩阵进行标准化处理,并根据标准化处理后的评价矩阵及所述采样时间,确定各评估参数对应的熵;
根据各评估参数对应的熵,得到各评估参数对应的客观权重。
3.一种基于运行数据的风电机组多目标控制性能评估装置,其特征在于,所述装置包括:
评估参数模块,用于根据预设的控制性能评估模型,获取机组运行数据,并利用所述机组运行数据,选择评估参数;
主观权重模块,用于根据预设的评估参数相互关系,利用层次分析法确定所述评估参数的主观判断矩阵,并根据所述主观判断矩阵,得到各评估参数对应的主观权重;
客观权重模块,用于利用所述评估参数对应的参数数量及采样时间,构建所述评估参数对应的评价矩阵,并根据所述评价矩阵,得到各评估参数对应的客观权重;
组合权重模块,用于根据各评估参数对应的主观权重及客观权重,确定各评估参数对应的组合权重;
评估量化值模块,用于根据预设的评估参数设定值,确定各评估参数对应的方差,并根据各评估参数对应的方差及组合权重,利用如下公式得到评估量化值:
;
其中,为第j个评估参数的综合权重;若是对机组改造进行评估,则式中/>为系统第j个评估参数技改后的方差,/>为技改前系统第j个评估参数的方差;若是对于机组状态评估,则式中/>为机组当前状态下第j个评估参数的方差,/>为机组历史最优状态下第j个评估参数的输出方差;若是对控制策略优化,则式中/>为系统优化后第j个评估参数的方差,/>为系统优化前第j个评估参数的方差;
其中,所述评估参数模块包括:
数据剔除单元,用于利用预设需求,对所述机组运行数据进行筛选,并对筛选后的机组运行数据进行异常数据剔除处理;
劣化度单元,用于根据预设的参数运行区间,对异常数据剔除处理后的机组运行数据进行劣化度归一化处理,得到异常数据剔除处理后的机组运行数据对应的劣化度,并将所述劣化度作为评估参数;
其中,所述主观权重模块包括:
归一化单元,用于对所述主观判断矩阵进行归一化处理,并对归一化处理后的主观判断矩阵进行按行相加处理;
特征根单元,用于利用按行相加处理后的主观判断矩阵,得到待验证主观权重,并根据所述待验证主观权重,确定所述主观判断矩阵对应的最大特征根;
一致性指标单元,用于根据所述主观判断矩阵对应的阶数及最大特征根,确定所述主观判断矩阵对应的一致性指标;
主观权重单元,用于若所述一致性指标小于预设阈值,则将所述待验证主观权重作为所述评估参数的主观权重;若所述一致性指标不小于预设阈值,则更新所述主观判断矩阵,直至所述主观判断矩阵对应的一致性指标小于预设阈值。
4.根据权利要求3所述的装置,其特征在于,所述客观权重模块包括:
熵计算单元,用于对所述评价矩阵进行标准化处理,并根据标准化处理后的评价矩阵及所述采样时间,确定各评估参数对应的熵;
客观权重单元,用于根据各评估参数对应的熵,得到各评估参数对应的客观权重。
5.一种电子设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至2任一项所述方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有由计算机执行权利要求1至2任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310514188.0A CN116227245B (zh) | 2023-05-09 | 2023-05-09 | 基于运行数据的风电机组多目标控制性能评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310514188.0A CN116227245B (zh) | 2023-05-09 | 2023-05-09 | 基于运行数据的风电机组多目标控制性能评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227245A CN116227245A (zh) | 2023-06-06 |
CN116227245B true CN116227245B (zh) | 2023-08-04 |
Family
ID=86587720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310514188.0A Active CN116227245B (zh) | 2023-05-09 | 2023-05-09 | 基于运行数据的风电机组多目标控制性能评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227245B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160011776A (ko) * | 2014-07-22 | 2016-02-02 | 성균관대학교산학협력단 | 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법 |
CN109740953A (zh) * | 2019-01-09 | 2019-05-10 | 华北电力大学(保定) | 一种风电机组的实时状态评估方法 |
CN109872061A (zh) * | 2019-01-30 | 2019-06-11 | 深圳供电局有限公司 | 一种电网基建改进、提升决策方法 |
CN111461564A (zh) * | 2020-04-08 | 2020-07-28 | 湖南大学 | 基于云模型和最优组合赋权的风电机组功率特性评估方法 |
CN114462845A (zh) * | 2022-01-27 | 2022-05-10 | 国网安徽省电力有限公司电力科学研究院 | 一种基于组合权重理论的配电电缆状态评价方法 |
-
2023
- 2023-05-09 CN CN202310514188.0A patent/CN116227245B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160011776A (ko) * | 2014-07-22 | 2016-02-02 | 성균관대학교산학협력단 | 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법 |
CN109740953A (zh) * | 2019-01-09 | 2019-05-10 | 华北电力大学(保定) | 一种风电机组的实时状态评估方法 |
CN109872061A (zh) * | 2019-01-30 | 2019-06-11 | 深圳供电局有限公司 | 一种电网基建改进、提升决策方法 |
CN111461564A (zh) * | 2020-04-08 | 2020-07-28 | 湖南大学 | 基于云模型和最优组合赋权的风电机组功率特性评估方法 |
CN114462845A (zh) * | 2022-01-27 | 2022-05-10 | 国网安徽省电力有限公司电力科学研究院 | 一种基于组合权重理论的配电电缆状态评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116227245A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816221B (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN111476422A (zh) | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 | |
CN116213962B (zh) | 一种基于状态预测的金属板材切割控制方法及系统 | |
CN116227745B (zh) | 一种基于大数据的涉渔船舶调查分析方法及系统 | |
CN116994416B (zh) | 基于人工智能的风机运行故障预警方法及系统 | |
CN113191564A (zh) | 一种光伏功率预测方法、装置及服务器 | |
CN108256693B (zh) | 一种光伏发电功率预测方法、装置及系统 | |
CN110991495A (zh) | 生产制造过程中产品质量预测方法、系统、介质及设备 | |
CN113868953A (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN117078105A (zh) | 基于人工智能的生产质量监控方法及系统 | |
CN116227245B (zh) | 基于运行数据的风电机组多目标控制性能评估方法及装置 | |
CN117711295A (zh) | 基于人工智能的显示模组控制方法、装置、芯片及介质 | |
CN117742816A (zh) | 基板管理控制器的运行控制方法及装置 | |
CN117445755A (zh) | 基于云计算的电动汽车电池远程监控系统 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN116070734A (zh) | 一种变压器故障预测方法、装置、设备及存储介质 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN117909691B (zh) | 一种海洋工程设计数据的获取系统及方法 | |
CN117852928B (zh) | 一种近零能耗建筑负荷预测方法、装置、设备及介质 | |
CN112836374B (zh) | 一种可靠性指标增量确定方法和系统 | |
CN114663219B (zh) | 一种基于能源互联电力市场的主体征信评估方法及系统 | |
CN118300128A (zh) | 用于电网机组的调频控制策略优化方法及系统 | |
CN115660280A (zh) | 一种基于乡村电气化多元场景的能效评估方法及装置 |
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 |