CN116384569A - 一种应用于功率波动率控制的风况预测方法及系统 - Google Patents
一种应用于功率波动率控制的风况预测方法及系统 Download PDFInfo
- Publication number
- CN116384569A CN116384569A CN202310306383.4A CN202310306383A CN116384569A CN 116384569 A CN116384569 A CN 116384569A CN 202310306383 A CN202310306383 A CN 202310306383A CN 116384569 A CN116384569 A CN 116384569A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- speed data
- fan
- fluctuation rate
- 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 44
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种应用于功率波动率控制的风况预测方法及系统，所述的方法包括以下步骤：1)采集风场各台风机运行风速数据并将风速数据按时间对齐；2)根据风机运行状态清洗异常风速数据并将风速数据标准化；3)针对各台风机，根据风向划分扇区，确定各台风机在不同风向下的感知机位，建立风况模型；4)按照时间先后将标准化的风速数据划分成训练集和测试集进行训练和验证，输出各台风机的预测风速值，计算预测风速值的平均绝对误差指标并画出时序；5)根据时序在风场站端部署风况模型，利用虚拟激光雷达方法进行风机的功率波动率控制。与现有技术相比，本发明具有有效对功率波动率进行控制、预测精度更高等优点。
Description
技术领域
本发明涉及风力发电领域，尤其是涉及一种应用于功率波动率控制的风况预测方法及系统。
背景技术
风力发电在电力的供应中占据越来越重要的地位，为了确保风力发电和供电的稳定性，需要对风功率进行预测，以达到稳定的电力供应目的。
中国专利公开号CN113937763A提供了一种风电功率预测方法，其通过基于不同数值天气预报系统针对目标风电场的气象预测数据，以及风机数据、历史风电功率数据和风况数据，对目标风电场进行风电功率预测，而不依赖于单一的数值天气预报系统，从而提高风电功率的预测准确性。
但是，该方法主要集中在风功率预测部分，根据风功率预测来进行发电量输出控制，并没有根据风况预测来做功率及功率变化率的控制。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种应用于功率波动率控制的风况预测方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种应用于功率波动率控制的风况预测方法，所述的方法包括以下步骤：
1)采集风场各台风机运行风速数据，并将风速数据按时间对齐；
2)根据风机运行状态清洗异常风速数据，并将风速数据标准化；
3)针对各台风机，根据风向划分扇区，确定各台风机在不同风向下的感知机位，建立风况模型；
4)按照时间先后将标准化的风速数据划分成训练集和测试集，训练集对风况模型进行训练，测试集对风况模型进行验证，输出各台风机的预测风速值，计算预测风速值的平均绝对误差指标并画出时序；
5)根据时序在风场站端部署风况模型，利用虚拟激光雷达方法进行风机的功率波动率控制。
进一步地，所述的风速数据包括风速、湍流、剪切角、风向和入流角。
进一步地，所述的风速数据标准化公式如下：
其中，x为风速数据，xmean为风速数据均值，xstd为风速数据标准差；所述的风速数据标准化后均值为0，方差为1。
进一步地，所述的训练集占标准化后的风速数据的80％，测试集占标准化后的风速数据的20％。
进一步地，所述的4)具体为：训练神经网络，输入标准化后的各台风机历史1小时的风速数据，根据风向筛选各台风机对应风向扇区内的风况模型样本，输入循环神经网络模型以提取时间特征矩阵，并输出各台风机未来时刻的风速值；训练集收敛后，在测试集进行验证，计算平均绝对误差指标并画出时序。
进一步地，所述的循环神经网络模型的优化器为Adam，损失函数为均方根平均误差。
进一步地，所述的各台风机每一台均设有多个感知机位，用于防止某些感知机位出现故障或停机而无法预测。
一种实现所述的应用于功率波动率控制的风况预测方法的系统，所述的系统包括：
数据采集与处理模块，用于采集风场各台风机运行风速数据并将风速数据按时间对齐；
数据清洗及前处理模块，与数据采集与处理模块连接，用于根据风机运行状态清洗异常风速数据并将风速数据标准化；
风况建模模块，与数据清洗及前处理模块连接，用于建立风况模型；
风况预测模块，与风况建模模块连接，用于对风况模型进行训练和验证，输出各台风机的预测风速值，计算预测风速值的平均绝对误差指标并画出时序；
功率波动率控制终端，与风况预测模块连接，用于利用虚拟激光雷达方法进行风机的功率波动率控制。
进一步地，所述的数据采集与处理模块包括数据采集模块和数据处理模块。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。
与现有技术相比，本发明具有以下有益效果：
一、本发明将风况预测应用到功率波动率的控制场景，有效的通过功率波动率的控制来进行发电量输出的控制，相较于传统风功率预测，预测精度更高。
二、本发明不仅扩展了考量因素，包括温度、湿度、气压、空气密度，还扩展了预测范围：不仅仅包含风速风向，还增加了湍流、剪切、入流角等维度。
三、本发明着重利用全风场机位及周围感知机位秒级时序，针对风场内各机位分组建立模型，即每一台机位有多个感知机位，可以应对某些感知机位因故障或停机造成的观测缺失而无法预测的情况。
四、本发明聚焦的预测时间尺度为1min-15min，在测风塔树立阶段亦有考量，且运行效率支持逐秒滚动预报1min-15min，相比一致性方法在15min内预测风速均方误差降低约30％。
五、本发明预测的风速不是常规机械测风仪所测风速，而是根据风机运行状态，反算出的估计风速，相比测风仪所测风速更加精准，更能反应当时风轮面能量状态，故而对功率波动率控制效果更好。
附图说明
图1为本发明的方法流程示意图；
图2为本发明的系统结构示意图；
图3为本发明的感知机位示意图；
图4为本发明的门回归单元GRU示意图。
图中标号所示为：
10、数据采集与处理模块，20、数据清洗及前处理模块，30、风况建模模块，40、风况预测模块，50、功率波动率控制终端，101、数据采集模块，102、数据处理模块。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，一种应用于功率波动率控制的风况预测方法，其特征在于，所述的方法包括以下步骤：
1)采集风场各台风机运行风速数据，包括风速、湍流、剪切角、风向和入流角，并将风速数据按时间对齐。
2)根据风机运行状态清洗异常风速数据，并将风速数据标准化。
由于现有风速预测模型经过训练后往往接近一致性方法或是中值回归方法的结果，对于风速的快速上升和快速下降往往无法预测，而这种情况往往是实际生产中更在意的。究其原因，则是模型在面对大量平稳数据的时候，如以MAE(平均绝对值误差)或MSE(均方误差)为损失函数，易落入一致性方法或中值回归方法结果中。对此，本发明在数据预处理方面，针对观测区间内风速均小于风机切入风速的样本进行剔除，对预测区间内风速无波动的数据进行剔除，以指导模型给出上升或下降的判断，而不是给出“中庸”的平稳预测。
所述的风速数据标准化公式如下：
其中，x为风速数据，xmean为风速数据均值，zstd为风速数据标准差；所述的风速数据标准化后均值为0，方差为1。
3)针对各台风机，根据风向划分扇区，确定各台风机在不同风向下的感知机位，建立风况模型，所述的各台风机每一台均设有多个感知机位，用于防止某些感知机位出现故障或停机而无法预测。
4)按照时间先后将标准化的风速数据划分成训练集和测试集，其中，训练集占标准化后的风速数据的80％，测试集占标准化后的风速数据的20％，训练集对风况模型进行训练，测试集对风况模型进行验证，输出各台风机的预测风速值，计算预测风速值的平均绝对误差指标并画出时序；本发明聚焦的预测时间尺度为1min-15min，在感知机位树立阶段亦有考量，且运行效率支持逐秒滚动预报1min-15min。
所述的4)具体为：训练神经网络，输入标准化后的各台风机历史1小时的风速数据，根据风向筛选各台风机对应风向扇区内的风况模型样本，输入循环神经网络模型以提取时间特征矩阵，并输出各台风机未来时刻的风速值；训练集收敛后，在测试集进行验证，计算平均绝对误差指标并画出时序。所述的循环神经网络模型的优化器为Adam，损失函数为均方根平均误差。
5)根据时序在风场站端部署风况模型，利用虚拟激光雷达方法进行风机的功率波动率控制。
如图2所示，一种实现所述的应用于功率波动率控制的风况预测方法的系统，所述的系统包括：
数据采集与处理模块10，用于采集风场各台风机运行风速数据并将风速数据按时间对齐；所述的数据采集与处理模块10包括数据采集模块101和数据处理模块102；
数据清洗及前处理模块20，与数据采集与处理模块10连接，用于根据风机运行状态清洗异常风速数据并将风速数据标准化；
风况建模模块30，与数据清洗及前处理模块20连接，用于建立风况模型；
风况预测模块40，与风况建模模块30连接，用于对风况模型进行训练和验证，输出各台风机的预测风速值，计算预测风速值的平均绝对误差指标并画出时序；
功率波动率控制终端50，与风况预测模块40连接，用于利用虚拟激光雷达方法进行风机的功率波动率控制。
物理上，风是有传递性的，风场部署时会在主风向上有前后关系地间隔排布，如果前排风机遇到了阵风(gust)，后排风机过一段时间也会遇到一个阵风，基于这个物理原理以及对风场运行数据的观察，我们认为风机间的风速是相关的且有一定滞后的，并且可以用神经网络来捕获这种关系。
数据上，每个风场都有海量的秒级风速数据，不同机位的风速数据并不是孤立互不相关的，在这些海量数据中，其相互关系已经描述了整个风电场的流场信息。因此结合风电场的各台风机的机位排布数据，可以利用时间序列深度学习算法对这些风速数据进行训练，从而建立特定风场的流场模型，并基于流场模型实时预测每台风机在未来几十秒至15分钟的超短期风速趋势信息。
实际应用中，需要在风场距离10km左右位置，主风向上树立若干感知机位，用于感知未来风场风速。对每台风机，建立对应的感知机位，根据风场的实际排布，对风向按每45°或90°划分扇区，每个扇区对应的感知机位不同，如图3所示，感知机位WTG1为主风向上感知机位，在风向为0°下为感知机位WTG2，在90°下为感知机位WTG3，270°下为感知机位WTG4。
对于每台风机，模型的输入为感知机位历史1小时风速，分钟级或秒级，模型的输出为风机未来15分钟每1分钟内的平均风速。
在具体的技术领域，在传统时序预测问题上，常常使用自身的历史数据进行学习以寻找出规律，即利用循环神经网络捕捉时间序列前后的关系。循环神经网络中常用的一种结构，门回归单元GRU(Gated Recurrent Unit)的示意图如图4所示，具体表达式如下：
zt＝σ(Wzxt+Uzht-1)
rt＝σ(Wtxt+Utht-1)
其中，zt是更新门，表示上一个时刻信息是否需要更新，xt表示当前时刻的输入，Wz表示更新门中xt的变换矩阵，ht-1表示上一个时刻的输出，Uz表示更新门中ht-1的变换矩阵，σ表示sigmoid函数；rt是重置门，表示上一个时刻的信息是否需要重置，Wt表示重置门中xt的变换矩阵,Ut表示重置门中ht-1的变换矩阵；h～ t表示新记忆单元，W表示新记忆单元中Xt的变换矩阵，⊙表示点乘，U表示新记忆单元中rt和ht-1的变换矩阵；ht是输出，GRU的隐层，接收ht-1,h～ t。通过GRU的训练可以捕捉时间序列上的前后关系，通过自身历史数据预测未来数据。
通过本发明的方法及系统，可以有效预测风场内各风机未来一段时间的风速。原理上，来风向上最前排风机主要依靠感知机位及自身历史数据进行预测，后排风机除了感知机位及自身历史规律外，还可以依靠前排风机提供的信息进行预测，精度更高，尤其是所有风机都正常运行的时候，以有效代替激光雷达。
本发明提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上所述的方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种应用于功率波动率控制的风况预测方法，其特征在于，所述的方法包括以下步骤：
1)采集风场各台风机运行风速数据，并将风速数据按时间对齐；
2)根据风机运行状态清洗异常风速数据，并将风速数据标准化；
3)针对各台风机，根据风向划分扇区，确定各台风机在不同风向下的感知机位，建立风况模型；
4)按照时间先后将标准化的风速数据划分成训练集和测试集，训练集对风况模型进行训练，测试集对风况模型进行验证，输出各台风机的预测风速值，计算预测风速值的平均绝对误差指标并画出时序；
5)根据时序在风场站端部署风况模型，利用虚拟激光雷达方法进行风机的功率波动率控制。
2.根据权利要求1所述的一种应用于功率波动率控制的风况预测方法，其特征在于，所述的风速数据包括风速、湍流、剪切角、风向和入流角。
3.根据权利要求1所述的一种应用于功率波动率控制的风况预测方法，其特征在于，所述的风速数据标准化公式如下：
其中，x为风速数据，xmean为风速数据均值，xstd为风速数据标准差；所述的风速数据标准化后均值为0，方差为1。
4.根据权利要求1所述的一种应用于功率波动率控制的风况预测方法，其特征在于，所述的训练集占标准化后的风速数据的80％，测试集占标准化后的风速数据的20％。
5.根据权利要求4所述的一种应用于功率波动率控制的风况预测方法，其特征在于，所述的4)具体为：训练神经网络，输入标准化后的各台风机历史1小时的风速数据，根据风向筛选各台风机对应风向扇区内的风况模型样本，输入循环神经网络模型以提取时间特征矩阵，并输出各台风机未来时刻的风速值；训练集收敛后，在测试集进行验证，计算平均绝对误差指标并画出时序。
6.根据权利要求5所述的一种应用于功率波动率控制的风况预测方法，其特征在于，所述的循环神经网络模型的优化器为Adam，损失函数为均方根平均误差。
7.根据权利要求6所述的一种应用于功率波动率控制的风况预测方法，其特征在于，所述的各台风机每一台均设有多个感知机位，用于防止某些感知机位出现故障或停机而无法预测。
8.一种实现权利要求7所述的应用于功率波动率控制的风况预测方法的系统，其特征在于，所述的系统包括：
数据采集与处理模块(10)，用于采集风场各台风机运行风速数据并将风速数据按时间对齐；
数据清洗及前处理模块(20)，与数据采集与处理模块(10)连接，用于根据风机运行状态清洗异常风速数据并将风速数据标准化；
风况建模模块(30)，与数据清洗及前处理模块(20)连接，用于建立风况模型；
风况预测模块(40)，与风况建模模块(30)连接，用于对风况模型进行训练和验证，输出各台风机的预测风速值，计算预测风速值的平均绝对误差指标并画出时序；
功率波动率控制终端(50)，与风况预测模块(40)连接，用于利用虚拟激光雷达方法进行风机的功率波动率控制。
9.根据权利要求8所述的系统，其特征在于，所述的数据采集与处理模块(10)包括数据采集模块(101)和数据处理模块(102)。
10.一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，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310306383.4A CN116384569A (zh) | 2023-03-27 | 2023-03-27 | 一种应用于功率波动率控制的风况预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310306383.4A CN116384569A (zh) | 2023-03-27 | 2023-03-27 | 一种应用于功率波动率控制的风况预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116384569A true CN116384569A (zh) | 2023-07-04 |
Family
ID=86960862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310306383.4A Pending CN116384569A (zh) | 2023-03-27 | 2023-03-27 | 一种应用于功率波动率控制的风况预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384569A (zh) |
-
2023
- 2023-03-27 CN CN202310306383.4A patent/CN116384569A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022100021A1 (zh) | 基于风机相互预警的虚拟激光雷达系统及方法 | |
| Li et al. | A novel wind speed-sensing methodology for wind turbines based on digital twin technology | |
| US11644009B2 (en) | Method and apparatus for detecting yaw-to-wind abnormality, and device and storage medium thereof | |
| Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
| KR20110116378A (ko) | 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 | |
| CN106875037A (zh) | 风力预测方法及装置 | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| EP4038462A1 (en) | System and method for fusing multiple analytics of a wind turbine for improved efficiency | |
| CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
| CN111091236A (zh) | 一种按桨距角分类的多分类深度学习短期风功率预测方法 | |
| Yang et al. | Fault early warning of wind turbine gearbox based on multi‐input support vector regression and improved ant lion optimization | |
| CN115314235A (zh) | 用于风力涡轮控制系统中的网络攻击检测的系统和方法 | |
| CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
| CN116707331A (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
| Jing et al. | Adjustable piecewise regression strategy based wind turbine power forecasting for probabilistic condition monitoring | |
| Abbaskhah et al. | Optimization of horizontal axis wind turbine performance with the dimpled blades by using CNN and MLP models | |
| CN113449847B (zh) | 考虑秒级时间序列风速变化的海上风电功率滚动预测方法 | |
| CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
| Yuan et al. | A PSO‐LSTM Model of Offshore Wind Power Forecast considering the Variation of Wind Speed in Second‐Level Time Scale | |
| CN115977874B (zh) | 基于激光测风雷达的风电机组偏航自适应校准方法及系统 | |
| CN116384569A (zh) | 一种应用于功率波动率控制的风况预测方法及系统 | |
| CN116663727A (zh) | 一种光伏功率预测方法及系统 | |
| CN114049014A (zh) | 海上风电机组运行状态评估方法、装置及系统 | |
| CN113048012A (zh) | 基于混合高斯模型的风电机组偏航角度识别方法和装置 | |
| Liu et al. | A Bayesian Deep Learning-Based Probabilistic Risk Assessment and Early-Warning Model for Power Systems Considering Meteorological Conditions |
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 |