CN116662772A - 风况数据的空间软测量方法、装置、设备及存储介质 - Google Patents
风况数据的空间软测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116662772A CN116662772A CN202310484997.1A CN202310484997A CN116662772A CN 116662772 A CN116662772 A CN 116662772A CN 202310484997 A CN202310484997 A CN 202310484997A CN 116662772 A CN116662772 A CN 116662772A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind condition
- hub
- condition
- historical
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000000691 measurement method Methods 0.000 title description 12
- 238000005259 measurement Methods 0.000 claims abstract description 252
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000013508 migration Methods 0.000 claims description 38
- 230000005012 migration Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 13
- 238000010248 power generation Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Wind Motors (AREA)
Abstract
本公开涉及一种风况数据的空间软测量方法、装置、设备及存储介质。该方法包括:获取目标机组对应的当前轮毂后实测风况;利用预先训练的风况空间软测量模型,对当前轮毂后实测风况进行风况空间软测量处理,得到目标机组对应的当前轮毂前实测风况,并将当前轮毂前实测风况作为空间软测量结果。由此,对于未安装机舱式激光测风雷达的机组,不直接利用该机组采集的目标域的非真实来流风况进行尾流控制以及效能评估,而是将非真实来流风况处理成源域的真实来流风况之后,再进行尾流控制以及效能评估,提高了尾流控制的精度并优化了效能评估的效果,最终保证了风电场的发电能力。
Description
技术领域
本公开涉及新能源发电技术领域,尤其涉及一种风况数据的空间软测量方法、装置、设备及存储介质。
背景技术
随着新能源发电技术的发展,越来越多的区域使用风电机组进行风力发电。在风力发电过程中,往往需要对风电场进行尾流控制以及效能评估,以尽可能的保证风电场的发电能力。
相关技术中,考虑到风电场的造价成本,一般利用风速计或者风向仪获取采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)数据,即采集机舱SCADA数据,并将机舱SCADA数据作为尾流控制以及效能评估的输入数据。然而,机舱SCADA数据是受到风电机组的风轮影响的轮毂后风况数据(即非真实来流风况数据),该数据与未受到风电机组的风轮影响的轮毂后风况数据(即真实来流风况数据)存在一定的偏差,导致基于机舱SCADA数据进行尾流控制以及效能评估时,影响尾流控制以及效能评估的精度和效果,最终无法保证风电场的发电能力。
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况数据的空间软测量方法、装置、设备及存储介质。
第一方面,本公开提供了一种风况数据的空间软测量方法,该方法包括:
获取目标机组对应的当前轮毂后实测风况,其中,所述目标机组未安装机舱式激光测风雷达,所述当前轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风况,所述当前轮毂后实测风况对应的空间域为目标域;
利用预先训练的风况空间软测量模型,对所述当前轮毂后实测风况进行风况空间软测量处理,得到所述目标机组对应的当前轮毂前实测风况,并将所述当前轮毂前实测风况作为空间软测量结果,其中,所述当前轮毂前实测风况是未受到所述目标机组的风轮影响的真实来流风况,所述当前轮毂前实测风况对应的空间域为源域,并且,所述当前轮毂前实测风况用于对所述目标机组所在的风电场进行尾流控制以及效能评估。
第二方面,本公开提供了一种风况数据的空间软测量装置,该装置包括:
当前轮毂后实测风况获取模块,用于获取目标机组对应的当前轮毂后实测风况,其中,所述目标机组未安装机舱式激光测风雷达,所述当前轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风况;
风况空间软测量处理模块,用于利用预先训练的风况空间软测量模型,对所述当前轮毂后实测风况进行风况空间软测量处理,得到所述目标机组对应的当前轮毂前实测风况,并将所述当前轮毂前实测风况作为空间软测量结果,其中,所述当前轮毂前实测风况是未受到所述目标机组的风轮影响的真实来流风况,所述当前轮毂前实测风况对应的空间域为源域,并且,所述当前轮毂前实测风况用于对所述目标机组所在的风电场进行尾流控制以及效能评估。
第三方面,本公开实施例还提供了一种设备,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况数据的空间软测量方法、装置、设备及存储介质,获取目标机组对应的当前轮毂后实测风况,其中,目标机组未安装机舱式激光测风雷达,当前轮毂后实测风况是受到目标机组的风轮影响的非真实来流风况,当前轮毂后实测风况对应的空间域为目标域;利用预先训练的风况空间软测量模型,对当前轮毂后实测风况进行风况空间软测量处理,得到目标机组对应的当前轮毂前实测风况,并将当前轮毂前实测风况作为空间软测量结果,其中,当前轮毂前实测风况是未受到目标机组的风轮影响的真实来流风况,当前轮毂前实测风况对应的空间域为源域,并且,当前轮毂前实测风况用于对目标机组所在的风电场进行尾流控制以及效能评估。通过上述方式,对于未安装机舱式激光测风雷达的机组,不直接利用该机组采集的目标域的非真实来流风况进行尾流控制以及效能评估,而是将非真实来流风况处理成源域的真实来流风况之后,再进行尾流控制以及效能评估,提高了尾流控制的精度并优化了效能评估的效果,最终保证了风电场的发电能力。
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况数据的空间软测量方法的流程示意图;
图2为本公开实施例提供的一种风况空间软测量模型训练方法的流程示意图;
图3为本公开实施例提供的预设网络的结构示意图;
图4为本公开实施例提供的一种风况数据的空间软测量装置的结构示意图;
图5为本公开实施例提供的一种风况数据的空间软测量设备的结构示意图。
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。
相关技术中,为了能够采集到风电机组的真实来流风况数据,相关技术在个别机组上安装机舱式激光测风雷达(LiDAR),测量真实来流风况数据,但这种情况不能获取整个风电场中全部机组的真实来流风况数据。针对这一问题,相关技术还提出一种机舱风速传递函数,具体是构建折线函数实现从机舱顶部风速计所测风速到真实来流风速数据,但是,简单的折线函数无法实现从机舱顶部风速计所测风速到真实来流风速数据的准确传递,且无法适应于其他风况数据(如风向数据)的传递,可靠性较差且不具有普适性。
为了保证尾流控制以及效能评估的精度和效果,本公开实施例提供了一种能够消除尾流效应的风况数据的空间软测量方法、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况数据的空间软测量方法进行说明。
图1示出了本公开实施例提供的一种风况数据的空间软测量方法的流程示意图。
在本公开实施例中,图1所示的风况数据的空间软测量方法可以由风况数据的空间软测量设备执行。风况数据的空间软测量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,该风况数据的空间软测量方法可以包括如下步骤。
S110、获取目标机组对应的当前轮毂后实测风况,其中,目标机组未安装机舱式激光测风雷达,当前轮毂后实测风况是受到目标机组的风轮影响的非真实来流风况,当前轮毂后实测风况对应的空间域为目标域。
在本实施例中,考虑到风电场的造价成本,风电场中的风电机组无需安装机舱式激光测风雷达,可以利用安装的风速计或者风向仪,采集目标机组的当前轮毂后实测风况。
其中,目标机组是风电场中任意一个没有安装机舱式激光测风雷达的机组,但目标机组可以安装风向仪、风速计。
可以理解的是,当前轮毂后实测风况是指机舱SCADA数据,目标域是不包含激光雷达数据的空间域,直接利用目标域中机舱SCADA数据进行尾流控制以及效能评估时,精度和可靠性较差。
在一些实施例中,在目标机组安装风速计的情况下,当前轮毂后实测风况是受到目标机组的风轮影响的非真实来流风速,相应的,风况空间软测量模型是风速空间软测量模型,当前轮毂前实测风况是未受到目标机组的风轮影响的真实来流风速。
在另一些实施例中,在目标机组安装风向仪的情况下,当前轮毂后实测风况是受到目标机组的风轮影响的非真实来流风向,相应的,风况空间软测量模型是风向空间软测量模型,当前轮毂前实测风况是未受到目标机组的风轮影响的真实来流风向。
S120、利用预先训练的风况空间软测量模型,对当前轮毂后实测风况进行风况空间软测量处理,得到目标机组对应的当前轮毂前实测风况,并将当前轮毂前实测风况作为空间软测量结果,其中,当前轮毂前实测风况是未受到目标机组的风轮影响的真实来流风况,并且,当前轮毂前实测风况用于对目标机组所在的风电场进行尾流控制以及效能评估。
可以理解的是,轮毂后实测风况(即非真实来流风况)与未受到风电机组的风轮影响的轮毂前实测风况(即真实来流风况)存在一定的偏差,直接利用非真实来流风况序列进行尾流控制以及效能评估的精度和效果较差。为了提高由轮毂后实测风况传递到轮毂前风况的准确性,本实施例使用预先训练的风况空间软测量模型将当前轮毂后实测风况转化为当前轮毂前实测风况,即得到真实来流风况,进而利用真实来流风况对目标机组所在的风电场进行尾流控制以及效能评估,有利于提高尾流控制以及效能评估的精度和效果。
可以理解的是,当前轮毂前实测风况是指通过机舱式激光测风雷达采集的激光雷达数据,即源域是包含激光雷达数据的空间域,直接利用源域对应的激光雷达数据进行尾流控制以及效能评估时,能够保证精度和可靠性。
可选的,风况空间软测量模型包括但不限于域对抗神经网络(DomainAdversarial Neural Network,DANN)、域分离神经网络(DSNs),还可以是其他类型的网络。
在本公开实施例中,可选的,S120具体包括:基于风况空间软测量模型中的特征提取器对当前轮毂后实测风况进行特征提取处理,得到当前轮毂后风况特征;基于风况空间软测量模型中的特征拟合器对当前轮毂后风况特征进行特征拟合处理,得到当前轮毂后拟合风况,并将轮当前毂后拟合风况作为目标机组对应的当前轮毂前实测风况。
为了提高风况空间软测量模型的处理效果,可以预先对当前轮毂后实测风况进行清洗和插补,并得到预处理后的当前轮毂后实测风况,使得风况空间软测量模型对预处理后的当前轮毂后实测风况进行风况空间软测量处理,得到目标机组对应的当前轮毂前实测风况。
由此,利用风况空间软测量模型中的特征提取器和特征拟合器,依次对当前轮毂后实测风况进行特征提取处理以及特征拟合处理,使得将目标域对应的非真实来流风况转化为源域对应的真实来流风况,从而实现对风况数据在不同的空间上进行转移。
本公开实施例的一种风况数据的空间软测量方法,获取目标机组对应的当前轮毂后实测风况,其中,目标机组未安装机舱式激光测风雷达,当前轮毂后实测风况是受到目标机组的风轮影响的非真实来流风况,当前轮毂后实测风况对应的空间域为目标域;利用预先训练的风况空间软测量模型,对当前轮毂后实测风况进行风况空间软测量处理,得到目标机组对应的当前轮毂前实测风况,并将当前轮毂前实测风况作为空间软测量结果,其中,当前轮毂前实测风况是未受到目标机组的风轮影响的真实来流风况,当前轮毂前实测风况对应的空间域为源域,并且,当前轮毂前实测风况用于对目标机组所在的风电场进行尾流控制以及效能评估。通过上述方式,对于未安装机舱式激光测风雷达的机组,不直接利用该机组采集的目标域的非真实来流风况进行尾流控制以及效能评估,而是将非真实来流风况处理成源域的真实来流风况之后,再进行尾流控制以及效能评估,提高了尾流控制的精度并优化了效能评估的效果,最终保证了风电场的发电能力。
在本公开另一种实施方式中,风况空间软测量模型可以利用目标机组对应的第一历史轮毂后实测风况、迁移机组对应的历史轮毂前实测风况以及迁移机组的第二历史轮毂后实测风况进行训练得到。下面,对风况空间软测量模型的训练过程进行详细解释。
图2示出了本公开实施例提供的一种风况空间软测量模型训练方法的流程示意图。
如图2所示,该风况空间软测量模型训练方法包括如下步骤。
S210、获取所述目标机组对应的第一历史轮毂后实测风况,其中,所述第一历史轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风况,第一历史轮毂后实测风况对应的空间域为目标域。
可以理解的是,第一历史轮毂后实测风况是指机舱SCADA数据,目标域是不包含激光雷达数据的空间域,也就是说,第一历史轮毂后实测风况是目标域中的机舱SCADA数据,并且,第一历史轮毂后实测风况受到目标机组的风轮影响,成为非真实来流风况。
S220、从目标机组所在的风电场包含的多个参考机组中,确定目标机组对应的迁移机组,并获取迁移机组对应的历史轮毂前实测风况和第二历史轮毂后实测风况,其中,历史轮毂前实测风况是未受到迁移机组的风轮影响的真实来流风况,历史轮毂前实测风况对应的空间域为源域,第二历史轮毂后实测风况受到目标机组的风轮影响的非真实来流风况,第二历史轮毂后实测风况对应的空间域为目标域。
在本实施例中,为了训练目标机组对应的风况空间软测量模型,在目标机组所在的风电场中的个别机组上安装机舱式激光测风雷达,并将安装有机舱式激光测风雷达的个别机组作为参考机组,同时,参考机组还可以安装风速计以及风向计。为了使得训练得到的风况空间软测量模型与目标机组更相符,可以从参考机组中选择与目标机组相关性较大的机组,作为目标机组对应的迁移机组,并利用迁移机组上安装的机舱式激光测风雷达,采集迁移机组对应的历史轮毂前实测风况,以及利用迁移机组上安装的风速计和风向仪,采集迁移机组对应的第二历史轮毂后实测风况。
在本公开实施例中,可选的,S220具体包括:获取各参考机组对应的历史参考风况,其中,历史参考风况是受到其对应的参考机组的风轮影响的非真实来流风况;基于第一历史轮毂后实测风况和各参考机组对应的历史参考风况,计算目标机组与各参考机组之间的相关性系数;从多个参考机组中选择相关性系数最大的机组,作为目标机组的迁移机组。
可以理解的是,历史参考风况是非真实来流风况,也即历史参考风况属于目标域对应的历史轮毂后实测风况,与此同时,第一历史轮毂后实测风况也属于目标域对应的历史轮毂后实测风况,则在目标域中,基于历史参考风况和第一历史轮毂后实测风况,计算目标机组与各参考机组之间的相关性系数。
其中,相关性系数用于表征目标机组与参考机组的相关程度。可选的,相关性系数包括但不限于斯皮尔曼系数、皮尔逊系数、最大信息系数等。
可以理解的是,若相关性系数越大,则表征目标机组与参考机组的相关程度越高,利用参考机组对应的历史轮毂前实测风况和历史轮毂后实测风况能够训练出更符合目标机组的风况空间软测量模型;相反的,若相关性系数越小,则表征目标机组与参考机组的相关程度越低,利用参考机组对应的历史轮毂前实测风况和历史轮毂后实测风况能够训练出与目标机组的风况空间软测量模型不太相符。为了尽可能训练出与目标机组相符的风况空间软测量模型,从多个参考机组中选择相关性系数最大的机组,作为目标机组的迁移机组,方便后续基于迁移机组对应的历史轮毂前实测风况和历史轮毂后实测风况,训练目标机组的风况空间软测量模型。
S230、利用第一历史轮毂后实测风况、历史轮毂前实测风况以及第二历史轮毂后实测风况,对预设网络进行迭代训练,得到风况空间软测量模型。
在一些实施例中,在目标机组安装风速计的情况下,第一历史轮毂后实测风况是受到目标机组的风轮影响的非真实来流风速,第二历史轮毂后实测风况是受到迁移机组的风轮影响的非真实来流风速,相应的,风况空间软测量模型是风速空间软测量模型,历史轮毂前实测风况是未受到迁移机组的风轮影响的真实来流风速。
在另一些实施例中,在目标机组安装风向仪的情况下,历史轮毂后实测风况是受到目标机组的风轮影响的非真实来流风向,第二历史轮毂后实测风况是受到迁移机组的风轮影响的非真实来流风向,相应的,风况空间软测量模型是风向空间软测量模型,历史轮毂后实测风况是未受到迁移机组的风轮影响的真实来流风向。
在本公开实施例中,可选的,S230具体包括:
S2301、利用预设网络中的特征提取器对第一历史轮毂后实测风况以及第二历史轮毂后实测风况分别进行特征提取处理,得到第一历史轮毂后实测风况对应的第一历史轮毂后风况特征以及第二历史轮毂后实测风况对应的第二历史轮毂后风况特征;
S2302、利用预设网络中的特征拟合器对第二历史轮毂后风况特征进行特征拟合处理,得到迁移机组对应的历史轮毂前拟合风况;
S2303、利用预设网络中的域判别器,对第一历史轮毂后风况特征以及第二历史轮毂后风况特征分别进行域判别处理,得到第一历史轮毂后风况特征对应的源域拟合标签和第二历史轮毂后风况特征对应的目标域拟合标签;
S2304、基于历史轮毂前拟合风况、历史轮毂前实测风况、源域拟合标签、所述目标域拟合标签、预先确定的源域真实标签以及预先确定的目标域真实标签,对预设网络进行迭代训练,得到风况空间软测量模型。
其中,S2304具体包括:基于历史轮毂前拟合风况和历史轮毂前实测风况,计算第一损失值;基于源域拟合标签、目标域拟合标签、源域真实标签以及目标域真实标签,计算第二损失值;利用预设网络中的梯度反转层对第二损失值进行反转处理,得到第二损失值的反转损失值;基于第一损失值、第二损失值以及反转损失值,对特征提取器、特征拟合器以及域判别器联合进行迭代训练,直至第一损失值和第二损失值满足预设停止条件,得到风速空间软测量模型。
为了便于理解,参见图3所示的预设网络的结构示意图,预设网络包括特征提取器、特征拟合器和域判别器。结合图3解释风况空间软测量模型的训练过程,包括:首先,将第一历史轮毂后实测风况x1以及第二历史轮毂后实测风况x2作为风况空间软测量模型的输入数据,基于风况空间软测量模型的特征提取器从第一历史轮毂后实测风况x1中提取第一历史轮毂后风况特征f1以及从第二历史轮毂后实测风况x2中提取第二历史轮毂后风况特征f2;然后,基于预设网络中的特征拟合器,对第二历史轮毂后风况特征f2进行特征拟合处理,得到迁移机组对应的历史轮毂前拟合风况y’,与此同时,基于预设网络中的域判别器判断第一历史轮毂后风况特征f1的源域拟合标签labled1’以及判断第二历史轮毂后风况特征的目标域拟合标签labled2’;进一步的,基于历史轮毂前拟合风况y’和历史轮毂前实测风况y,计算第一损失值LossLy,与此同时,基于源域拟合标签labled1’、目标域拟合标签labled2’、源域真实标签labled1以及目标域真实标签labled2,计算第二损失值LossLd;为了实现将源域的数据无监督迁移到目标域,在特征提取器与域判别器之前添加梯度翻转层,利用梯度反转层对所述第二损失值LossLd进行反转处理,得到第二损失值的反转损失值(-LossLd),使得随着模型的训练,域判别器无法正确区分接收到的信息是源域样本还是目标域样本;最后,基于第一损失值、第二损失值以及反转损失值,对特征提取器、特征拟合器以及域判别器联合进行迭代训练,直至第一损失值和第二损失值均趋于稳定时,达到预设停止条件,得到风速空间软测量模型。
需要说明的是,第一损失值LossLy用来计算和/>两个梯度值,第二损失值LossLd用来计算/>梯度值,反转损失值(-LossLd)用来计算/>梯度值,则基于第一损失值、第二损失值以及反转损失值,联合调整/>等梯度值,使得在第一损失值和第二损失值均趋于稳定时,/>达到稳定,接续训练过程,得到风速空间软测量模型。
为了保证模型训练的效果,可以对第一历史轮毂后实测风况、历史轮毂前实测风况以及第二历史轮毂后实测风况进行诸如清洗和插补等预处理操作,得到预处理后的训练样本。然后,对预处理后的训练样本进行归一化以及按照设定比例(如8:2或7:3)分成目标训练集和目标测试集。
为了保证模型的训练精度,在得到风况空间软测量模型之后,还可以利用目标测试集对风况空间软测量模型进行测试,测试过程中计算模型的评价指标,以基于评价指标对风况空间软测量模型进行评估。
可选的,评价指标可以包括但不限于准确率和精确率。
由此,利用源域的历史轮毂前实测风况、目标域的第二历史轮毂后实测风况以及目标域的第一历史轮毂后实测风况,训练预设网络,从而得到目标域对应的非真实来流风况到源域对应的真实来流风况的迁移模型,即得到风况空间软测量模型,以方便后续利用风况空间软测量模型,将目标域的当前轮毂后实测风况处理为转化为源域的当前轮毂前实测风况,进而基于源域的当前轮毂前实测风况进行尾流控制以及效能评估,从而提高了尾流控制的精度并优化了效能评估的效果。
本公开实施例还提供了一种用于实现上述的风况数据的空间软测量方法的风况数据的空间软测量装置,下面结合图4进行说明。在本公开实施例中,该风况数据的空间软测量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况数据的空间软测量装置的结构示意图。
如图4所示,风况数据的空间软测量装置400可以包括:
当前轮毂后实测风况获取模块410,用于获取目标机组对应的当前轮毂后实测风况,其中,所述目标机组未安装机舱式激光测风雷达,所述当前轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风况,所述当前轮毂后实测风况对应的空间域为目标域;
风况空间软测量处理模块420,用于利用预先训练的风况空间软测量模型,对所述当前轮毂后实测风况进行风况空间软测量处理,得到所述目标机组对应的当前轮毂前实测风况,并将所述当前轮毂前实测风况作为空间软测量结果,其中,所述当前轮毂前实测风况是未受到所述目标机组的风轮影响的真实来流风况,所述当前轮毂前实测风况对应的空间域为源域,并且,所述当前轮毂前实测风况用于对所述目标机组所在的风电场进行尾流控制以及效能评估。
本公开实施例的一种风况数据的空间软测量装置,获取目标机组对应的当前轮毂后实测风况,其中,目标机组未安装机舱式激光测风雷达,当前轮毂后实测风况是受到目标机组的风轮影响的非真实来流风况,当前轮毂后实测风况对应的空间域为目标域;利用预先训练的风况空间软测量模型,对当前轮毂后实测风况进行风况空间软测量处理,得到目标机组对应的当前轮毂前实测风况,并将当前轮毂前实测风况作为空间软测量结果,其中,当前轮毂前实测风况是未受到目标机组的风轮影响的真实来流风况,当前轮毂前实测风况对应的空间域为源域,并且,当前轮毂前实测风况用于对目标机组所在的风电场进行尾流控制以及效能评估。通过上述方式,对于未安装机舱式激光测风雷达的机组,不直接利用该机组采集的目标域的非真实来流风况进行尾流控制以及效能评估,而是将非真实来流风况处理成源域的真实来流风况之后,再进行尾流控制以及效能评估,提高了尾流控制的精度并优化了效能评估的效果,最终保证了风电场的发电能力。
在一些实施例中,风况空间软测量处理模块420,包括:
第一特征提取单元,用于基于所述风况空间软测量模型中的特征提取器对所述当前轮毂后实测风况进行特征提取处理,得到当前轮毂后风况特征;
第一特征拟合单元,用于基于所述风况空间软测量模型中的特征拟合器对所述当前轮毂后风况特征进行特征拟合处理,得到当前轮毂后拟合风况,并将所述轮当前毂后拟合风况作为所述目标机组对应的当前轮毂前实测风况。
在一些实施例中,在所述目标机组安装风速计的情况下,所述当前轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风速,相应的,所述风况空间软测量模型是风速空间软测量模型,所述当前轮毂前实测风况是未受到所述目标机组的风轮影响的真实来流风速;
在所述目标机组安装风向仪的情况下,所述当前轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风向,相应的,所述风况空间软测量模型是风向空间软测量模型,所述当前轮毂前实测风况是未受到所述目标机组的风轮影响的真实来流风向。
在一些实施例中,该装置还包括:
第一历史轮毂后实测风况获取模块,用于获取所述目标机组对应的第一历史轮毂后实测风况,其中,所述第一历史轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风况,所述第一历史轮毂后实测风况对应的空间域为目标域;
迁移机组确定模块,用于从所述目标机组所在的风电场包含的多个参考机组中,确定所述目标机组对应的迁移机组,并获取所述迁移机组对应的历史轮毂前实测风况和第二历史轮毂后实测风况,其中,所述历史轮毂前实测风况是未受到所述迁移机组的风轮影响的真实来流风况,所述历史轮毂前实测风况对应的空间域为源域,所述第二历史轮毂后实测风况受到所述目标机组的风轮影响的非真实来流风况,所述第二历史轮毂后实测风况对应的空间域为目标域;
模型训练模块,用于利用所述第一历史轮毂后实测风况、所述历史轮毂前实测风况以及所述第二历史轮毂后实测风况,对预设网络进行迭代训练,得到所述风况空间软测量模型。
在一些实施例中,迁移机组确定模块具体用于:
获取各参考机组对应的历史参考风况,其中,所述历史参考风况是受到其对应的参考机组的风轮影响的非真实来流风况;
基于所述第一历史轮毂后实测风况和所述各参考机组对应的历史参考风况,计算所述目标机组与各参考机组之间的相关性系数;
从所述多个参考机组中选择相关性系数最大的机组,作为所述目标机组的迁移机组。
在一些实施例中,模型训练模块,包括:
第二特征提取单元,用于利用所述预设网络中的特征提取器对所述第一历史轮毂后实测风况以及所述第二历史轮毂后实测风况分别进行特征提取处理,得到所述第一历史轮毂后实测风况对应的第一历史轮毂后风况特征以及所述第二历史轮毂后实测风况对应的第二历史轮毂后风况特征;
第二特征拟合单元,用于利用所述预设网络中的特征拟合器对所述第二历史轮毂后风况特征进行特征拟合处理,得到所述迁移机组对应的历史轮毂前拟合风况;
域判别单元,用于利用所述预设网络中的域判别器,对所述第一历史轮毂后风况特征以及所述第二历史轮毂后风况特征分别进行域判别处理,得到所述第一历史轮毂后风况特征对应的源域拟合标签和所述第二历史轮毂后风况特征对应的目标域拟合标签;
迭代训练单元,用于基于所述历史轮毂前拟合风况、所述历史轮毂前实测风况、所述源域拟合标签、所述目标域拟合标签、预先确定的源域真实标签以及预先确定的目标域真实标签,对所述预设网络进行迭代训练,得到所述风况空间软测量模型。
在一些实施例中,迭代训练单元具体用于:
基于所述历史轮毂前拟合风况和所述历史轮毂前实测风况,计算第一损失值;
基于所述源域拟合标签、所述目标域拟合标签、源域真实标签以及目标域真实标签,计算第二损失值;
利用所述预设网络中的梯度反转层对所述第二损失值进行反转处理,得到第二损失值的反转损失值;
基于所述第一损失值、所述第二损失值以及所述反转损失值,对所述特征提取器、所述特征拟合器以及所述域判别器联合进行迭代训练,直至所述第一损失值和所述第二损失值满足预设停止条件,得到所述风速空间软测量模型。
在一些实施例中,在所述目标机组安装风速计的情况下,所述第一历史轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风速,所述第二历史轮毂后实测风况是受到所述迁移机组的风轮影响的非真实来流风速,相应的,所述风况空间软测量模型是风速空间软测量模型,所述历史轮毂前实测风况是未受到所述迁移机组的风轮影响的真实来流风速;
在所述目标机组安装风向仪的情况下,所述历史轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风向,所述第二历史轮毂后实测风况是受到所述迁移机组的风轮影响的非真实来流风向,相应的,所述风况空间软测量模型是风向空间软测量模型,所述历史轮毂后实测风况是未受到所述迁移机组的风轮影响的真实来流风向。
需要说明的是,图4所示的风况数据的空间软测量装置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况数据的空间软测量设备的结构示意图。
如图5所示,该风况数据的空间软测量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况数据的空间软测量方法的步骤。
在一个示例中,该风况数据的空间软测量设备还可包括收发器503和总线504。其中,如图5所示,处理器501、存储器502和收发器503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况数据的空间软测量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,可以参考上述风况数据的空间软测量方法的实施例。
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况数据的空间软测量方法。
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况数据的空间软测量方法中的相关操作。
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况数据的空间软测量方法。
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 (11)
1.一种风况数据的空间软测量方法,其特征在于,包括:
获取目标机组对应的当前轮毂后实测风况,其中,所述目标机组未安装机舱式激光测风雷达,所述当前轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风况,所述当前轮毂后实测风况对应的空间域为目标域;
利用预先训练的风况空间软测量模型,对所述当前轮毂后实测风况进行风况空间软测量处理,得到所述目标机组对应的当前轮毂前实测风况,并将所述当前轮毂前实测风况作为空间软测量结果,其中,所述当前轮毂前实测风况是未受到所述目标机组的风轮影响的真实来流风况,所述当前轮毂前实测风况对应的空间域为源域,并且,所述当前轮毂前实测风况用于对所述目标机组所在的风电场进行尾流控制以及效能评估。
2.根据权利要求1所述的方法,其特征在于,所述利用预先训练的风况空间软测量模型,对所述当前轮毂后实测风况进行风况空间软测量处理,得到所述目标机组对应的当前轮毂前实测风况,包括:
基于所述风况空间软测量模型中的特征提取器对所述当前轮毂后实测风况进行特征提取处理,得到当前轮毂后风况特征;
基于所述风况空间软测量模型中的特征拟合器对所述当前轮毂后风况特征进行特征拟合处理,得到当前轮毂后拟合风况,并将所述轮当前毂后拟合风况作为所述目标机组对应的当前轮毂前实测风况。
3.根据权利要求1或2所述的方法,其特征在于,
在所述目标机组安装风速计的情况下,所述当前轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风速,相应的,所述风况空间软测量模型是风速空间软测量模型,所述当前轮毂前实测风况是未受到所述目标机组的风轮影响的真实来流风速;
在所述目标机组安装风向仪的情况下,所述当前轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风向,相应的,所述风况空间软测量模型是风向空间软测量模型,所述当前轮毂前实测风况是未受到所述目标机组的风轮影响的真实来流风向。
4.根据权利要求1所述的方法,其特征在于,在所述获取目标机组对应的当前轮毂后实测风况之前,所述方法还包括:
获取所述目标机组对应的第一历史轮毂后实测风况,其中,所述第一历史轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风况,所述第一历史轮毂后实测风况对应的空间域为目标域;
从所述目标机组所在的风电场包含的多个参考机组中,确定所述目标机组对应的迁移机组,并获取所述迁移机组对应的历史轮毂前实测风况和第二历史轮毂后实测风况,其中,所述历史轮毂前实测风况是未受到所述迁移机组的风轮影响的真实来流风况,所述历史轮毂前实测风况对应的空间域为源域,所述第二历史轮毂后实测风况受到所述目标机组的风轮影响的非真实来流风况,所述第二历史轮毂后实测风况对应的空间域为目标域;
利用所述第一历史轮毂后实测风况、所述历史轮毂前实测风况以及所述第二历史轮毂后实测风况,对预设网络进行迭代训练,得到所述风况空间软测量模型。
5.根据权利要求4所述的方法,其特征在于,所述从所述目标机组所在的风电场包含的多个参考机组中,确定所述目标机组对应的迁移机组,包括:
获取各参考机组对应的历史参考风况,其中,所述历史参考风况是受到其对应的参考机组的风轮影响的非真实来流风况;
基于所述第一历史轮毂后实测风况和所述各参考机组对应的历史参考风况,计算所述目标机组与各参考机组之间的相关性系数;
从所述多个参考机组中选择相关性系数最大的机组,作为所述目标机组的迁移机组。
6.根据权利要求4所述的方法,其特征在于,所述利用所述第一历史轮毂后实测风况、所述历史轮毂前实测风况以及所述第二历史轮毂后实测风况,对预设网络进行迭代训练,得到所述风况空间软测量模型,包括:
利用所述预设网络中的特征提取器对所述第一历史轮毂后实测风况以及所述第二历史轮毂后实测风况分别进行特征提取处理,得到所述第一历史轮毂后实测风况对应的第一历史轮毂后风况特征以及所述第二历史轮毂后实测风况对应的第二历史轮毂后风况特征;
利用所述预设网络中的特征拟合器对所述第二历史轮毂后风况特征进行特征拟合处理,得到所述迁移机组对应的历史轮毂前拟合风况;
利用所述预设网络中的域判别器,对所述第一历史轮毂后风况特征以及所述第二历史轮毂后风况特征分别进行域判别处理,得到所述第一历史轮毂后风况特征对应的源域拟合标签和所述第二历史轮毂后风况特征对应的目标域拟合标签;
基于所述历史轮毂前拟合风况、所述历史轮毂前实测风况、所述源域拟合标签、所述目标域拟合标签、预先确定的源域真实标签以及预先确定的目标域真实标签,对所述预设网络进行迭代训练,得到所述风况空间软测量模型。
7.根据权利要求6所述的方法,其特征在于,所述基于所述历史轮毂前拟合风况、所述历史轮毂前实测风况、所述源域拟合标签、所述目标域拟合标签、预先确定的源域真实标签以及预先确定的目标域真实标签,对所述预设网络进行迭代训练,得到所述风况空间软测量模型,包括:
基于所述历史轮毂前拟合风况和所述历史轮毂前实测风况,计算第一损失值;
基于所述源域拟合标签、所述目标域拟合标签、源域真实标签以及目标域真实标签,计算第二损失值;
利用所述预设网络中的梯度反转层对所述第二损失值进行反转处理,得到第二损失值的反转损失值;
基于所述第一损失值、所述第二损失值以及所述反转损失值,对所述特征提取器、所述特征拟合器以及所述域判别器联合进行迭代训练,直至所述第一损失值和所述第二损失值满足预设停止条件,得到所述风速空间软测量模型。
8.根据权利要求4~7任一项所述的方法,其特征在于,
在所述目标机组安装风速计的情况下,所述第一历史轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风速,所述第二历史轮毂后实测风况是受到所述迁移机组的风轮影响的非真实来流风速,相应的,所述风况空间软测量模型是风速空间软测量模型,所述历史轮毂前实测风况是未受到所述迁移机组的风轮影响的真实来流风速;
在所述目标机组安装风向仪的情况下,所述历史轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风向,所述第二历史轮毂后实测风况是受到所述迁移机组的风轮影响的非真实来流风向,相应的,所述风况空间软测量模型是风向空间软测量模型,所述历史轮毂后实测风况是未受到所述迁移机组的风轮影响的真实来流风向。
9.一种风况数据的空间软测量装置,其特征在于,包括:
当前轮毂后实测风况获取模块,用于获取目标机组对应的当前轮毂后实测风况,其中,所述目标机组未安装机舱式激光测风雷达,所述当前轮毂后实测风况是受到所述目标机组的风轮影响的非真实来流风况,所述当前轮毂后实测风况对应的空间域为目标域;
风况空间软测量处理模块,用于利用预先训练的风况空间软测量模型,对所述当前轮毂后实测风况进行风况空间软测量处理,得到所述目标机组对应的当前轮毂前实测风况,并将所述当前轮毂前实测风况作为空间软测量结果,其中,所述当前轮毂前实测风况是未受到所述目标机组的风轮影响的真实来流风况,所述当前轮毂前实测风况对应的空间域为源域,并且,所述当前轮毂前实测风况用于对所述目标机组所在的风电场进行尾流控制以及效能评估。
10.一种设备,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1-8中任一项所述的方法。
11.一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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484997.1A CN116662772A (zh) | 2023-04-28 | 2023-04-28 | 风况数据的空间软测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484997.1A CN116662772A (zh) | 2023-04-28 | 2023-04-28 | 风况数据的空间软测量方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116662772A true CN116662772A (zh) | 2023-08-29 |
Family
ID=87719735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310484997.1A Pending CN116662772A (zh) | 2023-04-28 | 2023-04-28 | 风况数据的空间软测量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662772A (zh) |
-
2023
- 2023-04-28 CN CN202310484997.1A patent/CN116662772A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108593260B (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN114330571A (zh) | 基于迁移学习的电力系统主导失稳模式识别方法及系统 | |
CN116968733B (zh) | 车辆安全风险评估方法及其装置、设备、介质 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN117829676A (zh) | 海上风能资源评估的方法和装置 | |
US20240022080A1 (en) | Wind farm control strategy method, apparatus and device, and storage medium | |
CN116662772A (zh) | 风况数据的空间软测量方法、装置、设备及存储介质 | |
CN115877345B (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
CN116432548A (zh) | 基于迁移学习的融合风速计算方法、装置、设备及介质 | |
CN110991774A (zh) | 一种电量负荷预测方法及装置 | |
CN116796130A (zh) | 桥梁振动低频重构去噪方法、系统、计算机及存储介质 | |
CN115932773A (zh) | 基于谱形特征的目标角度检测方法、装置、设备及介质 | |
CN115598555A (zh) | 基于电池充放电热追踪的热失效快速故障诊断方法及装置 | |
CN116595727A (zh) | 风况数据的时间软测量方法、装置、设备及存储介质 | |
CN111310959A (zh) | 风力发电机组损坏预测分析方法、装置、设备及存储介质 | |
CN114969962B (zh) | 车辆rde排放恶劣工况的生成方法、装置、设备及存储介质 | |
CN113848346B (zh) | 风电机组的极端风况条件的预测方法、装置及设备 | |
CN117614023A (zh) | 风电场运行控制方法、装置、设备及存储介质 | |
CN118010377A (zh) | 一种车辆滑行阻力测试方法、装置、电子设备及存储介质 |
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 |