CN116792256A - 一种风速预测变桨控制系统及控制方法 - Google Patents
一种风速预测变桨控制系统及控制方法 Download PDFInfo
- Publication number
- CN116792256A CN116792256A CN202310959832.5A CN202310959832A CN116792256A CN 116792256 A CN116792256 A CN 116792256A CN 202310959832 A CN202310959832 A CN 202310959832A CN 116792256 A CN116792256 A CN 116792256A
- Authority
- CN
- China
- Prior art keywords
- wind
- pitch
- wind speed
- locust
- signal
- 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 20
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 241000238814 Orthoptera Species 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种风速预测变桨控制系统及控制方法，获取风场实时数据和风轮的桨距角的状态检测信号；将风场实时数据进行变分模态分解，然后输入至双通道卷积神经网络中进行融合，将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；根据风速预测结果、风轮叶尖速比和风力发电机的转速误差对桨距进行非线性优化，得到优化后的桨距信号；根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。通过对风速变化的预测有效地降低变桨执行的动作频率和幅度，减小了风机桨叶的机械疲劳，并且使风力发电机的输出更加平稳。
Description
技术领域
本发明涉及风力发电机风轮的变桨控制，具体是涉及一种风速预测变桨控制系统及控制方法。
背景技术
风能是一种绿色清洁新能源，以其环保、可再生等特点备受人们的关注。风力发电机是获取风能的主要手段，随着风力发电等相关理论研究的深入，风力发电厂已遍布全球，风力发电机所发出的电能占全球总发电量的比重正在不断上升。由于风具有不稳定性，风力发电机输出的电能波动性很大，并且具有很强的随机性和间歇性，这无疑给电网的安全稳定运行增加了风险。所以在风机中加入控制策略，可以减小风电的波动性，确保电网的稳定运行。
风机的控制策略根据额定风速可以分为两种：当风速低于额定风速时，转矩控制用于最大化功率系数，即风机捕获的能量；当风速高于额定风速时，风机通常采用变桨控制，通过调整叶片的角度限制机械功率，由此将输出功率维持在额定功率附近。变桨控制是风电机组运行控制的主要手段之一，具有气动非线性、工况切换频繁、扰动因素多等显著特点。采用传统变桨距控制系统的风力发电机，由于变桨调节信号随风速及其输出功率的波动而变化过快，使其桨距调节方向与风速变化方向频繁相反，导致其输出功率波动频繁。
发明内容
发明目的：针对以上缺点，本发明提供一种使风力发电机的输出更加平稳的风速预测变桨控制系统及控制方法。
技术方案：为解决上述问题，本发明采用一种风速预测变桨控制系统，包括：
测风仪，用于采集风场实时数据；
位移传感器，用于获取风轮的桨距角的状态检测信号；
分解模块，用于对采集的风场实时数据进行预处理，得到风速序列和气象序列，并将风速序列和气象序列进行变分模态分解，得到分解后的数据；
特征融合模块，用于将分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；
预测模块，用于将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；
控制信号优化模块，用于根据风速预测结果、风轮叶尖速比和风力发电机的转速误差值对桨距进行非线性优化，得到优化后的桨距信号；
变桨控制模块，用于根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。
进一步的，还包括叶尖速比优化器，用于根据采集的风场实时数据计算当前风速下风轮的最佳叶尖速比。还包括转速控制器，用于实时监测风力发电机的转子转速，并计算风力发电机的转子的转速误差值。
进一步的，所述变桨控制模块通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。
进一步的，所述预测模块中还包括模型优化模块，所述模型优化模块用于通过改进蝗虫优化算法确定双向长短期神经网络中的训练次数w、学习率ε、隐藏层神经元个数o。
本发明还采用一种风速预测变桨控制方法，包括以下步骤：
(1)获取风场实时数据并进行预处理，得到风速序列和气象序列；同时获取风轮的桨距角的状态检测信号；
(2)将风速序列和气象序列进行变分模态分解，得到分解后的数据；
(3)将风分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；
(4)将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；
(5)根据风速预测结果、风轮叶尖速比和风力发电机的转速误差对桨距进行非线性优化，得到优化后的桨距信号；
(6)根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。
进一步的，所述步骤(6)中通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。
进一步的，所述步骤(2)中受约束的变分模态分解公式为：
式中：S(t)为未分解主信号；uk为模态函数；{ωk}＝{ω1，ω2，...，ωk}为所得K阶模态的中心频率；δ(t)为狄拉克分布；*为卷积；j为虚数单位，t为时间脚本；
引入惩罚因子α、拉格朗日乘法算子λ，将约束变分问题转变为非约束变分问题，对uk、ωk和λ进行迭代更新，获得一系列变分模态分量。
进一步的，所述步骤(4)中双向长短期神经网络包括输入层、Bi-LSTM层、全连接层和输出层；所述输入层中将第d天t时刻前p个融合后的特征序列x(t-p，d)＝(xt-p，d，xt-(p-1)，d，...，xt-1，d)作为输入，t时刻后q个融合后的特征序列x(t+q，d)＝(xt，d，xt+1，d，...，xt+q，d)作为输出，其中p为时间步长，q为预测步长；
所述Bi-LSTM层中从1至t时刻进行正向和反向的数据特征学习，两个方向整合后反馈到全连接层；加入Dropout层以防止过拟合，选取均方误差作为损失函数；确定训练次数w、学习率ε、隐藏层神经元个数o；
所述全连接层中对数据进行降维处理，转换成一维数据；
所述输出层负责输出与所输入本征模态分量相对应的风速预测结果。
进一步的，所述Bi-LSTM层中采用改进蝗虫优化算法确定训练次数w、学习率ε、隐藏层神经元个数o；具体包括以下步骤：
(41)初始化训练次数w、学习率ε、隐藏层神经元个数o、蝗虫种族{Xi，i＝1，2，3，...，n}、最大迭代次数L；
蝗虫优化算法的数学模型为：
其中，N为蝗虫的数量，c为递减系数，ubd为社会力量强度的函数s在d维空间上的上界，lbd为社会力量强度的函数s在d维空间上的下界，xi为第i个蝗虫的位置，xj为第j个蝗虫的位置，dij为第i个蝗虫与第j个蝗虫之间的距离，Td为目前为止蝗虫位置在d维空间上的最佳解。
(42)计算蝗虫个体的适应度，寻找当前种群非支配解并更新外部档案集，更新迭代次数l；
(43)判断是否达到最大迭代次数，是则进入步骤(47)，否则进入步骤(44)；
(44)计算蝗虫个体之间的距离，并更新递减系数；
(45)选取优势蝗虫个体，对优势个体进行柯西变异，使其跳出局部最优；
(46)判断变异个体是否优于原个体，若优于，则更新蝗虫位置；否则保留原始解，返回步骤(42)；
(47)输出最优解，并输出最优解中的训练次数w、学习率ε、隐藏层神经元个数o。
有益效果：本发明相对于现有技术，其显著优点是通过对风速变化的预测有效地降低变桨执行的动作频率和幅度，减小了风机桨叶的机械疲劳，并且使风力发电机的输出更加平稳。采用双通道卷积网络相比于传统的单通道卷积网络可以缓解数据之间的干扰，提取多尺度信息，风速预测更加精确。
附图说明
图1所示为本发明风速预测变桨控制系统的结构原理框图。
图2所示为本发明中风速预测系统框图的示意图。
图3所示为本发明中改进蝗虫优化算法的流程示意图。
图4所示为采用本发明变桨控制方法的前后桨距角变化对比图。
具体实施方式
实施例1
如图1所示，本实施例中的一种风速预测变桨控制系统，包括测风仪、风速预测系统、叶尖速比优化器、桨距非线性化控制器、转速控制器、变桨控制系统、变桨执行机构、位移传感器，测风仪将采集到的风能数据传输到风速预测系统和叶尖速比优化器中，通过叶尖速比优化器可以计算出当前的最优叶尖速比，通过风速预测系统可以预测出未来时间的风速变化。
如图2所示，风速预测系统将测风仪传来的风能数据进行VMD分解，然后输入双通道卷积神经网络(two-channel convolutional neural network，TCNN)进行特征融合提取，然后输入双向长短期记忆神经网络(Bi-LSTM)进行预测，双向长短期记忆神经网络(Bi-LSTM)使用改进多目标蝗虫优化算法(MOGOA)进行优化，使得到的风速预测更加精确。
转速控制器，用于实时监测风力发电机的转子转速，计算风力发电机的转子转速的误差值，并输入桨距非线性化控制器；桨距非线性化控制器将预测风速、叶尖速比和转速控制器中的误差信号传输进非线性函数控制器(非线性PID控制器)中，生成桨距信号进行，然后传输到变桨控制系统中，通过位移传感器获得桨距角的状态检测信号，变桨控制系统将根据收到的优化后的桨距信号和桨距角的状态检测信号进行比较，得到误差信号，根据桨距角与执行机构的控制电压的非线性比例关系得到控制信号，将控制信号发送到变桨执行机构；变桨执行机构，为液压机构，转换后的控制信号驱动液压执行机构，实现变桨距控制过程。
实施例2
本实施例中的一种风速预测变桨控制方法，包括以下步骤：
(1)获取风场实时数据并进行预处理，得到风速序列和气象序列；同时获取风轮的桨距角的状态检测信号；
(2)将预处理后的风场实时数据进行变分模态分解，消除序列的随机扰动；
受约束的变分模态分解公式为：
式中：S(t)为未分解主信号；uk为模态函数；{ωk}＝{ω1，ω2，...，ωk}为所得K阶模态的中心频率；δ(t)为狄拉克分布；*为卷积；j为虚数单位，t为时间脚本；
引入惩罚因子α、拉格朗日乘法算子λ，将约束变分问题转变为非约束变分问题，得到增广表达式为：
初始化参数u1、ω1、λ1和n，n的初值设置为0，设置循环过程，令n＝n+1，uk、ωk根据下式更新值：
式中：x(ω)为x(t)的傅里叶变换；为uk(ω)在傅里叶域第n次的迭代值；/>—ωk的第n次的迭代值。
(3)将VMD分解后的数据输入至双通道卷积神经网络(TCNN)中，进行融合，提取风速序列及与气象序列的耦合关系。通过设置相同的卷积核大小以确保2个卷积网络输出相同的特征长度，并将两个特征进行拼接融合，得到融合后的特征；
(4)将融合后的特征输入双向长短期神经网络中(Bi-LSTM)中提取的长期时间特征，正向LSTM按时间序列正向分析输入变量(包括风速数据、气象特征)，反向LSTM按时间序列的反向分析输入变量，正、反向LSTM的输出叠加反馈给全连接层，进行数据降维后，输出风速预测结果。
双向长短期神经网络包括输入层、Bi-LSTM层、全连接层和输出层：
输入层中将第d天t时刻前p个融合后的特征序列
x(t-p，d)＝(xt-p，d，xt-(p-1)，d，...，xt-1，d)作为输入，t时刻后q个融合后的特征序列x(t+q，d)＝(xt，d，xt+1，d，...，xt+q，d)作为输出，其中p为时间步长，q为预测步长；
Bi-LSTM层中从1至t时刻进行正向和反向的数据特征学习，两个方向整合后反馈到全连接层；加入Dropout层以防止过拟合，选取均方误差作为损失函数；确定训练次数w、学习率ε、隐藏层神经元个数o；
全连接层中对数据进行降维处理，转换成一维数据；
输出层负责输出与所输入本征模态分量相对应的风速预测结果。
Bi-LSTM层中采用改进蝗虫优化算法确定训练次数w、学习率ε、隐藏层神经元个数o；如图3所示，具体包括以下步骤：
(41)初始化训练次数w、学习率ε、隐藏层神经元个数o、蝗虫种族{Xi，i＝1，2，3，...，n}、最大迭代次数L；
其中蝗虫优化算法的数学模型为：
Xi＝Si+Gi+Ai
式中：Xi为第i个蝗虫的位置；Gi为第i个蝗虫所受重力；Ai为第i个蝗虫所受风力；Si为蝗虫个体之间互相影响力，Si可以通过下面公式表示：
式中：dij为第i个蝗虫与第j个蝗虫之间的距离；为第i个蝗虫指向第j个蝗虫的单位向量；s为表示社会力量强度的函数。
改进的蝗虫位置更新模型忽略了蝗虫的重力，且假定风向总指向最优解，可以化简成下式为：
其中，N为蝗虫的数量，c为递减系数，ubd为社会力量强度的函数s在d维空间上的上界，lbd为社会力量强度的函数s在d维空间上的下界，xi为第i个蝗虫的位置，xj为第j个蝗虫的位置，dij为第i个蝗虫与第j个蝗虫之间的距离，Td为目前为止蝗虫位置在d维空间上的最佳解。
参数c可以通过下面公式计算更新。
式中：cmax为c的最大值；cmin为c的最小值；l—当前迭代次数；L—最大迭代次数。
(42)计算蝗虫个体的适应度，寻找当前种群非支配解并更新外部档案集，更新迭代次数L；
(43)判断是否达到最大迭代次数，是则进入步骤(47)，否则进入步骤(44)；
(44)计算蝗虫个体之间的距离，并更新递减系数；
(45)选取优势蝗虫个体，对优势个体进行柯西变异，使其跳出局部最优；公式为：
式中：cauchy为柯西算子；xbest为当前最有蝗虫个体；xnewbest—使用柯西变异后的最优蝗虫个体。
(46)判断变异个体是否优于原个体，若优于，则更新蝗虫位置；否则保留原始解，返回步骤(42)；
(47)输出最优解，并输出最优解中的训练次数w、学习率ε、隐藏层神经元个数o。
(5)根据风速预测结果、风轮叶尖速比和风力发电机的转速误差对桨距进行非线性优化，得到优化后的桨距信号；
(6)根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。如图4使用前后桨距角对比图所示，设备优化前桨距角变化较频繁且幅值较大，优化后桨距角变化的频率和幅值明显变小。
Claims (10)
1.一种风速预测变桨控制系统，其特征在于，包括：
测风仪，用于采集风场实时数据；
位移传感器，用于获取风轮的桨距角的状态检测信号；
分解模块，用于对采集的风场实时数据进行预处理，得到风速序列和气象序列，并将风速序列和气象序列进行变分模态分解，得到分解后的数据；
特征融合模块，用于将分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；
预测模块，用于将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；
控制信号优化模块，用于根据风速预测结果、风轮叶尖速比和风力发电机的转速误差值对桨距进行非线性优化，得到优化后的桨距信号；
变桨控制模块，用于根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。
2.根据权利要求1所述的风速预测变桨控制系统，其特征在于，还包括叶尖速比优化器，用于根据采集的风场实时数据计算当前风速下风轮的最佳叶尖速比。
3.根据权利要求1所述的风速预测变桨控制系统，其特征在于，还包括转速控制器，用于实时监测风力发电机的转子转速，并计算风力发电机的转子的转速误差值。
4.根据权利要求1所述的风速预测变桨控制系统，其特征在于，所述变桨控制模块通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。
5.根据权利要求1所述的风速预测变桨控制系统，其特征在于，所述预测模块中还包括模型优化模块，所述模型优化模块用于通过改进蝗虫优化算法确定双向长短期神经网络中的训练次数w、学习率ε、隐藏层神经元个数o。
6.一种风速预测变桨控制方法，其特征在于，包括以下步骤：
(1)获取风场实时数据并进行预处理，得到风速序列和气象序列；同时获取风轮的桨距角的状态检测信号；
(2)将风速序列和气象序列进行变分模态分解，得到分解后的数据；
(3)将分解后的数据输入至双通道卷积神经网络中进行融合，得到融合后的特征；
(4)将融合后的特征输入双向长短期神经网络中进行预测，得到风速预测结果；
(5)根据风速预测结果、风轮叶尖速比和风力发电机的转速误差对桨距进行非线性优化，得到优化后的桨距信号；
(6)根据优化后的桨距信号和桨距角的状态检测信号控制风轮进行变桨。
7.根据权利要求6所述的风速预测变桨控制方法，其特征在于，所述步骤(6)中通过将获得的桨距角的状态检测信号与优化后的桨距信号进行比较，得到误差信号，再根据桨距角与执行机构的控制电压的非线性比例关系，得到控制信号，根据控制信号控制风轮进行变桨。
8.根据权利要求7所述的风速预测变桨控制方法，其特征在于，所述步骤(2)中受约束的变分模态分解公式为：
式中：S(t)为未分解主信号；uk为模态函数；{ωk}＝{ω1，ω2，...，ωk}为所得K阶模态的中心频率；δ(t)为狄拉克分布；*为卷积；j为虚数单位，t为时间脚本；
引入惩罚因子α、拉格朗日乘法算子λ，将约束变分问题转变为非约束变分问题，对uk、ωk和λ进行迭代更新，获得一系列变分模态分量。
9.根据权利要求8所述的风速预测变桨控制方法，其特征在于，所述步骤(4)中双向长短期神经网络包括输入层、Bi-LSTM层、全连接层和输出层；所述输入层中将第d天t时刻前p个融合后的特征序列x(t-p，d)＝(xt-p，d，xt-(p-1)，d，...，xt-1，d)作为输入，t时刻后q个融合后的特征序列x(t+q，d)＝(xt，d，xt+1，d，...，xt+q，d)作为输出，其中p为时间步长，q为预测步长；
所述Bi-LSTM层中从1至t时刻进行正向和反向的数据特征学习，两个方向整合后反馈到全连接层；加入Dropout层以防止过拟合，选取均方误差作为损失函数；确定训练次数w、学习率ε、隐藏层神经元个数o；
所述全连接层中对数据进行降维处理，转换成一维数据；
所述输出层负责输出与所输入本征模态分量相对应的风速预测结果。
10.根据权利要求9所述的风速预测变桨控制方法，其特征在于，所述Bi-LSTM层中采用改进蝗虫优化算法确定训练次数w、学习率ε、隐藏层神经元个数o；具体包括以下步骤：
(41)初始化训练次数w、学习率ε、隐藏层神经元个数o、蝗虫种族{Xi，i＝1，2，3，...，n}、最大迭代次数L；
蝗虫优化算法的数学模型为：
其中，N为蝗虫的数量，c为递减系数，ubd为社会力量强度的函数s在d维空间上的上界，lbd为社会力量强度的函数s在d维空间上的下界，xi为第i个蝗虫的位置，xj为第j个蝗虫的位置，dij为第i个蝗虫与第j个蝗虫之间的距离，Td为目前为止蝗虫位置在d维空间上的最佳解。
(42)计算蝗虫个体的适应度，寻找当前种群非支配解并更新外部档案集，更新迭代次数l；
(43)判断是否达到最大迭代次数，是则进入步骤(47)，否则进入步骤(44)；
(44)计算蝗虫个体之间的距离，并更新递减系数；
(45)选取优势蝗虫个体，对优势个体进行柯西变异，使其跳出局部最优；
(46)判断变异个体是否优于原个体，若优于，则更新蝗虫位置；否则保留原始解，返回步骤(42)；
(47)输出最优解，并输出最优解中的训练次数w、学习率ε、隐藏层神经元个数o。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310959832.5A CN116792256A (zh) | 2023-08-01 | 2023-08-01 | 一种风速预测变桨控制系统及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310959832.5A CN116792256A (zh) | 2023-08-01 | 2023-08-01 | 一种风速预测变桨控制系统及控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116792256A true CN116792256A (zh) | 2023-09-22 |
Family
ID=88048251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310959832.5A Pending CN116792256A (zh) | 2023-08-01 | 2023-08-01 | 一种风速预测变桨控制系统及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116792256A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117738844A (zh) * | 2024-02-20 | 2024-03-22 | 威海亨策新能源科技有限公司 | 一种农业新能源风力发电控制系统及控制方法 |
-
2023
- 2023-08-01 CN CN202310959832.5A patent/CN116792256A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117738844A (zh) * | 2024-02-20 | 2024-03-22 | 威海亨策新能源科技有限公司 | 一种农业新能源风力发电控制系统及控制方法 |
| CN117738844B (zh) * | 2024-02-20 | 2024-04-30 | 威海亨策新能源科技有限公司 | 一种农业新能源风力发电控制系统及控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220186709A1 (en) | Reinforcement learning-based real time robust variable pitch control of wind turbine systems | |
| CN116792256A (zh) | 一种风速预测变桨控制系统及控制方法 | |
| Kolhe et al. | GA-ANN for short-term wind energy prediction | |
| CN114048930B (zh) | 一种超短期风电功率预测方法和装置 | |
| CN116937579B (zh) | 一种考虑时空相关性的风电功率区间预测及其可解释方法 | |
| Kusiak et al. | Control of wind turbine power and vibration with a data-driven approach | |
| CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
| CN110365053B (zh) | 基于延迟优化策略的短期风电功率预测方法 | |
| CN107204615A (zh) | 一种实现功率预测的方法及系统 | |
| CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
| Park et al. | Multi-layer RNN-based short-term photovoltaic power forecasting using IoT dataset | |
| CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
| Kasiri et al. | Optimal estimation and control of WECS via a genetic neuro fuzzy approach | |
| CN114429233A (zh) | 一种基于聚类算法的场站级最优功率控制方法及系统 | |
| Mulders et al. | Efficient tuning of individual pitch control: a Bayesian optimization machine learning approach | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
| Amoura et al. | Combined Optimization and Regression Machine Learning for Solar Irradiation and Wind Speed Forecasting | |
| CN113780661A (zh) | 一种针对突变风速的风电超短期功率预测方法 | |
| 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 | |
| CN116505556B (zh) | 基于一次调频的风电场功率控制系统及方法 | |
| CN113946608B (zh) | 一种基于在线rbf神经网络的风力发电机组运行状态监测方法 | |
| CN117914001B (zh) | 电力系统、故障研判方法、装置、设备及介质 | |
| Zhang et al. | Research on Photovoltaic Power Prediction Based on BP Neural Network Algorithm | |
| Obeidat et al. | Wind power forecasting using artificial neural network |
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 |