CN116821610B - 一种利用大数据优化风力发电效率的方法 - Google Patents

一种利用大数据优化风力发电效率的方法 Download PDF

Info

Publication number
CN116821610B
CN116821610B CN202311100906.6A CN202311100906A CN116821610B CN 116821610 B CN116821610 B CN 116821610B CN 202311100906 A CN202311100906 A CN 202311100906A CN 116821610 B CN116821610 B CN 116821610B
Authority
CN
China
Prior art keywords
data
power generation
wind power
real
time
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
Application number
CN202311100906.6A
Other languages
English (en)
Other versions
CN116821610A (zh
Inventor
赵多苍
李修树
胡聪
李光顺
薛建峰
刘杨
李哲
郭豹
张步恩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Renewable Energy Engineering Institute
Original Assignee
China Renewable Energy Engineering Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Renewable Energy Engineering Institute filed Critical China Renewable Energy Engineering Institute
Priority to CN202311100906.6A priority Critical patent/CN116821610B/zh
Publication of CN116821610A publication Critical patent/CN116821610A/zh
Application granted granted Critical
Publication of CN116821610B publication Critical patent/CN116821610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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 
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/023—Learning or tuning the parameters of a fuzzy system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Combustion & Propulsion (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Nonlinear Science (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Development (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及数据处理技术领域，尤其涉及一种利用大数据优化风力发电效率的方法。首先，利用传感器和接口收集发电设备的相关实时和历史数据，并将收集的数据进行整合，并存储在统一的数据库中，对整合后的统一数据集进行数据预处理；然后，基于预处理后的数据集构建和训练混合预测模型，并对训练好的模型进行交叉验证和测试，得到训练并验证后的混合预测模型；基于混合预测模型，得到实时的系统预测状态，使用优化算法调整涡轮工作参数，实现涡轮的实时优化和自适应控制；最后，基于整个系统的操作和数据流，实施安全协议和合规检查，确保整个系统的安全性。解决了现有技术在对风力发电效率进行优化时稳定性和准确性较差的技术问题。

Description

一种利用大数据优化风力发电效率的方法
技术领域
本发明涉及数据处理技术领域，尤其涉及一种利用大数据优化风力发电效率的方法。
背景技术
风力发电是指把风的动能转为电能。风能是一种清洁无公害的可再生能源，很早就被人们利用，主要是通过风车来抽水、磨面等，人们感兴趣的是如何利用风来发电；利用风力发电非常环保，且风能蕴量巨大，因此日益受到世界各国的重视，风力发电的效率是人们关注的难点，风力发电的效率取决于许多因素，例如风速、涡轮机设计、地理位置等，利用大数据分析可以显著提高风力发电的效率和可靠性，使其成为更具竞争力的可再生能源之一。
对于优化风力发电效率的方法有很多，耿华等人提出的申请号：“CN202110392475.X”，专利名称：“基于模型和数据驱动的风电场发电功率优化方法”，主要包括：通过利用可获得风电场的发电功率模型和实时的发电数据，提出了一种模型指导的学习方法。提出的方法可以快速提升风电场的功率输出，确保实施的控制动作满足所有风机的控制约束，并有能力发现风电场功率优化问题的最优解。为了处理时变风况，基于模型指导的学习方法，提供了一种分层的风电场发电功率优化方案。
但本申请发明人在实现上述申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：在对风力发电效率进行优化时稳定性和准确性较差的技术问题。
发明内容
本申请实施例通过提供一种利用大数据优化风力发电效率的方法，解决了现有技术在对风力发电效率进行优化时稳定性和准确性较差的技术问题，实现了稳定准确地对风力发电效率进行优化的技术效果。
本申请提供了一种利用大数据优化风力发电效率的方法，具体包括以下技术方案：
一种利用大数据优化风力发电效率系统，包括以下部分：
数据收集模块，数据整合模块，数据预处理模块，模型开发与训练模块，实时优化和控制模块，安全合规模块，监测可视化模块，维护模块；
所述数据收集模块，使用传感器和接口收集来自风力发电设备的实时和历史数据，提供基础数据支持；所述实时和历史数据包括风力涡轮、气象站、电网的实时和历史数据；
所述数据整合模块，将所述数据收集模块采集到的数据进行整合处理，即整合不同数据源并存储在统一的数据库中，确保数据的一致性和完整性，为后续分析提供统一和标准化的数据接口；所述数据库用来存放整合后的数据集；
所述数据预处理模块，对所述数据整合模块整合后的统一数据集进行预处理，确保数据质量以及适配不同的分析模型；
所述模型开发与训练模块，基于所述数据预处理模块预处理后的数据集构建和训练混合预测模型，生成准确的风力发电效率预测，用于实时控制；并对训练好的模型进行交叉验证和测试，保证模型的可靠性和鲁棒性，得到训练并验证后的混合预测模型；
所述实时优化和控制模块，基于所述模型开发与训练模块得到的混合预测模型，得到实时的系统状态，使用优化算法调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化，降低能源浪费；
所述安全合规模块，基于整个系统的操作和数据流，实施安全协议和合规检查，确保整个系统的安全性，包括数据的保密、完整和可用，并确保符合法规，维护系统的可靠性和合法性；
所述监测可视化模块，与所有模块连接，基于各个模块的运行状态和关键性能指标，提供系统的实时监测和可视化展示，包括性能指标、报警和通知，提供系统运行的透明度，及时发现和处理问题；
所述维护模块，对系统性能进行定期评估，实施必要的优化和更新，与所有模块相互作用，确保系统的持续稳定运行和适应环境的变化。
一种利用大数据优化风力发电效率的方法，包括以下步骤：
S1. 利用传感器和接口收集来自风力发电设备的实时和历史数据，并将收集的数据进行整合，并存储在统一的数据库中，对整合后的统一数据集进行数据预处理，为模型开发与训练提供数据依据；所述实时和历史数据包括风力涡轮、气象站、电网的实时和历史数据；
S2. 基于预处理后的数据集构建和训练混合预测模型，并对训练好的模型进行交叉验证和测试，得到训练并验证后的混合预测模型；
S3. 通过实时数据监测，得到风力涡轮和叶片、塔筒、齿轮箱的状态，基于混合预测模型，得到实时的系统预测状态，使用优化算法调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化；
S4. 基于整个系统的操作和数据流，实施安全协议和合规检查，确保整个系统的安全性，持续监控系统的关键性能指标，通过可视化工具展示系统状态，在检测到问题时，及时发出报警和通知；同时，对系统性能进行定期评估，根据评估结果和反馈，不断优化和更新，以确保系统持续高效运行。
优选的，所述步骤S1，具体包括：
收集来自风力发电的实时和历史数据并进行整合，得到实时和历史数据的统一数据集，对整合后的数据集进行预处理。
优选的，在所述步骤S1中，还包括：
在对整合后的数据集进行预处理时，首先，利用平滑去噪算法，对整合后的数据集进行数据清洗，然后，对数据清洗后的数据集利用自组织特征映射算法提取特征，最后利用主成分分析法对特征集进行标准化和归一化处理。
优选的，在所述步骤S2中，具体包括：
基于预处理后的数据集进行模型构建、训练和验证，得到更准确且有更强鲁棒性的混合预测模型。
优选的，在所述步骤S2中，还包括：
在进行模型构建时，基于分形理论、分析变换和模糊逻辑构成混合预测模型，并对混合预测模型进行模型训练。
优选的，在所述步骤S2中，还包括：
在进行模型验证时，利用灰色预测、粗糙集理论、变分自动编码器对训练后的模型进行验证。
优选的，在所述步骤S3中，具体包括：
在寻找最优涡轮工作参数时，利用迭代更新算法寻找最优方案，首先通过涡轮参数组合的解决方案利用风力预测模型评估每种方案的风力发电效率，不断更新每个方案中的每个参数的最优和全局最优，得到最优涡轮参数，基于最优涡轮参数，调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、本申请通过使用平滑去噪算法，有效消除了数据中的噪声和异常值，增强了数据的可靠性，通过自组织特征映射算法和主成分分析，实现了对重要特征的提取和数据维度的降低。这不仅减少了计算的复杂性，还消除了无关特征的干扰，使得模型能够更聚焦于与风力发电效率密切相关的特征，提高了风力发电效率预测的准确性和稳定性。
2、本申请基于分形理论、分析变换和模糊逻辑构成混合预测模型，考虑了多个特征的多层次分析，能更全面地抓住风速时间序列等预处理后的数据集的内在规律，从而提高预测准确性；利用灰色预测、粗糙集理论、变分自动编码器对训练后的模型进行验证，更好的确定混合预测模型的稳定性和鲁棒性，得到更准确的风力发电效率预测。
3、本申请采用粒子群优化（PSO）结合信息素更新和模拟退火策略，可自适应地调整涡轮的工作参数。这种自适应能力使得系统能够在不同的工况下达到最优状态，有助于降低能耗并提高整体效率，通过模拟退火策略和信息素的更新，系统具备了较强的鲁棒性，可以更好地适应不确定和噪声环境，此外，系统参数可以根据具体需求调整，增加了系统的灵活性。
4、本申请的技术方案能够有效解决在对风力发电效率进行优化时稳定性和准确性较差的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过使用平滑去噪算法，有效消除了数据中的噪声和异常值，增强了数据的可靠性，通过自组织特征映射算法和主成分分析，实现了对重要特征的提取和数据维度的降低。这不仅减少了计算的复杂性，还消除了无关特征的干扰，使得模型能够更聚焦于与风力发电效率密切相关的特征，提高了风力发电效率预测的准确性和稳定性；基于分形理论、分析变换和模糊逻辑构成混合预测模型，考虑了多个特征的多层次分析，能更全面地抓住风速时间序列等预处理后的数据集的内在规律，从而提高预测准确性；利用灰色预测、粗糙集理论、变分自动编码器对训练后的模型进行验证，更好的确定混合预测模型的稳定性和鲁棒性，得到更准确的风力发电效率预测；采用粒子群优化（PSO）结合信息素更新和模拟退火策略，可自适应地调整涡轮的工作参数。这种自适应能力使得系统能够在不同的工况下达到最优状态，有助于降低能耗并提高整体效率，通过模拟退火策略和信息素的更新，系统具备了较强的鲁棒性，可以更好地适应不确定和噪声环境，此外，系统参数可以根据具体需求调整，增加了系统的灵活性。
附图说明
图1为本申请利用大数据优化风力发电效率的系统模块图；
图2为本申请利用大数据优化风力发电效率的方法流程图；
具体实施方式
本申请实施例通过提供一种利用大数据优化风力发电效率的方法，解决了现有技术中在对风力发电效率进行优化时稳定性和准确性较差的技术问题，总体思路如下：
首先，利用传感器和接口收集发电设备的相关实时和历史数据，并将收集的数据进行整合，并存储在统一的数据库中，对整合后的统一数据集进行数据预处理，为模型开发与训练提供数据依据；然后，基于预处理后的数据集构建和训练混合预测模型，并对训练好的模型进行交叉验证和测试，得到训练并验证后的混合预测模型；基于混合预测模型，得到实时的系统预测状态，使用优化算法调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化；最后，基于整个系统的操作和数据流，实施安全协议和合规检查，确保整个系统的安全性，持续监控系统的关键性能指标，通过可视化工具展示系统状态，在检测到问题时，及时发出报警和通知；同时，对系统性能进行定期评估，根据评估结果和反馈，不断优化和更新，以确系统保持续高效运行；通过使用平滑去噪算法，有效消除了数据中的噪声和异常值，增强了数据的可靠性，通过自组织特征映射算法和主成分分析，实现了对重要特征的提取和数据维度的降低。这不仅减少了计算的复杂性，还消除了无关特征的干扰，使得模型能够更聚焦于与风力发电效率密切相关的特征，提高了风力发电效率预测的准确性和稳定性；本申请基于分形理论、分析变换和模糊逻辑构成混合预测模型，考虑了多个特征的多层次分析，能更全面地抓住风速时间序列等预处理后的数据集的内在规律，从而提高预测准确性；利用灰色预测、粗糙集理论、变分自动编码器对训练后的模型进行验证，更好的确定混合预测模型的稳定性和鲁棒性，得到更准确的风力发电效率预测；采用粒子群优化（PSO）结合信息素更新和模拟退火策略，可自适应地调整涡轮的工作参数。这种自适应能力使得系统能够在不同的工况下达到最优状态，有助于降低能耗并提高整体效率，通过模拟退火策略和信息素的更新，系统具备了较强的鲁棒性，可以更好地适应不确定和噪声环境，此外，系统参数可以根据具体需求调整，增加了系统的灵活性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种利用大数据优化风力发电效率系统包括以下部分：
数据收集模块，数据整合模块，数据预处理模块，模型开发与训练模块，实时优化和控制模块，安全合规模块，监测可视化模块，维护模块；
所述数据收集模块，使用传感器和接口收集来自风力发电的相关实时和历史数据，如风力涡轮、气象站、电网的实时和历史数据，提供基础数据支持；
所述数据整合模块，将所述数据收集模块采集到的数据进行整合处理，即整合不同数据源并存储在统一的数据库中，确保数据的一致性和完整性，为后续分析提供统一和标准化的数据接口；所述数据库用来存放整合后的数据集；
所述数据预处理模块，对所述数据整合模块整合后的统一数据集进行预处理，确保数据质量以及适配不同的分析模型；
所述模型开发与训练模块，基于所述数据预处理模块预处理后的数据集构建和训练混合预测模型，生成准确的风力发电效率预测，用于实时控制；并对训练好的模型进行交叉验证和测试，保证模型的可靠性和鲁棒性，得到训练并验证后的混合预测模型；
所述实时优化和控制模块，基于所述模型开发与训练模块得到的混合预测模型，得到实时的系统状态，使用优化算法调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化，降低能源浪费；
所述安全合规模块，基于整个系统的操作和数据流，实施安全协议和合规检查，确保整个系统的安全性，包括数据的保密、完整和可用，并确保符合相关法规，维护系统的可靠性和合法性；
所述监测可视化模块，与所有模块连接，基于各个模块的运行状态和关键性能指标，提供系统的实时监测和可视化展示，如性能指标、报警和通知，提供系统运行的透明度，及时发现和处理问题；
所述维护模块，对系统性能进行定期评估，实施必要的优化和更新，与所有模块相互作用，确保系统的持续稳定运行和适应环境的变化；
参照附图2，本申请所述一种利用大数据优化风力发电效率的方法包括以下步骤：
S1. 利用传感器和接口收集发电设备的相关实时和历史数据，并将收集的数据进行整合，并存储在统一的数据库中，对整合后的统一数据集进行数据预处理，为模型开发与训练提供数据依据；
S11. 收集来自风力发电的相关实时和历史数据并进行整合，得到实时和历史数据的统一数据集；
选择合适的传感器和接口用来收集数据，如风速传感器，用于收集风速数据；风向传感器，用于收集风向数据；涡轮转速传感器，用于收集涡轮的转速；气象站接口，用于获取气温、湿度等气象信息；然后对采集到的数据进行整合处理，所述整合处理，包含数据格式转换，数据对齐与同步，数据整合（合并）；整合处理后，将所有收集到的数据存储在统一的数据库中，每个数据点可以表示为一个多维向量，得到某一时期的传感器或接口的数据集合，记当前的数据集合为：，其中，N表示数据集合的维度，/>表示一个传感器或接口的数据子集，/>，进一步，实现从风力涡轮和其他相关设备的实时和历史数据的收集、整合、并存储在统一的数据库中，为后续的分析和优化提供数据基础；
S12. 对整合后的数据集进行预处理；
作为一个具体实施例，以风速传感器实时收集数据集为例，，其中，M表示数据集/>的维度，集合/>中的任意一个元素可以由/>表示，/>表示第j个数据点，/>；
首先，利用平滑去噪算法，对整合后的数据集进行数据清洗，具体有，选择一个奇数的窗口大小n，以确保中位数的存在，对每个数据点，找到与其相邻的n个数据点，并计算这些点的中位数和平均数，取中位数和平均数的平均值作为新的滤波数据点，公式为：
，
其中，表示平滑去噪后的数据点，/>表示中位数函数，/>表示均值函数；由/>组成清洗后的数据集/>；利用上述过程，可以得到清洗后的数据集合；
进一步，对数据清洗后的数据集利用自组织特征映射算法提取特征，首先进行初始化，确定网格大小，设置权重矩阵的维度，设置初始邻域大小，且初始化权重矩阵，所述权重矩阵代表数据的拓扑结构和分布；再进行迭代训练，具体有：从清洗后的数据集中随机选择一个样本/>，/>，找到最接近的节点（BMU），公式如下：
，
其中，代表权重。
根据最接近的节点（BMU）及其邻域内的节点，对权重进行更新，公式如下：
，
其中，表示学习率，/>，/>表示初始学习率，控制着权重的初始更新幅度；t表示迭代的步骤，从0开始，随着迭代的次数增加而增加；/>表示时间常数，控制学习率和邻域半径随时间衰减的速度；/>表示邻域函数，，/>表示最接近的节点（BMU）i与节点j在网格上的距离，表示邻域半径，/>；/>表示初始邻域半径；最后随着训练的进行，逐渐减小邻域的大小，重复上述过程直至收敛，所述收敛条件为设置最大迭代次数T；当达到这个次数时，算法停止，或当权重矩阵连续几次更新的变化小于某个设定的阈值/>时，认为网络已经收敛，停止迭代；或当邻域半径减小到一个特定的阈值/>以下时，也可能停止迭代；所述阈值通过经验法获得。
最后识别权重矩阵中的稀疏结构，基于稀疏性约束选择重要特征，从权重矩阵中，根据稀疏性约束，选择与风力发电效率最相关的特征，得到与风力发电效率最相关的特征集；
进一步，利用主成分分析法对特征集进行标准化和归一化处理，首先通过观察特征之间的相互关系来计算协方差矩阵，公式如下：
，
其中，n表示特征集的维度，/>表示特征集/>的任意一个元素，/>表示特征集/>的均值；
计算特征值和特征向量，通过解协方差矩阵的特征值问题来找到主成分，选择与最大特征值对应的特征向量，最大特征值对应的方向能够解释数据最大的方差，将原始数据投影到主成分上，完成降维并使数据标准化和归一化，得到标准化和归一化后的数据集；
通过主成分分析，不仅可以减少数据的维数，而且可以将数据转换为一个新的坐标系统，其中主成分解释了数据中的最大方差，可以增强后续风力发电效率预测模型的性能，因为它减少了噪声和无关特征的影响。
本申请通过使用平滑去噪算法，有效消除了数据中的噪声和异常值，增强了数据的可靠性，通过自组织特征映射算法和主成分分析，实现了对重要特征的提取和数据维度的降低。这不仅减少了计算的复杂性，还消除了无关特征的干扰，使得模型能够更聚焦于与风力发电效率密切相关的特征，提高了风力发电效率预测的准确性和稳定性。
S2. 基于预处理后的数据集构建和训练混合预测模型，并对训练好的模型进行交叉验证和测试，得到训练并验证后的混合预测模型；
基于预处理后的数据集进行模型构建、训练和验证，得到更准确且有更强鲁棒性的混合预测模型，具体有：
模型构建：基于分形理论、分析变换和模糊逻辑构成混合预测模型；
模型训练：首先，将预处理后的数据集利用分形理论进行特征提取，计算数据集/>的Hurst指数，以反应数据的自相似性。
以预处理后的风速时间序列数据为例，计算公式如下：
，
其中，表示风速时间序列的范围；/>表示风速时间序列的标准差；n表示时间段长度，/>表示风速的Hurst指数，反映风速数据的自相似性和复杂性；
基于Hurst指数得到分形维数，计算公式如下：
，
同样地，采用上述算法计算其他预处理后的数据集的分形维数集和Hurst指数集，所述其他预处理后的数据集如风向、涡轮转速、气温和湿度；
进一步，对预处理后的数据集利用分析变换进行分解，捕捉不同尺度的特性，以预处理后的风速时间序列数据为例，计算公式如下：
，
其中，表示尺度因子，/>表示平移因子，/>表示风速时间序列，/>表示分析变换基函数，/>表示分析系数，反映了风速在一定尺度和位置的特性；
同样地，采用上述算法来计算其他预处理后的数据集的分析系数集；
进一步，模糊逻辑建模，根据上述提取的分形维数集、分析系数集、Hurst指数集特性定义输入的模糊变量，并利用经验法设定适当的隶属度函数，进行模糊化，根据风力发电系统的专家知识和历史数据构建模糊规则库，使用模糊推理机制（例如Mamdani推理）得到模型的输出；再进行模糊训练：使用训练数据调整模糊系统的参数，定义均方误差作为损失函数，直至训练完成，得到预测模型，公式如下：
，
其中，是预测模型输出，/>是模型输入，/>是模糊逻辑系统的推理机制；
最终得到训练后的模型参数和结构以及风力发电效率预测模型；
进一步，基于训练后的模糊逻辑模型和预处理后的数据集进行模型验证和测试，首先利用灰色预测对测试集进行趋势预测，得到数据集中各类的趋势预测数据；利用粗糙集理论将预测数据划分为等价类，以确定数据的重要特征；最后，基于粗糙集理论提取的特征集以及预测风力的实际值，使用变分自动编码器学习特征集的概率分布，并通过解码器重构预测，公式如下：
，
其中，表示生成的数据分布；/>表示重构误差，期望的计算；/>表示生成模型，给定潜在变量z，描述观测数据x的条件分布，由解码器实现；/>表示正则化项，Kullback-Leibler散度，衡量两个分布之间的相似度或距离，特别是潜在变量的后验分布与先验分布之间的距离；表示编码后的潜在空间分布，给定观测数据x，潜在变量z的分布由编码器部分描述，其中的/>是编码器的参数；/>表示潜在变量z的先验分布。
进一步，使用训练后的模糊逻辑模型，输入预处理后的测试数据集（包括风速、风向等）来得到预测结果，与重构的预测结果进行对比，评估两者的一致性和相似度，同时，将这两个预测结果与实际观测值进行比较，计算误差指标如均方误差、平均绝对误差；通过以上对比，可以得到模型预测结果的准确性，衡量模型对实际参数的拟合程度；通过改变输入条件，例如在测试数据集中加入噪声或使用不同的测试子集，观察模糊逻辑模型的预测性能是否稳定，如果性能变化不大，则认为模型具有较好的鲁棒性。
基于分形理论、分析变换和模糊逻辑构成混合预测模型，考虑了多个特征的多层次分析，能更全面地抓住风速时间序列等预处理后的数据集的内在规律，从而提高预测准确性；利用灰色预测、粗糙集理论、变分自动编码器对训练后的模型进行验证，更好的确定预测模型的稳定性和鲁棒性，得到更准确的风力发电效率预测。
S3. 通过实时数据监测，得到风力涡轮和其他相关设备的状态，基于混合预测模型，得到实时的系统预测状态，使用优化算法调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化；具体有：
初始化：随机生成L个粒子，每个粒子表示一个可能的涡轮参数组合的解决方案；利用经验法为每一个粒子设置一个初始速度，范围从涡轮参数的最小变化到最大变化，设置每个粒子之间的初始信息素为常量，设置模拟退火的初始温度；
评估过程：利用风力预测模型评估每个粒子的风力发电效率，更新每个粒子的粒子最佳解和全局最佳解；
进一步，更新过程：
第k+1次更新时：
粒子速度更新：
，
其中，表示第k次更新时粒子i的速度，表示涡轮参数变化的方向和幅度；/>表示第k次更新时粒子i的位置，表示涡轮的当前工作参数；/>表示k次更新时粒子i的历史最佳位置；/>表示第k次更新时全局最佳位置；/>、/>、/>表示权重常数，/>、/>表示[0,1]范围内的随机数；
粒子位置更新：
，
信息素更新：
，
其中，表示第k次更新时从位置i到位置j的信息素浓；/>表示信息素蒸发系数；表示第k次迭代中从位置i到位置j的信息素增量；
模拟退火策略：如果粒子i在连续几次迭代中未改进，则通过以下公式确定是否接受新解：
，
其中，表示能量差异，通过评估粒子得出；/>表示模拟退火的当前温度；
温度更新：
，
其中，表示温度下降系数，由工作人员选择；
收敛检查：如果连续M次迭代未见改进或达到最大迭代次数，则停止；
得到最优涡轮参数，基于最优涡轮参数，调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化。
本申请采用粒子群优化（PSO）结合信息素更新和模拟退火策略，可自适应地调整涡轮的工作参数。这种自适应能力使得系统能够在不同的工况下达到最优状态，有助于降低能耗并提高整体效率，通过模拟退火策略和信息素的更新，系统具备了较强的鲁棒性，可以更好地适应不确定和噪声环境，此外，系统参数可以根据具体需求调整，增加了系统的灵活性。
S4. 基于整个系统的操作和数据流，实施安全协议和合规检查，确保整个系统的安全性，持续监控系统的关键性能指标，通过可视化工具展示系统状态，在检测到问题时，及时发出报警和通知；同时，对系统性能进行定期评估，根据评估结果和反馈，不断优化和更新，以确保系统持续高效运行。
结合政府规定以及各行业的实施安全协议，确保数据和系统的安全，并且在系统运行过程中遵循所有相关的法律和标准，符合所有合规检查，实现整个系统的安全和合规管理；
在系统运行过程中，持续监控系统的关键性指标，并通过仪表板或LED展示屏等可视化工具进行系统状态展示，当检测到问题时，在可视化工具中显示，并及时发出报警和通知；
对系统性能进行周期性评估，并根据评估结果和反馈，不断优化和更新，以确系统保持续高效运行。
综上所述，便完成了本申请所述的一种利用大数据优化风力发电效率的方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本申请通过使用平滑去噪算法，有效消除了数据中的噪声和异常值，增强了数据的可靠性，通过自组织特征映射算法和主成分分析，实现了对重要特征的提取和数据维度的降低。这不仅减少了计算的复杂性，还消除了无关特征的干扰，使得模型能够更聚焦于与风力发电效率密切相关的特征，提高了风力发电效率预测的准确性和稳定性。
2、本申请基于分形理论、分析变换和模糊逻辑构成混合预测模型，考虑了多个特征的多层次分析，能更全面地抓住风速时间序列等预处理后的数据集的内在规律，从而提高预测准确性；利用灰色预测、粗糙集理论、变分自动编码器对训练后的模型进行验证，更好的确定预测模型的稳定性和鲁棒性，得到更准确的风力发电效率预测。
3、本申请采用粒子群优化（PSO）结合信息素更新和模拟退火策略，可自适应地调整涡轮的工作参数。这种自适应能力使得系统能够在不同的工况下达到最优状态，有助于降低能耗并提高整体效率，通过模拟退火策略和信息素的更新，系统具备了较强的鲁棒性，可以更好地适应不确定和噪声环境，此外，系统参数可以根据具体需求调整，增加了系统的灵活性。
效果调研：
本申请的技术方案能够有效解决在对风力发电效率进行优化时稳定性和准确性较差的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过使用平滑去噪算法，有效消除了数据中的噪声和异常值，增强了数据的可靠性，通过自组织特征映射算法和主成分分析，实现了对重要特征的提取和数据维度的降低。这不仅减少了计算的复杂性，还消除了无关特征的干扰，使得模型能够更聚焦于与风力发电效率密切相关的特征，提高了风力发电效率预测的准确性和稳定性；基于分形理论、分析变换和模糊逻辑构成混合预测模型，考虑了多个特征的多层次分析，能更全面地抓住风速时间序列等预处理后的数据集的内在规律，从而提高预测准确性；利用灰色预测、粗糙集理论、变分自动编码器对训练后的模型进行验证，更好的确定预测模型的稳定性和鲁棒性，得到更准确的风力发电效率预测；采用粒子群优化（PSO）结合信息素更新和模拟退火策略，可自适应地调整涡轮的工作参数。这种自适应能力使得系统能够在不同的工况下达到最优状态，有助于降低能耗并提高整体效率，通过模拟退火策略和信息素的更新，系统具备了较强的鲁棒性，可以更好地适应不确定和噪声环境，此外，系统参数可以根据具体需求调整，增加了系统的灵活性。
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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种利用大数据优化风力发电效率系统，其特征在于，包括以下部分：
数据收集模块，数据整合模块，数据预处理模块，模型开发与训练模块，实时优化和控制模块，安全合规模块，监测可视化模块，维护模块；
所述数据收集模块，使用传感器和接口收集来自风力发电设备的实时和历史数据，提供基础数据支持；所述实时和历史数据包括风力涡轮、气象站、电网的实时和历史数据；
所述数据整合模块，将所述数据收集模块采集到的数据进行整合处理，即整合不同数据源并存储在统一的数据库中，确保数据的一致性和完整性，为后续分析提供统一和标准化的数据接口；所述数据库用来存放整合后的数据集；
所述数据预处理模块，对所述数据整合模块整合后的统一数据集进行预处理，确保数据质量以及适配不同的分析模型；
所述模型开发与训练模块，基于所述数据预处理模块预处理后的数据集构建和训练混合预测模型，生成准确的风力发电效率预测，用于实时控制；并对训练好的模型进行交叉验证和测试，保证模型的可靠性和鲁棒性，得到训练并验证后的混合预测模型；
所述实时优化和控制模块，基于所述模型开发与训练模块得到的混合预测模型，得到实时的系统状态，使用优化算法调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化，降低能源浪费；
所述安全合规模块，基于整个系统的操作和数据流，实施安全协议和合规检查，确保整个系统的安全性，包括数据的保密、完整和可用，并确保符合法规，维护系统的可靠性和合法性；
所述监测可视化模块，与所有模块连接，基于各个模块的运行状态和关键性能指标，提供系统的实时监测和可视化展示，包括性能指标、报警和通知，提供系统运行的透明度，及时发现和处理问题；
所述维护模块，对系统性能进行定期评估，实施必要的优化和更新，与所有模块相互作用，确保系统的持续稳定运行和适应环境的变化。
2.一种利用大数据优化风力发电效率的方法，其特征在于，包括以下步骤：
S1. 利用传感器和接口收集来自风力发电设备的实时和历史数据，并将收集的数据进行整合，并存储在统一的数据库中，对整合后的统一数据集进行数据预处理，为模型开发与训练提供数据依据；所述实时和历史数据包括风力涡轮、气象站、电网的实时和历史数据；
S2. 基于预处理后的数据集构建和训练混合预测模型，并对训练好的模型进行交叉验证和测试，得到训练并验证后的混合预测模型；
S3. 通过实时数据监测，得到风力涡轮和叶片、塔筒、齿轮箱的状态，基于混合预测模型，得到实时的系统预测状态，使用优化算法调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化；
S4. 基于整个系统的操作和数据流，实施安全协议和合规检查，确保整个系统的安全性，持续监控系统的关键性能指标，通过可视化工具展示系统状态，在检测到问题时，及时发出报警和通知；同时，对系统性能进行定期评估，根据评估结果和反馈，不断优化和更新，以确保系统持续高效运行。
3.根据权利要求2所述一种利用大数据优化风力发电效率的方法，其特征在于，所述步骤S1，具体包括：
收集来自风力发电的实时和历史数据并进行整合，得到实时和历史数据的统一数据集，对整合后的数据集进行预处理。
4.根据权利要求3所述一种利用大数据优化风力发电效率的方法，其特征在于，在所述步骤S1中，还包括：
在对整合后的数据集进行预处理时，首先，利用平滑去噪算法，对整合后的数据集进行数据清洗，然后，对数据清洗后的数据集利用自组织特征映射算法提取特征，最后利用主成分分析法对特征集进行标准化和归一化处理。
5.根据权利要求2所述一种利用大数据优化风力发电效率的方法，其特征在于，在所述步骤S2中，具体包括：
基于预处理后的数据集进行模型构建、训练和验证，得到更准确且有更强鲁棒性的混合预测模型。
6.根据权利要求5所述一种利用大数据优化风力发电效率的方法，其特征在于，在所述步骤S2中，还包括：
在进行模型构建时，基于分形理论、分析变换和模糊逻辑构成混合预测模型，并对混合预测模型进行模型训练。
7.根据权利要求6所述一种利用大数据优化风力发电效率的方法，其特征在于，在所述步骤S2中，还包括：
在进行模型验证时，利用灰色预测、粗糙集理论、变分自动编码器对训练后的模型进行验证。
8.根据权利要求2所述一种利用大数据优化风力发电效率的方法，其特征在于，在所述步骤S3中，具体包括：
在寻找最优涡轮工作参数时，利用迭代更新算法寻找最优方案，首先通过涡轮参数组合的解决方案利用风力预测模型评估每种方案的风力发电效率，不断更新每个方案中的每个参数的最优和全局最优，得到最优涡轮参数，基于最优涡轮参数，调整涡轮工作参数，实现涡轮的实时优化和自适应控制，使风力发电效率达到最优化。
CN202311100906.6A 2023-08-30 2023-08-30 一种利用大数据优化风力发电效率的方法 Active CN116821610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311100906.6A CN116821610B (zh) 2023-08-30 2023-08-30 一种利用大数据优化风力发电效率的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311100906.6A CN116821610B (zh) 2023-08-30 2023-08-30 一种利用大数据优化风力发电效率的方法

Publications (2)

Publication Number Publication Date
CN116821610A CN116821610A (zh) 2023-09-29
CN116821610B true CN116821610B (zh) 2023-10-31

Family

ID=88113126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311100906.6A Active CN116821610B (zh) 2023-08-30 2023-08-30 一种利用大数据优化风力发电效率的方法

Country Status (1)

Country Link
CN (1) CN116821610B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111478B (zh) * 2023-10-20 2024-03-01 山东暖谷新能源环保科技有限公司 一种暖风炉的进气隔热控制系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102817781A (zh) * 2012-09-06 2012-12-12 华锐风电科技(集团)股份有限公司 风力发电机的风能捕获控制方法和装置及风力发电系统
CN114430816A (zh) * 2019-10-02 2022-05-03 通用电气公司 用于融合风力涡轮机的多种分析以提高效率的系统和方法
CN116658359A (zh) * 2023-07-14 2023-08-29 重庆大学 一种风电场实时协同偏航控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10815972B2 (en) * 2019-03-22 2020-10-27 General Electric Company System and method for assessing and validating wind turbine and wind farm performance

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102817781A (zh) * 2012-09-06 2012-12-12 华锐风电科技(集团)股份有限公司 风力发电机的风能捕获控制方法和装置及风力发电系统
CN114430816A (zh) * 2019-10-02 2022-05-03 通用电气公司 用于融合风力涡轮机的多种分析以提高效率的系统和方法
CN116658359A (zh) * 2023-07-14 2023-08-29 重庆大学 一种风电场实时协同偏航控制方法

Also Published As

Publication number Publication date
CN116821610A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
Li et al. Short-term wind power prediction based on data mining technology and improved support vector machine method: A case study in Northwest China
Quan et al. A survey of computational intelligence techniques for wind power uncertainty quantification in smart grids
CN107730044A (zh) 一种可再生能源发电和负荷的混合预测方法
CN106779200A (zh) 基于在历史数据中进行相似搜索的风电机组状态预测方法
CN116821610B (zh) 一种利用大数据优化风力发电效率的方法
CN112651290A (zh) 一种水电机组振动趋势预测方法和系统
Hu et al. Daily condition monitoring of grid-connected wind turbine via high-fidelity power curve and its comprehensive rating
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN117290800B (zh) 一种基于超图注意力网络的时序异常检测方法及系统
CN114519923A (zh) 一种电厂智能诊断预警方法和系统
CN114201920A (zh) 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统
Wang et al. Hybrid deep learning model for short-term wind speed forecasting based on time series decomposition and gated recurrent unit
CN115409369A (zh) 基于机理和数据混合驱动的综合能源系统可靠性评估方法
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和系统
CN114153826A (zh) 基于增强卷积去噪算法的风电机组数据清洗方法及装置
CN113361782A (zh) 基于改进mkpls的光伏发电功率短期滚动预测方法
CN112508278A (zh) 一种基于证据回归多模型的多联供系统负荷预测方法
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
Han et al. On fault prediction based on industrial big data
CN111061191B (zh) 一种基于分布式的油气储罐远程运维方法
CN114552570A (zh) 一种海上风电功率预测管理系统
Shao et al. Fine-gained recurrence graph: graphical modeling of vibration signal for fault diagnosis of wind turbine

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