CN117056758A - 风电机组运行状态识别方法、装置及设备 - Google Patents
风电机组运行状态识别方法、装置及设备 Download PDFInfo
- Publication number
- CN117056758A CN117056758A CN202311311806.8A CN202311311806A CN117056758A CN 117056758 A CN117056758 A CN 117056758A CN 202311311806 A CN202311311806 A CN 202311311806A CN 117056758 A CN117056758 A CN 117056758A
- Authority
- CN
- China
- Prior art keywords
- data
- wind turbine
- state
- state data
- data set
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000002245 particle Substances 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 210000001061 forehead Anatomy 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000638 solvent extraction 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
- G06F18/23—Clustering techniques
-
- 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
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Wind Motors (AREA)
Abstract
本公开提出一种风电机组运行状态识别方法、装置及设备,方法包括:获取多个风电机组在目标时刻的状态数据,以及各风电机组对应的理论功率;基于各风电机组对应的理论功率,将多个风电机组在目标时刻的状态数据划分为至少一个数据集;采用粒子群算法,分别确定各数据集对应的至少一个初始聚类中心;针对任一数据集,基于数据集对应的各初始聚类中心,对数据集进行聚类,以得到对应的至少一个数据簇;基于各数据簇,确定各风电机组在目标时刻的运行状态。由此,可以实现对风电机组在目标时刻的运行状态的自动识别,可以提高识别结果的准确性和可靠性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种风电机组运行状态识别方法、装置及设备。
背景技术
风能作为一种洁净无公害的可再生能源,越来越受到人们的重视,且利用风能转化成电能的产业得到了迅速发展。在风电产业中,随着风电场中风电机组(又可以称为风力发电机组)服役年限的增加,风电机组的安全隐患日益增加,风电机组的运行可靠性和发电效率可能会逐渐下降。
为了风电场的发展和风电机组的运行安全,及时了解风电机组的运行状态,以便于相关工作人员制定合理的调整风电机组运行与维护策略,是非常重要的。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开提出一种风电机组运行状态识别方法、装置及设备,以优先采用粒子群算法,对多个风电机组在目标时刻的状态数据的聚类中心进行修正,从而在修正后的聚类中心的基础上进行聚类,进而可以实现基于聚类后的数据簇对风电机组在目标时刻的运行状态的自动识别,可以提高识别结果的准确性和可靠性。
本公开第一方面实施例提出了一种风电机组运行状态识别方法,包括:
获取多个风电机组在目标时刻的状态数据,以及各所述风电机组对应的理论功率;其中,所述状态数据包括在对应时刻所述风电机组的输出功率、所述风电机组所处环境的自然风速和所述风电机组的桨距角;
基于各所述风电机组对应的理论功率,将所述多个风电机组在目标时刻的状态数据划分为至少一个数据集;
采用粒子群算法,分别确定各所述数据集对应的至少一个初始聚类中心;
针对任一所述数据集,基于所述数据集对应的各所述初始聚类中心,对所述数据集进行聚类,以得到对应的至少一个数据簇;
基于各所述数据簇,确定各所述风电机组在所述目标时刻的运行状态。
本公开第二方面实施例提出了一种风电机组运行状态识别装置,包括:
第一获取模块,用于获取多个风电机组在目标时刻的状态数据,以及所述多个风电机组对应的理论功率;其中,所述状态数据包括在对应时刻所述风电机组的输出功率、所述风电机组所处环境的自然风速和所述风电机组的桨距角;
划分模块,用于基于各所述风电机组对应的理论功率,将所述多个风电机组在目标时刻的状态数据划分为至少一个数据集;
第一确定模块,用于采用粒子群算法,分别确定各所述数据集对应的至少一个初始聚类中心;
聚类模块,用于针对任一所述数据集,基于所述数据集对应的各所述初始聚类中心,对所述数据集进行聚类,以得到对应的至少一个数据簇;
第二确定模块,用于基于各所述数据簇,确定各所述风电机组在所述目标时刻的运行状态。
本公开第三方面实施例提出了一种电子设备,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,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的风电机组运行状态识别方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开第一方面实施例提出的风电机组运行状态识别方法。
本公开第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,执行如本公开第一方面实施例提出的风电机组运行状态识别方法。
本公开实施例的风电机组运行状态识别方法,通过获取多个风电机组在目标时刻的状态数据,以及各风电机组对应的理论功率;其中,状态数据包括在对应时刻风电机组的输出功率、风电机组所处环境的自然风速和风电机组的桨距角;基于各风电机组对应的理论功率,将多个风电机组在目标时刻的状态数据划分为至少一个数据集;采用粒子群算法,分别确定各数据集对应的至少一个初始聚类中心;针对任一数据集,基于数据集对应的各初始聚类中心,对数据集进行聚类,以得到对应的至少一个数据簇;基于各数据簇,确定各风电机组在目标时刻的运行状态。由此,优先采用粒子群算法,对多个风电机组在目标时刻的状态数据的聚类中心进行修正,从而在修正后的聚类中心的基础上进行聚类,进而可以实现基于聚类后的数据簇对风电机组在目标时刻的运行状态的自动识别,可以提高识别结果的准确性和可靠性。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本公开实施例一所提供的风电机组运行状态识别方法的流程示意图;
图2为本公开实施例二所提供的风电机组运行状态识别方法的流程示意图;
图3为本公开实施例三所提供的一种风电机组运行状态识别装置的结构示意图;
图4示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
目前,一些学者对风电机组运行状态辨识进行了相应的研究,并取得了一定的研究成果。但是,当前研究主要针对单台风电机组进行状态识别或划分,而不同风电机组由于存在数据分布差异,如果将已训练好的单台风电机组的行为模型直接应用于多风电机组运行状态辨识,运行状态识别的准确率会降低。
相关技术中,风电机组状态识别方法常常采用传统的密度聚类方法。但是,对于风电机组运行状态的识别来说,其数据集元素间的关系复杂、数据维度高,这些传统的密度聚类方法不适用于复杂多样的风电机组运行状态相似性的描述和量化;其次,在传统的密度聚类方法中,初始输入参数固定后无法进行修正,在进行了多次迭代后容易产生更大的误差;再次,初始输入参数的选择具有很大的主观性,若输入参数差异过大,也无法进行修正;最后,由于风电机组数据集十分庞大,存在很多极端数据,在这些极端数据的基础上直接进行聚类处理,可能会导致运行状态识别混淆的问题。
针对上述问题,本公开提出一种风电机组运行状态识别方法、装置及设备。
下面参考附图描述本公开实施例的风电机组运行状态识别方法装置及设备。
图1为本公开实施例一所提供的风电机组运行状态识别方法的流程示意图。
本公开实施例以该风电机组运行状态识别方法被配置于风电机组运行状态识别装置中来举例说明,该风电机组运行状态识别装置可以应用于任一电子设备中,以使该电子设备可以执行风电机组运行状态识别功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑(PersonalComputer,简称PC)、移动终端、服务器等,移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该风电机组运行状态识别方法可以包括以下步骤:
步骤101,获取多个风电机组在目标时刻的状态数据,以及各风电机组对应的理论功率。
其中,状态数据可以包括在对应时刻风电机组的输出功率、风电机组所处环境的自然风速和风电机组的桨距角。
在本公开实施例中,可以获取多个风电机组在目标时刻的状态数据。
在本公开实施例中,还可以获取各风电机组对应的理论功率。
作为一种可能的实现方式,针对任一风电机组,可以获取风电机组的额定风速、切入风速、额定功率和切出风速,并可以基于额定风速、切入风速、额定功率和切出风速,确定风电机组对应的理论功率。
作为一种示例,针对风电机组A,该风电机组的额定风速为f1、切入风速f2、额定功率P额、切出风速f3,则可以根据以下公式,确定该风电机组对应的理论功率P':
P'=P额*(f3-f2)/(f1-f2);(1)
在本公开实施例的一种可能的实现方式中,在获取多个风电机组在目标时刻的状态数据之后,针对任一风电机组,在确定风电机组在目标时刻的状态数据中存在缺失值的情况下,可以获取风电机组在目标时刻的前一时刻的状态数据,以及在目标时刻的后一时刻的状态数据;基于风电机组在目标时刻的前一时刻的状态数据,以及在目标时刻的后一时刻的状态数据,可以采用插值法对缺失值进行填充处理。
作为一种示例,假设多个风电机组中第j个风电机组在目标时刻t的状态数据为,其中,该第j个风电机组在目标时刻t时的输出功率为Null,该第j个风电机组在目标时刻t时所处环境的自然风速为/>,该第j个风电机组在目标时刻t时的桨距角为/>;该第j个风电机组在目标时刻的状态数据存在缺失值,即该第j个风电机组在目标时刻t时的输出功率缺失,可以获取该第j个风电机组在目标时刻t的前一时刻t-1时的状态数据/>,以及在目标时刻t的后一时刻t+1时的状态数据,其中,该第j个风电机组在目标时刻的前一时刻t-1时的输出功率为/>,该第j个风电机组在目标时刻的前一时刻t-1时所处环境的自然风速为/>,该第j个风电机组在目标时刻的前一时刻t-1时的桨距角为/>,该第j个风电机组在目标时刻的后一时刻t+1时的输出功率为/>,该第j个风电机组在目标时刻的后一时刻t+1时所处环境的自然风速为/>,该第j个风电机组在目标时刻的后一时刻t+1时的桨距角为/>;可以基于第j个风电机组在目标时刻的前一时刻t-1时的状态数据,以及在目标时刻的后一时刻t+1时的状态数据,采用插值法,按照以下公式,对缺失值进行填充处理,即对第j个风电机组在目标时刻t时的输出功率/>进行填充处理:
;(2)
上述仅以风电机组在目标时刻的输出功率存在缺失值进行示例,在风电机组在目标时刻的所处环境的自然风速和/或桨距角存在缺失值时,对其缺失值进行填充处理的方法与对风电机组在目标时刻的输出功率存在缺失值时的填充处理方法类似,在此不做赘述。
步骤102,基于各风电机组对应的理论功率,将多个风电机组在目标时刻的状态数据划分为至少一个数据集。
在本公开实施例中,数据集可以为一个,或者也可以为多个,本公开对此不做限制。
在本公开实施例的一种可能的实现方式中,数据集可以包括第一数据集和第二数据集。
在本公开实施例中,可以基于各风电机组对应的理论功率,将多个风电机组在目标时刻的状态数据划分为至少一个数据集。
在本公开实施例的一种可能的实现方式中,在数据集包括第一数据集和第二数据集的情况下,针对任一风电机组,当风电机组在目标时刻的输出功率小于风电机组对应的理论功率时,则可以将风电机组在目标时刻的状态数据添加至第一数据集;当风电机组在目标时刻的输出功率未小于风电机组对应的理论功率时,可以将风电机组在目标时刻的状态数据添加至第二数据集。
作为一种示例,第一数据集为低层风电数据集,第二数据集为高层风电数据集,针对多个风电机组中的任一风电机组,当该风电机组在目标时刻的输出功率P小于风电机组对应的理论功率P'时,则将该风电机组在目标时刻的状态数据添加至第一数据集,即添加至低层风电数据集;当该风电机组在目标时刻的输出功率P未小于风电机组对应的理论功率P'时,则将该风电机组在目标时刻的状态数据添加至第二数据集,即添加至高层风电数据集。
在将多个风电机组在目标时刻的状态数据划分为至少一个数据集之后,在本公开实施例的一种可能的实现方式中,可以从多个风电机组在目标时刻的输出功率中确定最大输出功率和最小输出功率,且针对任一数据集,可以基于最大输出功率和最小输出功率,对数据集中的任一状态数据中的输出功率进行标准化处理;和/或,可以从多个风电机组在目标时刻的桨距角中确定最大桨距角和最小桨距角,且针对任一数据集,可以基于最大桨距角和最小桨距角,对数据集中的任一状态数据中的桨距角进行标准化处理。
作为一种示例,假设将多个风电机组在目标时刻的状态数据划分为数据集A和数据集B,该多个风电机组在目标时刻的输出功率中最大输出功率为max(WP),最小输出功率为min(WP);针对数据集A,假设该数据集A中存在n个风电机组在目标时刻的状态数据,该数据集A中的第i个风电机组在目标时刻的输出功率为WPi,i∈[1,n]且i为正整数,可以基于最大输出功率和最小输出功率,按照以下公式,对数据集A中的第i个风电机组的状态数据中的输出功率WPi进行标准化处理:
;(3)
其中,为数据集A中的第i个风电机组的状态数据中的输出功率WPi进行标准化处理后的结果;
假设该多个风电机组在目标时刻的桨距角中最大桨距角为max(BPA),最小桨距角为min(BPA);针对数据集A,假设该数据集A中存在n个风电机组在目标时刻的状态数据,该数据集A中的第j个风电机组在目标时刻的桨距角为BPAi,j∈[1,n]且j为正整数,可以基于最大桨距角和最小桨距角,按照以下公式,对数据集A中的第i个风电机组的状态数据中的桨距角WPi进行标准化处理:
;(4)
其中,为数据集A中的第i个风电机组的状态数据中的输出功率BPAi进行标准化处理后的结果。
步骤103,采用粒子群算法,分别确定各数据集对应的至少一个初始聚类中心。
在本公开实施例中,任一数据集对应的初始聚类中心的数量可以为一个,或者也可以为多个,本公开对此不做限制。
在本公开实施例中,可以采用粒子群算法,分别确定各数据集对应的至少一个初始聚类中心。
作为一种示例,针对任一数据集,可以采用以下步骤实现对该数据集的初始聚类中心的确定:
1、粒子群初始化,并设置迭代总次数
其中,粒子群的种群个数可以为数据集中状态数据的总个数;粒子群中任一粒子的初始位置值可以表示数据集中对应状态数据中的输出功率;粒子群中任一粒子的初始速度可以表示数据集中对应状态数据中的自然风速;并可以设置粒子群中各粒子的初始适应度值,将粒子群中各粒子对应的初始最优位置值设置为对应的初始位置值。
作为一种示例,假设数据集A中包括的状态数据分别为data1、data2……datan,针对数据集A中的第i个状态数据datai有:
datai=(WPi,WSi,BPAi);(5)
其中,i∈[1,n]且i为正整数;WPi表示数据集A中第i个状态数据中的输出功率;WSi表示数据集A中第i个状态数据中的自然风速;BPAi表示数据集A中第i个状态数据中的桨距角;
针对该数据集A,粒子群的种群个数为数据集A中状态数据的总个数n;针对粒子群中第i个粒子,第i个粒子的初始位置值表示数据集A中第i个状态数据中的输出功率WPi,第i个粒子的初始速度表示数据集A中第i个状态数据中的自然风速WSi。
且,针对粒子群中第i个粒子,可以设置粒子群中该第i个粒子的初始适应度值为b,其中,i∈[1,n]且i为正整数,b为小于0.3的任一数值;该第i个粒子的初始位置最优值为WPi。
2、基于各粒子的初始位置值、初始速度、初始适应度值和初始位置最优值,执行迭代总次数轮的迭代过程,以在任一轮迭代过程中,对粒子群最优集合和最优访问集合进行更新;其中,粒子群最优集合中的元素和最优访问集合中的元素均具有对应的次序。
其中,在任一轮迭代过程中,在迭代过程的次序不大于迭代总次数的情况下,针对粒子种群中任一粒子,可以基于粒子的本轮速度和本轮适应度值,确定粒子的下一轮适应度值,并可以基于粒子的本轮位置值和本轮速度,确定粒子的下一轮位置值和下一轮速度;当粒子的下一轮适应度值大于粒子的本轮位置最优值,确定粒子的下一轮位置最优值为粒子的下一轮位置值;当粒子的下一轮适应度值未大于粒子的本轮位置最优值,确定粒子的下一轮位置最优值为粒子的本轮位置最优值,并将粒子的下一轮位置最优值添加至粒子群最优集合中,以及将粒子在数据集中对应的状态数据添加至最优访问集合中。
仍以上述示例进行示例,假设迭代总次数为iteration,在第k轮迭代过程中,当k≤iteration时,针对粒子种群中第i个粒子,可以基于该粒子的本轮速度和本轮适应度值/>,可以按照以下公式,确定该粒子的下一轮适应度值/>:
;(6)
并可以基于该粒子的本轮位置值和本轮速度/>,按照以下公式,确定该粒子的下一轮位置值/>和下一轮速度/>:
;(7)
;(8)
其中,WindSW为风电机组状态权重;WindID为风电机组状态个体因子;WindGD为风电机组状态群体因子;为第i个粒子的本轮位置最优值;
当时,则可以确定第i个粒子的下一轮位置最优值为该粒子的下一轮位置值/>;当/>时,则可以确定第i个粒子的位置最优值/>为该粒子的本轮位置最优值/>,并可以将第i个粒子的下一轮位置最优值/>添加至粒子群最优集合WindBestG中,以及将第i个粒子在数据集A中对应的状态数据(即数据集A中第i个状态数据)添加至最优访问集合BestVisited中。
其中,需要说明的是,假设将第i个粒子的下一轮位置最优值添加至粒子群最优集合WindBestG中,且将第i个粒子在数据集A中对应的状态数据(即数据集A中第i个状态数据datai=(WPi,WSi,BPAi))添加至最优访问集合BestVisited中之后,第i个粒子的下一轮位置最优值/>在粒子群最优集合WindBestG中的次序为L,那么,第i个粒子在数据集A中对应的状态数据(WPi,WSi,BPAi)在最优访问集合BestVisited中的次序也为L。
可以理解的是,在迭代过程的次序大于迭代总次数的情况下,可以停止迭代。
3、在执行迭代总次数轮的迭代过程之后,将粒子群最优集合中任一元素作为数据集对应的初始聚类中心。
步骤104,针对任一数据集,基于数据集对应的各初始聚类中心,对数据集进行聚类,以得到对应的至少一个数据簇。
在本公开实施例中,任一数据集对应的数据簇的数量可以为一个,或者也可以为多个,本公开对此不做限制。
在本公开实施例中,针对任一数据集,可以基于数据集对应的各初始聚类中心,对数据集进行聚类,可以得到数据集对应的至少一个数据簇。
步骤105,基于各数据簇,确定各风电机组在目标时刻的运行状态。
在本公开实施例中,可以基于所有数据集对应的数据簇,确定各风电机组在目标时刻的运行状态。
作为一种可能的实现方式,针对任一数据簇,可以基于数据簇中的各状态数据中的输出功率,确定数据簇对应的平均功率,并可以基于平均功率,确定数据簇中的各状态数据对应的风电机组在目标时刻的运行状态。
作为一种示例,针对数据簇B,当该数据簇中的存在m个状态数据,其中,第i个状态数据中的输出功率为WPi,i∈[1,m]且i为正整数,对该数据簇B中的各状态数据中的输出功率进行加权求平均,可以得到该数据簇B对应的平均功率;从而可以基于该平均功率/>,确定该数据簇B中的各状态数据所对应的风电机组在目标时刻的运行状态。比如,当平均功率/>小于0(单位为千瓦)时,可以确定该数据簇B中的各状态数据所对应的风电机组在目标时刻的运行状态为故障状态;当/>∈(0,10)(单位为千瓦)时,可以确定该数据簇B中的各状态数据所对应的风电机组在目标时刻的运行状态为欠功率状态;/>∈(10,+∞)(单位为千瓦)时,可以确定该数据簇B中的各状态数据所对应的风电机组在目标时刻的运行状态为正常状态。
需要说明是,上述对基于平均功率,确定数据簇中的各状态数据对应的风电机组在目标时刻的运行状态的方法仅是示例性的,在实际应用中,还可以为其它,本公开对此不做限制。
本公开实施例的风电机组运行状态识别方法,通过获取多个风电机组在目标时刻的状态数据,以及各风电机组对应的理论功率;其中,状态数据包括在对应时刻风电机组的输出功率、风电机组所处环境的自然风速和风电机组的桨距角;基于各风电机组对应的理论功率,将多个风电机组在目标时刻的状态数据划分为至少一个数据集;采用粒子群算法,分别确定各数据集对应的至少一个初始聚类中心;针对任一数据集,基于数据集对应的各初始聚类中心,对数据集进行聚类,以得到对应的至少一个数据簇;基于各数据簇,确定各风电机组在目标时刻的运行状态。由此,优先采用粒子群算法,对多个风电机组在目标时刻的状态数据的聚类中心进行修正,从而在修正后的聚类中心的基础上进行聚类,进而可以实现基于聚类后的数据簇对风电机组在目标时刻的运行状态的自动识别,可以提高识别结果的准确性和可靠性。
为了清楚说明本公开上述实施例中,针对任一数据集,是如何基于数据集对应的各初始聚类中心,对数据集进行聚类,以得到对应的至少一个数据簇的,本公开还提出一种风电机组运行状态识别方法。
图2为本公开实施例二所提供的风电机组运行状态识别方法的流程示意图。
如图2所示,基于本公开上述实施例,该风电机组运行状态识别方法还可以包括以下步骤:
步骤201,针对数据集对应的任一初始聚类中心,遍历数据集,以确定数据集中的各状态数据与初始聚类中心之间的距离。
在本公开实施例中,针对数据集对应的任一初始聚类中心,可以遍历数据集,以确定数据集中的各状态数据与初始聚类中心之间的距离。
作为一种示例,在存在最优访问集合的情况下,针对数据集对应的任一初始聚类中心,可以根据初始聚类中心,查询最优访问集合,以从最优访问集合中确定与初始聚类中心对应的目标状态数据;基于与初始聚类中心对应的目标状态数据,可以遍历数据集,可以确定数据集中的各状态数据与目标状态数据之间的距离;针对数据集中任一状态数据,将状态数据与目标状态数据之间的距离作为状态数据与初始聚类中心之间的距离。
仍以步骤103中的示例进行说明,假设数据集A对应的初始聚类中心中存在一初始聚类中心为WP',且WP'在粒子群最优集合WindBestG中的次序为m,则可以查询最优访问集合BestVisited中的第m个元素,确定该初始聚类中心WP'在数据集A中对应的目标状态数据,即最优访问集合BestVisited中第m个元素对应的状态数据,假设该目标状态数据为(wp,ws,bpa),可以遍历数据集A,可以按照以下公式,确定数据集A中的各状态数据与目标状态数据之间的距离:
;(9)
其中,(WPi,WSi,BPAi)为数据集A中第i个状态数据,DISTi表示目标状态数据(wp,ws,bpa)与数据集A中第i个状态数据之间的距离;
针对数据集A中第i个状态数据,可以将DISTi作为第i个状态数据与初始聚类中心WP'之间的距离。
由此,可以有效获取数据集中的各状态数据与初始聚类中心之间的距离。
步骤202,基于数据集中的任一状态数据与初始聚类中心之间的距离,确定状态数据是否属于初始聚类中心对应的数据簇。
作为一种可能的实现方式,可以基于数据集对应的各初始聚类中心,确定数据集对应的邻域半径;针对数据集中的任一状态数据,响应于状态数据与初始聚类中心之间的距离未大于数据集对应的邻域半径,确定状态数据属于初始聚类中心对应的数据簇;响应于状态数据与初始聚类中心之间的距离大于数据集对应的邻域半径,确定状态数据不属于初始聚类中心对应的数据簇。
作为一种示例,假设存在数据集A,该数据集A对应的各初始聚类中心分别为a1、a2……aK,其中,K为正整数;可以基于数据集A对应的各初始聚类中心,按照以下公式,确定该数据集A对应的邻域半径Eps:
;(10)
针对该数据集A中的任一状态数据,当该状态数据与初始聚类中心之间的距离未大于数据集对应的邻域半径Eps时,则可以确定该状态数据属于初始聚类中心对应的数据簇;而当该状态数据与初始聚类中心之间的距离大于数据集对应的邻域半径Eps时,确定该状态数据不属于初始聚类中心对应的数据簇。
步骤203,确定属于初始聚类中心对应的数据簇的状态数据的第一总个数。
在本公开实施例中,可以计算并确定属于初始聚类中心对应的数据簇的状态数据的第一总个数。
步骤204,响应于第一总个数大于设定阈值,保留初始聚类中心对应的数据簇。
在本公开实施例中,设定阈值可以为预先设定的,比如,可以为5、10等,本公开对设定阈值的取值不做限制。
在本公开实施例中,当第一总个数大于设定阈值时,可以保留初始聚类中心对应的数据簇。
需要说明的是,当属于初始聚类中心对应的数据簇的状态数据的第一总个数未大于设定阈值时,表明初始聚类中心对应的数据簇中的元素个数较多,该初始聚类中心对应的数据簇稠密,此时,可以保留该初始聚类中心对应的数据簇。
步骤205,响应于第一总个数未大于设定阈值,删除初始聚类中心对应的数据簇。
在本公开实施例中,当第一总个数未大于设定阈值时,删除初始聚类中心对应的数据簇。
需要说明的是,当属于初始聚类中心对应的数据簇的状态数据的第一总个数未大于设定阈值时,表明初始聚类中心对应的数据簇中的元素个数较少,该初始聚类中心对应的数据簇数据稀疏,可以将初始聚类中心对应的数据簇中的各元素视为噪声点,并删除该初始聚类中心对应的数据簇。
需要说明的是,步骤204和步骤205是择一执行的。
本公开实施例的风电机组运行状态识别方法,通过针对数据集对应的任一初始聚类中心,遍历数据集,以确定数据集中的各状态数据与初始聚类中心之间的距离;基于数据集中的任一状态数据与初始聚类中心之间的距离,确定状态数据是否属于初始聚类中心对应的数据簇;确定属于初始聚类中心对应的数据簇的状态数据的第一个数;响应于第一个数大于设定阈值,保留初始聚类中心对应的数据簇;响应于第一个数未大于设定阈值,删除初始聚类中心对应的数据簇。由此,可以有效得到数据集对应的数据簇。
与上述图1至图2实施例提供的风电机组运行状态识别方法相对应,本公开还提供一种风电机组运行状态识别装置,由于本公开实施例提供的风电机组运行状态识别装置与上述图1至图2实施例提供的风电机组运行状态识别方法相对应,因此在风电机组运行状态识别方法的实施方式也适用于本公开实施例提供的风电机组运行状态识别装置,在本公开实施例中不再详细描述。
图3是本公开实施例三所提供的一种风电机组运行状态识别装置的结构示意图。
如图3所示,该风电机组运行状态识别装置300可以包括:第一获取模块301、划分模块302、第一确定模块303、聚类模块304和第二确定模块305。
其中,第一获取模块301,用于获取多个风电机组在目标时刻的状态数据,以及各风电机组对应的理论功率;其中,状态数据包括在对应时刻风电机组的输出功率、风电机组所处环境的自然风速和风电机组的桨距角。
划分模块302,用于基于各风电机组对应的理论功率,将多个风电机组在目标时刻的状态数据划分为至少一个数据集。
第一确定模块303,用于采用粒子群算法,分别确定各数据集对应的至少一个初始聚类中心。
聚类模块304,用于针对任一数据集,基于数据集对应的各初始聚类中心,对数据集进行聚类,以得到对应的至少一个数据簇。
第二确定模块305,用于基于各数据簇,确定各风电机组在目标时刻的运行状态。
在本公开实施例的一种可能的实现方式中,聚类模块304,用于:针对数据集对应的任一初始聚类中心,遍历数据集,以确定数据集中的各状态数据与初始聚类中心之间的距离;基于数据集中的任一状态数据与初始聚类中心之间的距离,确定状态数据是否属于初始聚类中心对应的数据簇;确定属于初始聚类中心对应的数据簇的状态数据的第一总个数;响应于第一总个数大于设定阈值,保留初始聚类中心对应的数据簇;响应于第一总个数未大于设定阈值,删除初始聚类中心对应的数据簇。
在本公开实施例的一种可能的实现方式中,聚类模块304,用于:基于数据集对应的各初始聚类中心,确定数据集对应的邻域半径;针对数据集中的任一状态数据,响应于状态数据与初始聚类中心之间的距离未大于数据集对应的邻域半径,确定状态数据属于初始聚类中心对应的数据簇;响应于状态数据与初始聚类中心之间的距离大于数据集对应的邻域半径,确定状态数据不属于初始聚类中心对应的数据簇。
在本公开实施例的一种可能的实现方式中,第一获取模块301,用于:针对任一风电机组,获取风电机组的额定风速、切入风速、额定功率和切出风速;基于额定风速、切入风速、额定功率和切出风速,确定风电机组对应的理论功率。
在本公开实施例的一种可能的实现方式中,数据集包括第一数据集和第二数据集;划分模块302,用于:针对任一风电机组,在风电机组在目标时刻的输出功率小于风电机组对应的理论功率的情况下,将风电机组在目标时刻的状态数据添加至第一数据集;在风电机组在目标时刻的输出功率未小于风电机组对应的理论功率的情况下,将风电机组在目标时刻的状态数据添加至第二数据集。
在本公开实施例的一种可能的实现方式中,该风电机组运行状态识别装置300还可以包括:
第二获取模块,用于针对任一风电机组,在确定风电机组在目标时刻的状态数据中存在缺失值的情况下,获取风电机组在目标时刻的前一时刻的状态数据,以及在目标时刻的后一时刻的状态数据。
第一处理模块,用于基于风电机组在目标时刻的前一时刻的状态数据,以及在目标时刻的后一时刻的状态数据,采用插值法对缺失值进行填充处理。
在本公开实施例的一种可能的实现方式中,该风电机组运行状态识别装置300还可以包括第二处理模块,其中,第二处理模块用于:
从多个风电机组在目标时刻的输出功率中确定最大输出功率和最小输出功率;针对任一数据集,基于最大输出功率和最小输出功率,对数据集中的任一状态数据中的输出功率进行标准化处理;
和/或,
从多个风电机组在目标时刻的桨距角中确定最大桨距角和最小桨距角;针对任一数据集,基于最大桨距角和最小桨距角,对数据集中的任一状态数据中的桨距角进行标准化处理。
在本公开实施例的一种可能的实现方式中,第二确定模块305,用于:针对任一数据簇,基于数据簇中的各状态数据中的输出功率,确定数据簇对应的平均功率;基于平均功率,确定数据簇中的各状态数据对应的风电机组在目标时刻的运行状态。
本公开实施例的风电机组运行状态识别装置,通过获取多个风电机组在目标时刻的状态数据,以及各风电机组对应的理论功率;其中,状态数据包括在对应时刻风电机组的输出功率、风电机组所处环境的自然风速和风电机组的桨距角;基于各风电机组对应的理论功率,将多个风电机组在目标时刻的状态数据划分为至少一个数据集;采用粒子群算法,分别确定各数据集对应的至少一个初始聚类中心;针对任一数据集,基于数据集对应的各初始聚类中心,对数据集进行聚类,以得到对应的至少一个数据簇;基于各数据簇,确定各风电机组在目标时刻的运行状态。由此,优先采用粒子群算法,对多个风电机组在目标时刻的状态数据的聚类中心进行修正,从而在修正后的聚类中心的基础上进行聚类,进而可以实现基于聚类后的数据簇对风电机组在目标时刻的运行状态的自动识别,可以提高识别结果的准确性和可靠性。
为了实现上述实施例,本发明还提出一种电子设备,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,所述处理器执行所述程序时,实现如本发明前述任一实施例提出风电机组运行状态识别方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如本发明前述任一实施例提出的风电机组运行状态识别方法。
为了实现上述实施例,本发明还提出一种计算机程序产品,当所述计算机程序产品中的指令由处理器执行时,执行如本发明前述任一实施例提出的风电机组运行状态识别方法。
根据本发明的实施例,本发明还提供了一种电子设备、一种非临时性计算机可读存储介质和一种计算机程序产品。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种风电机组运行状态识别方法,其特征在于,所述方法包括:
获取多个风电机组在目标时刻的状态数据,以及各所述风电机组对应的理论功率;其中,所述状态数据包括在对应时刻所述风电机组的输出功率、所述风电机组所处环境的自然风速和所述风电机组的桨距角;
基于各所述风电机组对应的理论功率,将所述多个风电机组在目标时刻的状态数据划分为至少一个数据集;
采用粒子群算法,分别确定各所述数据集对应的至少一个初始聚类中心;
针对任一所述数据集,基于所述数据集对应的各所述初始聚类中心,对所述数据集进行聚类,以得到对应的至少一个数据簇;
基于各所述数据簇,确定各所述风电机组在所述目标时刻的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述基于所述数据集对应的各所述初始聚类中心,对所述数据集进行聚类,以得到对应的至少一个数据簇,包括:
针对所述数据集对应的任一所述初始聚类中心,遍历所述数据集,以确定所述数据集中的各所述状态数据与所述初始聚类中心之间的距离;
基于所述数据集中的任一所述状态数据与所述初始聚类中心之间的距离,确定所述状态数据是否属于所述初始聚类中心对应的数据簇;
确定属于所述初始聚类中心对应的数据簇的状态数据的第一总个数;
响应于所述第一总个数大于设定阈值,保留所述初始聚类中心对应的数据簇;
响应于所述第一总个数未大于所述设定阈值,删除所述初始聚类中心对应的数据簇。
3.根据权利要求2所述的方法,其特征在于,所述基于所述数据集中的任一所述状态数据与所述初始聚类中心之间的距离,确定所述状态数据是否属于所述初始聚类中心对应的数据簇,包括:
基于所述数据集对应的各初始聚类中心,确定所述数据集对应的邻域半径;
针对所述数据集中的任一所述状态数据,响应于所述状态数据与所述初始聚类中心之间的距离未大于所述数据集对应的邻域半径,确定所述状态数据属于所述初始聚类中心对应的数据簇;
响应于所述状态数据与所述初始聚类中心之间的距离大于所述数据集对应的邻域半径,确定所述状态数据不属于所述初始聚类中心对应的数据簇。
4.根据权利要求1所述的方法,其特征根在于,所述获取各所述风电机组对应的理论功率,包括:
针对任一所述风电机组,获取所述风电机组的额定风速、切入风速、额定功率和切出风速;
基于所述额定风速、所述切入风速、所述额定功率和所述切出风速,确定所述风电机组对应的理论功率。
5.根据权利要求1所述的方法,其特征在于,所述数据集包括第一数据集和第二数据集;
所述基于各所述风电机组对应的理论功率,将所述多个风电机组在目标时刻的状态数据划分为至少一个数据集,包括:
针对任一所述风电机组,在所述风电机组在所述目标时刻的输出功率小于所述风电机组对应的理论功率的情况下,将所述风电机组在所述目标时刻的状态数据添加至所述第一数据集;
在所述风电机组在所述目标时刻的输出功率未小于所述风电机组对应的理论功率的情况下,将所述风电机组在所述目标时刻的状态数据添加至所述第二数据集。
6.根据权利要求1所述的方法,其特征在于,在所述获取多个风电机组在目标时刻的状态数据之后,所述方法还包括:
针对任一所述风电机组,在确定所述风电机组在所述目标时刻的状态数据中存在缺失值的情况下,获取所述风电机组在所述目标时刻的前一时刻的状态数据,以及在所述目标时刻的后一时刻的状态数据;
基于所述风电机组在所述目标时刻的前一时刻的状态数据,以及在所述目标时刻的后一时刻的状态数据,采用插值法对所述缺失值进行填充处理。
7.根据权利要求1所述的方法,其特征在于,在所述将所述多个风电机组在目标时刻的状态数据划分为至少一个数据集之后,所述方法包括:
从所述多个风电机组在目标时刻的输出功率中确定最大输出功率和最小输出功率;针对任一所述数据集,基于所述最大输出功率和所述最小输出功率,对所述数据集中的任一所述状态数据中的输出功率进行标准化处理;
和/或,
从所述多个风电机组在目标时刻的桨距角中确定最大桨距角和最小桨距角;针对任一所述数据集,基于所述最大桨距角和所述最小桨距角,对所述数据集中的任一所述状态数据中的桨距角进行标准化处理。
8.根据权利要求1-7中任一所述的方法,其特征在于,所述基于各所述数据簇,确定各所述风电机组在所述目标时刻的运行状态,包括:
针对任一所述数据簇,基于所述数据簇中的各状态数据中的输出功率,确定所述数据簇对应的平均功率;
基于所述平均功率,确定所述数据簇中的各状态数据对应的风电机组在所述目标时刻的运行状态。
9.一种风电机组运行状态识别装置,其特征在于,所述装置包括:
第一获取模块,用于获取多个风电机组在目标时刻的状态数据,以及各所述风电机组对应的理论功率;其中,所述状态数据包括在对应时刻所述风电机组的输出功率、所述风电机组所处环境的自然风速和所述风电机组的桨距角;
划分模块,用于基于各所述风电机组对应的理论功率,将所述多个风电机组在目标时刻的状态数据划分为至少一个数据集;
第一确定模块,用于采用粒子群算法,分别确定各所述数据集对应的至少一个初始聚类中心;
聚类模块,用于针对任一所述数据集,基于所述数据集对应的各所述初始聚类中心,对所述数据集进行聚类,以得到对应的至少一个数据簇;
第二确定模块,用于基于各所述数据簇,确定各所述风电机组在所述目标时刻的运行状态。
10.一种电子设备,其特征在于,包括:
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-8中任一项所述的风电机组运行状态识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311311806.8A CN117056758B (zh) | 2023-10-11 | 2023-10-11 | 风电机组运行状态识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311311806.8A CN117056758B (zh) | 2023-10-11 | 2023-10-11 | 风电机组运行状态识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056758A true CN117056758A (zh) | 2023-11-14 |
CN117056758B CN117056758B (zh) | 2024-01-30 |
Family
ID=88659446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311311806.8A Active CN117056758B (zh) | 2023-10-11 | 2023-10-11 | 风电机组运行状态识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056758B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897945A (zh) * | 2017-03-02 | 2017-06-27 | 新疆金风科技股份有限公司 | 风力发电机组的聚类方法和设备 |
CN109118384A (zh) * | 2018-07-16 | 2019-01-01 | 湖南优利泰克自动化系统有限公司 | 一种风电机组健康预警方法 |
CN110674120A (zh) * | 2019-08-09 | 2020-01-10 | 国电新能源技术研究院有限公司 | 一种风电场数据清洗方法及装置 |
CN113128617A (zh) * | 2021-05-08 | 2021-07-16 | 江西理工大学 | 基于Spark和ASPSO的并行化K-means的优化方法 |
CN113339207A (zh) * | 2021-06-29 | 2021-09-03 | 浙江理工大学 | 一种风电机组主传动系统的运行工况划分方法及系统 |
CN114139632A (zh) * | 2021-12-03 | 2022-03-04 | 国网山西省电力公司电力科学研究院 | 一种风电场风电机组在线分类方法及系统 |
CN115686910A (zh) * | 2022-10-31 | 2023-02-03 | 中国农业银行股份有限公司 | 一种故障分析方法、装置、电子设备及介质 |
WO2023123685A1 (zh) * | 2021-12-27 | 2023-07-06 | 北京金风科创风电设备有限公司 | 风力发电机组的寿命评估方法和装置 |
-
2023
- 2023-10-11 CN CN202311311806.8A patent/CN117056758B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897945A (zh) * | 2017-03-02 | 2017-06-27 | 新疆金风科技股份有限公司 | 风力发电机组的聚类方法和设备 |
CN109118384A (zh) * | 2018-07-16 | 2019-01-01 | 湖南优利泰克自动化系统有限公司 | 一种风电机组健康预警方法 |
CN110674120A (zh) * | 2019-08-09 | 2020-01-10 | 国电新能源技术研究院有限公司 | 一种风电场数据清洗方法及装置 |
CN113128617A (zh) * | 2021-05-08 | 2021-07-16 | 江西理工大学 | 基于Spark和ASPSO的并行化K-means的优化方法 |
CN113339207A (zh) * | 2021-06-29 | 2021-09-03 | 浙江理工大学 | 一种风电机组主传动系统的运行工况划分方法及系统 |
CN114139632A (zh) * | 2021-12-03 | 2022-03-04 | 国网山西省电力公司电力科学研究院 | 一种风电场风电机组在线分类方法及系统 |
WO2023123685A1 (zh) * | 2021-12-27 | 2023-07-06 | 北京金风科创风电设备有限公司 | 风力发电机组的寿命评估方法和装置 |
CN115686910A (zh) * | 2022-10-31 | 2023-02-03 | 中国农业银行股份有限公司 | 一种故障分析方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
解超: "风电机组主传动系统多工况划分及健康状态评估", 《中国优秀硕士学位论文 工程科技II辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN117056758B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704995B (zh) | 多变电站多类型风机的电缆布局方法和计算机存储介质 | |
CN112232495B (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
KR102310306B1 (ko) | 발전소 군집화 및 군집 기반 이상진단 방법 | |
EP3667852A1 (en) | Mesoscale data-based automatic wind turbine layout method and device | |
WO2023123685A1 (zh) | 风力发电机组的寿命评估方法和装置 | |
CN117056758B (zh) | 风电机组运行状态识别方法、装置及设备 | |
CN113408070B (zh) | 发动机参数的确定方法、装置、设备及存储介质 | |
AU2021238365A1 (en) | Systems and methods for enhanced reactive power management in a hybrid environment | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
CN111079982A (zh) | 风电场的电缆路径的规划方法、系统、介质及电子设备 | |
US20210332793A1 (en) | Method and apparatus for controlling noise of multiple wind turbines | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
CN114723043A (zh) | 基于超图模型谱聚类的卷积神经网络卷积核剪枝方法 | |
CN111291326B (zh) | 一种结合类内相似度和类间差异度的聚类有效性指标建立方法 | |
CN114861338A (zh) | 风力发电机组参数的确定方法、装置及电子设备 | |
CN114123190A (zh) | 确定电表所属目标台区的方法、装置、电子设备及存储介质 | |
CN113153657A (zh) | 风机发电率损失预测方法、系统、设备及介质 | |
CN117251728A (zh) | 风电机组发电功率预测模型训练方法、装置及设备 | |
CN116160444B (zh) | 基于聚类算法的机械臂运动学逆解的优化方法、装置 | |
CN115037245A (zh) | 光伏阵列的异常检测方法、装置、电子设备及存储介质 | |
JP7026279B1 (ja) | 発電量計算モデルを生成する装置、方法、及びプログラム | |
US20220291844A1 (en) | Storage device system performance management | |
CN115271287A (zh) | 一种增发电量的确定方法、装置、设备及存储介质 | |
CN116205436A (zh) | 目标位置确定方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |