CN117688497B - 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 - Google Patents
基于后向轨迹模型的海上风电尾流干扰的数据处理方法 Download PDFInfo
- Publication number
- CN117688497B CN117688497B CN202410107231.6A CN202410107231A CN117688497B CN 117688497 B CN117688497 B CN 117688497B CN 202410107231 A CN202410107231 A CN 202410107231A CN 117688497 B CN117688497 B CN 117688497B
- Authority
- CN
- China
- Prior art keywords
- wake
- fan
- wind power
- sampling
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 175
- 230000008859 change Effects 0.000 claims description 72
- 239000003016 pheromone Substances 0.000 claims description 64
- 230000002159 abnormal effect Effects 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000013450 outlier detection Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000008434 ginseng Nutrition 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
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及离群点检测技术领域,具体涉及一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,该方法通过获取每台风机在每个采集时刻的风电数据,以及每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹二值图,结合该尾流轨迹二值图以及每台风机相对每个尾流来源的位置向量,确定每台风机在每个采样时刻的信息素修正系数,从而确定每台风机在每个采集时刻的修正后的初始信息素,并基于该修正后的初始信息素,对每台风机在各个采集时刻的风电数据进行异常识别。本发明有效提高了风电数据的数据异常识别准确性,保证了风电数据的监测可靠性。
Description
技术领域
本发明涉及离群点检测技术领域,具体涉及一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法。
背景技术
海上风电作为一种清洁、可持续的能源,是可再生能源发展的重点领域。对风机的功率输出、运行状态等其他关键风电数据进行实时监测,有助于评估整个风电场的性能,提高风电场的发电效率,方便进行故障诊断和预测维护。由于海上风力发电场的干扰较为严重,所监测到的风电数据中常常包含有异常数据,因此通常需要对所监测到的风电数据进行数据异常识别,并将识别到的异常数据从监测到的风电数据中剔除,从而最终得到准确可靠的风电监测数据。
蚁群算法作为一种常用的数据异常检测算法,通过将数据点视作路径上的节点,将路径上信息素浓度高的区域作为异常点,最终确定蚁群收敛时的异常路径,并在异常路径上确定异常数据点。在采用蚁群算法对风电数据进行数据异常检测时,由于受到尾流干扰的影响,从而无法判断风电数据的异常变化是由于尾流干扰还是数据异常,常常会将受到尾流干扰的风电数据误判为信息素浓度高的异常点,导致无法精准获取海上风电异常数据,从而降低了风电数据监测的准确性。
发明内容
本发明的目的在于提供一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,用于解决现有风电数据的数据异常识别不准确的问题。
为解决上述技术问题,本发明提供了一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,包括以下步骤:
获取每台风机在每个采集时刻的风电数据,以及每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹二值图;
根据每台风机在相邻采样时刻的相对同一尾流来源的尾流轨迹二值图的像素差异,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率;
根据每台风机在各个采样时刻的相对同一尾流来源的尾流轨迹二值图中尾流轨迹的差异、每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,以及每台风机相对每个尾流来源的距离,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度;
根据每台风机的位置以及每台风机在每个采样时刻对应的每个尾流来源的位置,确定每台风机在每个采样时刻相对每个尾流来源的位置向量,并根据每台风机在每个采样时刻所对应任意两个不同位置向量之间的差异,确定每台风机在每个采样时刻对应的尾流冲突指标;
根据每台风机在每个采样时刻对应的尾流冲突指标以及在每个采样时刻的相对每个尾流来源的尾流干扰程度,确定每台风机在每个采样时刻的信息素修正系数;
根据每台风机在每个采样时刻的信息素修正系数,对每台风机在每个采集时刻的风电数据所对应的初始信息素进行修正,并根据每台风机在每个采集时刻的风电数据及其修正后的初始信息素,进行风电数据异常识别。
进一步的,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,包括:
确定每台风机在每个采样时刻对应的各个参考时刻,所述参考时刻为对应采样时刻及其之前的设定数目个连续采样时刻;
根据每台风机在每个采样时刻对应的相邻参考时刻的相对同一尾流来源的尾流轨迹二值图中相同位置的像素点的像素值差异,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率。
进一步的,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻的相对第/>个尾流来源的尾流轨迹变化率;/>表示第/>台风机在第/>个采样时刻对应的第/>个参考时刻的相对第/>个尾流来源的尾流轨迹二值图中第/>个位置的像素点的像素值;/>表示第/>台风机在第/>个采样时刻对应的第/>个参考时刻的相对第/>个尾流来源的尾流轨迹二值图中第/>个位置的像素点的像素值;/>表示第/>台风机在第/>个采样时刻对应的参考时刻的总数目;/>表示第/>台风机在第/>个采样时刻对应的各个参考时刻的相对第/>个尾流来源的尾流轨迹二值图中像素点的总数目;||表示取绝对值符号。
进一步的,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度,包括:
根据每台风机在每个采样时刻及其参考时刻的相对同一尾流来源的尾流轨迹二值图中尾流轨迹,确定每台风机在每个采样时刻与其每个参考时刻的相对同一尾流来源的尾流轨迹重叠率;
根据每台风机在每个采样时刻对应的相对同一尾流来源的各个尾流轨迹重叠率的平均值和极差值,每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,以及每台风机相对每个尾流来源的距离,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度,所述极差值和距离均与所述尾流干扰程度成负相关关系,所述平均值和尾流轨迹变化率均与所述尾流干扰程度成正相关关系。
进一步的,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻的相对第/>个尾流来源的尾流干扰程度;/>表示第/>台风机在第/>个采样时刻的相对第/>个尾流来源的尾流轨迹变化率;表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率的极差值;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率中的最大值;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率中的最小值;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率的平均值;/>表示第/>台风机相对在第/>个采样时刻对应的第/>个尾流来源的距离;/>表示归一化函数;/>表示以自然常数e为底数的指数函数。
进一步的,确定每台风机在每个采样时刻对应的尾流冲突指标,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻对应的尾流冲突指标;/>表示第/>台风机在第/>个采样时刻相对第/>个尾流来源的位置向量;/>表示第/>台风机在第/>个采样时刻相对除了第/>个尾流来源外的第/>个尾流来源的位置向量;/>表示取模长符号;/>表示第/>台风机在第/>个采样时刻相对应的尾流来源的总数目;/>表示以自然常数e为底数的指数函数;表示归一化函数;| |表示取绝对值符号。
进一步的,确定每台风机在每个采样时刻的信息素修正系数,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻的信息素修正系数;/>表示第/>台风机在第/>个采样时刻的相对所有尾流来源的尾流干扰程度的平均值;/>表示第/>台风机在第/>个采样时刻对应的尾流冲突指标。
进一步的,对每台风机在每个采集时刻的风电数据所对应的初始信息素进行修正,包括:
确定每台风机在每个采集时刻的风电数据所对应的初始信息素中的最大值,得到最大信息素;
将每台风机在每个采样时刻的信息素修正系数与所述最大信息素的乘积,确定为每台风机在每个采样时刻的风电数据所对应的修正后的初始信息素;
对每台风机在每个采样时刻的风电数据所对应的修正后的初始信息素进行插值处理,从而得到每台风机在每个采集时刻的修正后的初始信息素。
进一步的,进行风电数据异常识别,包括:
确定每台风机在每个采集时刻及其前一个采集时刻的风电数据的差值绝对值,得到每台风机在每个采集时刻的风电数据差异值;
确定每台风机在每个采集时刻的时刻窗口区域,每个采集时刻在其对应的时刻窗口区域内,计算每个风机在每个采集时刻的时刻窗口区域内的所有采集时刻的风电数据差异值的平均值,从而得到每个风机在每个采集时刻的平均风电数据差异;
根据每个风机在每个采集时刻的风电数据差异值和平均风电数据差异,确定每个风机在每个采集时刻的风电数据变化指标值;
对每个风机在每个采集时刻的风电数据变化指标值进行标准化处理,得到每个风机在每个采集时刻的风电数据的异常程度;
根据每个风机在每个采集时刻的风电数据的异常程度以及对应的修正后的信息素,对所有异常程度进行异常数据识别,确定属于异常的异常程度,并将属于异常的异常程度所对应的风电数据确定为异常风电数据。
进一步的,利用蚁群算法对所有异常程度进行异常数据识别,确定属于异常的异常程度。
本发明具有如下有益效果:为了便于后续对每台风机在各个采集时刻的风电数据受到尾流干扰的情况进行分析,从而准确识别出异常风电数据,获取每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹二值图,根据该尾流轨迹二值图可以知道在每个采样时刻每个尾流来源的尾流轨迹区域。由于尾流轨迹出现频繁变化时,由于尾流风场存在非均匀性,风机功率受到的干扰越不稳定,因此通过对相邻采样时刻的相对同一尾流来源的尾流轨迹二值图的像素差异进行分析,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,该尾流轨迹变化率表征了每条尾流轨迹的整体变化率大小。由于风向的变化和风场的局部变化均会导致尾流轨迹的变化,但是两种尾流轨迹的变化特征不同,对风机输出功率数据的尾流干扰强度不同。因此,根据每台风机在各个采样时刻的相对同一尾流来源的尾流轨迹二值图中尾流轨迹的差异,对尾流轨迹的变化特征进行分析,同时结合相对每个尾流来源的尾流轨迹变化率以及每台风机相对每个尾流来源的距离,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度。由于风机同时受到多个其他风机的尾流效应影响时,不同尾流之间会相互冲突,而冲突程度会影响到风机输出功率的干扰程度。因此通过对每台风机在每个采样时刻所对应任意两个不同位置向量之间的差异进行分析,可以确定每台风机在每个采样时刻对应的尾流冲突指标。综合考虑每台风机在每个采样时刻对应的尾流冲突指标以及在每个采样时刻的相对每个尾流来源的尾流干扰程度,对每台风机在每个采样时刻的风电数据的干扰异常程度进行衡量,当干扰异常程度较高时,则降低对应风电数据的初始信息素,避免该风电数据被识别为异常数据,最终实现风电数据异常识别。本发明通过根据每台风机在每个采样时刻所受到的不同程度的尾流干扰情况,不同采集时刻的风电数据设置不同的初始信息素,从而降低被尾流干扰的数据被识别为异常数据的概率,从而得到了更准确的异常数据识别结果,最终保证了海上风电机组的监测精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例的基于后向轨迹模型的海上风电尾流干扰的数据处理方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
为了解决现有风电数据的数据异常识别不准确的问题,本实施例提供了一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,该方法对应的流程图如图1所示,包括以下步骤:
步骤S1:获取每台风机在每个采集时刻的风电数据,以及每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹二值图。
对海上风电场每台风机的风电数据进行采集,设置采集频率为1秒采集一次,将每次采集对应的时间点作为一个采集时刻,从而可以得到每台风机在每个采集时刻的风电数据。在本实施例中,这里的风电数据具体是指风机的输出功率,当然,作为其他的实施方式,该风电数据还可以是输出电压等受到风速影响的其他类型的数据。
考虑到在海上风电场中,尾流效应是一个重要的干扰因素,是指风力发电机组产生的气流,会对其后方的风力发电机组产生影响,导致风场非均匀性,并对风电机组的各项监测数据产生影响。当风机只受到单台其他风机的尾流影响时,那么风机的功率受到影响的程度是有限的,而当风机同时受到多台其他风机的尾流效应影响时,那么由于尾流之间的互相作用和干扰,就会导致风机受到的尾流干扰的程度较大,从而引起风机输出功率的波动变化。那么此时,在采用蚁群算法对监测到的风机的输出功率进行数据异常检测时,就难以判断输出功率的异常变化是由于尾流干扰还是数据异常,从而导致无法精准获取海上风电异常输出功率。因此,为了精准获取海上风电异常输出功率,需要对风机受到尾流影响的情况进行分析,降低受到尾流影响的风机输出功率被识别为异常数据的概率,从而可以更好地识别风机输出功率的异常数据。
为了对风机受到尾流影响的情况进行分析,采集海上风电场周围的天气数据,考虑到天气数据在极短时间内发生大的变化,同时为了降低后续数据处理的计算量,设置采集频率为1分钟采集一次,该采集频率即认为满足了数据采集精度,将每次采集对应的时间点作为一个采样时刻,从而可以得到各个采样时刻的天气数据。确定每个采样时刻之前的设定时间段,该设定时间段包括对应的采样时刻,该设定时间段的长短可以根据需要进行合理设置,本实施例设置为1小时。将每个采样时刻之前的设定时间段内各个采样时刻的天气数据,以及海上风电场各个风机的位置等相关信息输入到后向轨迹模型中,从而可以得到在每个采样时刻对应的风向来源和尾流后向轨迹图。后向轨迹模型是由美国国家海洋和大气管理局的空气资源实验室和澳大利亚气象局联合研发的用于计算和分析大气气流的轨迹,并可以实时预报风场形势、研究大气输送轨迹的专业模型。在海上风电尾流干扰的研究当中,后向轨迹模型来追踪海上气流的运动轨迹,从而确定风电场周围的风向来源以及风力发电机组的尾流后向轨迹图。由于利用后向轨迹模型来获取每个采样时刻对应的风向来源和尾流后向轨迹图的具体实现过程属于现有技术,此处不再赘述。当然,作为其他的实施方式,也可以采用现有技术中的其他模型来获取每个采样时刻对应的风向来源和尾流后向轨迹图,在此不做限制。
在获取到每个采样时刻对应的风向来源和尾流后向轨迹图之后,对于每台风机,将影响到该风机的所有尾流轨迹(尾流轨迹经过该风机即视为受到影响)按照风向来源不同,分为多个尾流轨迹,每个尾流轨迹对应一个风向来源,该风向来源也称为尾流来源,每个尾流来源为对该风机产生尾流影响的其他风机。根据尾流后向轨迹图中的每个尾流轨迹的位置信息,将尾流后向轨迹图转化为二值图,其中对于任意一个尾流轨迹,将该尾流轨迹经过的区域中像素点的像素值为1,并将其他所有区域(其他尾流轨迹和非尾流轨迹区域)中像素点的像素值为0,从而可以得到每个尾流轨迹的尾流轨迹二值图。按照这种方式,可以获取到每个采样时刻的影响到每台风机的每个尾流轨迹的尾流轨迹二值图,由于每个尾流轨迹对应一个尾流来源,也即可以获得每台风机在每个采样时刻的相对影响到每台风机的每个尾流来源的尾流轨迹二值图。
步骤S2:根据每台风机在相邻采样时刻的相对同一尾流来源的尾流轨迹二值图的像素差异,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率。
在海上风机组中,风机距离造成尾流的风机的距离越远,那么尾流的强度越低;风机造成的尾流轨迹出现频繁变化时,说明风向越不稳定,此时风机在尾流中的位置频繁变化,由于尾流风场存在非均匀性,因此尾流轨迹变化越频繁,风机功率受到的干扰越不稳定,风机的功率变化频率越高;同时风机受到的尾流干扰强度越强,风机功率的变化幅度越大。
基于这种特点,为了对风机造成的尾流轨迹的变化情况进行分析,对于任意一台风机,获取其在每个采样时刻对应的各个参考时刻,各个参考时刻是指每个采样时刻之前的且包括每个采样时刻的设定数目个采样时刻。在本实施例中,设定数目的取值为10。应当理解的是,对于前几个采样时刻,由于其前面不够包含其在内的设定数目个采样时刻,此时则将其后面的相邻采样时刻依次补入作为参考时刻,直至得到设定数目个参考时刻。
根据每台风机在每个采样时刻对应的相邻参考时刻的相对同一尾流来源的尾流轨迹二值图中相同位置的像素点的像素值差异,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻的相对第/>个尾流来源的尾流轨迹变化率;/>表示第/>台风机在第/>个采样时刻对应的第/>个参考时刻的相对第/>个尾流来源的尾流轨迹二值图中第/>个位置的像素点的像素值;/>表示第/>台风机在第/>个采样时刻对应的第/>个参考时刻的相对第/>个尾流来源的尾流轨迹二值图中第/>个位置的像素点的像素值;/>表示第/>台风机在第/>个采样时刻对应的参考时刻的总数目;/>表示第/>台风机在第/>个采样时刻对应的各个参考时刻的相对第/>个尾流来源的尾流轨迹二值图中像素点的总数目;||表示取绝对值符号。
在上述的尾流轨迹变化率的计算公式中,表示相对第/>个尾流来源的尾流轨迹的第/>个位置在第/>个参考时刻和第/>个参考时刻的轨迹变化情况,当该取值不为0即等于1时,说明该第/>个位置在第/>个参考时刻到第/>个参考时刻时该位置的尾流轨迹发生了变化。在此基础上,通过对第/>台风机在第/>个采样时刻对应的相邻两个参考时刻的相对同一尾流来源的尾流轨迹二值图中相同位置的像素点的像素值的差值绝对值求平均,可以得到第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的尾流轨迹的整体变化率,该值越大,表示第/>个尾流来源的尾流轨迹的变化越频繁,第/>个尾流来源的尾流轨迹整体的稳定性越差,对第/>台风机的输出功率数据的影响就越大。
应当理解的是,考虑到极个别情况下同一个尾流来源可能并不会在所有的采样时刻均会对某台风机产生影响,即同一个尾流来源可能在有些采样时刻会对某台风机产生影响,而在其他采样时刻不会对该台风机产生影响。因此,在确定上述尾流轨迹变化率的过程中,对于第个尾流来源,该第/>个尾流来源是指在第/>个采样时刻对应的所有参考时刻中至少有一个参考时刻会对第/>台风机产生尾流影响,若该尾流来源在某些参考时刻下不会对该台风机产生尾流影响,则将尾流后向轨迹图中的所有像素点的像素值均设置为0,并将得到的像素值均为0的二值图作为该风向来源在不会对该台风机产生尾流影响时的参考时刻的尾流轨迹二值图,获取此类尾流轨迹二值图的目的是为了便于进行每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率等参数的计算。
步骤S3:根据每台风机在相邻采样时刻的相对同一尾流来源的尾流轨迹二值图中尾流轨迹的差异、每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,以及每台风机相对每个尾流来源的距离,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度。
在确定风机受到的尾流干扰强度时,考虑到尾流轨迹发生变化时分为两种情况,一种是风向的变化导致尾流轨迹向某个方向变化的趋势项发生变化,另一种是风场的局部变化导致的尾流轨迹不稳定导致的变化。其中,前一种变化可以理解为风向的变化所导致的尾流轨迹的大幅度变化, 此时在采样时刻的多个参考时刻对应的相邻的尾流轨迹二值图中,像素点的像素值发生变化的数量较多,且像素值发生反复变化的情况较少,而且尾流轨迹的重叠率会比较低,此时风机的输出功率受到的影响是稳定变化的,风机功率的变化较为稳定,风机受到的尾流干扰强度较弱。第二种变化可以理解为风向的局部反复波动所导致的尾流轨迹的变化,此时在采样时刻的多个参考时刻对应的相邻的尾流轨迹二值图中,处于边缘位置的像素点的像素值会出现反复变化,且尾流轨迹的重叠率较高,此时风机的输出功率受到的影响较大,风机功率会出现更强的波动性,风机受到的尾流干扰强度较强。
因此,根据每台风机在每个采样时刻及其参考时刻的相对同一尾流来源的尾流轨迹二值图中的尾流轨迹,确定每台风机在每个采样时刻与其每个参考时刻的相对同一尾流来源的尾流轨迹重叠率,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻与其第/>个参考时刻的相对第/>个尾流来源的尾流轨迹重叠率;/>表示第/>台风机在第/>个采样时刻相对第/>个尾流来源的尾流轨迹二值图中尾流轨迹的面积;/>表示第/>台风机在第/>个采样时刻的第/>个参考时刻相对第/>个尾流来源的尾流轨迹二值图中尾流轨迹的面积;/>表示第/>台风机在第/>个采样时刻以及第/>个采样时刻的第/>个参考时刻相对第/>个尾流来源的尾流轨迹二值图中尾流轨迹的重叠区域面积;/>表示正参数,用于防止分母为零,本实施例设置/>。
根据上述的尾流轨迹重叠率的计算公式,可以确定每台风机在每个采样时刻与其每个参考时刻的相对同一尾流来源的尾流轨迹重叠率,该尾流轨迹重叠率越低,且采样时刻与其各个参考时刻的尾流轨迹重叠率之间的差异越大,说明尾流轨迹变化越可能是由于风向的变化导致的,此时风机输出功率数据受到尾流干扰的程度越小,尾流干扰对风机输出功率数据的稳定性影响越小。
结合每台风机在每个采样时刻对应的相对同一尾流来源的各个尾流轨迹重叠率的分布情况,每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,以及每台风机相对每个尾流来源的距离,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻的相对第/>个尾流来源的尾流干扰程度;/>表示第/>台风机在第/>个采样时刻的相对第/>个尾流来源的尾流轨迹变化率;表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率的极差值;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率中的最大值;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率中的最小值;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率的平均值;/>表示第/>台风机相对在第/>个采样时刻对应的第/>个尾流来源的距离;/>表示归一化函数;/>表示以自然常数e为底数的指数函数。
在上述的尾流干扰程度的计算公式中,表示影响第/>台风机的第/>个尾流来源的尾流轨迹在第/>个采样时刻对应的各个参考时刻内的整体变化率,该值越大,说明第/>个尾流来源的尾流轨迹的变化程度越大,对风机输出功率数据的影响程度就越大,该第/>个尾流来源也是指在第/>个采样时刻对应的所有参考时刻中至少有一个参考时刻会对第/>台风机产生尾流影响。/>表示第/>台风机在第/>个采样时刻与其之前的各个参考时刻的对第/>个尾流来源的平均尾流轨迹重叠率,该平均尾流轨迹重叠率的取值越大,说明第/>个采样时刻及其之前的各个参考时刻内第/>个尾流来源的尾流轨迹的重叠程度较大,尾流轨迹在当前时段内徘徊的可能性越大,对风机输出功率数据的影响越大。/>表示第/>台风机在第/>个采样时刻与其之前的各个参考时刻的对第/>个尾流来源的尾流轨迹重叠率的极差值,该值越大,说明第/>个采样时刻与其之前的各个参考时刻所对应的尾流轨迹重叠率的差异越大,说明尾流轨迹的位置在逐渐变化,此时的尾流轨迹的变化越可能是风向的变化引起,那么对风机输出功率的影响程度就越小。/>表示第/>台风机相对第/>个尾流来源的距离,该距离越大,说明第/>个尾流来源对第/>台风机的影响程度就越小。
上述步骤通过将尾流轨迹的整体变化率进行细分,根据每个采样时刻与其之前的各个参考时刻的尾流轨迹之间的重叠率,将尾流轨迹变化分为趋势变化和波动变化,赋予他们对风机输出功率不同的影响程度,从而获取到不同类型的尾流轨迹变化对风机输出功率的不同影响,从而获取更精确的尾流干扰程度。
步骤S4:根据每台风机的位置以及每台风机在每个采样时刻对应的每个尾流来源的位置,确定每台风机在每个采样时刻相对每个尾流来源的位置向量,并根据每台风机在每个采样时刻所对应任意两个不同位置向量之间的差异,确定每台风机在每个采样时刻对应的尾流冲突指标。
当风机同时受到多个其他风机的尾流效应影响时,那么由于尾流之间的互相作用和干扰,这就导致风机受到的尾流干扰程度不能简单叠加,还需要考虑尾流之间的互相作用。不同尾流轨迹之间的轨迹方向越一致,他们之间的互相干扰程度就越弱,那么尾流之间的可叠加性越强;不同尾流轨迹之间的轨迹方向越不一致,那么他们之间会越可能产生冲突,风机功率受到的影响会越大。
基于此,为了衡量风机同时受到的多个其他风机的尾流干扰之间的冲突情况,根据每台风机的位置以及每台风机对应的每个尾流来源的位置,确定每台风机相对每个尾流来源的位置向量。即对于任意一台风机,根据该台风机的位置以及该台风机在每个采样时刻对应的每个尾流来源的位置,构造每台风机相对每个尾流来源的位置向量,该位置向量的终点为该台风机的位置,该位置向量的起点为该台风机在每个采样时刻对应的每个尾流来源的位置。根据每台风机所对应任意两个不同位置向量之间的差异,确定每台风机在每个采样时刻对应的尾流冲突指标,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻对应的尾流冲突指标;/>表示第/>台风机在第/>个采样时刻相对第/>个尾流来源的位置向量;/>表示第/>台风机在第/>个采样时刻相对除了第/>个尾流来源外的第/>个尾流来源的位置向量;/>表示取模长符号;/>表示第/>台风机在第/>个采样时刻相对应的尾流来源的总数目;/>表示以自然常数e为底数的指数函数;表示归一化函数;| |表示取绝对值符号。
在上述的尾流冲突指标的计算公式中,表示在第/>个采样时刻第/>台风机的第/>个尾流来源对该第/>台风机的作用方向,/>表示在第/>个采样时刻第/>台风机的第/>个尾流来源对该第/>台风机的作用方向,/>反映了在第/>个采样时刻第/>台风机的第/>个尾流来源的尾流轨迹与第/>个尾流来源的尾流轨迹之间的角度偏差,当角度偏差越大时,则和/>的夹角就越大,对应的两个尾流轨迹之间的冲突程度就越大,对风机输出功率的干扰就越大。/>反映了第/>个尾流来源的尾流轨迹与第/>个尾流来源的尾流轨迹之间的强度差异,该强度差异越大,说明对应两个尾流轨迹之间的冲突程度就越小,对风机输出功率的干扰就越小。/>反映了第/>台风机在第/>个采样时刻所受到尾流影响的尾流轨迹的数量,当数量越多时,表明该风机此时受到的尾流冲突越强,对风机输出功率的干扰就越大。
上述步骤通过确定每台风机相对各个尾流来源的位置向量,并根据不同位置向量之间的差异来表示尾流之间的冲突性,后续通过冲突性将不同尾流轨迹对风机输出功率的共同作用反映到风机输出功率的干扰影响中,提高了风机输出功率数据的识别精度。
步骤S5:根据每台风机在每个采样时刻对应的尾流冲突指标以及在每个采样时刻的相对每个尾流来源的尾流干扰程度,确定每台风机在每个采样时刻的信息素修正系数。
在采用蚁群算法对每台风机的各个采集时刻的输出功率数据进行异常识别时,由于受到尾流干扰的功率数据会出现较大的异常程度,这导致蚁群算法在收敛时很容易收敛到受到尾流干扰的功率数据,因此本发明实施例通过上述所确定的尾流轨迹对风机的干扰情况,来对不同的功率数据设置不同的初始信息素,从而避免蚂蚁算法过度收敛在该受到尾流干扰的功率数据区域,从而提高数据异常识别的准确性。
为了对不同的功率数据设置不同的初始信息素,根据每台风机在每个采样时刻对应的尾流冲突指标以及每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度,确定每台风机在每个采样时刻的信息素修正系数,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻的信息素修正系数;/>表示第/>台风机在第/>个采样时刻的相对所有尾流来源的尾流干扰程度的平均值;/>表示第/>台风机在第/>个采样时刻对应的尾流冲突指标。
在上述的信息素修正系数的计算公式中,表示第/>台风机在第/>个采样时刻受到所有尾流轨迹的平均干扰程度,该平均干扰程度的取值越大,说明第/>台风机的输出功率数据受到尾流轨迹的干扰越强,风机的功率越不稳定,风机的功率变化越大,此处的初始信息素应该越小,对应信息素修正系数的取值就越小。/>表示第/>台风机所在位置上在第/>个采样时刻受到不同尾流轨迹之间的冲突程度,该冲突程度的取值越大,说明不同尾流之间的冲突越大,对第/>台风机的输出功率干扰越大,第/>台风机的输出功率越不稳定,此处的初始信息素应该越小,对应信息素修正系数的取值也越小。
步骤S6:根据每台风机在每个采样时刻的信息素修正系数,对每台风机在每个采集时刻的风电数据所对应的初始信息素进行修正,并根据每台风机在每个采集时刻的风电数据及其修正后的初始信息素,进行风电数据异常识别。
在采用蚁群算法对每台风机的各个采集时刻的输出功率数据进行异常识别时,首先需要确定各个采集时刻的输出功率的初始信息素。由于确定初始信息素的具体实现过程属于现有技术,此处不再赘述。基于上述步骤所确定的每台风机在每个采样时刻的信息素修正系数,对每台风机在每个采集时刻的风电数据所对应的初始信息素进行修正,从而得到每台风机在每个采样时刻的修正后的初始信息素,即:确定每台风机在每个采集时刻的风电数据所对应的初始信息素中的最大值,得到最大信息素;将每台风机在每个采样时刻的信息素修正系数与最大信息素的乘积,确定为每台风机在每个采样时刻的风电数据所对应的修正后的初始信息素。考虑到风机的输出功率的采集频率为1秒采集一次,即相邻采集时刻之间的时间间隔为1秒,而海上风电场周围的天气数据的采集频率为1分钟采集一次,即相邻采样时刻之间的时间间隔为1分钟,无法一一对应,因此以每台风机在每个采样时刻的风电数据所对应的修正后的初始信息素为基点,采用最小二乘法进行插值处理,从而可以获取的从而得到每台风机在每个采集时刻的修正后的初始信息素。
应当理解的是,作为其他的实施方式,在不考虑数据处理量大小的情况下,也可以同步获取风机的输出功率和天气数据,此时每个采集时刻即对应一个采样时刻,即可直接确定每台风机在每个采集时刻的修正后的初始信息素。
根据每台风机在每个采集时刻的风电数据及其修正后的初始信息素,采用蚁群算法对每台风机在每个采集时刻的输出功率进行异常识别,可以确定其中发生异常的输出功率。在采用蚁群算法对每台风机在每个采集时刻的输出功率进行异常识别的过程中,考虑到采集到的每台风机在每个采集时刻的输出功率中,某个输出功率数据的变化程度越大,说明该输出功率数据和与其功率越不符,说明该输出功率的表现越异常,因此为了便于后续更好准确的识别出发生异常的输出功率,确定每台风机在每个采集时刻的输出功率与在前一个采集时刻的输出功率的差值绝对值,得到每台风机在每个采集时刻的风电数据差异值。应当理解的是,由于每台风机在第一个采集时刻之前不存在前一个采集时刻,因此将每台风机在第二个采集时刻的风电数据差异值作为在第一个采集时刻的风电数据差异值。
同时,确定每台风机在每个采集时刻的时刻窗口区域,该时刻窗口区域为每个采集时刻周围的大小为设定窗口尺寸的窗口。本实施例设置该时刻窗口区域的设定窗口尺寸为5,该时刻窗口区域的中心为对应的采集时刻。确定每台风机在每个采集时刻的时刻窗口区域内,所有采集时刻的风电数据差异值的平均值,从而得到每个风机在每个采集时刻的平均风电数据差异。根据每个风机在每个采集时刻的风电数据差异值和平均风电数据差异,确定每个风机在每个采集时刻的风电数据变化指标值,对应的计算公式为:
;
其中,表示每台风机在第/>个采集时刻的风电数据变化指标值;/>表示每台风机在第/>个采集时刻的风电数据差异值;/>表示每台风机在第/>个采集时刻的平均风电数据差异;/>表示正修正系数,用于防止分母取值为零,本实施例设置/>。
在上述的风电数据变化指标值的计算公式中,当第个采集时刻的风电数据差异值与平均风电数据差异越接近时,说明风机在第/>个采集时刻的输出功率越正常,此时风电数据变化指标值越接近于1,反之则说明风机在第/>个采集时刻的输出功率表现的越异常,风电数据变化指标值越远离1。
基于上述所确定的每个风机在每个采集时刻的风电数据变化指标值,利用方法对这些风电数据变化指标值进行标准化处理,从而得到每个风机在每个采集时刻的风电数据的异常程度。
根据每个风机在每个采集时刻的风电数据的异常程度以及对应的修正后的初始信息素,利用蚂蚁算法对所有异常程度进行异常数据识别,确定属于异常的异常程度,并将属于异常的异常程度所对应的风电数据确定为异常风电数据。由于利用利用蚂蚁算法对所有异常程度进行异常数据识别,确定属于异常的异常程度的具体实现过程属于现有技术,此处不再赘述。将每个风机所对应的所有风电数据中将这些异常风电数据删除,从而得到异常识别后的风电数据,将这些异常识别后的风电数据发送给风机监测系统,由系统进行后续的处理和分析。
应当理解的是,上述通过确定每个风机在每个采集时刻的风电数据的异常程度,并通过利用异常程度和对应的修正后的初始信息素来进行异常风电数据的识别,其目的是为了进一步提高识别的准确度。作为其他的实施方式,也可以直接根据每个风机在每个采集时刻的风电数据和对应的修正后的初始信息素进行异常风电数据的识别。
上述步骤通过根据每台风机在每个采样时刻所受到的不同程度的尾流干扰情况,为每台风机在不同采集时刻的风电数据设置不同的初始信息素,从而降低被尾流干扰的数据被识别为最优路径的概率,提高了蚁群算法的鲁棒性和精确性,从而得到了更准确的蚁群算法异常数据识别结果,最终保证了海上风电机组的监测精确度。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,包括以下步骤:
获取每台风机在每个采集时刻的风电数据,以及每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹二值图;
根据每台风机在相邻采样时刻的相对同一尾流来源的尾流轨迹二值图的像素差异,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率;
根据每台风机在各个采样时刻的相对同一尾流来源的尾流轨迹二值图中尾流轨迹的差异、每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,以及每台风机相对每个尾流来源的距离,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度;
根据每台风机的位置以及每台风机在每个采样时刻对应的每个尾流来源的位置,确定每台风机在每个采样时刻相对每个尾流来源的位置向量,并根据每台风机在每个采样时刻所对应任意两个不同位置向量之间的差异,确定每台风机在每个采样时刻对应的尾流冲突指标;
根据每台风机在每个采样时刻对应的尾流冲突指标以及在每个采样时刻的相对每个尾流来源的尾流干扰程度,确定每台风机在每个采样时刻的信息素修正系数;
根据每台风机在每个采样时刻的信息素修正系数,对每台风机在每个采集时刻的风电数据所对应的初始信息素进行修正,并根据每台风机在每个采集时刻的风电数据及其修正后的初始信息素,进行风电数据异常识别。
2.根据权利要求1所述的一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,包括:
确定每台风机在每个采样时刻对应的各个参考时刻,所述参考时刻为对应采样时刻及其之前的设定数目个连续采样时刻;
根据每台风机在每个采样时刻对应的相邻参考时刻的相对同一尾流来源的尾流轨迹二值图中相同位置的像素点的像素值差异,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率。
3.根据权利要求2所述的一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,确定每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻的相对第/>个尾流来源的尾流轨迹变化率;表示第/>台风机在第/>个采样时刻对应的第/>个参考时刻的相对第/>个尾流来源的尾流轨迹二值图中第/>个位置的像素点的像素值;/>表示第/>台风机在第/>个采样时刻对应的第个参考时刻的相对第/>个尾流来源的尾流轨迹二值图中第/>个位置的像素点的像素值;/>表示第/>台风机在第/>个采样时刻对应的参考时刻的总数目;/>表示第/>台风机在第/>个采样时刻对应的各个参考时刻的相对第/>个尾流来源的尾流轨迹二值图中像素点的总数目;||表示取绝对值符号。
4.根据权利要求2所述的一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度,包括:
根据每台风机在每个采样时刻及其参考时刻的相对同一尾流来源的尾流轨迹二值图中尾流轨迹,确定每台风机在每个采样时刻与其每个参考时刻的相对同一尾流来源的尾流轨迹重叠率;
根据每台风机在每个采样时刻对应的相对同一尾流来源的各个尾流轨迹重叠率的平均值和极差值,每台风机在每个采样时刻的相对每个尾流来源的尾流轨迹变化率,以及每台风机相对每个尾流来源的距离,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度,所述极差值和距离均与所述尾流干扰程度成负相关关系,所述平均值和尾流轨迹变化率均与所述尾流干扰程度成正相关关系。
5.根据权利要求2所述的一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,确定每台风机在每个采样时刻的相对每个尾流来源的尾流干扰程度,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻的相对第/>个尾流来源的尾流干扰程度;/>表示第/>台风机在第/>个采样时刻的相对第/>个尾流来源的尾流轨迹变化率;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率的极差值;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率中的最大值;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率中的最小值;/>表示第/>台风机在第/>个采样时刻对应的相对第/>个尾流来源的各个尾流轨迹重叠率的平均值;/>表示第/>台风机相对在第/>个采样时刻对应的第/>个尾流来源的距离;/>表示归一化函数;/>表示以自然常数e为底数的指数函数。
6.根据权利要求1所述的一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,确定每台风机在每个采样时刻对应的尾流冲突指标,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻对应的尾流冲突指标;/>表示第/>台风机在第个采样时刻相对第/>个尾流来源的位置向量;/>表示第/>台风机在第/>个采样时刻相对除了第/>个尾流来源外的第/>个尾流来源的位置向量;/>表示取模长符号;/>表示第/>台风机在第/>个采样时刻相对应的尾流来源的总数目;/>表示以自然常数e为底数的指数函数;表示归一化函数;| |表示取绝对值符号。
7.根据权利要求1所述的一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,确定每台风机在每个采样时刻的信息素修正系数,对应的计算公式为:
;
其中,表示第/>台风机在第/>个采样时刻的信息素修正系数;/>表示第/>台风机在第/>个采样时刻的相对所有尾流来源的尾流干扰程度的平均值;/>表示第/>台风机在第/>个采样时刻对应的尾流冲突指标。
8.根据权利要求1所述的一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,对每台风机在每个采集时刻的风电数据所对应的初始信息素进行修正,包括:
确定每台风机在每个采集时刻的风电数据所对应的初始信息素中的最大值,得到最大信息素;
将每台风机在每个采样时刻的信息素修正系数与所述最大信息素的乘积,确定为每台风机在每个采样时刻的风电数据所对应的修正后的初始信息素;
对每台风机在每个采样时刻的风电数据所对应的修正后的初始信息素进行插值处理,从而得到每台风机在每个采集时刻的修正后的初始信息素。
9.根据权利要求1所述的一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,进行风电数据异常识别,包括:
确定每台风机在每个采集时刻及其前一个采集时刻的风电数据的差值绝对值,得到每台风机在每个采集时刻的风电数据差异值;
确定每台风机在每个采集时刻的时刻窗口区域,每个采集时刻在其对应的时刻窗口区域内,计算每个风机在每个采集时刻的时刻窗口区域内的所有采集时刻的风电数据差异值的平均值,从而得到每个风机在每个采集时刻的平均风电数据差异;
根据每个风机在每个采集时刻的风电数据差异值和平均风电数据差异,确定每个风机在每个采集时刻的风电数据变化指标值;
对每个风机在每个采集时刻的风电数据变化指标值进行标准化处理,得到每个风机在每个采集时刻的风电数据的异常程度;
根据每个风机在每个采集时刻的风电数据的异常程度以及对应的修正后的信息素,对所有异常程度进行异常数据识别,确定属于异常的异常程度,并将属于异常的异常程度所对应的风电数据确定为异常风电数据。
10.根据权利要求9所述的一种基于后向轨迹模型的海上风电尾流干扰的数据处理方法,其特征在于,利用蚁群算法对所有异常程度进行异常数据识别,确定属于异常的异常程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107231.6A CN117688497B (zh) | 2024-01-26 | 2024-01-26 | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107231.6A CN117688497B (zh) | 2024-01-26 | 2024-01-26 | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688497A CN117688497A (zh) | 2024-03-12 |
CN117688497B true CN117688497B (zh) | 2024-04-05 |
Family
ID=90135537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410107231.6A Active CN117688497B (zh) | 2024-01-26 | 2024-01-26 | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688497B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255184A (zh) * | 2018-09-11 | 2019-01-22 | 河海大学 | 一种风力机全尾流场风速分布的确定方法及系统 |
CN111476293A (zh) * | 2020-04-03 | 2020-07-31 | 河海大学 | 一种计及风速风向的风电场分群方法 |
WO2021253291A1 (zh) * | 2020-06-17 | 2021-12-23 | 上海电气风电集团股份有限公司 | 风电场布局的优化方法、优化系统及计算机可读存储介质 |
CN114597960A (zh) * | 2022-02-11 | 2022-06-07 | 华北电力大学 | 风电场运行控制方法、装置、设备及存储介质 |
CN115544884A (zh) * | 2022-10-12 | 2022-12-30 | 浙江大学 | 一种基于数据驱动的大型风电场尾流快速计算方法及系统 |
CN116090338A (zh) * | 2022-12-28 | 2023-05-09 | 盛东如东海上风力发电有限责任公司 | 基于遗传学算法及蚁群算法的集电系统规划的方法及装置 |
CN117150323A (zh) * | 2023-06-14 | 2023-12-01 | 浙江浙能嘉兴海上风力发电有限公司 | 一种基于风场尾流模型的机群划分方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10387728B2 (en) * | 2017-05-18 | 2019-08-20 | International Business Machines Corporation | Mapping wind turbines and predicting wake effects using satellite imagery data |
-
2024
- 2024-01-26 CN CN202410107231.6A patent/CN117688497B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255184A (zh) * | 2018-09-11 | 2019-01-22 | 河海大学 | 一种风力机全尾流场风速分布的确定方法及系统 |
CN111476293A (zh) * | 2020-04-03 | 2020-07-31 | 河海大学 | 一种计及风速风向的风电场分群方法 |
WO2021253291A1 (zh) * | 2020-06-17 | 2021-12-23 | 上海电气风电集团股份有限公司 | 风电场布局的优化方法、优化系统及计算机可读存储介质 |
CN114597960A (zh) * | 2022-02-11 | 2022-06-07 | 华北电力大学 | 风电场运行控制方法、装置、设备及存储介质 |
CN115544884A (zh) * | 2022-10-12 | 2022-12-30 | 浙江大学 | 一种基于数据驱动的大型风电场尾流快速计算方法及系统 |
CN116090338A (zh) * | 2022-12-28 | 2023-05-09 | 盛东如东海上风力发电有限责任公司 | 基于遗传学算法及蚁群算法的集电系统规划的方法及装置 |
CN117150323A (zh) * | 2023-06-14 | 2023-12-01 | 浙江浙能嘉兴海上风力发电有限公司 | 一种基于风场尾流模型的机群划分方法 |
Non-Patent Citations (3)
Title |
---|
Study on unit commitment considering wind power uncertainty;Zhi yin, et al.;《2021 IEEE Sustainable Power and Energy Conference》;20220324;第478-484页 * |
大型海上风电场风机排布优化策略研究;李岩 等;《太阳能》;20200228(第02期);第67-73页 * |
海上风电机组运维优化模型改进及求解算法研究;邓奇蓉;《中国优秀硕士学位论文全文数据库基础科学辑》;20230315(第03期);摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN117688497A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
US20230273093A1 (en) | Method and device for fault diagnosis of wind turbine pitch bearing based on neural network | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN109779848B (zh) | 全场风速修正函数的获得方法、装置及风电场 | |
CN111931601B (zh) | 齿轮箱错误类别标签修正系统及方法 | |
CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
CN117034043A (zh) | 基于多能源物联网的智慧建筑综合能耗监测方法及系统 | |
CN111275570A (zh) | 一种基于迭代式统计与假设检验的风电机组功率异常值检测方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN114165392A (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
CN117688497B (zh) | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 | |
CN117057486B (zh) | 电力系统的运维成本预测方法、装置、设备及存储介质 | |
CN111894814A (zh) | 一种用于发电系统的故障处理系统及方法 | |
Elijorde et al. | A wind turbine fault detection approach based on cluster analysis and frequent pattern mining | |
CN110296055B (zh) | 一种风向预测关联种子机组筛选方法 | |
CN112668807B (zh) | 一种用于风电场功率预测的风速预测方法 | |
CN111797545B (zh) | 一种基于实测数据的风电机组偏航折减系数计算方法 | |
CN111980853B (zh) | 变桨控制方法、装置及计算机可读存储介质 | |
CN113236507A (zh) | 一种风电机组偏航静态误差诊断方法和系统 | |
Li et al. | Extraction of abnormal points from on-line operation data of intelligent meter based on LSTM | |
CN114153889A (zh) | 一种发电站监控系统、方法、可读介质及电子设备 | |
CN113309661B (zh) | 一种提升风力发电机组发电量的方法 | |
Huang et al. | An Ensemble Learning Approach for Wind Power Forecasting | |
CN112632047B (zh) | 一种基于变窗口模式识别的时间序列数据处理方法 | |
CN118228165A (zh) | 一种基于人工智能风电场的等值建模异常分析方法及系统 |
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 |