CN117703671A - 基于风速预测的风机启停控制方法及系统 - Google Patents

基于风速预测的风机启停控制方法及系统 Download PDF

Info

Publication number
CN117703671A
CN117703671A CN202311664027.6A CN202311664027A CN117703671A CN 117703671 A CN117703671 A CN 117703671A CN 202311664027 A CN202311664027 A CN 202311664027A CN 117703671 A CN117703671 A CN 117703671A
Authority
CN
China
Prior art keywords
fan
power plant
wind speed
data
model
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
Application number
CN202311664027.6A
Other languages
English (en)
Inventor
陈晓敏
张建新
张舒翔
高伟
郭津瑄
徐志轩
曹善桥
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.)
Datang Renewable Energy Test And Research Institute Co ltd
China Datang Corp Science and Technology Research Institute Co Ltd
Original Assignee
Datang Renewable Energy Test And Research Institute Co ltd
China Datang Corp Science and Technology Research Institute Co Ltd
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 Datang Renewable Energy Test And Research Institute Co ltd, China Datang Corp Science and Technology Research Institute Co Ltd filed Critical Datang Renewable Energy Test And Research Institute Co ltd
Priority to CN202311664027.6A priority Critical patent/CN117703671A/zh
Publication of CN117703671A publication Critical patent/CN117703671A/zh
Pending legal-status Critical Current

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 
    • 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
    • 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
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/20—Wind motors characterised by the driven apparatus
    • F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
    • F03D9/255—Wind motors characterised by the driven apparatus the apparatus being an electrical generator connected to electrical distribution networks; Arrangements therefor
    • F03D9/257—Wind motors characterised by the driven apparatus the apparatus being an electrical generator connected to electrical distribution networks; Arrangements therefor the wind motor being part of a wind farm
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于风速预测的风机启停控制方法及系统，涉及风力发电技术领域，该方法包括：访问风电厂管理系统，获取风机运行数据；连接电厂气象数据库，获取电厂气象数据；基于电厂气象数据构建第一训练数据集，构建电厂风速预测模型；基于风机运行数据构建第二训练数据集，构建风机启停预测模型；收集实时电厂气象时序数据，输入电厂风速预测模型，获取电厂风速预测结果；收集实时风机运行时序数据，输入风机启停预测模型，获取风机启停预测结果；基于预测结果对目标风机进行启停控制。本发明解决了现有技术难以满足现代风电场的高效、精准运行的技术问题，通过基于风速预测的风机启停控制，达到提高风力发电系统的运行效率的技术效果。

Description

基于风速预测的风机启停控制方法及系统
技术领域
本发明涉及风力发电技术领域，具体涉及基于风速预测的风机启停控制方法及系统。
背景技术
随着风力发电行业的快速发展，风机启停控制技术在风力发电系统中得到了广泛应用。然而，随着风电场规模的扩大和风力发电机组的大型化，风机启停控制过程的监测和管理也面临着越来越大的挑战。传统的风机启停控制方法往往存在着控制精度低、响应速度慢、稳定性差的问题，难以满足现代风电场的高效、精准和安全运行需求。
发明内容
本申请提供基于风速预测的风机启停控制方法及系统，用于针对解决现有技术难以满足现代风电场的高效、精准运行的技术问题。
鉴于上述问题，本申请提供了基于风速预测的风机启停控制方法及系统。
本申请的第一个方面，提供了基于风速预测的风机启停控制方法，所述方法包括：
访问风电厂管理系统，连接风机运行数据库，基于所述风机运行数据库获取预设时段内的目标风机的风机运行数据；连接电厂气象数据库，基于所述风机运行数据库获取所述预设时段内的电厂气象数据；基于所述电厂气象数据构建第一训练数据集，并根据所述第一训练数据集构建电厂风速预测模型；基于所述风机运行数据构建第二训练数据集，并根据所述第二训练数据集构建风机启停预测模型；收集实时电厂气象时序数据，将所述实时电厂气象时序数据输入电厂风速预测模型，获取电厂风速预测结果；收集实时风机运行时序数据，将所述实时风机运行时序数据输入风机启停预测模型，获取风机启停预测结果，其中，所述电厂风速预测结果与所述风机启停预测结果的预测时段对应；基于所述电厂风速预测结果与所述风机启停预测结果对所述目标风机进行启停控制。
本申请的第二个方面，提供了基于风速预测的风机启停控制系统，所述系统包括：
风机运行数据获取模块，访问风电厂管理系统，连接风机运行数据库，基于所述风机运行数据库获取预设时段内的目标风机的风机运行数据；电厂气象数据获取模块，连接电厂气象数据库，基于所述风机运行数据库获取所述预设时段内的电厂气象数据；电厂风速预测模型构建模块，基于所述电厂气象数据构建第一训练数据集，并根据所述第一训练数据集构建电厂风速预测模型；风机启停预测模型构建模块，基于所述风机运行数据构建第二训练数据集，并根据所述第二训练数据集构建风机启停预测模型；气象时序数据收集模块，收集实时电厂气象时序数据，将所述实时电厂气象时序数据输入电厂风速预测模型，获取电厂风速预测结果；风机运行时序数据收集模块，收集实时风机运行时序数据，将所述实时风机运行时序数据输入风机启停预测模型，获取风机启停预测结果，其中，所述电厂风速预测结果与所述风机启停预测结果的预测时段对应；启停控制模块，基于所述电厂风速预测结果与所述风机启停预测结果对所述目标风机进行启停控制。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过访问风电厂管理系统，获取风机运行数据；连接电厂气象数据库，获取电厂气象数据；基于电厂气象数据构建第一训练数据集，构建电厂风速预测模型；基于风机运行数据构建第二训练数据集，构建风机启停预测模型；收集实时电厂气象时序数据，输入电厂风速预测模型，获取电厂风速预测结果；收集实时风机运行时序数据，输入风机启停预测模型，获取风机启停预测结果；基于预测结果对目标风机进行启停控制。本发明解决了现有技术难以满足现代风电场的高效、精准的技术问题，通过基于风速预测的风机启停控制，达到提高风力发电系统的运行效率的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。
图1为本申请实施例提供的基于风速预测的风机启停控制方法流程示意图；
图2为本申请实施例提供的基于风速预测的风机启停控制方法中对电厂风速预测模型与风机启停预测模型进行模型优化的流程示意图；
图3为本申请实施例提供的基于风速预测的风机启停控制系统结构示意图。
附图标记说明：风机运行数据获取模块11，特电厂气象数据获取模块12，电厂风速预测模型构建模块13，风机启停预测模型构建模块14，气象时序数据收集模块15，风机运行时序数据收集模块16，启停控制模块17。
具体实施方式
本申请通过提供了基于风速预测的风机启停控制方法，用于针对解决现有技术中，传统的风机启停控制方法往往存在着控制精度低、响应速度慢、稳定性差的问题，达到了提高风力发电系统的运行效率的技术效果。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了基于风速预测的风机启停控制方法，所述方法包括：
步骤S100：访问风电厂管理系统，连接风机运行数据库，基于所述风机运行数据库获取预设时段内的目标风机的风机运行数据；
在本申请实施例中，通过互联网或局域网连接到风电厂的管理系统，在这一过程中需要使用用户名和密码进行身份验证。进入管理系统后，找到并连接风机运行数据库，这个数据库储存有关每个风机的运行数据，包括但不限于风机的转速、功率输出、温度、压力等参数。
从风机运行数据库中选择想要获取数据的指定的预设时间段和风机。这个预设时间段为自行设定，可以为一周、一年等，并选择特定的风机作为目标风机。
步骤S200：连接电厂气象数据库，基于所述风机运行数据库获取所述预设时段内的电厂气象数据；
在本申请实施例中，电厂气象数据库中储存了有关风电场的气象数据，如风向、风速、温度、气压、湿度等，电厂气象数据库在风电厂管理系统中，通过连接风机运行数据库，获取预设时间段的数据，这个预设时间段为自行设置，可以为一周、一年等，并选择特定的气象参数作为目标。
步骤S300：基于所述电厂气象数据构建第一训练数据集，并根据所述第一训练数据集构建电厂风速预测模型；
在本申请实施例中，对从电厂气象数据库中提取出来的与风速有关的数据进行清洗、格式转换和标准化等预处理操作，处理后的数据可用于构建第一训练数据集。
根据处理后的气象数据的特点，选择一个合适的模型来进行风速预测，在这里选择循环神经网络进行训练。在这里将准备好的第一训练数据集分为训练集和验证集。选择完模型后将准备好的训练集输入至循环神经网络模型中进行训练，在这一过程中调整模型参数以优化模型的性能，并使用验证集来评估模型的性能，根据模型性能的评估结果，不断调整模型和算法，找到最佳的模型和参数组合。经过训练和评估后，最终得到电厂风速预测模型，这个模型可以根据输入的数据来进行风速的预测。
步骤S400：基于所述风机运行数据构建第二训练数据集，并根据所述第二训练数据集构建风机启停预测模型；
在本申请实施例中，根据从风机运行数据库中提取出的与风机启停状态有关的数据，及风机的转速、功率输出、温度等参数，对这些数据进行清洗、格式转换和标准化等预处理操作，构建第二训练数据集。
根据风机运行数据的特性和对风机启停预测的需求，选择一个合适的机器学习模型或统计模型。这里选择循环神经网络进行训练。在进行训练时，首先将第二训练数据集分为训练集和验证集，以便在训练过程中评估模型的性能。将准备好的训练集输入至模型进行训练，并使用验证集对训练好的模型进行评估。根据模型评估的结果，对模型进行调整和优化，经过训练和评估后，最终的循环神经网络模型可用于实际的风机启停预测任务。在实际应用中，可以通过输入新的风机运行数据来预测未来的风机启停状态。
步骤S500：收集实时电厂气象时序数据，将所述实时电厂气象时序数据输入电厂风速预测模型，获取电厂风速预测结果；
在本申请实施例中，通过部署在风电厂的气象观测设备或通过与气象部门进行数据共享，收集实时电厂气象时许数据。这些数据包括风向、风速、气压、温度、湿度等气象参数，并且以时间序列形式记录。对收集到的实时气象时序数据进行清洗、格式转换和标准化等预处理，以确保数据的质量和一致性。将预处理后的实施气象时序数据输入到已经训练好的电厂风速预测模型中，电厂风速预测模型会对输入的数据进行推理和预测，生成对未来风速的预测结果，预测结果是一个关于未来风速的值的时间序列。
步骤S600：收集实时风机运行时序数据，将所述实时风机运行时序数据输入风机启停预测模型，获取风机启停预测结果，其中，所述电厂风速预测结果与所述风机启停预测结果的预测时段对应；
在本申请实施例中，通过部署在风电厂的风机运行检测设备或从现有的数据记录系统中获取、收集实时风机运行时序数据。这些数据通常包括风机的转速、功率输出、温度等参数，并且以时间序列形式记录。对收集到的实时风机运行时序数据进行清洗、格式转换和标准化等预处理操作，以确保数据的质量和一致性。将预处理后的实时风机运行时序数据输入到已经训练好的风机启停预测模型中。风机启停预测模型对输入的数据进行推理和预测，生成对未来风机启停状态的预测结果，这个结果通常是关于未来风机启停状态的时间序列。
通过预测得到的电厂风速预测结果和风机启停预测结果的预测时段对应。
步骤S700：基于所述电厂风速预测结果与所述风机启停预测结果对所述目标风机进行启停控制。
在本申请实施例中，根据预测结果和实际需求，设定控制阈值。例如，当预测风速达到一定值时，可以启动风机，当预测风速低于一定值时，可以停止风机。根据设定控制阈值和预测结果，对目标风机进行启停控制。具体操作可能包括发送启动或停止指令给风机控制器，或者调整风机的运行参数等。
在实施控制后，需要实时监控风机的运行状态和相关参数，如风速、功率输出等。如果发现风机运行状态与预期不符，或者出现异常情况，需要及时调整控制策略或重新设定阈值。需要注意的是，基于电厂风速预测结果与风机启停预测结果对目标风机进行启停控制是一个复杂的过程，涉及多个环节和因素。在实际操作中，需要综合考虑各种因素，如数据质量、模型性能、环境条件、安全因素等，以制定出最合适的控制策略。同时，对于不同的风电厂或不同的风机类型，可能需要采取不同的控制策略和方法。
进一步的，所述方法还包括：
设置标准时间格式，基于所述标准时间格式对所述电厂气象数据与所述风机运行数据的数据发生时间进行转换，得到转换格式时间；
设置时间间隔频率，基于所述转换格式时间与所述时间间隔频率确定数据提取时间点；
按照所述数据提取时间点同时对所述风机运行数据与所述电厂气象数据进行数据提取，得到风机运行数据点集与电厂气象数据点集。
在本申请实施例中，首先需要确定一个标准的时间格式来统一处理和分析不同来源的数据。对于电厂气象数据和风机运行数据，它们的原始时间格式可能不同，因此需要基于标准时间格式对它们的时间进行转换。这可以通过使用适当的日期和时间函数来完成。例如在Python中可以使用datetime模块来进行时间格式的转换。
时间间隔频率是指提取数据的时间间隔。例如，如果设置的时间间隔为1小时，那么每小时都会从数据源中提取一次数据。根据转换后的时间格式和设置的时间间隔频率，可以确定数据提取的时间点。例如，如果标准时间格式为"HH:MM:SS"，时间间隔为1小时，那么数据提取的时间点就是每小时的开始时刻。
按照确定的提取时间点，同时从风机运行数据源和电厂气象数据源中提取数据。这可以通过编写相应的数据提取脚本或使用现有的数据采集工具来完成。经过上述步骤后，将得到一组按照时间顺序排列的风机运行数据点和电厂气象数据点。这些数据点可以用于后续的数据分析和建模工作。
进一步的，所述方法还包括：
设置模型输入点数与模型输出点数；
以所述模型输入点数与所述模型输出点数在电厂气象数据点集上进行遍历样本提取，得到多组风速模型训练样本，构成第一训练数据集；
其中，每组风速模型训练样本包括风速模型输入样本与风速模型输出样本。
在本申请实施例中，首先，需要确定风速模型的输入点数和输出点数。输入点数代表模型中使用的历史气象数据的数量，输出点数代表模型预测的风速值。例如，如果设置输入点数为3，输出点数为1，那么模型将使用前3个时间点的气象数据来预测下一个时间点的风速。
然后，在电厂气象数据点集上按照设定的输入点数和输出点数进行遍历，提取出多组风速模型训练样本，构成第一训练数据集。具体来说，可以从数据点集中选择每3个连续的数据点作为输入样本，然后选择下一个数据点作为输出样本。这样，每组风速模型训练样本就包括一个风速模型输入样本，即前3个时间点的气象数据和一个风速模型输出样本，即下一个时间点的风速值。
进一步的，所述方法还包括：
以所述模型输入点数在风机运行数据点集进行遍历样本提取，得到多个运行模型输入样本；
遍历多个运行模型输出样本，分别对每个运行模型输出样本按照模型输出点数构建运行模型输出样本，得到多个运行模型训练样本，构成第二训练数据集。
在本申请实施例中，与风速模型的样本提取类似，在风机运行数据点集上按照设定的模型输入点数进行遍历，提取出多个运行模型输入样本。例如，如果输入点数为3，那么每个运行模型输入样本就包括前3个时间点的风机运行数据。
之后遍历每个运行模型的输出样本。对于每个输出样本，按照模型输出点数进行构建，以得到多个运行模型训练样本。例如，如果输出点数为1，那么每个运行模型输出样本就只有一个时间点的风机运行数据。如果输出点数为2，那么每个运行模型输出样本就有两个时间点的风机运行数据。以此类推。
通过上述步骤，得到多个运行模型训练样本，构成第二训练数据集。每个运行模型训练样本包括一个运行模型输入样本和一个运行模型输出样本。
进一步的，所述方法还包括：
设置预测偏差阈值；
遍历多组风速模型训练样本，基于风速模型输入样本与风速模型输出样本对电厂风速预测模型进行监督学习训练；
当模型输出结果满足预测偏差阈值时，获取电厂风速预测模型。
在本申请实施例中，预测偏差阈值是用来判断模型预测结果是否足够准确的一个标准。可以根据实际需求和历史数据来设定。例如，如果设定预测偏差阈值为5％，那么如果模型的预测结果与实际结果的偏差小于5％，就可以认为模型的预测是可靠的。
接下来，需要遍历所有的风速模型训练样本。对于每一组训练样本，需要基于风速模型输入样本和风速模型输出样本对电厂风速预测模型进行监督学习训练。在监督学习训练中，提供风速模型输入样本和相应的风速模型输出样本作为训练数据。训练目标是使得电厂风速预测模型能够根据输入的风速模型输入样本预测出相应的风速模型输出样本。
在完成监督学习训练后，评估模型的预测性能。如果模型的输出结果满足预测偏差阈值，那么获取该电厂风速预测模型。
进一步的，所述还包括：
设置风机启停阈值；
基于所述风机启停阈值对所述电厂风速预测结果进行可运行判断，获取多个风机可运行时段；
根据所述风机启停预测结果对多个风机可运行时段进行可启停判断，获取多个风机启停时段；
基于所述多个风机启停时段对目标风机进行启停控制。
在本申请实施例中，风机启停阈值是用来判断风机是否可以启动或停止的标准。这个阈值通常基于风速的大小来设定。例如，当风速大于某个特定值时，可以认为风机应该启动；而当风速小于某个特定值时，可以认为风机应该停止。
根据设定的风机启停阈值，对电厂风速预测结果进行判断，以确定哪些时间段内风机可以运行。例如，如果预测的风速大于风机启停阈值，那么这个时间段内风机可以运行。通过上述步骤，可以得到多个风机可运行时段。这些时段是基于风速预测结果和风机启停阈值确定的。
除了考虑风速因素外，还需要考虑其他因素，如电力需求、风机维护需求等。这些因素可以通过风机启停预测模型来考虑。根据设定的风机启停预测模型，可以对每个风机可运行时段进行可启停判断，以确定哪些时间段内风机应该启动或停止。通过上述步骤，可以得到多个风机启停时段。这些时段是基于风速预测结果、风机启停阈值和其他因素确定的。
最后，根据得到的多个风机启停时段，对目标风机进行启停控制。具体操作包括发送启动或停止指令给风机控制器，或者调整风机的运行参数等。
进一步的，如图2所示，所述方法还包括：
设置分析时段区间；
基于预测结果对所述目标风机进行启停控制后，基于所述分析时段区间调取实际风机运行数据与实际电厂气象数据；
根据所述目标风机与所述实际电厂气象数据进行发电量分析，获取期望风机发电量；
根据所述实际风机运行数据，获取实际风机发电量；
将所述期望风机发电量与所述实际风机发电量进行对比分析，获取发电反馈结果；
以所述发电反馈结果对电厂风速预测模型与风机启停预测模型进行模型优化。
在本申请实施例中，首先需要设定一个分析时段区间，这个区间通常是基于实际运行需求和数据可得性来确定的。例如，可以设定一个每小时或每半小时的分析时段。根据之前获取的电厂风速预测模型和风机启停预测模型，对目标风机进行启停控制。具体的控制策略可能包括基于风速的启停阈值、电力需求、风机维护需求等因素来确定。在执行了基于预测结果的启停控制之后，需要基于设定的分析时段区间调取实际的风机运行数据和电厂气象数据。这些数据通常来自风力发电厂的监控系统和气象监测系统。
根据目标风机和实际电厂气象数据进行发电量分析，以获取期望的风机发电量。这个期望发电量是基于风速预测结果和风机启停预测结果来计算的。同时，根据实际的风机运行数据，可以获取实际的风机发电量。这个发电量是实际运行中产生的，可以作为对比分析的基础。
将期望的风机发电量和实际的风机发电量进行对比分析，以获取发电反馈结果。这个结果可以用来评估模型的准确性和预测的可靠性。据得到的发电反馈结果，对电厂风速预测模型和风机启停预测模型进行优化。具体的优化策略可能包括调整模型的参数、重新训练模型、引入新的特征等。
这个过程是一个迭代的过程，可能需要反复进行数据采集、模型训练、模型评估和模型优化等步骤，以不断提升模型的准确性和预测的可靠性。同时，为了确保风力发电厂的安全和高效运行，还需要持续监控实际运行数据和气象数据，及时调整控制策略和应对突发情况。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过访问风电厂管理系统，获取风机运行数据；连接电厂气象数据库，获取电厂气象数据；基于电厂气象数据构建第一训练数据集，构建电厂风速预测模型；基于风机运行数据构建第二训练数据集，构建风机启停预测模型；收集实时电厂气象时序数据，输入电厂风速预测模型，获取电厂风速预测结果；收集实时风机运行时序数据，输入风机启停预测模型，获取风机启停预测结果；基于预测结果对目标风机进行启停控制。本发明解决了现有技术难以满足现代风电场的高效、精准运行的技术问题，通过基于风速预测的风机启停控制，达到提高风力发电系统的运行效率的技术效果。
实施例二
基于与前述实施例中基于风速预测的风机启停控制方法相同的发明构思，如图3所示，本申请提供基于风速预测的风机启停控制系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
风机运行数据获取模块11，所述风机运行数据获取模块11访问风电厂管理系统，连接风机运行数据库，基于所述风机运行数据库获取预设时段内的目标风机的风机运行数据；
电厂气象数据获取模块12，所述电厂气象数据获取模块12连接电厂气象数据库，基于所述风机运行数据库获取所述预设时段内的电厂气象数据；
电厂风速预测模型构建模块13，所述电厂风速预测模型构建模块13基于所述电厂气象数据构建第一训练数据集，并根据所述第一训练数据集构建电厂风速预测模型；
风机启停预测模型构建模块14，所述风机启停预测模型构建模块14基于所述风机运行数据构建第二训练数据集，并根据所述第二训练数据集构建风机启停预测模型；
气象时序数据收集模块15，所述气象时序数据收集模块15收集实时电厂气象时序数据，将所述实时电厂气象时序数据输入电厂风速预测模型，获取电厂风速预测结果；
风机运行时序数据收集模块16，所述风机运行时序数据收集模块16收集实时风机运行时序数据，将所述实时风机运行时序数据输入风机启停预测模型，获取风机启停预测结果，其中，所述电厂风速预测结果与所述风机启停预测结果的预测时段对应；
启停控制模块17，所述启停控制模块17基于所述电厂风速预测结果与所述风机启停预测结果对所述目标风机进行启停控制。
进一步的，所述系统还包括：
设置标准时间格式，基于所述标准时间格式对所述电厂气象数据与所述风机运行数据的数据发生时间进行转换，得到转换格式时间；
设置时间间隔频率，基于所述转换格式时间与所述时间间隔频率确定数据提取时间点；
按照所述数据提取时间点同时对所述风机运行数据与所述电厂气象数据进行数据提取，得到风机运行数据点集与电厂气象数据点集。
进一步的，所述系统还包括：
设置模型输入点数与模型输出点数；
以所述模型输入点数与所述模型输出点数在电厂气象数据点集上进行遍历样本提取，得到多组风速模型训练样本，构成第一训练数据集；
其中，每组风速模型训练样本包括风速模型输入样本与风速模型输出样本。
进一步的，所述系统还包括：
以所述模型输入点数在风机运行数据点集进行遍历样本提取，得到多个运行模型输入样本；
遍历多个运行模型输出样本，分别对每个运行模型输出样本按照模型输出点数构建运行模型输出样本，得到多个运行模型训练样本，构成第二训练数据集。
进一步的，所述系统还包括：
设置预测偏差阈值；
遍历多组风速模型训练样本，基于风速模型输入样本与风速模型输出样本对电厂风速预测模型进行监督学习训练；
当模型输出结果满足预测偏差阈值时，获取电厂风速预测模型。
进一步的，所述系统还包括：
设置风机启停阈值；
基于所述风机启停阈值对所述电厂风速预测结果进行可运行判断，获取多个风机可运行时段；
根据所述风机启停预测结果对多个风机可运行时段进行可启停判断，获取多个风机启停时段；
基于所述多个风机启停时段对目标风机进行启停控制。
进一步的，所述系统还包括：
设置分析时段区间；
基于预测结果对所述目标风机进行启停控制后，基于所述分析时段区间调取实际风机运行数据与实际电厂气象数据；
根据所述目标风机与所述实际电厂气象数据进行发电量分析，获取期望风机发电量；
根据所述实际风机运行数据，获取实际风机发电量；
将所述期望风机发电量与所述实际风机发电量进行对比分析，获取发电反馈结果；
以所述发电反馈结果对电厂风速预测模型与风机启停预测模型进行模型优化。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.基于风速预测的风机启停控制方法，其特征在于，所述方法包括：
访问风电厂管理系统，连接风机运行数据库，基于所述风机运行数据库获取预设时段内的目标风机的风机运行数据；
连接电厂气象数据库，基于所述风机运行数据库获取所述预设时段内的电厂气象数据；
基于所述电厂气象数据构建第一训练数据集，并根据所述第一训练数据集构建电厂风速预测模型；
基于所述风机运行数据构建第二训练数据集，并根据所述第二训练数据集构建风机启停预测模型；
收集实时电厂气象时序数据，将所述实时电厂气象时序数据输入电厂风速预测模型，获取电厂风速预测结果；
收集实时风机运行时序数据，将所述实时风机运行时序数据输入风机启停预测模型，获取风机启停预测结果，其中，所述电厂风速预测结果与所述风机启停预测结果的预测时段对应；
基于所述电厂风速预测结果与所述风机启停预测结果对所述目标风机进行启停控制。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
设置标准时间格式，基于所述标准时间格式对所述电厂气象数据与所述风机运行数据的数据发生时间进行转换，得到转换格式时间；
设置时间间隔频率，基于所述转换格式时间与所述时间间隔频率确定数据提取时间点；
按照所述数据提取时间点同时对所述风机运行数据与所述电厂气象数据进行数据提取，得到风机运行数据点集与电厂气象数据点集。
3.根据权利要求2所述的方法，其特征在于，所述方法包括：
设置模型输入点数与模型输出点数；
以所述模型输入点数与所述模型输出点数在电厂气象数据点集上进行遍历样本提取，得到多组风速模型训练样本，构成第一训练数据集；
其中，每组风速模型训练样本包括风速模型输入样本与风速模型输出样本。
4.根据权利要求3所述的方法，其特征在于，所述方法包括：
以所述模型输入点数在风机运行数据点集进行遍历样本提取，得到多个运行模型输入样本；
遍历多个运行模型输出样本，分别对每个运行模型输出样本按照模型输出点数构建运行模型输出样本，得到多个运行模型训练样本，构成第二训练数据集。
5.根据权利要求3所述的方法，其特征在于，根据所述第一训练数据集构建电厂风速预测模型，包括：
设置预测偏差阈值；
遍历多组风速模型训练样本，基于风速模型输入样本与风速模型输出样本对电厂风速预测模型进行监督学习训练；
当模型输出结果满足预测偏差阈值时，获取电厂风速预测模型。
6.根据权利要求1所述的方法，其特征在于，基于所述电厂风速预测结果与所述风机启停预测结果对所述目标风机进行启停控制，包括：
设置风机启停阈值；
基于所述风机启停阈值对所述电厂风速预测结果进行可运行判断，获取多个风机可运行时段；
根据所述风机启停预测结果对多个风机可运行时段进行可启停判断，获取多个风机启停时段；
基于所述多个风机启停时段对目标风机进行启停控制。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
设置分析时段区间；
基于预测结果对所述目标风机进行启停控制后，基于所述分析时段区间调取实际风机运行数据与实际电厂气象数据；
根据所述目标风机与所述实际电厂气象数据进行发电量分析，获取期望风机发电量；
根据所述实际风机运行数据，获取实际风机发电量；
将所述期望风机发电量与所述实际风机发电量进行对比分析，获取发电反馈结果；
以所述发电反馈结果对电厂风速预测模型与风机启停预测模型进行模型优化。
8.基于风速预测的风机启停控制系统，其特征在于，所述系统包括：
风机运行数据获取模块，所述风机运行数据获取模块访问风电厂管理系统，连接风机运行数据库，基于所述风机运行数据库获取预设时段内的目标风机的风机运行数据；
电厂气象数据获取模块，所述电厂气象数据获取模块连接电厂气象数据库，基于所述风机运行数据库获取所述预设时段内的电厂气象数据；
电厂风速预测模型构建模块，所述电厂风速预测模型构建模块基于所述电厂气象数据构建第一训练数据集，并根据所述第一训练数据集构建电厂风速预测模型；
风机启停预测模型构建模块，所述风机启停预测模型构建模块基于所述风机运行数据构建第二训练数据集，并根据所述第二训练数据集构建风机启停预测模型；
气象时序数据收集模块，所述气象时序数据收集模块收集实时电厂气象时序数据，将所述实时电厂气象时序数据输入电厂风速预测模型，获取电厂风速预测结果；
风机运行时序数据收集模块，所述风机运行时序数据收集模收集实时风机运行时序数据，将所述实时风机运行时序数据输入风机启停预测模型，获取风机启停预测结果，其中，所述电厂风速预测结果与所述风机启停预测结果的预测时段对应；
启停控制模块，所述启停控制模块基于所述电厂风速预测结果与所述风机启停预测结果对所述目标风机进行启停控制。
CN202311664027.6A 2023-12-06 2023-12-06 基于风速预测的风机启停控制方法及系统 Pending CN117703671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311664027.6A CN117703671A (zh) 2023-12-06 2023-12-06 基于风速预测的风机启停控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311664027.6A CN117703671A (zh) 2023-12-06 2023-12-06 基于风速预测的风机启停控制方法及系统

Publications (1)

Publication Number Publication Date
CN117703671A true CN117703671A (zh) 2024-03-15

Family

ID=90147154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311664027.6A Pending CN117703671A (zh) 2023-12-06 2023-12-06 基于风速预测的风机启停控制方法及系统

Country Status (1)

Country Link
CN (1) CN117703671A (zh)

Similar Documents

Publication Publication Date Title
AU2024201565B2 (en) Scalable systems and methods for assessing healthy condition scores in renewable asset management
CN110594107B (zh) 一种基于快速梯度提升机的风电机组故障检测方法及装置
CN107392368B (zh) 一种基于气象预报的办公建筑动态热负荷组合预测方法
CN110685868A (zh) 一种基于改进梯度提升机的风电机组故障检测方法及装置
CN105930629B (zh) 一种基于海量运行数据的在线故障诊断方法
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
CN105205326A (zh) 一种电厂实时负荷在线预测方法
CN111103137A (zh) 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法
CN111125895A (zh) 一种风力发电机整机服役功率特性在线评估方法
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
CN117232809A (zh) 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法
CN115186935B (zh) 一种机电设备非线性故障预测方法及系统
CN116502043A (zh) 一种基于孤立森林算法的精轧电机状态分析方法
CN117703671A (zh) 基于风速预测的风机启停控制方法及系统
CN116467592A (zh) 一种基于深度学习的生产设备故障智能监测方法及系统
EP3303835B1 (en) Method for windmill farm monitoring
Xiong et al. Gas data anomaly detection based on time-series ARIMA model
CN118656802B (zh) 一种用于数理建模的分布式调度系统
CN117076260B (zh) 一种参数及设备异常检测方法及装置
CN117332360B (zh) 基于5g技术的温室大棚设备故障监测方法及系统
CN118536410B (zh) 基于大数据驱动建模的能耗优化决策分析方法及系统
CN116816615A (zh) 一种风力发电机功率在线监测方法及系统
Xuefeng et al. Study on Multi-Sensor Parameter Warning Based on Gaussian Mixed Model and Nonlinear State Estimation Technique
Murtas et al. Data-driven estimation of blade icing risk in wind turbines
CN118898030A (zh) 一种边缘计算设备的维护方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication