CN117892099B - 基于概率神经网络的风电机组服役效能评估方法和系统 - Google Patents

基于概率神经网络的风电机组服役效能评估方法和系统 Download PDF

Info

Publication number
CN117892099B
CN117892099B CN202410305743.3A CN202410305743A CN117892099B CN 117892099 B CN117892099 B CN 117892099B CN 202410305743 A CN202410305743 A CN 202410305743A CN 117892099 B CN117892099 B CN 117892099B
Authority
CN
China
Prior art keywords
data
working condition
power
value
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.)
Active
Application number
CN202410305743.3A
Other languages
English (en)
Other versions
CN117892099A (zh
Inventor
邓杰文
肖钊
赵前程
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.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
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 Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202410305743.3A priority Critical patent/CN117892099B/zh
Publication of CN117892099A publication Critical patent/CN117892099A/zh
Application granted granted Critical
Publication of CN117892099B publication Critical patent/CN117892099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Wind Motors (AREA)

Abstract

本申请公开了一种基于概率神经网络的风电机组服役效能评估方法和系统，应用于数据处理和数据预测领域。包括：选取SCADA系统中测得的风速、转速、叶片角度和功率数据，将SCADA数据按运行特性曲线和实际运行调控将风电机组划分为若干工况，并使用时序工况划分算法TICC算法将风电机组历史SCADA运行数据划分为若干工况训练数据集，使用基于威布尔分布的概率神经网络模型对各工况训练数据集进行拟合，之后将实际数据先进行时序工况划分，之后将拟合后的模型用于实际数据进行预测，将预测值与真实值相比进行评估得到风电机组短期效能状态值。本申请具有精度高、计算快的特点且泛化性好，可广泛用于不同风电机组的服役效能评估。

Description

基于概率神经网络的风电机组服役效能评估方法和系统
技术领域
本申请涉及数据处理和数据预测领域，更具体的，涉及一种基于概率神经网络的风电机组服役效能评估方法和系统。
背景技术
随着风电技术的发展，风机规模也迅速增长。在风场进行经济效益评估、发电量评估、机群布置、运行控制时，需要根据发电量数据进行反馈控制。风机的发电量可以通过优化控制策略来增加，而对风功率的准确预测能够作为这些优化控制策略的一个重要参考指标。
目前，对数据采集与监视控制系统 (Supervisory Control And DataAcquisition，SCADA)的功率进行预测的方法按照预测模型分类主要分为基于物理模型的预测方法和基于数学统计模型的预测方法。
基于物理模型的预测方法的原理是首先获取风电场所在地的中尺度数值天气预报数据，然后利用物理和气象变量，包括数值天气预报(NWP)和环境温度来预测功率。该模型适用于风电场的长期预测和短期预测，缺点是物理模型通常需要求解复杂的数学模型，计算量大。物理模型的预测流程较长，在预测过程中容易造成误差的积累。
随着计算机仿真技术和算力的不断发展，数值模拟方法近年来得到迅速发展。数学统计模型有两种思路：一是使用数学模型表达数值天气预报参数（风速、风向、气压和湿度）与风电场发电功率间的函数关系预测风功率；二是使用大数据挖掘的方法对历史数据进行学习预测风功率值。该模型适用于超短期和短期功率预测。缺点是该模型预测精度依赖于历史数据，历史数据越多、越详实，预测精度越高。
基于数据的模型在建模过程没有考虑风电场及风机发电实际物理过程机理模型，容易导致建模精度不高，模型鲁棒性差。中国专利“一种基于机理模型和数据驱动的风电功率预测方法及系统”(申请号CN202310564512.X)建立WRF模型，获取并处理得到风电场数值天气预报数据，之后建立基于数据驱动的风电功率预测模型进行功率预测。但是无论点预测的训练精度有多高，都无法避免其预测误差。而使用概率预测可以刻画目标的不确定性以应对风险，考虑到可能的最好和最坏的情况，因此就需要使用区间预测来描述预测值可能的上下限。
发明内容
为了克服现有技术的不足，本申请提供了一种基于概率神经网络的风电机组服役效能评估方法和系统。本申请通过运行特性对风电机组划分工况，之后把物理机理与数据模型相结合，对风功率进行概率预测并评估风电机组的效能值。具有计算速度快，精度高的特点且泛化性好，可广泛用于不同机型的风力发电机效能评估。
第一方面，本申请实施例提供了基于概率神经网络的风电机组服役效能评估方法，所述方法包括：
按照预设规则对风电机组的运行工况进行划分，得到N种不同的工况类别；其中，N为大于1的整数；
将训练数据集和工况类别数N输入到工况识别算法模型中进行训练，得到时序工况划分模型；其中，所述训练数据集是根据SCADA系统中的工况数据构建的，所述工况数据包括风速数据、轮毂转速数据、桨距角数据和功率数据；
使用所述时序工况划分模型对所述训练数据集进行工况划分，并将各个工况的数据相拼接得到N个工况数据集；
将各个工况数据集中的特征参数数据集和目标参数数据集分别输入到概率预测模型中按照预设规则进行训练，得到N个不同工况下的功率概率预测模型；其中，风速、轮毂转速、桨距角参数作为特征参数，功率参数为目标参数；
将当前一段时间内的测试数据输入到所述时序工况划分模型中进行工况划分，然后将各个工况的测试数据输入到各个不同工况下的功率概率预测模型进行功率预测，得到不同工况下的功率概率预测区间；
获取该段时间内的实际功率值并将功率值转化为发电量值，得到该段时间内对应的发电量概率预测区间和实际发电量值；
将该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值。
一种可能的实现方式中，其中，所述根据所述工况数据构建训练数据集包括：
将获取的工况数据原始数据集按7:3的比例划分为训练数据集和测试数据集；
并且，获取的风速数据、轮毂转速数据、桨距角数据和功率数据的分辨率为10min级。
一种可能的实现方式中，其中，所述按照预设规则对风电机组的运行工况进行划分，得到N种不同的工况类别包括：
根据理论运行工况特性曲线以及实际运行中的限功率情况，将风电机组运行工况分为7种工况类型，即N=7。
一种可能的实现方式中，其中，所述工况识别算法模型为TICC算法模型，TICC算法模型包括三个输入：数据集、聚类数和窗口数；
其中，数据集为训练数据集，聚类数根据工况划分结果进行确定，窗口数采用网格划分法进行多次测试计算寻找最优值；
对所述TICC算法模型进行训练，得到在最优参数下TICC模型的托普利兹逆协方差矩阵、原始均值/>和堆叠均值/>以及最优窗口数和聚类数，作为在线分割的输入参数。
一种可能的实现方式中，其中，所述TICC算法模型的目标函数为：
，
其中，是/>来自聚类i的对数似然值，，T是nw×nw的对称分块托普利兹矩阵的集合；/>是哈达玛乘积的/>范数惩罚，其用来激励稀疏逆协方差，是正则化参数；/>是聚类结果，为/>形式的列向量；/>是加强时间一致性的参数，/>是检查相邻点是否被分配给同一聚类的指示函数；/>是第i类的经验平均值，通过原始均值和堆叠均值得到。
一种可能的实现方式中，其中，所述功率概率预测模型为基于自注意力机制的概率预测神经网络模型(SA-PINN)，该模型总计五层，包括输入层、自注意力层、LSTM层、概率层和输出层。
一种可能的实现方式中，其中，所述将各个工况数据集中的特征参数数据集和目标参数数据集分别输入到概率预测模型中按照预设规则进行训练，得到N个不同工况下的功率概率预测模型包括：
获取训练时间步长信息和预测时间步长信息；
对所述训练时间步长信息、预测时间步长信息、各层超参数信息采用网格划分法进行寻优。
一种可能的实现方式中，其中，所述方法包括：利用如下公式将功率值转化为发电量值：
；
其中，为发电量值，/>为十分钟功率值，i=0，1，2，…，m; 其中，m是以分辨率为10min进行采样得到的功率数据点总数。
一种可能的实现方式中，其中，所述将该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值包括：
利用如下效能计算方式对该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值EFF：
；
其中，为实际发电量，/>为预测发电量上边界，/>为预测发电量下边界。
第二方面，本申请的实施例还提供了基于概率神经网络的风电机组服役效能评估系统，所述系统包括：
第一划分单元，用于按照预设规则对风电机组的运行工况进行划分，得到N种不同的工况类别，其中，N为大于1的整数；
第一训练单元，用于将训练数据集和工况类别数N输入到工况识别算法模型中进行训练，得到时序工况划分模型；其中，所述训练数据集是根据SCADA系统中的工况数据构建的，所述工况数据包括风速数据、轮毂转速数据、桨距角数据和功率数据；
第二划分单元，用于使用所述时序工况划分模型对所述训练数据集进行工况划分，并将各个工况的数据相拼接得到N个工况数据集；
第二训练单元，用于将各个工况数据集中的特征参数数据集和目标参数数据集分别输入到概率预测模型中按照预设规则进行训练，得到N个不同工况下的功率概率预测模型；其中，风速、轮毂转速、桨距角参数作为特征参数，功率参数为目标参数；
功率预测单元，用于将当前一段时间内的测试数据输入到所述时序工况划分模型中进行工况划分，然后将各个工况的测试数据输入到各个不同工况下的功率概率预测模型进行功率预测，得到不同工况下的功率概率预测区间；
功率转化单元，用于获取该段时间内的实际功率值并将功率值转化为发电量值，得到该段时间内对应的发电量概率预测区间和实际发电量值；
效能评估单元，用于将该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值。
本申请通过运行特性对风电机组划分工况，之后把物理机理与数据模型相结合，对风功率进行概率预测并评估风电机组的效能值。具有计算速度快，精度高的特点且泛化性好，可广泛用于不同机型的风力发电机效能评估。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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示出了本申请实施例提供的基于概率神经网络的风电机组服役效能评估方法步骤的流程示意图；
图2示出了本申请实施例提供的基于概率神经网络的风电机组服役效能评估方法的架构图；
图3示出了本申请中的风电机组理论运行工况特性曲线图；
图4示出了本申请实施例提供的基于自注意力机制的概率预测神经网络模型(SA-PINN)结构图；
图5示出了本申请实施例提供的基于概率神经网络的风电机组服役效能评估系统的单元模块图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
为使本申请实施例的目的、技术方案和优点更加清楚，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做出创造性劳动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。
图1示出了本申请实施例提供的基于概率神经网络的风电机组服役效能评估方法步骤的流程示意图、图2示出了本申请实施例提供的基于概率神经网络的风电机组服役效能评估方法的架构图，如图1和图2所示，基于概率神经网络的风电机组服役效能评估方法100，所述方法100包括：
S110：按照预设规则对风电机组的运行工况进行划分，得到N种不同的工况类别，其中，N为大于1的整数；
优选的，在本步骤S110中，按照预设规则为根据如图3所示的理论运行工况特性曲线将风电机组运行工况分为6类，再考虑实际运行中的限功率情况，将风电机组运行工况分为7种工况类型，即N=7；
具体地，7种不同工况类型具体描述如下：启动区(功率增加、最小转速、桨距角不变);最大风能追踪区(功率增加、转速直线上升，桨距角不变);恒转速过渡区(功率增加、转速增速放缓、桨距角不变)；恒转速区（功率增加，额定转速、桨距角不变）；额定功率过渡区（功率增速放缓、额定转速、桨距角增加）；额定功率区（额定功率、额定转速，桨距角增加）；限功率区(限定功率、额定转速，桨距角增加)。
S120：将训练数据集和工况类别数N输入到工况识别算法模型中进行训练，得到时序工况划分模型；其中，所述训练数据集是根据SCADA系统中的工况数据构建的，所述工况数据包括风速数据、轮毂转速数据、桨距角数据和功率数据；
其中，在该步骤S120之前，还包括获取SCADA系统中的风速数据、轮毂转速数据、桨距角数据和功率数据等工况数据，构成原始数据集，再将原始数据集按7:3的比例划分为训练数据集和测试数据集；
并且，从所述SCADA系统中的风速数据、轮毂转速数据、桨距角数据和功率数据的分辨率为10min级。
之后，将训练数据集和规定的工况类别数N输入工况识别算法中进行训练，训练完后使用测试数据集进行验证。
其中，本申请的工况识别算法模型为时间序列分割算法模型(TICC)，TICC算法模型有三个输入参数：数据集、聚类数和窗口数；
其中，数据集和聚类数根据前面步骤S110和S120进行确定，窗口数采用网格划分法进行多次测试计算寻找最优值。具体地，数据集为训练数据集，聚类数根据工况划分结果进行确定，窗口数采用网格划分法进行多次测试计算寻找最优值；更具体地，在本实施例中，使用由SCADA系统中的风速、轮毂转速、桨距角和功率数据构成的训练数据集作为工况分割模型的输入数据集，再设定聚类数为7，窗口数的选取通过网格划分寻优，具体为：使用少量训练数据集输入模型进行训练，设定从1至10依次运行并保存结果指标，选取指标最优的窗口数作为最优窗口数。再将训练数据集、聚类数和最优窗口数作为输入，对TICC模型进行训练，得到在最优参数下TICC模型的托普利兹逆协方差矩阵、原始均值/>和堆叠均值以及最优窗口数和聚类数作为在线分割的输入参数。
其中，本申请中的TICC模型的目标函数如下式（1）所示：
， （1）
其中，是/>来自聚类i的对数似然值，，T是nw×nw的对称分块托普利兹矩阵的集合；/>是哈达玛乘积的/>范数惩罚，其用来激励稀疏逆协方差，是正则化参数；/>是聚类结果，为/>形式的列向量；/>是加强时间一致性的参数，/>是检查相邻点是否被分配给同一聚类的指示函数；/>是第i类的经验平均值，通过原始均值和堆叠均值得到。
进一步的，通过如下公式计算每一类堆叠数据集的原始均值：
（2）；
w为窗口数，n为原始数据集变量个数，a为每一类数据矩阵的行数，对堆叠数据集的第列至/>列求均值。
每一类堆叠数据集的堆叠均值：
（3）；
w为窗口数，n为原始数据集变量个数，a为每一类数据矩阵的行数，对第列至第列的每一列数据求均值。
S130：使用所述时序工况划分模型对所述训练数据集进行工况划分，并将各个工况的数据相拼接得到N个工况数据集；
本步骤S130 中，具体地，在得到训练好的TICC工况分割模型后，将训练数据集输入模型得到训练数据集时序上各个工况的划分，将各个工况的数据相拼接得到7个工况数据集。
其中，所得到的7个工况数据集为：启动区数据集;最大风能追踪区数据集;恒转速过渡区数据集；恒转速区数据集；额定功率过渡区数据集；额定功率区数据集；限功率区数据集。
S140：将各个工况数据集中的特征参数数据集和目标参数数据集分别输入到概率预测模型中按照预设规则进行训练，得到N个不同工况下的功率概率预测模型；其中，风速、轮毂转速、桨距角参数作为特征参数，功率参数为目标参数；
在本步骤S140中，具体地，将各个工况数据集分别输入到概率预测模型中进行训练得到对应7个不同工况的功率概率预测模型。该步骤包括：
获取训练时间步长信息和预测时间步长信息；
对所述训练时间步长信息、预测时间步长信息、各层超参数信息采用网格划分法进行寻优。
进一步地，本申请中所用到的概率预测模型为基于自注意力机制的概率预测神经网络模型(SA-PINN)。具体的：
SA-PINN模型结构如图4所示，该模型总计五层：输入层、自注意力层、LSTM层、概率层和输出层。第一层为输入层，将训练数据集中的风速、轮毂转速、桨距角数据作为特征数据集输入；第二次为自注意力层，将第一层的输入使用自注意力机制进行映射重组，Q、K、V映射后的维度为10；第三层为LSTM层，对第二层的数据依次按批数通过LSTM神经元计算得到对应的隐状态作为下一层的输入；第四层为概率层，将第三层的输出用于拟合威布尔分布的特征参数(比例参数和形状参数)，威布尔分布表达式如后述的公式（5）-（7）所示，从而将对点的预测转化为对概率分布特征参数的预测；第五层为输出层，输出模型最终计算相应概率分布得到的数值和边界。此神经网络权重和偏置参数即为风速、轮毂转速和桨距角-功率之间的关系模型，将风速、轮毂转速和桨距角输入此神经网络即可得到功率均值和上下边界值。
其中，公式（4）是本申请的概率分布函数，神经网络对这个概率分布函数的特征参数进行拟合，
（4）；
其中，是比例参数；/>是形状参数，两者均大于0。对分布函数的特征参数进行拟合后，将对应x下拟合后的分布函数计算值与实际y值的差距作为神经网络的损失函数。
在输出层，需要将拟合的分布函数转化为拟合概率分布的特征参数，具体地，威布尔分布的均值和方差计算公式如下：
（5）；
（6）；
（7）；
所得到的7个不同工况的功率概率预测模型为：启动区功率概率预测模型、最大风能追踪区功率概率预测模型、恒转速过渡区功率概率预测模型、恒转速区功率概率预测模型、额定功率过渡区功率概率预测模型、额定功率区功率概率预测模型、限功率区功率概率预测模型。
S150：将当前一段时间内的测试数据输入到所述时序工况划分模型中进行工况划分，然后将各个工况的测试数据输入到各个不同工况下的功率概率预测模型进行功率预测，得到不同工况下的功率概率预测区间；
在本步骤S150中，具体的，在得到对应7个训练好的不同工况的功率概率预测模型后，先将测试数据集输入到TICC模型中进行工况划分，再将各个工况的数据分别输入到各个工况的功率概率预测模型中，得到不同工况下的功率概率预测区间。并将当前一段时间内(一周或半个月)的功率概率预测区间转化为发电量概率预测区间。
S160：获取该段时间内的实际功率值并将功率值转化为发电量值，得到该段时间内对应的发电量概率预测区间和实际发电量值；
在本步骤S160中，具体的，利用如下公式将功率值转化为发电量值：
（8）；
其中，为发电量值，/>为十分钟功率值，i=0，1，2，…，m; 其中，m是以分辨率为10min进行采样得到的功率数据点总数。例如，以分辨率为10min采样功率数据，如果要计算一天的发电量，那么这一天有24×6=144个数据点，把这144个点都依次除6再累加，就是一天的发电量，n在计算这一天发电量时就是144，i从0历遍到143。
S170：将该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值。
在本步骤S170中，所述服役效能为主要考察风电机组完成规定发电任务的能力，鉴于风电机组工况复杂多变，服役效能是指风电机组在当前一段时间内实际发电量与预期发电量的比值。
具体的，利用如下效能计算方式对该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值EFF：
（9）；
其中，为预测发电量的均值，/>为实际发电量，/>为预测发电量上边界，/>为预测发电量下边界。
可选的，将实际值转化为实际发电量值与95%置信度下发电量预测区间的上下边界相比，得到95%置信度下服役效能值，并以此作为该时间内风电机组的服役效能评估值。通过该方式，能够使评估结果更加准确可靠、有效。
根据本申请的上述实施例，通过运行特性对风电机组划分工况，之后把物理机理与数据模型相结合，对风功率进行概率预测并评估风电机组的效能值。具有计算速度快，精度高的特点且泛化性好，可广泛用于不同机型的风力发电机效能评估。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过系统实施例，对本申请所述方案进行进一步说明。
图5示出了本申请实施例提供的基于概率神经网络的风电机组服役效能评估系统的单元模块图，如图5所示，该系统200包括：
第一划分单元210，用于按照预设规则对风电机组的运行工况进行划分，得到N种不同的工况类别，其中，N为大于1的整数；
第一训练单元220，用于将训练数据集和工况类别数N输入到工况识别算法模型中进行训练，得到时序工况划分模型；其中，所述训练数据集是根据SCADA系统中的工况数据构建的，所述工况数据包括风速数据、轮毂转速数据、桨距角数据和功率数据；
第二划分单元230，用于使用所述时序工况划分模型对所述训练数据集进行工况划分，并将各个工况的数据相拼接得到N个工况数据集；
第二训练单元240，用于将各个工况数据集中的特征参数数据集和目标参数数据集分别输入到概率预测模型中按照预设规则进行训练，得到N个不同工况下的功率概率预测模型；其中，风速、轮毂转速、桨距角参数作为特征参数，功率参数为目标参数；
功率预测单元250，用于将当前一段时间内的测试数据输入到所述时序工况划分模型中进行工况划分，然后将各个工况的测试数据输入到各个不同工况下的功率概率预测模型进行功率预测，得到不同工况下的功率概率预测区间；
功率转化单元260，用于获取该段时间内的实际功率值并将功率值转化为发电量值，得到该段时间内对应的发电量概率预测区间和实际发电量值；
效能评估单元270，用于将该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.基于概率神经网络的风电机组服役效能评估方法，其特征在于，所述方法包括：
按照预设规则对风电机组的运行工况进行划分，得到N种不同的工况类别；其中，N为大于1的整数；
将训练数据集和工况类别数N输入到工况识别算法模型中进行训练，得到时序工况划分模型；其中，所述训练数据集是根据SCADA系统中的工况数据构建的，所述工况数据包括风速数据、轮毂转速数据、桨距角数据和功率数据；
其中，所述工况识别算法模型为TICC算法模型，TICC算法模型包括三个输入：数据集、聚类数和窗口数；
其中，数据集为训练数据集，聚类数根据工况划分结果进行确定，窗口数采用网格划分法进行多次测试计算寻找最优值；
对所述TICC算法模型进行训练，得到在最优参数下TICC模型的托普利兹逆协方差矩阵、原始均值/>和堆叠均值/>以及最优窗口数和聚类数，作为在线分割的输入参数;
其中，所述TICC算法模型的目标函数为：
，
其中，是/>来自聚类i的对数似然值，，T是nw×nw的对称分块托普利兹矩阵的集合；/>是哈达玛乘积的/>范数惩罚，其用来激励稀疏逆协方差，是正则化参数；/>是聚类结果，为/>形式的列向量；/>是加强时间一致性的参数，/>是检查相邻点是否被分配给同一聚类的指示函数；/>是第i类的经验平均值，通过原始均值和堆叠均值得到;
通过如下公式计算每一类堆叠数据集的原始均值：
；
w为窗口数，n为原始数据集变量个数，a为每一类数据矩阵的行数，对堆叠数据集的第列至/>列求均值；
通过如下公式计算每一类堆叠数据集的堆叠均值：
；
w为窗口数，n为原始数据集变量个数，a为每一类数据矩阵的行数，对第列至第/>列的每一列数据求均值使用所述时序工况划分模型对所述训练数据集进行工况划分，并将各个工况的数据相拼接得到N个工况数据集；
将各个工况数据集中的特征参数数据集和目标参数数据集分别输入到概率预测模型中按照预设规则进行训练，得到N个不同工况下的功率概率预测模型，具体包括：获取训练时间步长信息和预测时间步长信息；对所述训练时间步长信息、预测时间步长信息、各层超参数信息采用网格划分法进行寻优；其中，风速、轮毂转速、桨距角参数作为特征参数，功率参数为目标参数；
将当前一段时间内的测试数据输入到所述时序工况划分模型中进行工况划分，然后将各个工况的测试数据输入到各个不同工况下的功率概率预测模型进行功率预测，得到不同工况下的功率概率预测区间；
所述功率概率预测模型为基于自注意力机制的概率预测神经网络模型 SA-PINN，该模型总计五层，包括输入层、自注意力层、LSTM层、概率层和输出层；
利用神经网络对以下公式表示的概率分布函数的特征参数进行拟合，
；
其中，是比例参数；/>是形状参数，两者均大于0，对分布函数的特征参数进行拟合后，将对应x下拟合后的分布函数计算值与实际y值的差距作为神经网络的损失函数；
在输出层，需要将拟合的分布函数转化为拟合概率分布的特征参数，具体地，威布尔分布的均值和方差计算公式如下：
；
；
；
获取该段时间内的实际功率值并将功率值转化为发电量值，得到该段时间内对应的发电量概率预测区间和实际发电量值；
将该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值；
其中，所述将该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值包括：
利用如下效能计算方式对该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值EFF：
；
其中，为预测发电量的均值，/>为实际发电量，/>为预测发电量上边界，/>为预测发电量下边界；
将实际值转化为实际发电量值与95%置信度下发电量预测区间的上下边 界相比，得到95%置信度下服役效能值，并以此作为该时间内风电机组的服役效能评估值。
2.根据权利要求1所述的基于概率神经网络的风电机组服役效能评估方法，其特征在于，其中，所述根据所述工况数据构建训练数据集包括：
将获取的工况数据原始数据集按7:3的比例划分为训练数据集和测试数据集；
并且，获取的风速数据、轮毂转速数据、桨距角数据和功率数据的分辨率为10min级。
3.根据权利要求1所述的基于概率神经网络的风电机组服役效能评估方法，其特征在于，其中，所述按照预设规则对风电机组的运行工况进行划分，得到N种不同的工况类别包括：
根据理论运行工况特性曲线以及实际运行中的限功率情况，将风电机组运行工况分为7种工况类型，即N=7。
4.根据权利要求1所述的基于概率神经网络的风电机组服役效能评估方法，其特征在于，其中，利用如下公式将功率值转化为发电量值：
；
其中，为发电量值，/>为十分钟功率值，i=0，1，2，…，m; 其中，m是以分辨率为10min进行采样得到的功率数据点总数。
5.基于概率神经网络的风电机组服役效能评估系统，用于实现如权利要求1-4任一项所述的方法，其特征在于，所述系统包括：
第一划分单元，用于按照预设规则对风电机组的运行工况进行划分，得到N种不同的工况类别，其中，N为大于1的整数；
第一训练单元，用于将训练数据集和工况类别数N输入到工况识别算法模型中进行训练，得到时序工况划分模型；其中，所述训练数据集是根据SCADA系统中的工况数据构建的，所述工况数据包括风速数据、轮毂转速数据、桨距角数据和功率数据；
第二划分单元，用于使用所述时序工况划分模型对所述训练数据集进行工况划分，并将各个工况的数据相拼接得到N个工况数据集；
第二训练单元，用于将各个工况数据集中的特征参数数据集和目标参数数据集分别输入到概率预测模型中按照预设规则进行训练，得到N个不同工况下的功率概率预测模型；其中，风速、轮毂转速、桨距角参数作为特征参数，功率参数为目标参数；
功率预测单元，用于将当前一段时间内的测试数据输入到所述时序工况划分模型中进行工况划分，然后将各个工况的测试数据输入到各个不同工况下的功率概率预测模型进行功率预测，得到不同工况下的功率概率预测区间；
功率转化单元，用于获取该段时间内的实际功率值并将功率值转化为发电量值，得到该段时间内对应的发电量概率预测区间和实际发电量值；
效能评估单元，用于将该段时间内的实际发电量与预测发电量进行比较，得到该段时间内风电机组的服役效能评估值。
CN202410305743.3A 2024-03-18 2024-03-18 基于概率神经网络的风电机组服役效能评估方法和系统 Active CN117892099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410305743.3A CN117892099B (zh) 2024-03-18 2024-03-18 基于概率神经网络的风电机组服役效能评估方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410305743.3A CN117892099B (zh) 2024-03-18 2024-03-18 基于概率神经网络的风电机组服役效能评估方法和系统

Publications (2)

Publication Number Publication Date
CN117892099A CN117892099A (zh) 2024-04-16
CN117892099B true CN117892099B (zh) 2024-06-18

Family

ID=90652098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410305743.3A Active CN117892099B (zh) 2024-03-18 2024-03-18 基于概率神经网络的风电机组服役效能评估方法和系统

Country Status (1)

Country Link
CN (1) CN117892099B (zh)

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844361B (zh) * 2016-03-29 2020-08-14 北京金风科创风电设备有限公司 风电机组风功率预测方法、解缆方法和装置
CN107563069A (zh) * 2017-09-06 2018-01-09 国电联合动力技术有限公司 一种风力发电机组故障智能诊断方法
CN108171400A (zh) * 2017-12-06 2018-06-15 浙江大学 一种基于异常点及离群点检测的风机功率曲线数据预处理方法
CN110469461B (zh) * 2019-08-14 2020-09-18 树根互联技术有限公司 一种风机齿带的断裂预估方法、其装置及可读存储介质
CN111461444B (zh) * 2020-04-07 2023-07-18 上海电气风电集团股份有限公司 风电场的机组功率的预测方法、系统、介质及电子设备
CN111963388B (zh) * 2020-09-02 2023-08-18 国电联合动力技术有限公司 一种海上风电机组的多场耦合整机模型建立方法
CN112329977A (zh) * 2020-09-10 2021-02-05 国家电网有限公司 一种面向极端场景的风电功率预测系统
CN112343750A (zh) * 2020-10-16 2021-02-09 中国海洋大学 一种斜坡越浪波能发电装置实时发电量预测方法
WO2022208510A1 (en) * 2021-04-01 2022-10-06 Rishi Gupta An improved mechanical turbine system and an associated method of working thereof
CN113313139A (zh) * 2021-04-13 2021-08-27 华北水利水电大学 基于机组动态特性的风电功率预测不确定性量化方法
CN113569338B (zh) * 2021-08-06 2022-10-14 大连理工大学 一种基于时间扩张卷积网络的压气机旋转失速预警方法
WO2023056614A1 (zh) * 2021-10-09 2023-04-13 大连理工大学 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法
CN114021932B (zh) * 2021-10-28 2024-11-01 华能利津风力发电有限公司 风电机组的能效评价与诊断方法、系统及介质
CN114233570B (zh) * 2021-11-19 2023-12-08 上海电气风电集团股份有限公司 风力机组的功率控制方法
CN115310746A (zh) * 2021-12-22 2022-11-08 浙江理工大学 一种风力发电机组主传动系统状态评估方法及系统
CN115221785A (zh) * 2022-07-22 2022-10-21 中国电力科学研究院有限公司 一种神经网络预测模型的构建方法、预测方法、系统
CN116926489A (zh) * 2023-07-31 2023-10-24 西北有色金属研究院 一种核用锆合金表面梯度复合涂层的制备方法
CN116805126B (zh) * 2023-08-23 2023-11-21 湖南大学 一种风电场多级服役质量调控方法、系统及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Power Quality Improvement Through Pitch Angle Control of Variable Speed Wind Turbines;Kaushal Kumar等;《International Journal of Advanced Research in Electrical，Electronics and Instrumentation Engineering》;20140630;第10353-10358页 *
基于运行规律和TICC 算法的风电SCADA高维时序数据聚类方法;肖钊等;《机械工程学报》;20221231;第58卷(第23期);第196-206页 *

Also Published As

Publication number Publication date
CN117892099A (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
VanDeventer et al. Short-term PV power forecasting using hybrid GASVM technique
CN111709490B (zh) 一种基于gru神经网络的风机健康状态评估方法
Wang et al. Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China
CN116937579B (zh) 一种考虑时空相关性的风电功率区间预测及其可解释方法
Xu et al. Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals
CN113313139A (zh) 基于机组动态特性的风电功率预测不确定性量化方法
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN111091236A (zh) 一种按桨距角分类的多分类深度学习短期风功率预测方法
CN114117852B (zh) 一种基于有限差分工作域划分的区域热负荷滚动预测方法
CN113011680A (zh) 一种电力负荷预测方法及系统
Chen et al. Comparison of three methods for short-term wind power forecasting
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN117977568A (zh) 基于嵌套lstm和分位数计算的电力负荷预测方法
CN115115125A (zh) 基于深度学习融合模型的光伏功率区间概率预测方法
CN113449847B (zh) 考虑秒级时间序列风速变化的海上风电功率滚动预测方法
CN118009990B (zh) 一种基于Transformer模型的高精度潮位实时预报方法
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN116341717A (zh) 一种基于误差补偿的风速预测方法
CN113505909B (zh) 一种面向短期风电功率趋势预测的误差补偿方法
CN113191526B (zh) 基于随机敏感度的短期风速区间的优化预测方法及系统
CN118157127A (zh) 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统
CN117892099B (zh) 基于概率神经网络的风电机组服役效能评估方法和系统
Mert et al. Estimation of wind energy power using different artificial intelligence techniques and empirical equations
CN116960975A (zh) 一种光伏发电量预测方法及装置
ȚIBOACĂ et al. Design of short-term wind production forecasting model using machine learning algorithms

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