CN117967497A - 一种基于风速适时监测风力发电机组双模控制方法及系统 - Google Patents
一种基于风速适时监测风力发电机组双模控制方法及系统 Download PDFInfo
- Publication number
- CN117967497A CN117967497A CN202410161300.1A CN202410161300A CN117967497A CN 117967497 A CN117967497 A CN 117967497A CN 202410161300 A CN202410161300 A CN 202410161300A CN 117967497 A CN117967497 A CN 117967497A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- speed change
- data
- characteristic data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 227
- 238000010248 power generation Methods 0.000 claims abstract description 70
- 238000011156 evaluation Methods 0.000 claims description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 57
- 238000004458 analytical method Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 23
- 238000011217 control strategy Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000013179 statistical model Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012854 evaluation process Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 230000007774 longterm Effects 0.000 description 7
- 230000001932 seasonal effect Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- Wind Motors (AREA)
Abstract
本发明公开了一种基于风速适时监测风力发电机组双模控制方法及系统，涉及风力发电技术领域，该基于风速适时监测风力发电机组双模控制方法包括以下步骤：得到风速特征数据；得到风速变化趋势；识别出风速变化模式；得出影响风力发电效率的关键因素；调整风力发电机组的运行参数。本发明通过利用风速特征数据建立风速预测模型，并预测未来风速变化趋势，使得风电系统可以提前做好准备，通过深度分析风速变化趋势，识别出风速变化模式，从而做出更为有效的调整，同时，通过评估识别出的风速变化模式，找出影响风力发电效率的关键因素，提高系统的总体性能，进而可以显著提高风电机组在各种风速条件下的发电效率和可靠性。
Description
技术领域
本发明涉及风力发电技术领域，具体来说，涉及一种基于风速适时监测风力发电机组双模控制方法及系统。
背景技术
随着我国风力发电行业的快速发展，高风速资源区域的风电装机容量已接近饱和，行业发展逐渐转向低风速型风力发电机组。在平价上网的背景下，提升低风速区域风电机组的运行效率和可利用小时数成为关键。面对这一挑战，开发基于风速适时监测的风力发电机组双模控制方法显得尤为重要。双模控制的核心在于对风速进行实时监测，以便更精确地调整风电机组的运行状态。在低风速条件下，传统的风电机组可能无法高效地进行发电，这时候就需要启动备用控制策略。这些备用策略可能包括使用储能系统存储在低风速条件下产生的电能，或者调整涡轮叶片的角度，以优化低风速时的发电效率。
现有技术中，不便于利用风速特征数据建立风速预测模型，不能预测未来风速变化趋势，使得风电系统不便于提前做好准备，以最大化利用即将到来的风能资源，并且不便于分析风速变化趋势，因此不能识别出风速变化模式，不便于风电系统更准确地理解风速变化的规律和特点而做出有效的调整，同时，不便于根据风速变化模式去识别出影响风力发电效率的关键因素，从而降低了整个风电系统的设计和运行策略。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足，本发明提出一种基于风速适时监测风力发电机组双模控制方法及系统，解决了上述背景技术中提出现有的不便于利用风速特征数据建立风速预测模型，不能预测未来风速变化趋势，使得风电系统不便于提前做好准备，以最大化利用即将到来的风能资源，并且不便于分析风速变化趋势，因此不能识别出风速变化模式，不便于风电系统更准确地理解风速变化的规律和特点而做出有效的调整，同时，不便于根据风速变化模式去识别出影响风力发电效率的关键因素，从而降低了整个风电系统的设计和运行策略问题。
为实现以上目的，本发明通过以下技术方案予以实现：
根据本发明的一个方面，提供了一种基于风速适时监测风力发电机组双模控制方法，该基于风速适时监测风力发电机组双模控制方法包括以下步骤：
S1、获取传感器所采集的风力发电厂的实时风速数据，并对采集的风力发电厂的实时风速数据预处理，得到风速特征数据；
S2、基于得到的风速特征数据，建立风速预测模型，并利用风速预测模型对未来时刻的风速变化进行预测，得到风速变化趋势；
S3、利用分析算法对得到的风速变化趋势进行深度分析，识别出风速变化模式；
S4、利用评估算法对识别出的风速变化模式进行评估，得出影响风力发电效率的关键因素；
S5、基于评估结果，制定针对关键因素的控制策略，并调整风力发电机组的运行参数。
进一步的，获取传感器所采集的风力发电厂的实时风速数据，并对采集的风力发电厂的实时风速数据预处理，得到风速特征数据包括以下步骤：
S11、获取传感器所采集的风力发电厂的实时风速数据的重复数据，并对重复数据进行去噪、滤波及平滑处理；
S12、将传感器所采集的风力发电厂的实时风速数据行进行联结，生成新的数据表，通过外部键值将不同的数据表进行关联，生成完整的数据表，并得到准确数据集；
S13、对准确数据集进行特征提取，得到风速特征数据。
进一步的，基于得到的风速特征数据，建立风速预测模型，并利用风速预测模型对未来时刻的风速变化进行预测，得到风速变化趋势包括以下步骤：
S21、收集历史时间段内与风速相关的数据；
S22、将风速特征数据和历史风速数据划分为训练集和测试集；
S23、构建风速预测模型，将风速特征数据输入到风速预测模型中，得到未来时刻的风速预测值；
S24、基于模型得到的未来时刻的风速预测值，得到风速变化趋势。
进一步的，构建风速预测模型，将风速特征数据输入到风速预测模型中，得到未来时刻的风速预测值包括以下步骤：
S231、选择匹配的风速预测模型结构，并分别确定输入层、隐藏层及输出层的风速特征数据的数量；
S232、根据输入层的输入风速特征数据、权重及偏置，计算隐藏层的输入风速特征数据；
S233、根据隐藏层的输出风速特征数据、权重及偏置，计算输出层的输入风速特征数据；
S234、将输出层的输入风速特征数据导入激活函数中进行求解，得到输出层的输出风速特征数据，并将输出层的输出风速特征数据作为未来时刻的风速预测值；
S235、使用反向传播算法计算预测值与实际值之间的误差，并通过优化算法调整重疾病预警模型的参数。
进一步的，计算隐藏层的输入风速特征数据的公式为：
其中，表示为隐藏层的输入风速特征数据；
表示为输入层的权重；
fb表示为输入层的输入风速特征数据；
表示为输入层的偏置；
u示为输入层的风速特征数据的数量；
e示为隐藏层的风速特征数据的数量；
b和a分别表示输入层第b个风速特征数据和隐藏层第a个风速特征数据。
进一步的，利用分析算法对得到的风速变化趋势进行深度分析，识别出实际风速变化模式包括以下步骤：
S31、将得到风速变化趋势与预设标准的风速变化模式进行比较；
S32、分析影响风速变化的因素，并设定相应的风速变化评价级别；
S33、使用分析算法得到的风速变化趋势进行训练，计算风速变化得分，并判断是否属于显著的风速变化模式；
S34、对分析算法得出的风速变化得分进行归一化处理，并计算风速变化得分在不同风速变化模式下的分布情况；
S35、通过专家对不同影响风速变化的因素在各风速变化级别上的评估，建立风速变化评估矩阵；
S36、运用逻辑方法，将归一化后的风速得分与风速变化评估矩阵结合，得到综合风速变化评估结果；
S37、根据综合风速变化评估结果的分量值，判断风速在不同变化模式中的相对位置，并确定风速变化的类别；
S38、判断风速变化的类别是否超过预设的阈值，若超过则标识为实际风速变化模式；若未超过，则视为低或中的风速变化。
进一步的，分析影响风速变化的因素，并设定相应的风速变化评价级别包括以下步骤：
S321、通过环境监测和收集历史数据，识别出影响风速变化的各种因素；
S322、对识别出的影响风速变化的各种因素进行筛选和分类，消除重复项，并将其归纳为可衡量的因素集合；
S323、基于环境研究和气象模型，为每个影响风速变化的因素设定权重，并为每个因素设定不同的风速影响级别。
进一步的，利用评估算法对识别出的风速变化模式进行评估，得出影响风力发电效率的关键因素包括以下步骤：
S41、确定影响风速变化模式的因素参数，并设定初始搜索范围；
S42、预设评估周期的初始值，并预设迭代次数作为评估过程的终止条件；
S43、通过将识别出的风速变化模式的因素参数与已知的各种影响风速变化模式的因素参数进行对比，并根据预设的比对策略更新因素参数；
S44、通过统计方法，评估在每次风速变化模式的因素参数比对后的风力发电效率；
S45、基于风力发电效率的评估结果，计算每次迭代的适应度得分；
S46、将每次迭代后的适应度得分与前一次迭代的适应度得分进行比较，选择对风速变化模式影响最大的因素参数作为当前的最佳解；
S47、增加评估周期的初始值，如果已达到预设的最大迭代次数，则终止评估过程；
S48、分析评估过程结束后的风速变化模式情况，并与预设的风力发电效率标准进行对比，确定风速变化模式是否对风力发电效率有显著影响，若是，则进行调整，若不是，则将当前的风速变化模式的因素参数作为影响风力发电效率的关键因素。
进一步的，通过统计方法，评估在每次风速变化模式的因素参数比对后的风力发电效率包括以下步骤：
S441、初始化验证轮数为第一轮；
S442、将获取到的风速变化模式的因素参数数据集分割成若干子集，在每一轮中，选择一个子集作为测试集，其余所有子集的并集作为训练集；
S443、使用训练集上调整后的风速变化模式因素参数训练统计模型，并在测试集上测试统计模型对风力发电效率的预测性能；
S444、根据风速变化模式因素参数在测试集上的实际表现，计算统计模型的泛化误差；
S445、循环步骤S441至步骤S444，直到每一个子集都被用作过测试集；
S446、求得所有轮次中计算出的泛化误差的平均值，作为每次风速变化模式因素参数比对后的风力发电效率的总体评估。
根据本发明的另一方面，还提供了一种基于风速适时监测风力发电机组双模控制系统，该基于风速适时监测风力发电机组双模控制系统包括：
数据获取与处理模块，用于获取传感器所采集的风力发电厂的实时风速数据，并对采集的风力发电厂的实时风速数据预处理，得到风速特征数据；
模型建立模块，用于基于得到的风速特征数据，建立风速预测模型，并利用风速预测模型对未来时刻的风速变化进行预测，得到风速变化趋势；
深度分析模块，用于利用分析算法对得到的风速变化趋势进行深度分析，识别出风速变化模式；
效率评估模块，用于利用评估算法对识别出的风速变化模式进行评估，得出影响风力发电效率的关键因素；
控制策略调整模块，用于基于评估结果，制定针对关键因素的控制策略，并调整风力发电机组的运行参数；
其中，数据获取与处理模块通过模型建立模块和深度分析模块连接，深度分析模块通过效率评估模块和控制策略调整模块连接。
本发明的有益效果为：
1、本发明通过获取精确的风速特征数据，使得确保控制系统能够基于准确信息做出反应的基础，有助于提高整个系统的响应速度和准确性，并且利用风速特征数据建立风速预测模型，并预测未来风速变化趋势，使得风电系统可以提前做好准备，以最大化利用即将到来的风能资源，通过深度分析风速变化趋势，识别出风速变化模式，有助于风电系统更准确地理解风速变化的规律和特点，从而做出更为有效的调整，同时，通过评估识别出的风速变化模式，找出影响风力发电效率的关键因素，可以优化整个风电系统的设计和运行策略，提高系统的总体性能，基于评估结果，制定并实施针对关键因素的控制策略，并相应调整风力发电机组的运行参数，进而可以显著提高风电机组在各种风速条件下的发电效率和可靠性。
2、本发明通过建立风速预测模型，使得通过在输入层、隐藏层和输出层之间传递和处理数据，使用权重、偏置和激活函数来构建复杂的非线性关系，从而有效地预测未来的风速变化，并且利用了深度学习的优势，可以处理复杂和非线性的数据关系，提高预测的准确性和可靠性，同时基于风速预测模型得出的风速变化趋势，为风力发电机组的双模控制提供了关键的信息，进而能够帮助控制系统及时调整策略，尤其是在风速变化较大或不稳定的条件下，优化发电效率。
3、本发明通过利用分析算法对得到的风速变化趋势进行深度分析，使得将实际风速变化趋势与预设的标准模式进行比较，有助于快速识别出当前风速状况与常见模式的相似度，便于后续的分析工作，并且通过深入分析影响风速变化的因素，并设定风速变化的评价级别，能够更细致地理解风速变化的特征，为准确预测和应对提供支持，同时对风速变化进行得分计算和归一化处理，有助于量化风速变化的程度和特征，使得比较和分析更加客观和完整，通过综合评估风速变化，可以更准确地判断风速的变化类别，从而为风力发电机组的控制决策提供科学依据，进而能够更准确地预测和识别风速变化模式，使风力发电机组的双模控制系统能够及时、准确地调整其运行状态，以适应不同的风速变化情况，提高发电效率和稳定性。
4、本发明通过利用评估算法对识别出的风速变化模式进行评估，使得明确影响风速变化模式的关键参数，并设定搜索范围，有助于更加聚焦于对风力发电效率影响最大的因素，并且使用统计方法评估风力发电效率，从而对风速变化模式的影响进行量化分析，通过对风速变化模式的精确评估和影响因素的识别，可以更有效地调整风力发电机组的控制策略，提高整体发电效率，同时对风速变化模式的影响进行全面分析，并与风力发电效率标准对比，以决定是否需要调整控制策略，确保风力发电机组始终在最优状态下运行，通过数据集的分割和交叉验证，可以更准确地评估风速变化模式对风力发电效率的实际影响，进而提高预测的准确性和系统的可靠性。
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，下面将对实施例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是根据本发明实施例的一种基于风速适时监测风力发电机组双模控制方法的流程图；
图2是根据本发明实施例的一种基于风速适时监测风力发电机组双模控制系统的原理框图。
图中：
1、数据获取与处理模块；2、模型建立模块；3、深度分析模块；4、效率评估模块；5、控制策略调整模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
根据本发明的实施例，提供了一种基于风速适时监测风力发电机组双模控制方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于风速适时监测风力发电机组双模控制方法，该基于风速适时监测风力发电机组双模控制方法包括以下步骤：
S1、获取传感器所采集的风力发电厂的实时风速数据，并对采集的风力发电厂的实时风速数据预处理，得到风速特征数据；
具体的，在风力发电厂中，用于采集实时风速数据的传感器通常是风速传感器，也称为风速计。包括机械式风速计(通常包括旋转杯或风车式设计，通过物理运动测量风速)、超声波风速计(利用超声波在不同风速下传播速度的差异来测量风速)及热线风速计(利用风速对热传递的影响来进行测量)等。
具体的，风速数据包括风速值(风的速率，以米/秒或千米/小时为单位)、风向(风从哪个方向吹来，以角度表示，如东风、西风等)及风速的波动性(风速在短时间内的变化情况)等。
具体的，风速特征数据包括时间序列分析数据(包括风速的均值、中位数、最大值、最小值以及标准差等统计信息)、频率分析数据(风速变化的频率和周期性)、风速趋势(长期或短期内风速的变化趋势)及突变点检测(风速数据中的突变或异常值)等。
S2、基于得到的风速特征数据，建立风速预测模型，并利用风速预测模型对未来时刻的风速变化进行预测，得到风速变化趋势；
具体的，风速变化趋势指的是对未来一段时间内风速变化的预测和分析。包括风速的方向变化(预测未来风将从哪个方向吹来)、风速的强度变化(预测风速将会增强、减弱还是保持稳定)、风速的波动频率(对风速波动的频率和周期进行预测)、极端天气事件的预测(如狂风、飓风的预测)及长期和短期趋势(长期趋势涉及季节性和年度变化，而短期趋势则关注日内或几小时内的变化)。
S3、利用分析算法对得到的风速变化趋势进行深度分析，识别出风速变化模式；
具体的，风速变化模式包括周期性模式(如日周期性，一天中的不同时间风速的变化或季节性周期性、不同季节的风速变化趋势)、趋势模式(指的是长期内风速的整体增加或减少的趋势，如由于气候变化导致的长期风速增加或减少)、随机波动模式(风速会受到多种因素的影响，展现出不规则的波动，波动可以是短期内的随机变化)、极端事件模式(包括狂风、暴风等极端天气事件下的风速变化模式)及相依性模式(不同地理位置或不同高度的风速变化之间存在相依关系，如上风向的风速变化影响下风向的风速)等。
S4、利用评估算法对识别出的风速变化模式进行评估，得出影响风力发电效率的关键因素；
具体的，关键因素包括风速的平均值和极值(风速的高低直接影响发电量。风速过低可能导致发电机组无法启动，而风速过高则可能导致设备损坏或安全风险)、风速的稳定性和波动性(风速的稳定性影响发电机的稳定运行和发电效率。频繁的风速波动导致发电机频繁调整，影响发电效率和设备寿命)、风速的持续时间(即持续时间内的风速水平，对于评估一定时间范围内的发电潜力非常重要)、风向的变化(风向的变化影响风力发电机叶片的角度调整，影响发电效率)、季节性和时间性因素(不同季节和一天中不同时间的风速特性可能不同，这对于预测和调整发电策略至关重要)、地理和地形因素(不同地理位置和地形对风速和风向的影响，例如山谷或海岸线会形成特定的风速模式)、气候变化和极端天气事件(气候变化改变长期的风速模式，而极端天气事件如飓风或狂风则暂时性地极大影响风速)及技术和设备因素(风力发电机组的设计、效率和维护状况也是影响发电效率的关键因素)等。
S5、基于评估结果，制定针对关键因素的控制策略，并调整风力发电机组的运行参数。
具体的，控制策略包括：
叶片角度控制(俯仰控制)：调整叶片角度以最大化捕获风能，提高效率。
转速控制：根据风速变化调整转速，以稳定输出功率。
风向跟踪：改进风向跟踪系统，使风力发电机始终面向风向，以提高效率。
功率控制：管理超过额定功率的情况，避免设备过载。
维护计划：根据风速模式和季节性因素设定预防性维护计划。
临时停机策略：在极端天气条件下制定安全停机策略，以保护设备免受损害。
具体的，运行参数包括变频器设定、叶片的俯仰角度、转速等。
优选地，获取传感器所采集的风力发电厂的实时风速数据，并对采集的风力发电厂的实时风速数据预处理，得到风速特征数据包括以下步骤：
S11、获取传感器所采集的风力发电厂的实时风速数据的重复数据，并对重复数据进行去噪、滤波及平滑处理；
S12、将传感器所采集的风力发电厂的实时风速数据行进行联结，生成新的数据表，通过外部键值将不同的数据表进行关联，生成完整的数据表，并得到准确数据集；
S13、对准确数据集进行特征提取，得到风速特征数据。
优选地，基于得到的风速特征数据，建立风速预测模型，并利用风速预测模型对未来时刻的风速变化进行预测，得到风速变化趋势包括以下步骤：
S21、收集历史时间段内与风速相关的数据；
具体的，与风速相关的数据包括：
风速数据：这是最直接和关键的数据，包括在不同时间点、不同高度和地点的风速测量值。
风向数据：风的方向对于风力发电机的定位和最大能量捕获至关重要。
时间数据：记录每次风速和风向测量的具体时间(日期和时间)，用于分析风速的周期性和季节性变化。
气温和湿度数据：气温和湿度对风的行为有影响，作为辅助数据进行考虑。
气压数据：气压变化可以影响风速和风向，是重要的气象参数。
极端天气事件记录：如飓风、暴风等极端事件的记录。
地理和地形数据：不同地形(如山脉、平原、海岸线)会影响风速和风向。
风力发电机性能数据：包括发电量、发电机运行状况、维护记录等。
S22、将风速特征数据和历史风速数据划分为训练集和测试集；
S23、构建风速预测模型，将风速特征数据输入到风速预测模型中，得到未来时刻的风速预测值；
具体的，风速预测模型为多层感知器模型，多层感知器(Multilayer Perceptron，简称MLP)是人工神经网络模型，它由多个神经元层组成，每个神经元层都与前一层和后一层完全连接。在MLP中，输入层接收输入数据，每个输入节点代表数据的一个特征，输入数据通过隐藏层传递，隐藏层由多个神经元组成，每个神经元接收来自上一层的输入，并应用激活函数对输入进行非线性转换，最后，输出层接收隐藏层的输出，并产生最终的预测结果。
S24、基于模型得到的未来时刻的风速预测值，得到风速变化趋势。
具体的，风速变化趋势包括：
短期变化趋势：是指在小时或天级别上风速的变化。例如，通过模型预测接下来几小时或几天内风速的增减和波动情况。
长期变化趋势：是指在更长时间尺度上，如月、季度或年的风速变化。长期趋势可能受到季节变换、气候变化等因素的影响。
周期性趋势：是指风速显示出的周期性变化模式，比如每天的某个时段风速增加或每年某季节风速变化的规律。
极端事件的可能性：预测未来可能出现的极端风速事件，如风暴或狂风，对于风力发电机的运行安全和调度计划至关重要。
波动性分析：分析预测风速的波动程度。
优选地，构建风速预测模型，将风速特征数据输入到风速预测模型中，得到未来时刻的风速预测值包括以下步骤：
S231、选择匹配的风速预测模型结构，并分别确定输入层、隐藏层及输出层的风速特征数据的数量(元素的数量)；
S232、根据输入层的输入风速特征数据(元素)、权重及偏置，计算隐藏层的输入风速特征数据；
S233、根据隐藏层的输出风速特征数据、权重及偏置，计算输出层的输入风速特征数据；
具体的，计算输出层的输入风速特征数据的公式为：
其中，表示为输出层的输入风速特征数据；
表示为隐藏层的权重；
la表示为隐藏层的输出风速特征数据；
表示为隐藏层的偏置；
p表示为输出层风速特征数据的数量；
e表示为隐藏层风速特征数据的数量；
c和a分别表示为输出层第c个风速特征数据和隐藏层第a个风速特征数据。
S234、将输出层的输入风速特征数据导入激活函数中进行求解，得到输出层的输出风速特征数据，并将输出层的输出风速特征数据作为未来时刻的风速预测值；
S235、使用反向传播算法计算预测值与实际值之间的误差，并通过优化算法调整重疾病预警模型的参数。
具体的，反向传播算法是用于训练神经网络的算法，根据损失函数的值，从输出层向隐藏层和输入层反向传播误差，对于输出层，计算输出误差与输出层的输入之间的关系，即损失函数的梯度，然后将误差分配给上一层，通过相同的方式计算每一层的梯度，直到到达输入层。
具体的，优化算法为梯度下降算法，用于最小化函数，特别是在机器学习和深度学习中用于最小化损失函数。它通过迭代地调整参数来减少目标函数的值。
优选地，计算隐藏层的输入风速特征数据的公式为：
其中，表示为隐藏层的输入风速特征数据；
表示为输入层的权重；
fb表示为输入层的输入风速特征数据；
表示为输入层的偏置；
u示为输入层的风速特征数据的数量；
e示为隐藏层的风速特征数据的数量；
b和a分别表示输入层第b个风速特征数据和隐藏层第a个风速特征数据。
优选地，利用分析算法对得到的风速变化趋势进行深度分析，识别出实际风速变化模式包括以下步骤：
S31、将得到风速变化趋势与预设标准的风速变化模式进行比较；
具体的，预设标准的风速变化模式指的是基于历史数据、气象研究或特定风力发电场的运行经验得出的风速变化的典型模式或预期模式。包括：
典型风速范围：基于历史数据确定的特定地区或风力发电场经历的风速范围。
季节性变化：一年中不同季节的风速变化规律，例如某些地区夏季风速较低而冬季风速较高。
日变化模式：一天中不同时间段的风速变化规律，比如夜间风速可能高于白天。
极端天气事件的频率和模式：如何在特定地区出现极端风速(如风暴)的频率和特点。
长期趋势：由于气候变化等因素，长期内风速的变化趋势。
S32、分析影响风速变化的因素，并设定相应的风速变化评价级别；
S33、使用分析算法得到的风速变化趋势进行训练，计算风速变化得分，并判断是否属于显著的风速变化模式；
具体的，使用分析算法得到的风速变化趋势进行训练，计算风速变化得分，并判断是否属于显著的风速变化模式包括以下步骤：
S331、将收集到的历史风速变化趋势划分为训练集和测试集；
S332、使用训练集，通过随机选择风速相关特征和特征值范围内的分裂点来训练孤立森林模型；
S333、构建多棵孤立树，组成针对满意度分析的完整孤立森林模型；
S334、使用孤立森林模型，计算测试集中每个风速数据点从根节点到叶子节点的平均路径长度；
S335、基于平均路径长度，为每个风速数据点计算一个风速变化得分，并衡量风速变化的显著性；
S336、根据设定的阈值，使用风速变化得分来判断每个风速数据点是否属于显著的风速变化模式。
具体的，在训练过程中，根据所选特征值将数据点划分为两个子集(一个包含小于等于特征值的数据点，另一个包含大于特征值的数据点)，并进行一次分裂操作；递归地对每个子集重复这个过程，直到满足停止条件(如子集大小达到预定阈值、树的深度达到最大值)。
S34、对分析算法得出的风速变化得分进行归一化处理，并计算风速变化得分在不同风速变化模式下的分布情况；
S35、通过专家对不同影响风速变化的因素在各风速变化级别上的评估，建立风速变化评估矩阵；
S36、运用逻辑方法(模糊运算算子)，将归一化后的风速得分(权重向量)与风速变化评估矩阵(模糊关系矩阵)结合，得到综合风速变化评估结果；
S37、根据综合风速变化评估结果的分量值，判断风速在不同变化模式中的相对位置，并确定风速变化的类别；
S38、判断风速变化的类别是否超过预设的阈值，若超过则标识为实际风速变化模式；若未超过，则视为低或中的风速变化。
具体的，分析算法为模糊孤立森林算法，是一种基于孤立森林(IsolationForest)的模糊改进算法。孤立森林是一种非常有效的异常检测方法，其核心思想是利用二叉树结构隔离数据点，正常数据和异常数据在树中的位置会有显著差异，异常数据通常会更早被隔离出来。而在本发明中，是为了对得到的风速变化得分进行归一化处理，并构建模糊集合来处理风速变化趋势中的不确定性和模糊性。在风速变化趋势分析中，模糊集合可以用于更精确地描述风速变化模式。
优选地，分析影响风速变化的因素，并设定相应的风速变化评价级别包括以下步骤：
S321、通过环境监测和收集历史数据，识别出影响风速变化的各种因素；
S322、对识别出的影响风速变化的各种因素进行筛选和分类，消除重复项，并将其归纳为可衡量的因素集合；
S323、基于环境研究和气象模型，为每个影响风速变化的因素设定权重，并为每个因素设定不同的风速影响级别。
具体的，环境研究：指的是对自然环境中各种因素及其相互作用的研究，特别是那些影响风速的因素。包括地形(如山脉、平原、海岸线)、地表特性(如植被覆盖、城市建设)、以及大气条件(如温度、湿度、气压)。环境研究旨在深入理解这些因素如何单独或共同作用于风速。
具体的，气象模型：指用于模拟和预测天气条件的数学模型。这些模型基于物理和化学原理，能够模拟大气中的流体动力学过程和热交换，从而预测包括风速在内的气象条件。气象模型可以是简单的经验模型，也可以是复杂的全球或区域气候模型。
具体的，不同的风速影响级别指的是根据不同环境因素和气象条件对风速的影响程度，将它们分成不同的级别。包括：
低影响级别：某些因素只在特定条件下或轻微地影响风速。
中等影响级别：这些因素对风速有稳定且显著的影响。
高影响级别：这类因素对风速的影响非常大，是主要影响因素。
优选地，利用评估算法对识别出的风速变化模式进行评估，得出影响风力发电效率的关键因素包括以下步骤：
S41、确定影响风速变化模式的因素参数，并设定初始搜索范围；
S42、预设评估周期(即预设时间计数器)的初始值(通常为0或1)，并预设迭代次数作为评估过程的终止条件；
具体的，时间计数器是指在算法或程序中用于追踪迭代过程的一个计数变量。在优化和计算任务中，时间计数器用来监控算法已经执行的迭代次数，决定何时停止迭代过程。
具体的，终止条件包括时间计数器记录的时间达到预设最大值和优化算法的迭代次数达到预设最大次数。
S43、通过将识别出的风速变化模式的因素参数与已知的各种影响风速变化模式的因素参数进行对比，并根据预设的比对策略更新因素参数；
S44、通过统计方法(即k-fold交叉验证)，评估在每次风速变化模式的因素参数比对后的风力发电效率；
具体的，k-fold交叉验证即k折交叉验证(k-fold cross validation)是一种机器学习模型评估方法，指将收集到的风速变化模式的因素参数数据集分割成k个子集，其中一个子集作为验证集，其余k-1个子集作为训练集。
S45、基于风力发电效率的评估结果，计算每次迭代的适应度得分；
S46、将每次迭代后的适应度得分与前一次迭代的适应度得分进行比较，选择对风速变化模式影响最大的因素参数作为当前的最佳解；
S47、增加评估周期的初始值，如果已达到预设的最大迭代次数，则终止评估过程；
S48、分析评估过程结束后的风速变化模式情况，并与预设的风力发电效率标准进行对比，确定风速变化模式是否对风力发电效率有显著影响，若是，则进行调整，若不是，则将当前的风速变化模式的因素参数作为影响风力发电效率的关键因素。
优选地，通过统计方法，评估在每次风速变化模式的因素参数比对后的风力发电效率包括以下步骤：
S441、初始化验证轮数为第一轮；
S442、将获取到的风速变化模式的因素参数数据集分割成若干子集，在每一轮中，选择一个子集作为测试集，其余所有子集的并集作为训练集；
S443、使用训练集上调整后的风速变化模式因素参数训练统计模型(即SVM模型)，并在测试集上测试统计模型对风力发电效率的预测性能；
S444、根据风速变化模式因素参数在测试集上的实际表现，计算统计模型的泛化误差；
具体的，泛化误差是评估机器学习模型泛化能力的一个重要指标。它反映了模型在未见过的新数据上的预测误差。
具体的，计算统计模型(即SVM模型)的泛化误差是指计算统计模型(即SVM模型)在测试集上的预测误差。
S445、循环步骤S441至步骤S444，直到每一个子集都被用作过测试集；
S446、求得所有轮次中计算出的泛化误差的平均值，作为每次风速变化模式因素参数比对后的风力发电效率的总体评估。
具体的，评估算法为以改进的鸟群优化算法为基础的SVM参数选择方法，是一种将自然启发算法应用于机器学习参数优化的策略。在这种方法中，改进的鸟群优化算法被用来选择或优化SVM的参数，以提高模型的性能。
具体的，SVM是一种监督学习算法，它是基于结构风险最小化原理提出来的，以期望风险最小化作为评估准则，目的是利用有限样本训练获取具有较高泛化能力的决策函数，即在线性可分的情况下寻找一个最优超平面将样本完全分开。
具体的，改进的鸟群优化算法是指对传统的粒子群优化算法(Particle SwarmOptimization，PSO)的改进和变体。粒子群优化算法是一种基于群体智能的优化技术，它模拟鸟群或鱼群的社会行为来解决优化问题。
具体的，改进的鸟群优化算法包括以下几个方面的改进：
速度和位置更新规则的改进：在标准PSO中，粒子的移动基于其历史上的最佳位置和整个群体的最佳位置。改进的算法可能采用不同的规则来调整粒子的速度和位置，以提高收敛速度和避免陷入局部最优。
参数调整和控制：改进的算法可能包括对PSO参数(如惯性权重、个体最佳和群体最佳学习因子)的动态调整机制，以在搜索过程中平衡探索(全局搜索)和开发(局部搜索)。
适应特定问题的定制：针对特定类型的问题(如非线性问题、多目标问题等)，改进的鸟群优化算法可能进行特别设计，以更有效地解决这些问题。
根据本发明的另一个实施例，如图2所示，还提供了一种基于风速适时监测风力发电机组双模控制系统，该基于风速适时监测风力发电机组双模控制系统包括：
数据获取与处理模块1，用于获取传感器所采集的风力发电厂的实时风速数据，并对采集的风力发电厂的实时风速数据预处理，得到风速特征数据；
模型建立模块2，用于基于得到的风速特征数据，建立风速预测模型，并利用风速预测模型对未来时刻的风速变化进行预测，得到风速变化趋势；
深度分析模块3，用于利用分析算法对得到的风速变化趋势进行深度分析，识别出风速变化模式；
效率评估模块4，用于利用评估算法对识别出的风速变化模式进行评估，得出影响风力发电效率的关键因素；
控制策略调整模块5，用于基于评估结果，制定针对关键因素的控制策略，并调整风力发电机组的运行参数；
其中，数据获取与处理模块1通过模型建立模块2和深度分析模块3连接，深度分析模块3通过效率评估模块4和控制策略调整模块5连接。
综上所述，借助于本发明的上述技术方案，本发明通过建立风速预测模型，使得通过在输入层、隐藏层和输出层之间传递和处理数据，使用权重、偏置和激活函数来构建复杂的非线性关系，从而有效地预测未来的风速变化，并且利用了深度学习的优势，可以处理复杂和非线性的数据关系，提高预测的准确性和可靠性，同时基于风速预测模型得出的风速变化趋势，为风力发电机组的双模控制提供了关键的信息，进而能够帮助控制系统及时调整策略，尤其是在风速变化较大或不稳定的条件下，优化发电效率。本发明通过利用分析算法对得到的风速变化趋势进行深度分析，使得将实际风速变化趋势与预设的标准模式进行比较，有助于快速识别出当前风速状况与常见模式的相似度，便于后续的分析工作，并且通过深入分析影响风速变化的因素，并设定风速变化的评价级别，能够更细致地理解风速变化的特征，为准确预测和应对提供支持，同时对风速变化进行得分计算和归一化处理，有助于量化风速变化的程度和特征，使得比较和分析更加客观和完整，通过综合评估风速变化，可以更准确地判断风速的变化类别，从而为风力发电机组的控制决策提供科学依据，进而能够更准确地预测和识别风速变化模式，使风力发电机组的双模控制系统能够及时、准确地调整其运行状态，以适应不同的风速变化情况，提高发电效率和稳定性。本发明通过利用评估算法对识别出的风速变化模式进行评估，使得明确影响风速变化模式的关键参数，并设定搜索范围，有助于更加聚焦于对风力发电效率影响最大的因素，并且使用统计方法评估风力发电效率，从而对风速变化模式的影响进行量化分析，通过对风速变化模式的精确评估和影响因素的识别，可以更有效地调整风力发电机组的控制策略，提高整体发电效率，同时对风速变化模式的影响进行全面分析，并与风力发电效率标准对比，以决定是否需要调整控制策略，确保风力发电机组始终在最优状态下运行，通过数据集的分割和交叉验证，可以更准确地评估风速变化模式对风力发电效率的实际影响，进而提高预测的准确性和系统的可靠性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于风速适时监测风力发电机组双模控制方法，其特征在于，该基于风速适时监测风力发电机组双模控制方法包括以下步骤：
S1、获取传感器所采集的风力发电厂的实时风速数据，并对采集的风力发电厂的实时风速数据预处理，得到风速特征数据；
S2、基于得到的风速特征数据，建立风速预测模型，并利用风速预测模型对未来时刻的风速变化进行预测，得到风速变化趋势；
S3、利用分析算法对得到的风速变化趋势进行深度分析，识别出风速变化模式；
S4、利用评估算法对识别出的风速变化模式进行评估，得出影响风力发电效率的关键因素；
S5、基于评估结果，制定针对关键因素的控制策略，并调整风力发电机组的运行参数。
2.根据权利要求1所述的一种基于风速适时监测风力发电机组双模控制方法，其特征在于，所述获取传感器所采集的风力发电厂的实时风速数据，并对采集的风力发电厂的实时风速数据预处理，得到风速特征数据包括以下步骤：
S11、获取传感器所采集的风力发电厂的实时风速数据的重复数据，并对重复数据进行去噪、滤波及平滑处理；
S12、将传感器所采集的风力发电厂的实时风速数据行进行联结，生成新的数据表，通过外部键值将不同的数据表进行关联，生成完整的数据表，并得到准确数据集；
S13、对准确数据集进行特征提取，得到风速特征数据。
3.根据权利要求1所述的一种基于风速适时监测风力发电机组双模控制方法，其特征在于，所述基于得到的风速特征数据，建立风速预测模型，并利用风速预测模型对未来时刻的风速变化进行预测，得到风速变化趋势包括以下步骤：
S21、收集历史时间段内与风速相关的数据；
S22、将风速特征数据和历史风速数据划分为训练集和测试集；
S23、构建风速预测模型，将风速特征数据输入到风速预测模型中，得到未来时刻的风速预测值；
S24、基于模型得到的未来时刻的风速预测值，得到风速变化趋势。
4.根据权利要求3所述的一种基于风速适时监测风力发电机组双模控制方法，其特征在于，所述构建风速预测模型，将风速特征数据输入到风速预测模型中，得到未来时刻的风速预测值包括以下步骤：
S231、选择匹配的风速预测模型结构，并分别确定输入层、隐藏层及输出层的风速特征数据的数量；
S232、根据输入层的输入风速特征数据、权重及偏置，计算隐藏层的输入风速特征数据；
S233、根据隐藏层的输出风速特征数据、权重及偏置，计算输出层的输入风速特征数据；
S234、将输出层的输入风速特征数据导入激活函数中进行求解，得到输出层的输出风速特征数据，并将输出层的输出风速特征数据作为未来时刻的风速预测值；
S235、使用反向传播算法计算预测值与实际值之间的误差，并通过优化算法调整重疾病预警模型的参数。
5.根据权利要求4所述的一种基于风速适时监测风力发电机组双模控制方法，其特征在于，所述计算隐藏层的输入风速特征数据的公式为：
其中，表示为隐藏层的输入风速特征数据；
表示为输入层的权重；
fb表示为输入层的输入风速特征数据；
表示为输入层的偏置；
u示为输入层的风速特征数据的数量；
e示为隐藏层的风速特征数据的数量；
b和a分别表示输入层第b个风速特征数据和隐藏层第a个风速特征数据。
6.根据权利要求1所述的一种基于风速适时监测风力发电机组双模控制方法，其特征在于，所述利用分析算法对得到的风速变化趋势进行深度分析，识别出实际风速变化模式包括以下步骤：
S31、将得到风速变化趋势与预设标准的风速变化模式进行比较；
S32、分析影响风速变化的因素，并设定相应的风速变化评价级别；
S33、使用分析算法得到的风速变化趋势进行训练，计算风速变化得分，并判断是否属于显著的风速变化模式；
S34、对分析算法得出的风速变化得分进行归一化处理，并计算风速变化得分在不同风速变化模式下的分布情况；
S35、通过专家对不同影响风速变化的因素在各风速变化级别上的评估，建立风速变化评估矩阵；
S36、运用逻辑方法，将归一化后的风速得分与风速变化评估矩阵结合，得到综合风速变化评估结果；
S37、根据综合风速变化评估结果的分量值，判断风速在不同变化模式中的相对位置，并确定风速变化的类别；
S38、判断风速变化的类别是否超过预设的阈值，若超过则标识为实际风速变化模式；若未超过，则视为低或中的风速变化。
7.根据权利要求6所述的一种基于风速适时监测风力发电机组双模控制方法，其特征在于，所述分析影响风速变化的因素，并设定相应的风速变化评价级别包括以下步骤：
S321、通过环境监测和收集历史数据，识别出影响风速变化的各种因素；
S322、对识别出的影响风速变化的各种因素进行筛选和分类，消除重复项，并将其归纳为可衡量的因素集合；
S323、基于环境研究和气象模型，为每个影响风速变化的因素设定权重，并为每个因素设定不同的风速影响级别。
8.根据权利要求1所述的一种基于风速适时监测风力发电机组双模控制方法，其特征在于，所述利用评估算法对识别出的风速变化模式进行评估，得出影响风力发电效率的关键因素包括以下步骤：
S41、确定影响风速变化模式的因素参数，并设定初始搜索范围；
S42、预设评估周期的初始值，并预设迭代次数作为评估过程的终止条件；
S43、通过将识别出的风速变化模式的因素参数与已知的各种影响风速变化模式的因素参数进行对比，并根据预设的比对策略更新因素参数；
S44、通过统计方法，评估在每次风速变化模式的因素参数比对后的风力发电效率；
S45、基于风力发电效率的评估结果，计算每次迭代的适应度得分；
S46、将每次迭代后的适应度得分与前一次迭代的适应度得分进行比较，选择对风速变化模式影响最大的因素参数作为当前的最佳解；
S47、增加评估周期的初始值，如果已达到预设的最大迭代次数，则终止评估过程；
S48、分析评估过程结束后的风速变化模式情况，并与预设的风力发电效率标准进行对比，确定风速变化模式是否对风力发电效率有显著影响，若是，则进行调整，若不是，则将当前的风速变化模式的因素参数作为影响风力发电效率的关键因素。
9.根据权利要求8所述的一种基于风速适时监测风力发电机组双模控制方法，其特征在于，所述通过统计方法，评估在每次风速变化模式的因素参数比对后的风力发电效率包括以下步骤：
S441、初始化验证轮数为第一轮；
S442、将获取到的风速变化模式的因素参数数据集分割成若干子集，在每一轮中，选择一个子集作为测试集，其余所有子集的并集作为训练集；
S443、使用训练集上调整后的风速变化模式因素参数训练统计模型，并在测试集上测试统计模型对风力发电效率的预测性能；
S444、根据风速变化模式因素参数在测试集上的实际表现，计算统计模型的泛化误差；
S445、循环步骤S441至步骤S444，直到每一个子集都被用作过测试集；
S446、求得所有轮次中计算出的泛化误差的平均值，作为每次风速变化模式因素参数比对后的风力发电效率的总体评估。
10.一种基于风速适时监测风力发电机组双模控制系统，用于实现权利要求1-9中任一项所述的基于风速适时监测风力发电机组双模控制方法，其特征在于，该基于风速适时监测风力发电机组双模控制系统包括：
数据获取与处理模块，用于获取传感器所采集的风力发电厂的实时风速数据，并对采集的风力发电厂的实时风速数据预处理，得到风速特征数据；
模型建立模块，用于基于得到的风速特征数据，建立风速预测模型，并利用风速预测模型对未来时刻的风速变化进行预测，得到风速变化趋势；
深度分析模块，用于利用分析算法对得到的风速变化趋势进行深度分析，识别出风速变化模式；
效率评估模块，用于利用评估算法对识别出的风速变化模式进行评估，得出影响风力发电效率的关键因素；
控制策略调整模块，用于基于评估结果，制定针对关键因素的控制策略，并调整风力发电机组的运行参数；
其中，数据获取与处理模块通过模型建立模块和深度分析模块连接，深度分析模块通过效率评估模块和控制策略调整模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161300.1A CN117967497A (zh) | 2024-02-05 | 2024-02-05 | 一种基于风速适时监测风力发电机组双模控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410161300.1A CN117967497A (zh) | 2024-02-05 | 2024-02-05 | 一种基于风速适时监测风力发电机组双模控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117967497A true CN117967497A (zh) | 2024-05-03 |
Family
ID=90845693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410161300.1A Pending CN117967497A (zh) | 2024-02-05 | 2024-02-05 | 一种基于风速适时监测风力发电机组双模控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117967497A (zh) |
-
2024
- 2024-02-05 CN CN202410161300.1A patent/CN117967497A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Saloux et al. | Forecasting district heating demand using machine learning algorithms | |
| KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
| Liu et al. | An improved photovoltaic power forecasting model with the assistance of aerosol index data | |
| US8606418B1 (en) | Wind prediction for wind farms through the use of weather radar | |
| CN108898251A (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
| CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
| CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
| Zhu et al. | A prediction model for wind farm power generation based on fuzzy modeling | |
| CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
| Kolhe et al. | GA-ANN for short-term wind energy prediction | |
| Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
| CN110362045A (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 | |
| CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
| CN109146192B (zh) | 一种考虑风电机组运行工况的风电功率预测方法 | |
| 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 | |
| CN113343562B (zh) | 一种基于混合建模策略的风机功率预测方法及系统 | |
| Liu et al. | Research of photovoltaic power forecasting based on big data and mRMR feature reduction | |
| CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| CN117967497A (zh) | 一种基于风速适时监测风力发电机组双模控制方法及系统 | |
| CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
| Valsaraj et al. | Machine learning-based simplified methods using shorter wind measuring masts for the time ahead wind forecasting at higher altitude for wind energy applications | |
| Barahona et al. | Applying design knowledge and machine learning to scada data for classification of wind turbine operating regimes | |
| Namrata et al. | Data-Driven Hyperparameter Optimized Extreme Gradient Boosting Machine Learning Model for Solar Radiation Forecasting |
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 |