CN118066074A - 风力发电机组的载荷预测方法及装置 - Google Patents
风力发电机组的载荷预测方法及装置 Download PDFInfo
- Publication number
- CN118066074A CN118066074A CN202211465833.6A CN202211465833A CN118066074A CN 118066074 A CN118066074 A CN 118066074A CN 202211465833 A CN202211465833 A CN 202211465833A CN 118066074 A CN118066074 A CN 118066074A
- Authority
- CN
- China
- Prior art keywords
- real
- load prediction
- prediction model
- data
- time load
- 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 40
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000013508 migration Methods 0.000 claims abstract description 26
- 230000005012 migration Effects 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 81
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000013526 transfer learning Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
提供一种风力发电机组的载荷预测方法及装置。该风力发电机组的载荷预测方法包括:获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型;获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据;基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型;基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷,从而提高实时载荷预测的效率。
Description
技术领域
本公开涉及风力发电技术领域。更具体地,本公开涉及一种风力发电机组的载荷预测方法及装置。
背景技术
在风力发电机组的设计中必须确定风力发电机组所处的环境和各种运行条件下所产生的各种载荷。其目的是对风力发电机组零部件进行强度分析(包括静强度分析和疲劳强度分析)、动力学分析以及寿命计算,确保风力发电机组在其设计的寿命期内能够正常运行。该项工作是风力发电机组设计中最基础性的工作,所有的后续工作都是以载荷计算为基础的。
在计算载荷时,要考虑风力发电机组的复杂性,这是风、空气动力学、叶片动力学、控制系统、传动系统动力学、电力系统、塔架动力学、基础等复杂作用的结果。
风力发电机组的运行是在非常复杂多变的自然条件下的,不同的外部环境对风力发电机组的各个零部件受力状态的影响是不同的。为了实现载荷计算目的,达到设计要求,风力发电机组的载荷计算是以机组将要承受的包含各重要条件的设计工况来体现的。计算工况的确定应将外界条件、风力发电机组运行状态发生的概率与控制和保护系统动作等的组合方式放在一起考虑,并结合风力机设计工况和载荷状态国际标准(EIC61400)来制定。
GH Bladed软件是由国际著名的Garrad Hassan公司开发的风力发电机组设计软件,可以对风力发电机组整机的气动和结构动力学特性及风力发电机组所受的载荷进行计算和仿真。它是风力发电机组设计和验证的可靠工具,作为通过GL认证的少数几个风力发电机组计算软件之一,在国际上得到了较为广泛的应用。因此,可利用GH Bladed软件计算每个工况下各个零部件的载荷,并将所有计算结果进行整理统计与分析。
综上所述,现有风力发电机组载荷计算方法主要根据外界条件、风力发电机组运行状态发生的概率与控制、保护系统动作等组合的复杂问题,列出风力发电机组载荷设计工况的制定过程,并运用GH Bladed软件作为载荷计算工具,对风力发电机组在设计工况下的极限载荷和疲劳载荷进行分析。在载荷预测中,模型的建立均需要大量数据才能完成,并且数据测试时间较长。
发明内容
本公开的示例性实施例在于提供一种风力发电机组的载荷预测方法及装置,以提高实时载荷预测的效率。
根据本公开的示例性实施例,提供一种风力发电机组的载荷预测方法,包括:获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型;获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据;基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型;基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷。
可选地,所述基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,可包括:将所述历史数据划分为训练数据和测试数据;基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试;当测试结果不满足结束条件时,对所述相似机组实时载荷预测模型的参数进行调整,并且重新执行基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试的步骤,直至所述测试结果满足所述结束条件;当所述测试结果满足所述结束条件时,将当前经过训练的所述相似机组实时载荷预测模型作为所述目标机组实时载荷预测模型。
可选地,所述训练数据可包括第一历史运行数据和对应的第一历史实测载荷数据,并且所述测试数据可包括第二历史运行数据和对应的第二历史实测载荷数据。
可选地,所述基于所述训练数据对所述相似机组实时载荷预测模型进行训练,可包括:将第一历史运行数据输入到所述相似机组实时载荷预测模型,得到第一预测载荷数据;基于第一预测载荷数据和第一历史实测载荷数据确定所述相似机组实时载荷预测模型的预测损失;基于所述预测损失对所述相似机组实时载荷预测模型的参数进行调整。
可选地,所述基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试,可包括:将第二历史运行数据输入到所述相似机组实时载荷预测模型,并将所述相似机组实时载荷预测模型的输出与第二历史实测载荷数据之间的差异作为测试结果。
可选地,所述结束条件可包括:所述测试结果落入预设精度范围和/或得到所述测试结果的测试次数达到最大测试次数。
可选地,所述基于所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷,可包括:获取所述目标风力发电机组在预设时间段内的运行数据;将所述预设时间段内的运行数据输入到所述目标机组实时载荷预测模型,并将所述目标机组实时载荷预测模型的输出结果作为所述目标风力发电机组的实时预测载荷。
可选地,所述实时载荷预测方法还可包括:基于所述目标风力发电机组的实时预测载荷确定所述目标风力发电机组的预测寿命。
可选地,所述获取相似机组实时载荷预测模型,可包括:选择与所述目标风力发电机组的相似度符合预设条件的风力发电机组作为所述目标风力发电机组的相似风力发电机组;获取所述相似风力发电机组的实时载荷预测模型;将所述相似风力发电机组的实时载荷预测模型作为所述相似机组实时载荷预测模型。
根据本公开的示例性实施例,提供一种风力发电机组的载荷预测装置,包括:相似模型获取单元,被配置为获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型;数据获取单元,被配置为获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据;迁移训练单元,被配置为基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型;和载荷预测单元,被配置为基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷。
可选地,所述迁移训练单元可被配置为:将所述历史数据划分为训练数据和测试数据;基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试;当测试结果不满足结束条件时,对所述相似机组实时载荷预测模型的参数进行调整,并且重新执行基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试的步骤,直至所述测试结果满足所述结束条件;当所述测试结果满足所述结束条件时,将当前经过训练的所述相似机组实时载荷预测模型作为所述目标机组实时载荷预测模型。
可选地,所述训练数据可包括第一历史运行数据和对应的第一历史实测载荷数据,并且所述测试数据可包括第二历史运行数据和对应的第二历史实测载荷数据。
可选地,所述迁移训练单元可被配置为:将第一历史运行数据输入到所述相似机组实时载荷预测模型,得到第一预测载荷数据;基于第一预测载荷数据和第一历史实测载荷数据确定所述相似机组实时载荷预测模型的预测损失;基于所述预测损失对所述相似机组实时载荷预测模型的参数进行调整。
可选地,所述迁移训练单元可被配置为:将第二历史运行数据输入到所述相似机组实时载荷预测模型,并将所述相似机组实时载荷预测模型的输出与第二历史实测载荷数据之间的差异作为测试结果。
可选地,所述结束条件可包括:所述测试结果落入预设精度范围和/或得到所述测试结果的测试次数达到最大测试次数。
可选地,所述载荷预测单元可被配置为:获取所述目标风力发电机组在预设时间段内的运行数据;将所述预设时间段内的运行数据输入到所述目标机组实时载荷预测模型,并将所述目标机组实时载荷预测模型的输出结果作为所述目标风力发电机组的实时预测载荷。
可选地,所述装置还可包括寿命预测单元,被配置为:基于所述目标风力发电机组的实时预测载荷确定所述目标风力发电机组的预测寿命。
可选地,所述相似模型获取单元可被配置为:选择与所述目标风力发电机组的相似度符合预设条件的风力发电机组作为所述目标风力发电机组的相似风力发电机组;获取所述相似风力发电机组的实时载荷预测模型;将所述相似风力发电机组的实时载荷预测模型作为所述相似机组实时载荷预测模型。
根据本公开的示例性实施例,提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现根据本公开的示例性实施例的风力发电机组的载荷预测方法。
根据本公开的示例性实施例,提供一种计算装置,包括:至少一个处理器;至少一个存储器,存储有计算机程序,当所述计算机程序被所述至少一个处理器执行时,实现根据本公开的示例性实施例的风力发电机组的载荷预测方法。
根据本公开的示例性实施例,提供一种计算机程序产品,该计算机程序产品中的指令可由计算机设备的处理器执行以完成根据本公开的示例性实施例的风力发电机组的载荷预测方法。
根据本公开的示例性实施例的风力发电机组的载荷预测方法及装置,通过获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型;获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据;基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型;基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷,从而在有相似机组的大量SCADA数据与载荷数据或相似机组实时载荷预测模型的前提下,基于迁移学习利用少量目标机组数据建立风力发电机组的实时载荷预测模型,节省了数据测量时间,提高了模型生成效率。在有相似类型机组模型的前提下,可利用少量数据实现实时载荷预测模型的建立,大大节约了数据测量时间,模型生成效率大大提升。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述,本公开的示例性实施例的上述和其他目的和特点将会变得更加清楚,其中:
图1示出根据本公开的示例性实施例的风力发电机组的载荷预测方法的流程图;
图2示出根据本公开的示例性实施例的风力发电机组的载荷预测与寿命评估的原理;
图3示出根据本公开的示例性实施例的建立风力发电机组的载荷预测模型的流程图的示例;
图4示出根据本公开的示例性实施例的风力发电机组的载荷预测装置的框图;和
图5示出根据本公开的示例性实施例的计算装置的示意图。
具体实施方式
现将详细参照本公开的示例性实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本公开。
图1示出根据本公开的示例性实施例的风力发电机组的载荷预测方法的流程图。图2示出根据本公开的示例性实施例的风力发电机组的载荷预测与寿命评估的原理。图3示出根据本公开的示例性实施例的建立风力发电机组的载荷预测模型的流程图的示例。
参照图1,在步骤S101,获取相似机组实时载荷预测模型。这里,相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型。载荷指的是使结构或构件产生内力和变形的外力及其它因素。在本公开的示例性实施例中,在获取相似机组实时载荷预测模型时,可首先选择与目标风力发电机组的相似度符合预设条件的风力发电机组作为所述目标风力发电机组的相似风力发电机组,然后获取所述相似风力发电机组的实时载荷预测模型,将所述相似风力发电机组的实时载荷预测模型作为所述相似机组实时载荷预测模型。这里,预设条件可以是例如,但不限于,相似度小于阈值、相似度处于预设范围等。
可根据相似机组与目标机组的相似度来确定具体迁移学习算法与目标机组载荷数据具体需求量;若有满足精度的相似机组载荷预测模型,则可不需要进行相似机组载荷预测模型的建立与验证过程,直接进行迁移学习;若缺少相似机组或无法获取相似机组载荷预测模型,可使用目标机组的例如Bladed模型计算载荷建立载荷预测模型,并将其作为相似机组载荷预测模型使用。
具体来说,如图2的(a)所示,可使用相似机组的数据采集与监视控制(Supervisory Control And Data Acquisition,简称SCADA)数据与相似机组的载荷测试数据基于机器学习或深度学习算法,建立所述相似机组的实时载荷预测模型,并进行验证。
在步骤S102,获取所述目标风力发电机组的历史数据。这里,所述历史数据包括历史运行数据和对应的历史实测载荷数据。例如,历史运行数据可以是SCADA数据。
可收集目标风力发电机组的SCADA数据与对应载荷测试数据并进行数据预处理,得到所述历史数据。预处理是对数据进行筛选、平滑等处理。例如,将SCADA数据与对应载荷测试数据中的不满足要求的数据删除。作为示例,可将SCADA数据与对应载荷测试数据中的错误数据删除。
在步骤S103,基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型。
如图2的(b)所示,基于相似机组的成熟模型,使用经过处理的目标风力发电机组的SCADA数据进行模型迁移学习训练,得到目标机组的实时载荷预测模型,并进行验证。
在本公开的示例性实施例中,在基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练时,可首先将所述历史数据划分为训练数据和测试数据,基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试,然后当测试结果不满足结束条件时,对所述相似机组实时载荷预测模型的参数进行调整,并且重新执行基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试的步骤,直至所述测试结果满足所述结束条件,并且当所述测试结果满足所述结束条件时,将当前经过训练的所述相似机组实时载荷预测模型作为所述目标机组实时载荷预测模型。
在本公开的示例性实施例中,所述训练数据包括第一历史运行数据和对应的第一历史实测载荷数据,并且所述测试数据包括第二历史运行数据和对应的第二历史实测载荷数据。
在本公开的示例性实施例中,在基于所述训练数据对所述相似机组实时载荷预测模型进行训练时,可首先将第一历史运行数据输入到所述相似机组实时载荷预测模型,得到第一预测载荷数据,基于第一预测载荷数据和第一历史实测载荷数据确定所述相似机组实时载荷预测模型的预测损失,然后基于所述预测损失对所述相似机组实时载荷预测模型的参数进行调整。
在本公开的示例性实施例中,在基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试时,可将第二历史运行数据输入到所述相似机组实时载荷预测模型,并将所述相似机组实时载荷预测模型的输出与第二历史实测载荷数据之间的差异作为测试结果。
在本公开的示例性实施例中,所述结束条件可包括:所述测试结果落入预设精度范围和/或得到所述测试结果的测试次数达到最大测试次数。
如图3所示,在步骤1,获取相似机组的SCADA数据与实测载荷数据,在步骤2,使用相似机组的SCADA数据与实测载荷数据基于机器学习或深度学习算法,建立相似机组的实时载荷预测模型,并进行验证。同时,在步骤3,获取目标机组的SCADA数据与实测载荷数据并进行处理,在步骤4,将处理后的SCADA数据与实测载荷数据(SCADA数据为输入特征,实测载荷数据用于与输出特征进行比较)随机分为训练数据与测试数据。在步骤5,基于相似机组的成熟模型来固定目标机组的实时载荷预测模型的部分参数,使用训练数据进行训练(微调),在步骤6,使用测试数据对步骤5得到的模型进行测试与验证,在步骤7,判断得到的模型是否满足精度要求,若模型精度不满足要求,则在步骤8,判断训练次数是否达到预设次数,如果训练次数未达到预设次数,则在步骤9,重新调整迁移学习算法参数,得到新模型并验证,直至得到的模型满足精度要求或训练达到最大次数为止;若模型精度满足要求,则在步骤10,输出满足精度要求的模型作为目标机组实时载荷预测模型;若模型训练达到最大次数,则在步骤11,输出精度最高的模型与其实际精度,并且将该精度最高的模型作为目标机组实时载荷预测模型。
在步骤S104,基于目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷。
如图2的(c)所示,利用构建好的目标风力发电机组实时载荷预测模型,通过该风力发电机组SCADA数据的处理与输入,实现该机组的实时载荷预测与寿命评估。
在本公开的示例性实施例中,在基于所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷时,可首先获取所述目标风力发电机组在预设时间段内的运行数据,然后将所述预设时间段内的运行数据输入到所述目标机组实时载荷预测模型,并将所述目标机组实时载荷预测模型的输出结果作为所述目标风力发电机组的实时预测载荷。
在本公开的示例性实施例中,在步骤S104得到所述目标风力发电机组的实时预测载荷之后,还可基于所述目标风力发电机组的实时预测载荷确定所述目标风力发电机组的预测寿命。
根据本公开的示例性实施例的风力发电机组的载荷预测方法,在有相似机组大量SCADA数据与载荷数据或相似机组实时载荷预测模型的前提下,基于迁移学习利用少量目标机组数据建立风力发电机组实时载荷预测的模型,节省了数据测量时间,提高了模型生成效率。在有相似类型机组模型的前提下,可利用少量数据实现实时载荷预测模型的建立,大大节约了数据测量时间(例如,原有实时载荷预测方法约需要测量数据6个月,则在本公开中只需要2个月左右),模型生成效率大大提升。
此外,根据本公开的示例性实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被执行时,实现根据本公开的示例性实施例的风力发电机组的载荷预测方法。
在本公开的示例性实施例中,所述计算机可读存储介质可承载有一个或者多个程序,当所述计算机程序被执行时可实现以下步骤:获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型;获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据;基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型;基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷。
计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储计算机程序的有形介质,该计算机程序可以被指令执行系统、装置或者器件使用或者与其结合使用。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。计算机可读存储介质可以包含在任意装置中;也可以单独存在,而未装配入该装置中。
此外,根据本公开的示例性实施例,还提供一种计算机程序产品,该计算机程序产品中的指令可由计算机设备的处理器执行以完成根据本公开的示例性实施例的风力发电机组的载荷预测的方法。
以上已经结合图1至图3对根据本公开的示例性实施例的风力发电机组的载荷预测方法进行了描述。在下文中,将参照图4对根据本公开的示例性实施例的风力发电机组的载荷预测装置及其单元进行描述。
图4示出根据本公开的示例性实施例的风力发电机组的载荷预测装置的框图。
参照图4,风力发电机组的载荷预测装置包括相似模型获取单元41、数据获取单元42、迁移训练单元43和载荷预测单元44。
相似模型获取单元41被配置为获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型。
在本公开的示例性实施例中,相似模型获取单元41可被配置为:选择与所述目标风力发电机组的相似度符合预设条件的风力发电机组作为所述目标风力发电机组的相似风力发电机组;获取所述相似风力发电机组的实时载荷预测模型;将所述相似风力发电机组的实时载荷预测模型作为所述相似机组实时载荷预测模型。
数据获取单元42被配置为获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据。
迁移训练单元43被配置为基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型。
在本公开的示例性实施例中,所述迁移训练单元被配置为:将所述历史数据划分为训练数据和测试数据;基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试;当测试结果不满足结束条件时,对所述相似机组实时载荷预测模型的参数进行调整,并且重新执行基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试的步骤,直至所述测试结果满足所述结束条件;当所述测试结果满足所述结束条件时,将当前经过训练的所述相似机组实时载荷预测模型作为所述目标机组实时载荷预测模型。
在本公开的示例性实施例中,所述训练数据可包括第一历史运行数据和对应的第一历史实测载荷数据,并且所述测试数据包括第二历史运行数据和对应的第二历史实测载荷数据。
在本公开的示例性实施例中,所述迁移训练单元43可被配置为:将第一历史运行数据输入到所述相似机组实时载荷预测模型,得到第一预测载荷数据;基于第一预测载荷数据和第一历史实测载荷数据确定所述相似机组实时载荷预测模型的预测损失;基于所述预测损失对所述相似机组实时载荷预测模型的参数进行调整。
在本公开的示例性实施例中,迁移训练单元43可被配置为:将第二历史运行数据输入到所述相似机组实时载荷预测模型,并将所述相似机组实时载荷预测模型的输出与第二历史实测载荷数据之间的差异作为测试结果。
在本公开的示例性实施例中,所述结束条件可包括:所述测试结果落入预设精度范围和/或得到所述测试结果的测试次数达到最大测试次数。
载荷预测单元44被配置为基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷。
在本公开的示例性实施例中,载荷预测单元44可被配置为:获取所述目标风力发电机组在预设时间段内的运行数据;将所述预设时间段内的运行数据输入到所述目标机组实时载荷预测模型,并将所述目标机组实时载荷预测模型的输出结果作为所述目标风力发电机组的实时预测载荷。
在本公开的示例性实施例中,所述装置还可包括寿命预测单元(未示出),被配置为:基于所述目标风力发电机组的实时预测载荷确定所述目标风力发电机组的预测寿命。
以上已经结合图4对根据本公开的示例性实施例的风力发电机组的载荷预测装置进行了描述。接下来,结合图5对根据本公开的示例性实施例的计算装置进行描述。
图5示出根据本公开的示例性实施例的计算装置的示意图。
参照图5,根据本公开的示例性实施例的计算装置,包括存储器51和处理器52,所述存储器51上存储有计算机程序,当所述计算机程序被处理器52执行时,实现根据本公开的示例性实施例的风力发电机组的载荷预测方法。
在本公开的示例性实施例中,当所述计算机程序被处理器52执行时,可实现以下步骤:获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型;获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据;基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型;基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷。
图5示出的计算装置仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
以上已参照图1至图5描述了根据本公开的示例性实施例的风力发电机组的载荷预测方法及装置。然而,应该理解的是:图4中所示的风力发电机组的实时载荷预测装置及其单元可分别被配置为执行特定功能的软件、硬件、固件或上述项的任意组合,图5中所示的计算装置并不限于包括以上示出的组件,而是可根据需要增加或删除一些组件,并且以上组件也可被组合。
根据本公开的示例性实施例的风力发电机组的载荷预测方法及装置,通过获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型;获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据;基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型;基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷,从而在有相似机组大量SCADA数据与载荷数据或相似机组实时载荷预测模型的前提下,基于迁移学习利用少量目标机组数据建立风力发电机组实时载荷预测的模型,节省了数据测量时间,提高了模型生成效率。在有相似类型机组模型的前提下,可利用少量数据实现实时载荷预测模型的建立,大大节约了数据测量时间,模型生成效率大大提升。
尽管已经参照其示例性实施例具体显示和描述了本公开,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本公开的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (12)
1.一种风力发电机组的载荷预测方法,其特征在于,所述方法包括:
获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型;
获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据;
基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型;
基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷。
2.根据权利要求1所述的载荷预测方法,其特征在于,所述基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,包括:
将所述历史数据划分为训练数据和测试数据;
基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试;
当测试结果不满足结束条件时,对所述相似机组实时载荷预测模型的参数进行调整,并且重新执行基于所述训练数据对所述相似机组实时载荷预测模型进行训练,并基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试的步骤,直至所述测试结果满足所述结束条件;
当所述测试结果满足所述结束条件时,将当前经过训练的所述相似机组实时载荷预测模型作为所述目标机组实时载荷预测模型。
3.根据权利要求2所述的载荷预测方法,其特征在于,所述训练数据包括第一历史运行数据和对应的第一历史实测载荷数据,并且所述测试数据包括第二历史运行数据和对应的第二历史实测载荷数据。
4.根据权利要求3所述的载荷预测方法,其中,所述基于所述训练数据对所述相似机组实时载荷预测模型进行训练,包括:
将第一历史运行数据输入到所述相似机组实时载荷预测模型,得到第一预测载荷数据;
基于第一预测载荷数据和第一历史实测载荷数据确定所述相似机组实时载荷预测模型的预测损失;
基于所述预测损失对所述相似机组实时载荷预测模型的参数进行调整。
5.根据权利要求3所述的载荷预测方法,其特征在于,所述基于所述测试数据对经过训练的所述相似机组实时载荷预测模型进行测试,包括:
将第二历史运行数据输入到所述相似机组实时载荷预测模型,并将所述相似机组实时载荷预测模型的输出与第二历史实测载荷数据之间的差异作为测试结果。
6.根据权利要求5所述的载荷预测方法,其特征在于,所述结束条件包括:所述测试结果落入预设精度范围和/或得到所述测试结果的测试次数达到最大测试次数。
7.根据权利要求1所述的载荷预测方法,其特征在于,所述基于所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷,包括:
获取所述目标风力发电机组在预设时间段内的运行数据;
将所述预设时间段内的运行数据输入到所述目标机组实时载荷预测模型,并将所述目标机组实时载荷预测模型的输出结果作为所述目标风力发电机组的实时预测载荷。
8.根据权利要求1所述的载荷预测方法,其特征在于,所述方法还包括:
基于所述目标风力发电机组的实时预测载荷确定所述目标风力发电机组的预测寿命。
9.根据权利要求1所述的载荷预测方法,其特征在于,所述获取相似机组实时载荷预测模型,包括:
选择与所述目标风力发电机组的相似度符合预设条件的风力发电机组作为所述目标风力发电机组的相似风力发电机组;
获取所述相似风力发电机组的实时载荷预测模型;
将所述相似风力发电机组的实时载荷预测模型作为所述相似机组实时载荷预测模型。
10.一种风力发电机组的载荷预测装置,其特征在于,所述装置包括:
相似模型获取单元,被配置为获取相似机组实时载荷预测模型,其中,所述相似机组实时载荷预测模型是与目标风力发电机组的相似度符合预设条件的风力发电机组的实时载荷预测模型;
数据获取单元,被配置为获取所述目标风力发电机组的历史数据,其中,所述历史数据包括历史运行数据和对应的历史实测载荷数据;
迁移训练单元,被配置为基于所述历史数据对所述相似机组实时载荷预测模型进行迁移训练,得到目标机组实时载荷预测模型;和
载荷预测单元,被配置为基于所述目标风力发电机组的运行数据,通过所述目标机组实时载荷预测模型对所述目标风力发电机组进行实时载荷预测,得到所述目标风力发电机组的实时预测载荷。
11.一种存储有计算机程序的计算机可读存储介质,其特征在于,当所述计算机程序被处理器执行时,实现权利要求1至9中任一项所述的风力发电机组的载荷预测方法。
12.一种计算装置,其特征在于,所述计算装置包括:
至少一个处理器;
至少一个存储器,存储有计算机程序,当所述计算机程序被所述至少一个处理器执行时,实现权利要求1至9中任一项所述的风力发电机组的载荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465833.6A CN118066074A (zh) | 2022-11-22 | 2022-11-22 | 风力发电机组的载荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465833.6A CN118066074A (zh) | 2022-11-22 | 2022-11-22 | 风力发电机组的载荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118066074A true CN118066074A (zh) | 2024-05-24 |
Family
ID=91106260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211465833.6A Pending CN118066074A (zh) | 2022-11-22 | 2022-11-22 | 风力发电机组的载荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118066074A (zh) |
-
2022
- 2022-11-22 CN CN202211465833.6A patent/CN118066074A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346357B (zh) | 一种基于整体耦合模型的海上风机疲劳分析系统 | |
CN110210044A (zh) | 风力发电机组的载荷预测方法和装置 | |
US11176028B2 (en) | System, method and storage device for CIM/E model standard compliance test | |
CN111852769B (zh) | 风机scada数据的偏航静态偏差角预测方法及系统 | |
CN107545110B (zh) | 一种动态应力加速寿命试验剖面编制方法 | |
CN112632773B (zh) | 一种风电机组可靠性预测方法 | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN108960492A (zh) | 一种基于pso-svr软测量模型的汽轮机排汽焓预测方法 | |
CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN112052604B (zh) | 风机等效疲劳载荷的预测方法、系统、设备及可读介质 | |
CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
CN118066074A (zh) | 风力发电机组的载荷预测方法及装置 | |
CN116307282A (zh) | 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 | |
CN114021288B (zh) | 一种风电机组偏航轴承寿命预测的方法 | |
CN115859864A (zh) | 一种适用于海上风机结构方案设计分项系数的修正方法 | |
CN116247655A (zh) | 一种风电出力预测方法、系统、存储介质及设备 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN112084656A (zh) | 一种叶片振动疲劳概率寿命预测系统及预测方法 | |
CN112380641A (zh) | 一种应急柴油机健康状态评价方法及计算机终端 | |
CN110943485A (zh) | 双馈风电场等值模型仿真可信度的指标评价方法 | |
CN113919609A (zh) | 一种配电网模型质量综合评估方法和系统 | |
CN111159849A (zh) | 寿命预测方法与装置、存储介质、电子设备 | |
CN110797906A (zh) | 风电基地最大装机容量的确定方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |