CN118232312A - 基于ai算法的风电场发电量预测方法及系统 - Google Patents
基于ai算法的风电场发电量预测方法及系统 Download PDFInfo
- Publication number
- CN118232312A CN118232312A CN202410173065.XA CN202410173065A CN118232312A CN 118232312 A CN118232312 A CN 118232312A CN 202410173065 A CN202410173065 A CN 202410173065A CN 118232312 A CN118232312 A CN 118232312A
- Authority
- CN
- China
- Prior art keywords
- wind
- power generation
- data
- wind power
- power plant
- 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
- 238000010248 power generation Methods 0.000 claims abstract description 107
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000012800 visualization Methods 0.000 claims abstract description 37
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了基于AI算法的风电场发电量预测方法及系统,涉及风电场领域。所述方法包括:接入传感器网络,获取目标风电场的风电场基础信息;根据风电场基础信息,部署与传感器网络通信连接的风速监测单元、风向监测单元、温度湿度监测单元以及发电机运行状态监测单元;采集实时运行参数,上传至IOT技术数字可视化平台;连接风电场发电量数据库,获取历史发电量数据,结合实时运行参数运用AI算法建立风电场发电量预测模型;当发电量预测数据低于预设阈值时,触发预警功能并进行联动控制优化。解决了现有技术中风电场在运维管理时,难以实时监测、预测和优化控制,导致发电量预测不准确的技术问题,达到了提高风电场发电效率的技术效果。
Description
技术领域
本发明涉及风电场领域,具体涉及基于AI算法的风电场发电量预测方法及系统。
背景技术
近年来,随着全球环保意识的不断增强和可再生能源的迅速发展,风能作为一种清洁、可持续的能源形式,逐渐成为替代传统化石能源的重要选择。风电场作为利用风能发电的关键设施,其规模和数量也在不断扩大。气象因素对风电场的运行影响显著,如风速、风向、气温和湿度等因素的变化会直接影响风机的发电效率和稳定性。现有技术中风电场在运维管理时,难以实时监测、预测和优化控制,导致发电量预测不准确,发电效率降低。
发明内容
本申请实施例提供了基于AI算法的风电场发电量预测方法及系统,解决了现有技术中风电场在运维管理时,难以实时监测、预测和优化控制,导致发电量预测不准确的技术问题。
鉴于上述问题,本申请实施例提供了基于AI算法的风电场发电量预测方法及系统。
本申请实施例的第一个方面,提供了基于AI算法的风电场发电量预测方法,所述方法包括:
接入与IOT技术数字可视化平台连接的传感器网络,获取目标风电场的风电场基础信息,所述风电场基础信息包括地图信息、气象数据以及风力发电机位置坐标;
根据所述风电场基础信息,部署与所述传感器网络通信连接的风速监测单元、风向监测单元、温度湿度监测单元以及发电机运行状态监测单元;
基于所述传感器网络进行实时数据采集实时运行参数,将所述实时运行参数上传至所述IOT技术数字可视化平台,其中,所述实时运行参数对应的运行特征指标包括风速、风向、气温、湿度、发电机转速、输出功率;
连接所述目标风电场的风电场发电量数据库,获取历史发电量数据,结合所述实时运行参数运用AI算法建立风电场发电量预测模型;
将所述风电场发电量预测模型输出的发电量预测数据在所述IOT技术数字可视化平台中实时展示,同时,当所述发电量预测数据低于预设阈值时,触发预警功能并进行联动控制优化。
本申请实施例的第二个方面,提供了基于AI算法的风电场发电量预测系统,所述系统包括:
信息获取模块,所述信息获取模块用于接入与IOT技术数字可视化平台连接的传感器网络,获取目标风电场的风电场基础信息,所述风电场基础信息包括地图信息、气象数据以及风力发电机位置坐标;
单元部署模块,所述单元部署模块用于根据所述风电场基础信息,部署与所述传感器网络通信连接的风速监测单元、风向监测单元、温度湿度监测单元以及发电机运行状态监测单元;
参数采集模块,所述参数采集模块用于基于所述传感器网络进行实时数据采集实时运行参数,将所述实时运行参数上传至所述IOT技术数字可视化平台,其中,所述实时运行参数对应的运行特征指标包括风速、风向、气温、湿度、发电机转速、输出功率;
模型建立模块,所述模型建立模块用于连接所述目标风电场的风电场发电量数据库,获取历史发电量数据,结合所述实时运行参数运用AI算法建立风电场发电量预测模型;
优化模块,所述优化模块用于将所述风电场发电量预测模型输出的发电量预测数据在所述IOT技术数字可视化平台中实时展示,同时,当所述发电量预测数据低于预设阈值时,触发预警功能并进行联动控制优化。
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:
首先,通过连接传感器网络获取风电场基础信息,包括地图信息、气象数据和风力发电机位置坐标,并部署风速监测单元、风向监测单元、温度湿度监测单元和发电机运行状态监测单元。然后,采集实时运行参数,包括风速、风向、气温、湿度、发电机转速和输出功率,将其上传至IOT技术数字可视化平台进行实时展示。接着,连接风电场发电量数据库,获取历史发电量数据,并结合实时运行参数使用AI算法建立发电量预测模型。该模型可以输出发电量预测数据,并在IOT技术数字可视化平台中实时展示。同时,当发电量预测数据低于预设阈值时,将触发预警功能并进行联动控制优化,以保证风电场的稳定运行。解决了现有技术中风电场在运维管理时,难以实时监测、预测和优化控制,导致发电量预测不准确的技术问题,达到了提高风电场发电效率的技术效果。
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他的附图。
图1为本申请实施例提供的基于AI算法的风电场发电量预测方法流程示意图;
图2为本申请实施例提供的基于AI算法的风电场发电量预测系统结构示意图。
附图标记说明:信息获取模块11,单元部署模块12,参数采集模块13,模型建立模块14,优化模块15。
具体实施方式
本申请实施例通过提供基于AI算法的风电场发电量预测方法及系统,解决了现有技术中风电场在运维管理时,难以实时监测、预测和优化控制,导致发电量预测不准确的技术问题。
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、完整的描述。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做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,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,本申请实施例提供了基于AI算法的风电场发电量预测方法,其中,方法包括:
接入与IOT技术数字可视化平台连接的传感器网络,获取目标风电场的风电场基础信息,所述风电场基础信息包括地图信息、气象数据以及风力发电机位置坐标;
接入与IOT技术数字可视化平台连接的传感器网络,并获取目标风电场的基础信息。其中,所述基础信息包括地图信息、气象数据和风力发电机位置坐标。通过这些基础信息的获取,可以更好地了解风电场的运行环境和设备信息,为后续的监测和预测工作提供必要的数据支持。
根据所述风电场基础信息,部署与所述传感器网络通信连接的风速监测单元、风向监测单元、温度湿度监测单元以及发电机运行状态监测单元;
根据之前获取的风电场基础信息,需要部署相应的监测单元来与传感器网络进行通信连接。其中包括风速监测单元、风向监测单元、温度湿度监测单元以及发电机运行状态监测单元等。通过这些监测单元的部署,可以实时地获取风电场内各个位置的风速、风向、温度、湿度以及发电机的运行状态等关键参数,为后续的数据采集和分析提供必要的支持。
基于所述传感器网络进行实时数据采集实时运行参数,将所述实时运行参数上传至所述IOT技术数字可视化平台,其中,所述实时运行参数对应的运行特征指标包括风速、风向、气温、湿度、发电机转速、输出功率;
根据部署的传感器网络,可以进行实时数据采集,获取风电场的实时运行参数。实时运行参数包括风速、风向、气温、湿度、发电机转速和输出功率等关键指标。通过传感器网络采集到的实时运行参数,可以将其上传至IOT技术数字可视化平台。在平台上,这些实时运行参数将被记录并用于监测和分析风电场的运行状况。管理人员可以随时了解风电场的实时状态,包括风力情况、环境条件以及发电机的工作情况等,以便进行实时调整和优化控制。
连接所述目标风电场的风电场发电量数据库,获取历史发电量数据,结合所述实时运行参数运用AI算法建立风电场发电量预测模型;
连接目标风电场的风电场发电量数据库,从目标风电场的发电量数据库中提取历史发电量数据。选择适合的AI算法,如回归算法(线性回归、支持向量回归等),建立风电场发电量预测模型。风电场发电量预测模型将历史发电量数据作为目标变量,实时运行参数和其他特征作为输入变量,用于预测未来的发电量。
将所述风电场发电量预测模型输出的发电量预测数据在所述IOT技术数字可视化平台中实时展示,同时,当所述发电量预测数据低于预设阈值时,触发预警功能并进行联动控制优化。
在IOT技术数字可视化平台上创建一个展示风电场发电量预测数据的仪表板,并将预测数据与实际发电量数据进行对比展示,以便用户了解预测准确度。设定预设阈值,并在IOT平台上设置相应的预警规则和联动控制策略。例如,当发电量预测数据低于预设阈值时,可以触发预警信号,同时自动启动备用发电机或调整风力发电机叶片角度等操作以提高发电量。结合实时运行参数数据和历史数据,可以不断优化风电场发电量预测模型,以提高预测准确度和稳定性。同时,根据实际运行情况和需求,不断优化联动控制策略,以便更好地适应不同的运行场景和变化。
进一步而言,当所述发电量预测数据低于预设阈值时,触发预警功能,方法还包括:
基于所述发电量预测数据,计算发电量波动数据;
通过所述历史发电量数据,设置发电量波动上限;
比较所述发电量波动数据与所述发电量波动上限,当所述发电量波动数据超出所述发电量波动上限,触发预警功能。
使用风电场发电量预测模型获得预测的发电量数据。可以将每个时间点的预测发电量与前一个时间点的预测发电量进行比较,计算发电量的波动数据。可以使用公式:波动数据=当前预测发电量-前一时间点预测发电量。通过分析历史数据的波动范围来确定一个合适的发电量波动上限值,上限值根据风电场的特性和运行要求进行设定,以确保预警功能的准确性。如果发电量波动数据超过了设定的上限值,就触发预警功能,如发送报警信息给运维人员或相关责任人,通知发电量波动超出预设范围,需要采取相应措施来调整风电场的运行状态。当发电量波动数据超出预设上限时,可以自动触发报警信号,并联动执行相应的控制优化策略,如调整风力发电机叶片角度、启动备用发电机等,以稳定发电量。
进一步而言,通过所述历史发电量数据,设置发电量波动上限,方法包括:
将所述历史发电量数据中的历史时间戳对应的时间信息作为横坐标,将所述历史发电量数据中历史发电功率作为横坐标,拟合得到所述目标风电场的历史发电功率曲线;
基于所述历史发电量数据,加载所述历史时间戳对应的风速波动特性;
通过所述风速波动特性与所述历史发电功率曲线进行稳定性分析,确定发电量波动上限。
将历史发电量数据中的历史时间戳对应的时间信息作为横坐标,将历史发电量数据中的历史发电功率作为纵坐标,进行曲线拟合。具体来说,可以使用回归分析等方法,将历史发电量数据拟合成目标风电场的历史发电功率曲线。通过分析历史数据中风速的波动情况,如风速的平均值、最大值、最小值、波动范围等指标,以及风速的频率分布等特性了解风速变化对发电量的影响。结合风速波动特性,观察历史发电量曲线在不同风速波动情况下的变化趋势。根据实际运行要求和安全性考虑,确定一个发电量波动上限值,超过该值则触发预警。根据历史数据中的发电量波动范围以及风速波动特性,选择一个合适的发电量波动上限。
进一步而言,触发预警功能并进行联动控制优化,方法包括:
当触发所述预警功能后,基于所述发电量预测数据进行异常分析,定位异常特征指标;
通过所述异常特征指标,配置优化策略,所述优化策略对应的优化特征指标包括风机叶片迎风角、变桨距控制参数;
在所述优化策略配置完成后,进行联动控制优化。
当预警功能触发时,基于发电量预测数据进行异常分析。将实际发电量与预测发电量进行比较,计算发电量的偏差。可以使用公式:偏差=实际发电量-预测发电量。根据偏差情况,定位异常特征指标,如发电量偏低、发电量波动大等。根据异常特征指标,配置相应的优化策略。例如,如果发电量偏低,可以考虑调整风机叶片迎风角和变桨距控制参数来提高风机效率和发电量。优化策略可以根据实际情况和设备特性进行选择和调整。在配置完优化策略后,进行联动控制优化。根据优化策略对应的优化特征指标,调整风机叶片迎风角和变桨距控制参数。可以通过遥控或自动控制系统来实现联动控制优化,确保风机在异常情况下能够及时响应并调整运行状态。
进一步而言,方法包括:
获取历史变桨距控制参数并进行疲劳分析,获取风机叶片的第一损耗信息;
通过风速波动特性进行机械冲击评估,获取风机叶片的第二损耗信息;
将所述第一损耗信息与所述第二损耗信息上传至所述IOT技术数字可视化平台,进行电网负荷调度优化。
从风电场的监测系统中获取历史的变桨距控制参数数据,包括风速、转速、变桨角等。利用历史变桨距控制参数数据,结合风机叶片的疲劳性能模型,进行疲劳分析。疲劳分析可以评估风机叶片的疲劳损伤程度,识别潜在的疲劳问题,并预测未来的疲劳寿命。通过风速波动特性和风机叶片的性能曲线,分析风速波动对风机叶片的第一损耗影响。第一损耗通常指的是由于风速波动而导致的频繁启停、部分负载等运行状态变化引起的损耗。利用风速波动特性数据,结合风机叶片的结构和材料特性,进行机械冲击评估。机械冲击评估可以评估风速波动对风机叶片产生的振动、应力等机械冲击,进而识别潜在的机械损伤问题。将历史变桨距控制参数的疲劳分析结果、风机叶片的第一损耗信息和第二损耗信息上传至IOT技术数字可视化平台。通过平台提供的数据分析和可视化功能,对电网负荷进行调度优化,以最大限度地提高风电场的发电效率和电网稳定性。
进一步而言,将所述第一损耗信息与所述第二损耗信息上传至所述IOT技术数字可视化平台,进行电网负荷调度优化,方法包括:
在联动控制优化后,结合所述发电量预测数据、第一损耗信息与第二损耗信息,获取更新后的发电量预测数据;
通过所述IOT技术数字可视化平台连接用户端,获取电力需求信息,所述电力需求信息包括电网负荷需求、需求优先级等级;
通过所述电力需求信息与更新后的发电量预测数据,确定电网负荷供需平衡调度方案。
在联动控制优化后,结合发电量预测数据、第一损耗信息和第二损耗信息进行了数据更新,然后将数据上传至IOT技术数字可视化平台进行电网负荷调度优化。最后,通过连接用户端获取电力需求信息,并结合更新后的发电量预测数据,确定了电网负荷供需平衡调度方案。
综上所述,本申请实施例至少具有如下技术效果:
首先,通过连接传感器网络获取风电场基础信息,包括地图信息、气象数据和风力发电机位置坐标,并部署风速监测单元、风向监测单元、温度湿度监测单元和发电机运行状态监测单元。然后,采集实时运行参数,包括风速、风向、气温、湿度、发电机转速和输出功率,将其上传至IOT技术数字可视化平台进行实时展示。接着,连接风电场发电量数据库,获取历史发电量数据,并结合实时运行参数使用AI算法建立发电量预测模型。该模型可以输出发电量预测数据,并在IOT技术数字可视化平台中实时展示。同时,当发电量预测数据低于预设阈值时,将触发预警功能并进行联动控制优化,以保证风电场的稳定运行。解决了现有技术中风电场在运维管理时,难以实时监测、预测和优化控制,导致发电量预测不准确的技术问题,达到了提高风电场发电效率的技术效果。
实施例二
基于与前述实施例中基于AI算法的风电场发电量预测方法相同的发明构思,如图2所示,本申请提供了基于AI算法的风电场发电量预测系统,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,系统包括:
信息获取模块11,所述信息获取模块11用于接入与IOT技术数字可视化平台连接的传感器网络,获取目标风电场的风电场基础信息,所述风电场基础信息包括地图信息、气象数据以及风力发电机位置坐标;
单元部署模块12,所述单元部署模块12用于根据所述风电场基础信息,部署与所述传感器网络通信连接的风速监测单元、风向监测单元、温度湿度监测单元以及发电机运行状态监测单元;
参数采集模块13,所述参数采集模块13用于基于所述传感器网络进行实时数据采集实时运行参数,将所述实时运行参数上传至所述IOT技术数字可视化平台,其中,所述实时运行参数对应的运行特征指标包括风速、风向、气温、湿度、发电机转速、输出功率;
模型建立模块14,所述模型建立模块14用于连接所述目标风电场的风电场发电量数据库,获取历史发电量数据,结合所述实时运行参数运用AI算法建立风电场发电量预测模型;
优化模块15,所述优化模块15用于将所述风电场发电量预测模型输出的发电量预测数据在所述IOT技术数字可视化平台中实时展示,同时,当所述发电量预测数据低于预设阈值时,触发预警功能并进行联动控制优化。
进一步的,所述优化模块15用于执行如下方法:
基于所述发电量预测数据,计算发电量波动数据;
通过所述历史发电量数据,设置发电量波动上限;
比较所述发电量波动数据与所述发电量波动上限,当所述发电量波动数据超出所述发电量波动上限,触发预警功能。
进一步的,所述优化模块15用于执行如下方法:
将所述历史发电量数据中的历史时间戳对应的时间信息作为横坐标,将所述历史发电量数据中历史发电功率作为横坐标,拟合得到所述目标风电场的历史发电功率曲线;
基于所述历史发电量数据,加载所述历史时间戳对应的风速波动特性;
通过所述风速波动特性与所述历史发电功率曲线进行稳定性分析,确定发电量波动上限。
进一步的,所述优化模块15用于执行如下方法:
当触发所述预警功能后,基于所述发电量预测数据进行异常分析,定位异常特征指标;
通过所述异常特征指标,配置优化策略,所述优化策略对应的优化特征指标包括风机叶片迎风角、变桨距控制参数;
在所述优化策略配置完成后,进行联动控制优化。
进一步的,所述优化模块15用于执行如下方法:
获取历史变桨距控制参数并进行疲劳分析,获取风机叶片的第一损耗信息;
通过风速波动特性进行机械冲击评估,获取风机叶片的第二损耗信息;
将所述第一损耗信息与所述第二损耗信息上传至所述IOT技术数字可视化平台,进行电网负荷调度优化。
进一步的,所述优化模块15用于执行如下方法:
在联动控制优化后,结合所述发电量预测数据、第一损耗信息与第二损耗信息,获取更新后的发电量预测数据;
通过所述IOT技术数字可视化平台连接用户端,获取电力需求信息,所述电力需求信息包括电网负荷需求、需求优先级等级;
通过所述电力需求信息与更新后的发电量预测数据,确定电网负荷供需平衡调度方案。
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,所做的任何修改、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AI算法的风电场发电量预测方法,其特征在于,所述方法应用于IOT技术数字可视化平台,所述方法包括:
接入与所述IOT技术数字可视化平台连接的传感器网络,获取目标风电场的风电场基础信息,所述风电场基础信息包括地图信息、气象数据以及风力发电机位置坐标;
根据所述风电场基础信息,部署与所述传感器网络通信连接的风速监测单元、风向监测单元、温度湿度监测单元以及发电机运行状态监测单元;
基于所述传感器网络进行实时数据采集实时运行参数,将所述实时运行参数上传至所述IOT技术数字可视化平台,其中,所述实时运行参数对应的运行特征指标包括风速、风向、气温、湿度、发电机转速、输出功率;
连接所述目标风电场的风电场发电量数据库,获取历史发电量数据,结合所述实时运行参数运用AI算法建立风电场发电量预测模型;
将所述风电场发电量预测模型输出的发电量预测数据在所述IOT技术数字可视化平台中实时展示,同时,当所述发电量预测数据低于预设阈值时,触发预警功能并进行联动控制优化。
2.如权利要求1所述的方法,其特征在于,当所述发电量预测数据低于预设阈值时,触发预警功能,所述方法还包括:
基于所述发电量预测数据,计算发电量波动数据;
通过所述历史发电量数据,设置发电量波动上限;
比较所述发电量波动数据与所述发电量波动上限,当所述发电量波动数据超出所述发电量波动上限,触发预警功能。
3.如权利要求2所述的方法,其特征在于,通过所述历史发电量数据,设置发电量波动上限,所述方法包括:
将所述历史发电量数据中的历史时间戳对应的时间信息作为横坐标,将所述历史发电量数据中历史发电功率作为横坐标,拟合得到所述目标风电场的历史发电功率曲线;
基于所述历史发电量数据,加载所述历史时间戳对应的风速波动特性;
通过所述风速波动特性与所述历史发电功率曲线进行稳定性分析,确定发电量波动上限。
4.如权利要求1所述的方法,其特征在于,触发预警功能并进行联动控制优化,所述方法包括:
当触发所述预警功能后,基于所述发电量预测数据进行异常分析,定位异常特征指标;
通过所述异常特征指标,配置优化策略,所述优化策略对应的优化特征指标包括风机叶片迎风角、变桨距控制参数;
在所述优化策略配置完成后,进行联动控制优化。
5.如权利要求3或4所述的方法,其特征在于,所述方法包括:
获取历史变桨距控制参数并进行疲劳分析,获取风机叶片的第一损耗信息;
通过风速波动特性进行机械冲击评估,获取风机叶片的第二损耗信息;
将所述第一损耗信息与所述第二损耗信息上传至所述IOT技术数字可视化平台,进行电网负荷调度优化。
6.如权利要求5所述的方法,其特征在于,将所述第一损耗信息与所述第二损耗信息上传至所述IOT技术数字可视化平台,进行电网负荷调度优化,所述方法包括:
在联动控制优化后,结合所述发电量预测数据、第一损耗信息与第二损耗信息,获取更新后的发电量预测数据;
通过所述IOT技术数字可视化平台连接用户端,获取电力需求信息,所述电力需求信息包括电网负荷需求、需求优先级等级;
通过所述电力需求信息与更新后的发电量预测数据,确定电网负荷供需平衡调度方案。
7.基于AI算法的风电场发电量预测系统,其特征在于,所述系统包括:
信息获取模块,所述信息获取模块用于接入与IOT技术数字可视化平台连接的传感器网络,获取目标风电场的风电场基础信息,所述风电场基础信息包括地图信息、气象数据以及风力发电机位置坐标;
单元部署模块,所述单元部署模块用于根据所述风电场基础信息,部署与所述传感器网络通信连接的风速监测单元、风向监测单元、温度湿度监测单元以及发电机运行状态监测单元;
参数采集模块,所述参数采集模块用于基于所述传感器网络进行实时数据采集实时运行参数,将所述实时运行参数上传至所述IOT技术数字可视化平台,其中,所述实时运行参数对应的运行特征指标包括风速、风向、气温、湿度、发电机转速、输出功率;
模型建立模块,所述模型建立模块用于连接所述目标风电场的风电场发电量数据库,获取历史发电量数据,结合所述实时运行参数运用AI算法建立风电场发电量预测模型;
优化模块,所述优化模块用于将所述风电场发电量预测模型输出的发电量预测数据在所述IOT技术数字可视化平台中实时展示,同时,当所述发电量预测数据低于预设阈值时,触发预警功能并进行联动控制优化。
8.如权利要求7所述的系统,其特征在于,所述系统包括:
计算模块,所述计算模块用于基于所述发电量预测数据,计算发电量波动数据;
设置模块,所述设置模块用于通过所述历史发电量数据,设置发电量波动上限;
预警模块,所述预警模块用于比较所述发电量波动数据与所述发电量波动上限,当所述发电量波动数据超出所述发电量波动上限,触发预警功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410173065.XA CN118232312A (zh) | 2024-02-07 | 2024-02-07 | 基于ai算法的风电场发电量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410173065.XA CN118232312A (zh) | 2024-02-07 | 2024-02-07 | 基于ai算法的风电场发电量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118232312A true CN118232312A (zh) | 2024-06-21 |
Family
ID=91507918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410173065.XA Pending CN118232312A (zh) | 2024-02-07 | 2024-02-07 | 基于ai算法的风电场发电量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118232312A (zh) |
-
2024
- 2024-02-07 CN CN202410173065.XA patent/CN118232312A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3317526B1 (en) | Methods and systems for generating wind turbine control schedules | |
US10928816B2 (en) | Methods and systems for generating wind turbine control schedules | |
EP3317522B1 (en) | Methods and systems for generating wind turbine control schedules | |
EP3317525B1 (en) | Methods and systems for generating wind turbine control schedules | |
CN109118384A (zh) | 一种风电机组健康预警方法 | |
WO2018228648A1 (en) | Independent monitoring system for a wind turbine | |
CN106815771B (zh) | 一种风电场载荷的长期评估方法 | |
EP2290231A2 (en) | System and method for updating formula in wind turbines controllers | |
US11428208B2 (en) | Methods and systems for generating wind turbine control schedules | |
US10746160B2 (en) | Methods and systems for generating wind turbine control schedules | |
WO2017000950A1 (en) | Methods and systems for generating wind turbine control schedules | |
WO2017000951A1 (en) | Methods and systems for generating wind turbine control schedules | |
CN107869420B (zh) | 风力涡轮机发电场的风力涡轮机偏航控制方法及系统 | |
CN112231361A (zh) | 一种基于风机运行数据的风电项目发电量评估方法 | |
CN117905638B (zh) | 基于强化学习的风力发电机优化控制方法及系统 | |
CN114033617B (zh) | 一种控制参量自适应调整的可控风力发电方法及系统 | |
CN118232312A (zh) | 基于ai算法的风电场发电量预测方法及系统 | |
Terciyanli et al. | The architecture of a large-scale wind power monitoring and forecast system | |
CN111997845A (zh) | 一种风电机组的控制系统及方法 | |
CN112598210A (zh) | 一种风电机组发电机性能评估及预警方法 | |
CN113623143A (zh) | 风电机组发电量损失根因自动识别系统及其实现方法 | |
Meyer et al. | Performance Fault Detection in Wind Turbines by Dynamic Reference State Estimation | |
Pennanen | Enhancing the efficiency and reliability of renewable energy systems with the integration of Internet of Things | |
CN112260317A (zh) | 一种风电场参与电网黑启动功率匹配系统及匹配方法 | |
CN117930388A (zh) | 基于多源数据分析的风电场异常气象预警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |