申请/专利权人：浙江大学;浙江运达风电股份有限公司

申请日：2021-11-08

公开（公告）日：2024-06-18

公开（公告）号：CN114021992B

主分类号：G06Q10/063

分类号：G06Q10/063;G06Q50/06;G06N3/048;G06N3/0464;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2022.02.25#实质审查的生效;2022.02.08#公开

摘要：本发明公开了一种面向大型风电机组实时出力性能的评估方法。该方法基于风电机组正常运行状态下数据采集与监视控制系统记录数据集，设计利用滑窗技术的离群点检测方法，并设计带有时间信息提取的特征提取模型，选取XGBoost模型拟合风能利用系数与输入特征的等效数学模型，并统计训练集中超限程度，用于在线应用时出力性能的实时评估。在本发明的实时出力性能评估方法中，对每个数据点能够进行多次判断，并统计其离群程度进行离群点检测，从而获取更鲁棒、更灵活的检测结果；在特征提取中考虑变量时间依赖性，解决了机器学习XGBoost模型没有利用时间信息的问题，基于训练集超限程度作为在线实时评估依据，避免了人为主观因素的干扰，保证了评估的准确性。

主权项：1.一种面向大型风电机组实时出力性能的评估方法，其特征在于，该方法包括以下步骤：1选取待进行实时出力性能评估的风电机组，获取该风电机组SCADA系统中所记录的正常运行状态下的运行数据，运行参数包括风速v、空气密度ρ、转速ω、桨距角β、偏航角θ和有功功率P，记为数据集X，X＝{v,ρ,ω,β,θ,P}T，并获取风电机组的结构参数，包括风轮半径R和功率转换效率η；2计算风能利用系数Cp，计算公式为并基于风能利用系数-风速数据集进行离群点剔除，首先进行风速区间划分，风速区间长度设置为Lv，所划分风速区间个数为之后设置风速滑窗长度Wv为k倍的风速区间长度，表示为Wv＝k·Lv，滑窗自风机切入风速vcut-in移动至风机切出风速vcut-out，利用每个滑窗内的风能利用系数数值绘制箱型图，并基于箱型图结果进行离群点检测；3每个数据点能够在多个滑窗内进行检测，得到多个是否为离群点的检测结果，检测结果认定是离群点的次数与总检测次数比值作为该数据点的离群程度；4统计所有数据点的离群程度，并设置离群程度阈值h，h∈[0,1，离群程度大于h的数据点予以剔除，得到离群点剔除后的数据集X′；5设计带有时间信息提取的自编码AE-TIE模型进行特征提取；为输入时间信息，首先利用滑窗技术，设置滑窗长度W，滑窗内的数据表示为其中T为当前时刻，n为数据集中的变量个数，将X″输入至编码器中，编码器由LSTM单元构成，编码器输出为隐藏向量m为隐藏向量的维度，之后为进行隐藏向量中的短期时间信息提取，设计一层卷积神经网络CNN层，CNN层中有p个滤波器，每个滤波器的维度设置为从而能够对隐藏向量中不同时刻的时间信息进行提取，得到新的隐藏向量最后将新的隐藏向量h′输入至解码器中，解码器也由LSTM单元构成，得到重构的输入向量通过最小化重构误差进行模型训练；6将AE-TIE模型中新的隐藏向量h′作为输入特征，离群点剔除后的风能利用系数作为目标变量y，构造训练集[h′,y]；7选取机器学习模型XGBoost作为变量估计模型拟合风能利用系数与隐藏向量h′之间的等效模型y＝fh′，训练完成后，获取训练集中风能利用系数实际值与模型估计值的残差序列，并设置残差阈值上下限，之后设置评估周期Tperiod，统计训练集中每个周期Tperiod时间内，残差值超过残差阈值上限或低于残差阈值下限的数据点的个数，并统计所有评估周期内超限数据点的最大个数cmax；8在线应用进行风电机组实时出力性能评估时，通过SCADA系统中运行数据，首先基于步骤5设计的AE-TIE模型提取特征h′，之后通过训练完成的变量估计模型实时获取风能利用系数的模型估计值求取风能利用系数实时计算值Cp与变量估计模型输出值之间的残差每经过预先设置的时间周期Tperiod后，统计残差值超过残差阈值上限或低于残差阈值下限的数据点个数，当该周期内残差值超限的个数大于cmax时，认定风电机组此时的出力性能出现异常。

全文数据：

权利要求：

百度查询： 浙江大学;浙江运达风电股份有限公司 一种面向大型风电机组实时出力性能的评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD