CN108930632A - 适应性发电管理 - Google Patents
适应性发电管理 Download PDFInfo
- Publication number
- CN108930632A CN108930632A CN201810193688.8A CN201810193688A CN108930632A CN 108930632 A CN108930632 A CN 108930632A CN 201810193688 A CN201810193688 A CN 201810193688A CN 108930632 A CN108930632 A CN 108930632A
- Authority
- CN
- China
- Prior art keywords
- wind turbine
- model
- wind
- sensor data
- equipment
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000004891 communication Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 36
- 238000005259 measurement Methods 0.000 claims description 17
- 238000013480 data collection Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 2
- 241001269238 Data Species 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 46
- 238000012706 support-vector machine Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000001932 seasonal effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002860 competitive effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- -1 Ethernet Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000012190 activator Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
- F03D9/20—Wind motors characterised by the driven apparatus
- F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
- F03D9/255—Wind motors characterised by the driven apparatus the apparatus being an electrical generator connected to electrical distribution networks; Arrangements therefor
- F03D9/257—Wind motors characterised by the driven apparatus the apparatus being an electrical generator connected to electrical distribution networks; Arrangements therefor the wind motor being part of a wind farm
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/026—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor for starting-up
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/0264—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor for stopping; controlling in emergency situations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/028—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/028—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
- F03D7/0284—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power in relation to the state of the electric grid
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/047—Automatic control; Regulation by means of an electrical or electronic controller characterised by the controller architecture, e.g. multiple processors or data communications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K7/00—Arrangements for handling mechanical energy structurally associated with dynamo-electric machines, e.g. structural association with mechanical driving motors or auxiliary dynamo-electric machines
- H02K7/18—Structural association of electric generators with mechanical driving motors, e.g. with turbines
- H02K7/1807—Rotary generators
- H02K7/1823—Rotary generators structurally associated with turbines or similar engines
- H02K7/183—Rotary generators structurally associated with turbines or similar engines wherein the turbine is a wind turbine
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
- F03D9/10—Combinations of wind motors with apparatus storing energy
- F03D9/11—Combinations of wind motors with apparatus storing energy storing electrical energy
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/82—Forecasts
- F05B2260/821—Parameter estimation or prediction
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/82—Forecasts
- F05B2260/821—Parameter estimation or prediction
- F05B2260/8211—Parameter estimation or prediction of the weather
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/10—Purpose of the control system
- F05B2270/103—Purpose of the control system to affect the output of the engine
- F05B2270/1033—Power (if explicitly mentioned)
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/32—Wind speeds
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/335—Output power or torque
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/40—Type of control system
- F05B2270/404—Type of control system active, predictive, or anticipative
-
- 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
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种适应性发电管理。在一些示例中,一种***从多个风力涡轮机的相应风力涡轮机接收第一传感器数据。例如,第一传感器数据可以至少包括每个时间间隔的功率输出和风速。所述***基于从相应风力涡轮机接收的第一传感器数据来训练针对每个相应风力涡轮机的至少一个相应模型。此外,***在第二时间段内接收来自所述相应风力涡轮机的相应第二传感器数据。所述***使用相应第二传感器数据执行使用从该相应风力涡轮机接收的第一传感器数据训练的相应模型,以确定在即将到来的时段内针对每个相应风力涡轮机的预测功率输出。所述预测功率输出可以被合计以确定总预测功率输出,并且基于总预测功率输出来执行至少一个动作。
Description
背景技术
风电场可以包括分布在特定地理区域上的多个风力涡轮机,该特定地理区域可以位于陆地或海上。风力涡轮机将风能转换成电力,以例如通过电网进行配电。风力涡轮机被制造成范围广泛的垂直和水平轴类型。常规的水平轴涡轮机通常包括:转子部件,该转子部件包括用于将风能转换成低速旋转能量的叶片;发电机部件,其可以包括控制电子装置;以及结构支撑部件,其可以包括塔架和转子偏航机构。
基于风速和恒定性,由风电场产生的电力可以在任何给定的一天发生变化。此外,由于磨损、部件老化等等,风力涡轮机的效率可能随着时间的推移而降低。因此,确定预期在任何给定的一天产生的电力的量并且相应地控制风力涡轮机可能是具有挑战性的。
发明内容
一些实施方式包括用于预测多个风力涡轮机的功率输出的布置和技术。例如,***可以在第一时间段内接收来自多个风力涡轮机中的相应风力涡轮机的第一传感器数据。第一传感器数据可以包括至少每个时间间隔的功率输出和风速,并且第一时间段可以包括多个时间间隔。所述***可以至少部分地基于从相应风力涡轮机接收的第一传感器数据来训练用于每个相应风力涡轮机的至少一个相应模型。所述***可以在第二时间段内从相应风力涡轮机接收相应的第二传感器数据。此外,所述***可以使用从相应风力涡轮机接收的相应的第二传感器数据来执行使用从该相应风力涡轮机接收的第一传感器数据训练的相应模型,以针对每个相应风力涡轮机确定在即将到来的时间段内的预测功率输出。
***可以对预测功率输出进行合计以确定多个风力涡轮机的总预测功率输出。至少部分地基于所述总预测功率输出,***可以发送通信以引起关闭或启动所述多个风力涡轮机中的至少一个风力涡轮机。另外地或替代地,至少部分地基于所述总预测功率输出,所述***可以发送通信以引起开关的激活,以将产生的电力的至少一部分转移到电力储存器或从电力储存器转移。另外地或替代地,至少部分地基于所述总预测功率输出,所述***可以向公用事业计算设备发送指示在即将到来的时间段的至少一部分内的预期功率输出的通信。
附图说明
参考附图阐述具体实施方式。在图中,附图标记的最左边的数字标识附图标记首次出现的图。在不同附图中使用相同的附图标记指示相似或相同的项或特征。
图1例示了根据一些实施方式的可以基于预测功率输出被控制的***的示例性架构。
图2例示了根据一些实施方式的可以基于预测功率输出被控制的***的示例性架构。
图3例示了根据一些实施方式的用于预测功率输出的预测范围(horizon)的示例。
图4例示了根据一些实施方式的使用支持向量机回归来预测功率输出的示例。
图5例示了根据一些实施方式的使用辅助涡轮机传感器数据和/或外部天气预报数据来预测由目标风力涡轮机输出的功率的示例。
图6例示了根据一些实施方式的使用具有多个竞争模型的***来预测功率输出的示例。
图7例示了根据一些实施方式的用于预测功率输出的预测规格的示例。
图8例示了根据一些实施方式的用于预测功率输出的示例性***。
图9是例示了根据一些实施方式的用于基于预测功率输出来控制***的示例性过程的流程图。
图10是例示了根据一些实施方式的用于训练多个竞争模型并且部署所选择的用于预测功率输出的模型的示例性过程的流程图。
图11例示了根据一些实施方式的示例性模型计算设备。
图12例示了根据一些实施方式的示例性预测管理计算设备。
具体实施方式
本文的一些实施方式涉及用于预测在一个或多个即将到来的时间段中可能由一个或多个风力涡轮机生成的功率输出的量,并且执行用于基于预测功率输出来控制***的至少一个动作的技术和布置。例如,计算设备可以被配置为确定在即将到来的时间段内将由每个风力涡轮机分别生成的预测功率输出。在一些情况下,可以针对包括位于特定地理区域中的多个风力涡轮机的风电场中的每个风力涡轮机确定预测功率输出。功率输出预测可以自动地考虑相应的个体风力涡轮机的任何特异性。例如,无论多个风力涡轮机中的一些风力涡轮机是否来自不同的制造商,是否是不同的模型,是否具有不同的运行特性、不同的涡轮机运行状态、不同的滞后算法、不同的年龄、和/或不同的安装位置和高度,都可以准确地确定预测功率输出。
本文的一些实施方式可以使用从每个风力涡轮机获得的传感器数据,诸如当前和最近测量的功率输出、对应的测量的风速数据以及从安装在相应风力涡轮机处的传感器获得的其它传感器信息。作为一个示例,本文的***可以提供风电场的提前一天的功率输出预测或其它可比较的短期预测范围。例如,本文的实施方式可以提供有效率的功率输出预测方法,其可以有效率地学习并执行大量模型(例如,针对风电场中的个体风力涡轮机定制的覆盖每个风力涡轮机的提前一天的预测的96个模型)。
如上所述,风电场可以由分布在特定地理区域上的多个风力涡轮机组成。可以从附接到每个风力涡轮机的传感器实时收集数据,例如测量的功率输出、测量的风速和方向、测量的偏航(风轮机面向的方向)、空气温度、空气压力和其它数据点。本文的一些示例可以使用监视控制和数据采集(SCADA)***来收集来自风电场中的每个个体风力涡轮机的传感器数据。例如,数据收集计算设备可以从每个风力涡轮机处的传感器接收转子速度、方位角、偏航角以及多达2000个或更多的其它数据点,包括风速和发电输出。此外,虽然SCADA***在本文中被描述为从每个风力涡轮机处的传感器收集数据的一个示例,但是用于收集传感器数据的各种其它技术对于受益于本文的公开内容的本领域技术人员将是显而易见的。
根据本文的一些示例,发电预测程序和模型可以被部署在具有有限的计算资源的多个计算设备上,并且可以被本地部署到风电场(即,在风电场的地理区域)以例如在从风力涡轮机接收当前传感器数据时实时提供提前一天的功率输出预测。例如,本文中的发电预测***可以在合理的交付周期(例如,几周至一个月)内从头开始部署,而不会在能够使***运行之前需要几个月或几年时间来收集用于分析的数据。此外,为了最大化预测准确度,本文中的发电预测***能够容易地将来自额外源的外部数据作为输入集成到功率输出预测模型。例如,本文中的功率输出预测模型可以使用从外部源获得的外部天气预报和从相应风力涡轮机直接获得的传感器数据的组合。例如,功率输出预测模型可以考虑测量的偏航和针对每个风力涡轮机测量的风速与外部获得的指示针对该地理区域的预测风向和风速的天气预报之间的差异。
此外,功率输出(功率P)可能与风速(WS)的立方有关(例如,P是WS3的函数)。由于该关系,预测风速中的误差可能导致预测功率输出P中的显著误差。因此,本文的示例使用直接功率预报,而不是主要依靠预测风速来预测功率输出。此外,在本文的***中,每个个体风力涡轮机可以具有其自己的针对其生成的相应模型。例如,***可以包括分配给每个风力涡轮机的一个或两个模型计算设备,以用于在从每个风力涡轮机接收传感器数据时实时执行每个风力涡轮机的多个模型。作为一个示例,每个模型计算设备可以是RASPBERRY计算设备、或具有足够的处理能力来执行本文的模型的其它不贵的计算设备。
此外,模型计算设备可以部署在风电场的地理区域处或靠近该地理区域。作为一个示例,靠近风电场可以包括能够通过局域网(LAN)与风力涡轮机和/或数据收集计算设备通信,而不是必须通过诸如互联网的广域网(WAN)来通信。风力场的地理区域处的模型计算设备的该靠近位置导致***接收传感器数据的时间更早并且更接近可能与传感器数据相关联的时间戳。此外,***不易受网络延迟和通信中断的影响。因此,与模型计算设备位于云或其它远程网络位置中相比,模型计算设备的靠近位置与提供更准确的预测结果相关并且还提供更高的安全性。
在本文的一些示例中,功率输出预测***采用支持向量机(SVM)回归作为用于预测风力涡轮机的功率输出的机器学习技术。本文的发明人已确定SVM回归提供高预测准确度以及有效率的模型构建和执行。SVM回归的这些特征使得本文的预测建模和分析能够在具有有限计算资源的不贵的边缘计算设备上执行。由于其用于处理高维模型输入的内置正则化机制的原因,SVM回归还能够容易地以最小的过拟合机会适应大数量的预测器。
在本文的一些示例中,功率输出预测模型可以使用若干基本预测器,包括过去的功率输出和在过去的时间段内在多个时间间隔上进行平均的对应的风速测量值。还可以包括其它预测器以用于提高功率输出预测的准确度,所述预测器例如是来自相邻风力涡轮机的传感器数据以及从外部源接收的外部天气预报数据,例如从天气预报网络服务器接收的针对所述地理区域的预测风速和风向等等。
另外,一些实施方式可以将一天中的时间确定为用于提前一天的预测范围的附加预测器。该日常季节性因素的示例可以包括上午对下午,或者更精细的时间离散化,例如基于上面提及的96个15分钟时间间隔。此外,在本文的一些示例中,***可以通过使用最近接收的传感器数据作为用于新模型的训练数据来连续地生成新模型。新模型可以充当备用模型,其可以被连续地评估,并与当前部署的模型进行比较。如果评估显示备用模型的其中之一始终比当前部署的模型执行得更好(例如,阈值数量的评估次数),则可以动态激活备用模型中的最准确的一个来充当部署的模型。相应地,本文的***能够自动适应变化的天气状况和变化的季节。
为了预测未来功率输出,一些实施方式使用过去的和当前的涡轮机生成的功率输出、对应的风力数据以及一天中的时间。例如,预测功率输出可以由基于最近的功率输出、最近的风力状况和一天中的时间的模型来预测。此外,每个模型可以使用最近接收到的数据(例如来自过去一周或两周内、过去一个月内等等)来训练。因此,本文中的一些实施方式不是使用过去的天气模式的静态历史数据库,而是定期地重新训练模型以生成新模型作为考虑动态天气模式和变化的设备状态的方式。相应地,每个模型可以是涡轮机特定的,其至少部分地基于从该个体风力涡轮机接收的传感器数据。因此,所述模型可以自动考虑可能影响特定风力涡轮机的发电的每个因素,诸如由于设备老化、磨损和裂缝而导致的性能下降;叶片角度;摆动(flap)设置;以及涡轮机取向、位置和可能依赖于涡轮机的调整。本文的示例不需要大量的训练数据集,其需要花费时间来收集。相反,一些实施方式基于最近接收的数据(例如,在过去一周、两周或多达过去一个月内所接收到的数据)定期地重新训练模型以反映天气状况和其风力涡轮机本身的动态变化。
在功率输出被预测之后,所有风力涡轮机的预测功率输出可以被合计(例如,加在一起)以提供针对整个多个风力涡轮机(例如,针对整个风电场或其一部分)的功率输出预测。作为一个示例,可以在接下来的一天的每个15分钟时段内预测功率输出,即在代表接下来的24小时的96个即将到来的15分钟时段中的每个时段内的96个功率输出预测。此外,尽管出于讨论目的在本文的示例中描述了某些时间段(例如,用于总共一天的预测价值的96个15分钟预测时段),但可以使用的许多其它时间段对于那些受益于本文公开内容的本领域技术人员来说是显然的。因此,本文的实施方式不限于用于预测功率输出的任何特定时间段。此外,可以比预测时间段更频繁地收集用作训练数据的传感器数据,例如,可以每10秒收集数据(即每个风力涡轮机每15分钟时段收集90个样本),或者更频繁或更不频繁地收集数据。
在一些示例中,基于在即将到来的时间段内的预测功率输出,***可以执行一个或多个控制功能以控制***和/或风力涡轮机。例如,如果功率输出被预测为非常低,例如,低到使风力涡轮机不能产生至少阈值水平的功率),则***可以发送信号以使风力涡轮机关闭,因为即使在功率输出与运行风力涡轮机所需的功率对抗的情况下,风力涡轮机也不会中断。例如,风力涡轮机可能被关闭以执行例行维护或检查。
作为另一示例,如果功率输出被预测为今天高,但翌日低,则***可以将所产生的电力中的一些转移到可以包括用于储存电力的多个电池的电力储存器设施。另外,在一些示例中,***可以将预测功率输出信息发送到公用事业实体计算设备,例如以通知公用事业计算设备关于在即将到来的时间段期间预测将由风电场生成的电力的量。此外,如果电力输出小于之前承诺提供给电网的量,则可以将控制信号发送到开关以使电力从电力储存器设施发送到电网。因此,如果预测功率输出结果是不正确的,则可以使用所储存的电力来补偿在当前时段内承诺提供的电力的量与当前时段内的实际电力输出之间的差值。
在一些示例中,应用程序设计接口(API)可以用于定期向控制计算设备发送预测功率信息,所述控制计算设备可以基于预测功率输出信息来控制风电场***。在其它示例中,其它电子通信技术可以用于传送预测功率输出信息。相应地,本文的实施方式提供了用于控制风电场***和风电场***中的个体风力涡轮机、以及用于控制并管理由风电场***输出的电力的新颖的、创造性的且非常规的技术,由此在风电场***自身的运行中提供了改进。
出于讨论的目的,在一个或多个计算设备的环境中描述了一些示例性实施方式,所述计算设备从风力涡轮机接收传感器数据,并将传感器数据应用到计算模型以提供预测功率输出,所述预测功率输出用于例如控制某些风力涡轮机,控制开关或其它设备,或者用于向另一计算设备发送信息。然而,本文的实施方式不限于所提供的特定示例,并且可以扩展到其它类型的数据输入、其它类型的环境、其它***架构、其它类型的计算模型、其它类型的输出等等,如本领域技术人员根据本文公开内容将显而易见的。例如,尽管在管理风力涡轮机的环境中描述了一些示例,但本文的实施方式不限于该环境,并且可以扩展到基于自然电力源等生成电力的其它环境,例如太阳能发电、水力发电、或者风力、太阳能和/或水力发电的混合组合。
图1例示了根据一些实施方式的能够控制风力涡轮机发电***和/或提供关于预测功率输出的信息的***100的示例性架构。在该示例中,多个风力涡轮机102(1)、102(2)、103(3)、...可以位于作为风电场或风力场106的一部分的地理区域104处。每个风力涡轮机102(1)、102(2)、102(3)、...可以包括多个相应的传感器108(1)、108(2)、108(3)、...,以用于实时检测来自每个风力涡轮机102的当前状况和其它信息。
一个或多个数据收集计算设备110可以位于地理区域104处或靠近地理区域104以用于接收来自传感器108的传感器数据112。在一些情况下,传感器数据112在相应传感器108处根据相应的风力涡轮机102被加时间戳并被识别,而在其它情况下,这可以发生在数据收集计算设备110处。此外,数据收集计算设备110可以包括数据收集应用114,其从传感器108接收传感器数据112并根据从其接收相应传感器数据112的相应风力涡轮机102存储传感器数据112。
多个模型计算设备116(1)-116(N)可以定期地从数据收集计算设备110接收传感器数据112。例如,在风电场106中的多个风力涡轮机中的每个风力涡轮机102可以有一个或多个模型计算设备116。每个模型计算设备116可以包括用于风力涡轮机102中的至少一个的模型应用118、一个或多个模型120以及接收到的传感器数据112。例如,每个模型计算设备116可以被指定用于计算风力涡轮机102中的特定风力涡轮机的预测功率输出。因此,如果风电场包括例如50个风力涡轮机,则可以有50个相应的模型计算设备116,风电场106中的每个风力涡轮机都被分配了一个模型计算设备116。然而,在其它示例中,可以有更多或更少的模型计算设备。
作为一个示例,假设第一模型计算设备116(1)被分配为确定第一风力涡轮机102(1)的预测功率输出。因此,第一模型计算设备116(1)接收从第一风力涡轮机102(1)的第一传感器108(1)获得的传感器数据112(1)。第一模型计算设备116(1)可以使用从第一风力涡轮机102(1)接收的传感器数据112(1)来训练和应用一个或多个模型120(1),以计算第一风力涡轮机102(1)的预测功率输出。在一些情况下,每个模型计算设备116可以被分配为计算风电场106中的不同风力涡轮机102的预测功率输出。此外,在一些示例中,如以下另外讨论的,模型计算设备116可以接收从一个或多个辅助涡轮机102获得的附加传感器数据112,该一个或多个辅助涡轮机102位于模型计算设备116被分配到的特定涡轮机附近。例如,如下面所讨论的,当计算特定目标涡轮机的预测功率输出时,用于特定目标涡轮机的模型120可以考虑从附近涡轮机(例如,在阈值距离内)获得的传感器信息。
基于接收到的传感器数据112,每个模型计算设备116可以输出被发送到预测管理计算设备124的模型结果122。预测管理计算设备124可以包括管理应用126、分析应用128、预测结果130、外部天气预报数据132和合计模型结果134。例如,管理应用126可以管理模型计算设备116并且可以向模型计算设备116提供信息,以及从模型计算设备116接收模型结果122。作为一个示例,管理应用126可以从外部数据源计算设备136接收外部天气预报数据132。例如,外部数据源计算设备136可以是将外部天气预报数据132提供到预测管理计算设备124的网络服务器等,该预测管理计算设备124转而可以将外部天气预报数据132提供给模型计算设备116。外部天气预报数据132可以包括风电场106所在的地理区域104的天气预报。
另外,分析应用128可以从每个模型计算设备116接收模型结果122,并且可以基于模型结果122生成合计模型结果134。作为一个示例,分析应用128可以将针对每个时间段的模型结果加在一起或以其它方式组合,以产生在每个即将到来的时间段内的功率输出预测结果130。如以下另外讨论的,模型应用118可以被配置为产生在多个即将到来的时间段内的功率输出预测结果。作为一个示例,模型120可以产生在即将到来的一天内的96个15分钟的时间段内的模型结果,并且在即将到来的24小时时段内,可以每90分钟重新计算模型结果122并将其发送到预测管理计算设备124。如上所述,本文所述的时间段示例仅用于讨论目的,并且对于受益于本文公开内容的本领域技术人员而言许多其它时间段变化将是显而易见的。
在确定最新预测结果130之后,管理应用126可以将预测信息140发送到***控制计算设备142。***控制计算设备142可以包括控制应用144,其能够控制风电场106和电力储存器设施(图1中未示出)的一个或多个功能。在一些示例中,管理应用126可以根据API(图1中未示出)或经由其它应用内通信技术将预测信息140发送到控制应用144。替代地,可以使用任何其它电子信息通信技术将预测信息140输送到***控制计算设备142。
如下面关于图2另外讨论的,控制应用144在接收到预测信息140时可以将一个或多个控制信号146发送到风电场106或者与风电场106相关联的其它***。例如,控制信号146可以是用于控制个体风力涡轮机102的通信,或者可以控制多个风力涡轮机102,例如用于上电或关闭风力涡轮机、使风力涡轮机准备好进行维护等。作为另一示例,控制信号146可以是用于控制一个或多个开关(图1中未示出)的通信,例如用于将由风电场106产生的剩余电力中的一些或全部转移到电力储存器设施,如以下关于图2另外讨论的。另外或替代地,控制应用144可以将通信中的功率输出信息150发送到包括公用事业应用154的公用事业计算设备152,并且该公用事业计算设备152可以与公用事业实体相关联,该公用事业实体至少部分地控制接收由风电场106产生的电力的电网(图1中未示出)。另外,如以下关于图2讨论的,控制应用144可以发送控制信号146以使电力储存器将一部分电池向电网放电,以便例如补偿在满足电力输出承诺方面的不足。
***控制计算设备142和/或预测管理计算设备124能够通过一个或多个网络160与外部数据源计算设备136、公用事业计算设备152和/或每个其它设备通信。一个或多个网络160可以包括任何类型的网络,包括:诸如内联网的局域网(LAN);诸如因特网的广域网(WAN);无线网络,例如蜂窝网络、诸如Wi-Fi的本地无线网络、和/或诸如的短距离无线通信;包括光纤、以太网、光纤信道或任何其它这种网络、直接有线连接或它们的任何组合的有线网络。因此,一个或多个网络160可以包括有线和/或无线通信技术两者。用于这种通信的部件可以至少部分取决于网络类型、所选环境或两者。通过这种网络进行通信的协议是公知的,本文将不会详细讨论。
此外,在一些示例中,模型计算设备116可以通过一个或多个网络160与预测管理计算设备124进行通信,而在其它示例中,预测管理计算设备124可以与模型计算设备116共同位于靠近风电场106的地理区域104处。类似地,***控制计算设备142可以位于靠近风电场106的地理区域104处,并且可以与数据收集计算设备110和/或模型计算设备116和/或预测管理计算设备124位于同一处。作为又一替代方式,数据收集计算设备110可以位于靠近风电场106的地理区域104处,而模型计算设备116和/或预测管理计算设备124和/或***控制计算设备142可以通过一个或多个网络160而位于远程位置,例如在云端或其它合适的网络位置。许多其它联网配置对于受益于本文公开内容的本领域技术人员将是显而易见的。
另外,在一些示例中,模型计算设备116和预测管理计算设备124的功能可以以任何期望方式被组合到一个或多个计算设备中。此外,在一些示例中,管理计算设备124和***控制计算设备142的功能可以以任何期望方式被组合到一个或多个计算设备中。此外,在一些示例中,数据收集计算设备110、模型计算设备116、预测管理计算设备124以及***控制计算设备142的功能可以以任何期望方式被组合到一个或多个计算设备中。许多其它变化对于受益于本文公开内容的本领域技术人员将是显而易见的。
图2例示了根据一些实施方式的风力发电***200的示例性架构。风力发电***200可以对应于以上关于图1所讨论的***100。风电场106可以产生电力202并且可以沿着一个或多个电力线204将电力202输送到电网206。电网206可以至少部分地由于公用事业计算设备152相关联的公用事业实体来控制。一个或多个电力线204可以包括一个或多个开关208,其可以操作用于将电力202中的一些或全部输送到电力储存器210。例如,电力储存器210可以包括一个或多个电池212或能够在电力202被输送到电力储存器210时接收并储存电力202的其它电力储存设备。在一些情况下,电池212可以被放电到电网206,以例如补偿在满足到电网206的期望或预期电力输出方面的不足。
如上所提及的,预测管理计算设备124可以将预测信息140输送到***控制计算设备142。***控制计算设备142上的控制应用144可以基于预测信息140来确定要执行的一个或多个动作。作为一个示例,假设预测信息指示在即将到来的一天期间风力被预测为非常低。例如,风力涡轮机典型地需要至少一些电功率来运行,并且在风力低于收支平衡阈值风速的情况下,风力涡轮机不能产生足够的电力来抵消运行的成本。在这种情况下,控制应用144可以发送信号以使风力涡轮机被关闭,因为即使在功率输出与用于运行风力涡轮机的运行成本对抗时,风力涡轮机也不会中断。
类似地,当风速超过某个阈值时,一些风力涡轮机可能会关闭。例如,具有较高的风速阈值切出速度是保护风力涡轮机免受损坏的安全特征。此外,高风速关闭事件可能导致显著的疲劳负载。因此,如果预测到将超过用于关闭的阈值(即,超过切出速度)的大风,风力涡轮机可以在大风之前关闭,以防止当风速超过关闭阈值时重复启动和关闭风力涡轮机。
典型地,对于大多数风电场来说,由于极低的风力或极高的风力而导致的这种关闭是相对罕见的。一个更常见的示例是,功率输出被预测为足够高以运行风力涡轮机,但不是太高以至于风力涡轮机以接近最大效率运行。因此,本文的预测信息140可以被控制应用144用来确定在这种情况下要采取的动作。
作为一个示例,当风力涡轮机被拆卸以进行预防性维护和修理时,风电场可能经历功率输出降低。因此,本文的实施方式可以使控制应用144能够选择对总功率输出影响最小的停机时间。如果风力涡轮机由于低风力而关闭,这可能是执行维护的好时机。然而,因为这种关闭可能很少发生,所以控制应用144可以基于在即将到来的时段内的个体风力涡轮机的预测功率输出来选择执行维护的时间。例如,如果预测的功率输出足够高以运行风力涡轮机但仍低于第一功率输出阈值,则控制应用可以确定使风力涡轮机102中的一个或多个下线以在即将到来的时间段期间进行例行维护。基于预测信息140,控制应用144可以确定,由于在即将到来的时间段期间的维护所造成的发电损失与在功率输出会更高的其它时间的可能的发电损失相比可能是最小的。作为一个示例,第一功率输出阈值可以等于或低于特定风力涡轮机102的平均过去功率输出。因此,当控制应用144选择涡轮机102中的特定涡轮机下线以进行维护时,控制应用144可以将第一控制信号146(1)发送到特定风力涡轮机102以关闭特定风力涡轮机102。
作为另一示例,如果预计风电场的总功率输出在第一个即将到来的时间段期间为高但在随后的第二个即将到来的时间段期间为低,则控制应用144可以确定将所产生的电力202中的至少一些转移到电力储存器210,以使得当风力涡轮机102的功率输出被预测为低时,在随后的第二时间段期间可以将所储存的电力输送到电网206。为了实现这一点,控制应用144可以将第二控制信号146(2)发送到一个或多个开关208,以使得一个或多个开关208将电力202中的至少一些转移到电力储存器210。另外,如果风电场的实际功率输出由于例如早先的不正确的功率输出预测而小于承诺要输送到电网206的量,则控制应用144可以将控制信号146(2)发送到开关208以使电力储存器210将电池212的一部分放电至电网206。例如,所储存的电力可以被提供给电网206以补偿风电场的实际功率输出与可能已经基于预测功率输出而提供给公用事业计算设备152的功率输出承诺之间的差值。
另外,作为另一示例,控制应用144可以将功率输出信息150发送到公用事业计算设备152。例如,基于预测信息140,控制应用可以确定在即将到来的时间段上可以被输送到电网206的功率输出的量。基于该确定,控制应用可以将功率输出信息150发送到公用事业计算设备152,公用事业计算设备152然后可以基于接收到的功率输出信息150来执行其它动作,例如用于使电网206准备好接收预期的功率输出,和/或在预计预测功率输出低于阈值水平的情况下做出安排以从其它源获得功率输出。
图3例示了根据一些实施方式的包括用于预测功率输出的量的预测范围的示例性图表300。例如,不同于旨在预报风速并且然后将预报的风速馈送到涡轮机制造商提供的功率曲线的传统方法,本文的实施方式可以至少部分地基于最新接收到的从风力涡轮机接收的传感器数据来直接对功率输出进行建模。因此,本文的示例最小化了可能由风速预报中的误差所导致的功率输出预测不准确性。如上所述,风力涡轮机的功率输出可以概括为风速的立方(WS3)的函数。因此,不正确的预测风速可能显著地使预测功率输出偏斜。此外,由涡轮机制造商提供的功率曲线可以基于理论和/或标称模型,其可以不考虑个体涡轮机的运行特性(诸如涡轮机的年龄、涡轮机特定的滞后算法、涡轮机的位置和高度等等)的可变性。此外,风电场拥有者可能经常运行来自多于一个制造商和/或具有不同涡轮机型号的涡轮机。因此,本文的实施方式不依赖于制造商功率曲线的可用性,并且能够提供对个体风力涡轮机的功率输出的不依赖于不同制造商、不同型号、不同位置、不同高度等的预测。
本文的示例可以为风电场提供至少提前一天的功率预报,并且可以采用大量的频繁建立、部署和刷新的模型。作为一个示例,模型计算设备可以提供在即将到来的时间段(诸如接下来的24小时)的每个15分钟时间间隔内的预报,并且因此可以为风电场中的每个风力涡轮机使用96个模型。对于典型的风电场来说,这可能意味着成千上万的模型被建立、训练和部署。
本文的示例可以使用多个时间序列作为预测个体涡轮机的功率输出的基本预测器。例如,为了直接预测在即将到来的时间段内的功率输出,本文的模型计算设备可以使用在最近(例如,过去30分钟到一小时)已经观测到的功率和风速测量值。风力涡轮机的近期功率输出和由风力涡轮机处的传感器测量的最近测量的风速可以在短时间窗口(例如在当前时间之前的最后30分钟左右)内被收集,以提供可以被模型用作预测器的时间序列(即,对模型的输入)。
传感器数据可以以比本文的功率输出预测模型所使用的速率实质上更高的速率被收集。作为一个非限制性示例,风力涡轮机处的传感器可以以每分钟6个样本的速率(例如每10秒一次)采集数据样本。然而,本文的实施方式可能仅仅基于例如在5分钟间隔内平均的数据样本来预报在15分钟时段内平均的预测功率输出。因此,原始传感器数据可以被合计(例如,通过在时间间隔内平均)到由模型使用的对应粒度级别。此外,数据将被合计的时间间隔可以在任何时间点被锚定。换言之,虽然提供预测功率输出的时间间隔是连续的并且因此不重叠,但是由模型用作输入的合计传感器数据不一定必须是不相交的,反而是可以重叠。
如图3所示,图表300包括指示功率的多个白条302和指示风速(WS)的多个黑条304。此外,在306处指示当前时间t,并且在308处以时间t加上预测范围h来表示对功率输出进行预测的时间。在310处针对多个过去的时间间隔t-1,t-2,...,t-d表示测量的功率输出和对应的测量的风速,其中d是关于模型的输入回溯到多长时间的限制。如下面所讨论的,在一些示例中,d可以是4,对应于四个15分钟时间间隔。另外或替代地,d可以是预测范围h的函数。
在该示例中,假设将为每个即将到来的15分钟时间间隔提供功率输出预测。因此,可以用作预测模型的输入的数据可以以相同的粒度级别(即,在15分钟时间间隔内)被合计。作为一个示例,模型可以使用四个这种合计数据组作为输入。这四个对应的时段可以是不相交的,在这种情况下,它们可以跨越一个小时的窗口。作为另一个示例,4个时段可以重叠,其锚定点相隔5分钟,在这种情况下,它们可以跨越刚好在前面的30分钟的窗口。因此,即使预报时段可能被如此锚定,15分钟时间间隔也不必被锚定在时钟的一刻钟处。相反,通过允许以每5分钟而不是每15分钟锚定,本文的实施方式可以使训练数据集的尺寸增至三倍。因此,范围h的功率输出预测模型的训练集可以被表示为以下形式的元组的集合:
(P(t-d),…,P(t-1),WS(t-d),…,WS(t-1),POD(t),P(t+h)),
其中,t可以锚定在任意时间点,P是功率,WS是风速,h是预测范围,并且POD是一天中的时段。
此外,本文的模型能够自动处理日常季节性模式。例如,通过将一天分成96个15分钟间隔,模型可以使用一天中的时段(上面的POD(t))来指示特定时间预测t落入其中的15分钟间隔。在该示例中,POD(t)可以是0到95之间的整数,其可以充当模型的附加预测器。例如,一天中的时段可能会对较长预报时间范围(诸如距离当前时间半天)的预报准确度产生重大影响。
另外,每年的季节性模式也可以由本文的模型来处理。例如,本文的实施方式设想在多年内收集的数据不可用于训练本文的模型。例如,由于预测***可能对于特定的风电场是新的,和/或风电场本身可能是新的,因此过去几年可能没有可以用作训练数据来说明每年发生的功率输出的季节性变化的可用数据。然而,本文的模型可能使用不同但准确的方法来处理每年的季节性变化。例如,当新的风电场开放时,本文的模型能够在短时间内(例如一两个月)开始预报。因此,为了考虑季节变化的影响,本文的实施方式不需要收集用作训练数据集的多年的涡轮机输出数据。相反,可以使用历史数据的滑动窗口来定期地重新训练本文的模型。由于这个滑动窗口需要反映天气状况下的最新模式,所以训练数据的窗口不能很宽。与此同时,训练数据的时间窗口可能足够宽,从而为模型训练提供足够大的数据集。典型地,本文的发明人已经发现一个月的过去数据的价值提供足够量的训练数据来训练考虑到季节变化的准确模型。
图4例示了根据一些实施方式的使用支持向量机回归来预测功率输出的量的示例400。如上所述,本文的示例可以使用支持向量机(SVM)回归来在即将到来的时间段预测个体风力涡轮机的功率输出。一般而言,支持向量机是具有相关联的学习算法的监督学习模型,该学习算法分析用于分类和回归分析的数据。给定一组训练示例,每个训练示例被标记为属于两个类别中的一个或另一个,基于线性内核的SVM训练算法建立了模型,该模型将新的示例分配给一个类别或另一个类别,使其成为非概率二进制线性分类器。SVM模型是这些示例作为空间中的点的表示,其被映射为使得单独类别的示例被尽可能宽的清楚间隙划分。然后将新的示例映射到相同空间中,并基于它们所落入的间隙的一侧来预测其属于一类别。
在SVM回归(以及分类)中,产生的模型取决于训练数据的子集,因为构建模型的成本函数忽略了接近模型预测的任何训练数据。在其最简单的形式中,训练基于线性内核的SVM回归模型可以包括求解以下:
最小化
服从
其中,xi是具有目标值yi的训练样本。内积加截距<w,xi>+b是对该样本的预测,并且ε是充当阈值的自由参数:所有预测必须在真实预测的ε范围内。
给定训练集{(xi,yi)},SVM回归以其最简单的形式尝试将超平面f(x)=<w,x>+b拟合到训练数据,其中<w,x>表示向量w和x的点积。求解w和b被认为是优化问题,其中,对于给定的ε:
小w值是优选的,并且最小化的目标函数是||w||2
对于训练集中的所有i,服从约束条件|yi-f(xi)|≤ε。
此外,可以注意到,最小化||w||2是内置的正则化器,其惩罚模型复杂度并且有助于避免过度拟合,特别是当输入空间是高维时。另外,目标函数是二次方程式(w的二次方程式)的事实具有重要的意义。首先,作为凸约束优化问题,解(如果存在的话)是唯一的,其不同于人工神经网络,其中目标函数通常是非凸的并且因此允许多个局部最小值。其次,存在有效率的二次规划(QP)算法来求解该问题。正如所表述的那样,该问题对于给定的ε可能没有可行的解,因此在某些情况下,可行性约束条件可能被放宽。
如上所述,对于给定的ε,可行的解可能并不总是存在的,因为可能存在数据点,使得f(xi)离开yi超过ε。因此,引入松弛变量ξi和ξi′来放宽约束条件,并将受约束的优化问题重新表述如下:
最小化||w||2+C×∑(ξi+ξi′)
服从约束条件:
此外,在某些情况下,使用双公式可能会使问题更容易求解。作为一个示例,可以使用拉格朗日乘数法,使得二次约束优化问题具有使得其更容易求解的双公式。使用被称为双变量的新的参数αi和αi′,双公式为如下:
最大化αi和αi′的二次方程式的目标函数(这里省略细节)
服从以下约束条件:
∑(αi-αi′)=0,0≤αi,αi′≤C
因此,对原始问题的解可以根据双变量被重写为如下:
w=∑(αi-αi′)xi
f(x)=∑(αi-αi′)<xi,x>+b
其中i的范围覆盖原始训练数据的子集,被称为支持向量。因此,SVM回归模型可以由支持向量及其权重定义。
另外,在非线性SVM回归模型的情况下,将在原始空间(称为输入空间)中拟合超平面,输入空间可以首先使用一些具有特殊性质的非线性映射Φ(x)而被变换到更高维空间(称为特征空间),并且然后在该特征空间中拟合超平面。由于维度较高,因此在特征空间中拟合超平面可以产生比在输入空间中更好的拟合。特征空间中的超平面在输入空间中引入超曲面(非线性)。
在内核K被定义为K(x,x′)=<Φ(x),Φ(x′)>的情况下,优化问题可以被重新表达为:
最大化αi和αi′的二次函数,其中,在原始公式中找到的任何点积<xi,xj>被替换为K(xi,xj)
服从以下约束条件:
∑(αi-αi′)=0,0≤αi,αi′≤C
因此,原始问题的解可以被重写为:
w=∑(αi-αi′)Φ(xi)
f(x)=∑(αi-αi′)K(xi,x)+b
其中,i的范围覆盖支持向量的集合。
当选择诱导高维特征空间的映射Φ或内核K时,直接在高维特征空间中计算可能是昂贵的甚至是不可能的。然而,可能不一定要明确地计算w,因为所需的计算可能只涉及<Φ(x),Φ(x′)>,或者等价的可以在输入空间中便宜地计算的K(x,x′)。例如,RBF是一种常用的内核,其被定义为:
虽然在输入空间中计算可能是不昂贵的,但其诱导的特征空间具有无限的维度,这排除了特征空间中的要直接完成的任何计算。另外,虽然许多商业上可用的二次规划工具可以很容易地用于求解本文的二次优化问题,但是已经开发了一种大型的演进的算法体以利用优化问题的特殊结构,该算法体帮助更有效率地计算解,如本领域已知的那样。
本文所描述的用于应用SVM回归来预测功率输出的技术提供了改进的效率并减少了预测在即将到来的时间段内的功率输出所需的计算机处理的量。具体而言,与其它机器学习技术(例如人工神经网络、多层感知器、递归神经网络等)相比,如本文所述的SVM回归技术的应用更有效率。例如,这些其它类型的机器学习技术可能需要相当大量的训练数据、相当大量的计算资源,可能需要很长时间来收敛,和/或可能产生仅局部最优化的解。SVM建模包括优化二次方程,并且因此优化凸目标函数。解模型不仅可以是独特的,而且可以使用有效率的算法来找到。
此外,诸如自回归积分移动平均(ARIMA)之类的其它传统建模技术过于简单以致不能准确地预报功率输出。例如,ARIMA本质上是实质线性的,并且不足以考虑最近观测的非线性相关性。此外,拟合ARIMA模型需要完整的时间序列,这在本文的环境中可能不可用。
另一方面,本文描述的SVM回归技术可以包括内置的正则化,能够处理高维模型输入,并且支持以最小的对模型过拟合的机会使用大量的预测器。因此,本文的SVM回归模型可以与低功率计算设备一起使用,该低功率计算设备不昂贵且容易部署在风电场本身的地理区域处或靠近该地理区域,例如,在IoT云的“边缘”。相应地,本文的SVM回归技术大大减少了计算风力涡轮机的预测功率输出所需的处理,由此使得能够使用部署在风电场处或附近的现场中的多个低功率、不昂贵的模型计算设备。例如,如果风电场包括50个风力涡轮机,则可以部署50个对应的模型计算设备,每个模型计算设备被编程为训练和应用针对风电场中的风力涡轮机中的指定风力涡轮机的模型。例如,每个模型计算设备的价格为5-35美元,模型计算设备的总成本可能是250美元到1750美元。
由于本文的技术提供了用于计算风力涡轮机的预测功率输出的极大改进且有效率的技术,模型计算设备能够不断地接收新的传感器数据,并且使用新的传感器数据来训练用于相应的风力涡轮机的新备用模型。此外,如以下另外讨论的,模型计算设备能够基于随后接收到的实际功率输出数据来比较备用模型与当前部署的模型的性能,以确定哪个模型执行最佳并且随后可以使用更准确的模型来执行用于对功率输出进行预测的未来计算。相应地,本文的实施方式提供了对模型计算设备本身的操作的实质性改进。
图4的示例例示了被视为SVM机器学习回归问题的功率输出预测,其包括对多个输入执行SVM回归402。SVM回归402的输入包括在多个最近时间段(例如,在过去的半小时至一小时)内的测量的功率输出和对应的风速的时间序列404。如以上关于图3所讨论的,这些时间可以包括t-1,t-2,...,t-d。在该示例中的附加输入可以包括针对当前时间的一天中的时段(POD(t)),如406所示。SVM回归402的输出408可以是在时间t加预测范围h处的预测功率输出。此外,尽管在该示例中示出了若干输入,但是也可以向SVM回归402提供其它输入,例如外部数据,例如天气预报数据、风力涡轮机位置数据(例如偏航数据、风向数据、叶片位置数据、摆动位置数据)、空气温度等等。
如上所述,在一些示例中,预测器特征分辨率可以与一天中的时段预测分辨率相同,例如15分钟间隔,并且每个风力涡轮机可以有96个不同模型用于预测在下一个即将到来的一天内的96个不同的15分钟间隔。此外,可以使用具有例如1-4周的窗口尺寸的历史数据来训练SVM回归模型。
对于给定的功率预测模型,可能存在两个类别的能够影响功率输出预测准确度的因素,第一个是上面讨论的参数,例如一天中的时段分辨率、预测器特征分辨率、从输入时间序列使用的时间点的数量、连续间隔锚定点之间的时间、每个风力涡轮机的模型的数量以及传感器数据采样率。可能影响功率输出预测准确度的第二个因素是SVM超参数。然而,在每次创建或刷新模型时不是所有这些参数都需要被优化。相反,只有这些参数中的某些参数当在某些情况下进行优化时提供相当大的好处。例如,当初始定义问题参数时,可以对以下特征进行调整或以其它方式进行优化:预测器特征分辨率、一天中的时段分辨率和每个涡轮机的模型的数量。此外,当天气状况改变时,可以对以下特征进行调整或以其它方式进行优化:训练数据窗口尺寸、来自用于模型输入的时间序列中的时间点的数量、以及合计间隔之间的步幅(即,时间)。此外,当建立或刷新SVM模型时,可以调整或以其它方式优化以下超参数特征的设置:SVM回归Gamma内核系数和SVM回归C正则化系数。为了确定这些超参数特征的最优设置,可以执行网格搜索,其中使用不同的参数值来训练SVM模型,并在单独的交叉验证测试数据集上测试SVM模型的性能。单独的交叉验证测试数据集可以通过将原始数据集随机划分成用于训练的第一分区和用于测试的第二分区来获得。替代地,在将数据集划分成n个连续时间序列的情况下,可以使用n折交叉验证,并且针对在(n-1)个剩余分区上训练的模型,在n个分区中的每个分区上进行测试。
图5例示了根据一些实施方式的使用辅助涡轮机传感器信息来预测要由目标风力涡轮机输出的功率的量的示例500。例如,在该示例中,当确定目标风力涡轮机102(a)的预测功率输出时,可以使用来自一个或多个相邻风力涡轮机(例如,距目标风力涡轮机102(a)阈值距离内)的数据,这可以有助于降低噪声并且提供对于增强目标涡轮机102(a)的功率输出预测有用的附加信息。
在该示例中,来自目标风力涡轮机102(a)的传感器数据112(a)被提供给目标涡轮机102(a)的模型计算设备116(a)。另外,还可以向模型计算设备116(a)提供来自一个或多个辅助涡轮机的传感器数据。例如,模型计算设备116(a)可以接收来自辅助涡轮机102(b)的传感器数据112(b)、来自辅助涡轮机102(c)的传感器数据112(c)以及来自辅助涡轮机102(d)的传感器数据112(d)。在该示例中,未示出数据收集计算设备110。替代地,作为另一示例,可以省去数据收集计算设备110,并且模型计算设备116(a)可以直接从相应的风力涡轮机102接收传感器数据。
另外,模型计算设备116(a)可以从外部数据源计算设备136接收天气预报数据502。在该示例中,未示出预测管理计算设备124。替代地,作为另一示例,预测管理计算设备124可以被省去,并且模型计算设备116(a)可以直接从外部数据源计算设备136接收天气预报数据502。作为一个示例,在使用或没有使用来自辅助涡轮机的传感器信息的情况下,模型计算设备116可以使用包括在天气预报数据502中的风向数据并且可以将风向数据与涡轮机偏航位置进行比较,作为用于确定由目标涡轮机102(a)处的传感器所接收的有效风速的比较。
此外,分别根据来自相邻辅助涡轮机112(b)-112(d)的传感器数据112(b)-112(d)确定的功率输出和风速时间序列可以用于帮助降低噪声并且提供对增强目标涡轮机102(a)的功率输出预测的有用的附加信息。另外,可以将包括风向和风速的外部天气预报数据502与来自辅机涡轮机102(b)-102(d)的传感器数据进行比较,以提高目标涡轮机102(a)的预测准确度。
图6例示了根据一些实施方式的使用具有多个模型的***600来预测功率输出的示例,所述多个模型可以由模型计算设备116执行。在一些示例中,***600可以对应于上面讨论的***100和200。例如,可以在模型计算设备116上执行模型应用118或其它应用、程序、可执行指令等(在图6中未示出)以执行本文描述的功能和算法。模型120可以包括多个竞争模型,包括至少一个部署模型601和至少一个竞争备用模型603。在一些示例中,模型120可以被刷新并且刷新模型可以被部署在固定的周期性时间表上,如每周或每两周。
替代地,如该示例中所示,可以采用更动态且自适应的模型切换策略。例如,可以使用多个竞争模型来预测功率输出,其中如果备用模型603中的一个被示出为更加准确,则一个或多个竞争备用模型603随时准备替换部署模型601。这些备用模型603可以使用不同的训练数据或者甚至使用不同的所选择的预测器来构建。图6中的***600可以通过将实际测量的功率输出数据与由每个模型601、603预测的预测功率输出进行比较来持续地监测和比较部署模型601和一个或多个备用模型603的预测准确度。当备用模型603始终表现得比部署模型601和其它备用模型603好(例如阈值数量的次数)时,那么该备用模型603可以被激活并且成为部署模型601,并且先前部署模型可以成为备用模型603或可以被删除。
在该示例中,数据收集计算设备110可以从风力涡轮机传感器108接收传感器数据112。传感器数据112可以被转发给相应风力涡轮机的模型计算设备116。模型计算设备116可以包括多个模型120,其包括至少一个部署模型601和一个或多个备用模型603。模型计算设备116可以使用所接收的传感器数据112和外部天气预报数据132来运行部署模型601,如602处所示。此外,模型计算设备116可以使用所接收的传感器数据112和外部天气预报数据132来运行一个或多个备用模型603,如604处所示。如602处所示,运行部署模型601可以产生部署模型结果606,同时如604所示,运行一个或多个备用模型603,可以产生一个或多个备用模型结果608。如以上关于图1和图2所讨论的,部署模型结果606可以被发送到预测管理计算设备124。进而,预测管理计算设备124可以将预测信息140提供给***控制计算设备142。响应于接收到预测信息140,***控制计算设备142可以基于预测功率输出来执行动作,如610处所示。例如,***控制计算设备142可以执行如612处所示的风力涡轮机控制功能,可以控制一个或多个开关208,和/或可以将关于预测功率输出的信息发送到公用事业计算设备152。
另外,如614处所示,模型计算设备116可以将部署模型结果606和备用模型结果608的准确度与随后从风力涡轮机传感器108接收的实际传感器数据112进行比较。例如,在模型601和603预测功率输出的时间段内,模型计算设备116可以将实际功率输出(如随后接收的该时间段内的传感器数据112所指示的)与预测功率输出(如部署模型601和备用模型603所预测的)进行比较。如616处所示,如果通过某一阈值量显示待机模型603中的一个比部署模型601的性能高,例如通过例如在阈值数量的时间段内始终比部署模型601更准确地预测风力涡轮机的功率输出达阈值数量的次数,则模型计算设备116可以从使用部署模型601切换到使用备用模型603作为部署模型。
此外,如620处所示,模型计算设备116可以基于接收到的传感器数据112(例如基于在过去2周、过去一个月等接收到的新接收的传感器数据112)来持续地建立和训练新模型。因此,可能已经使用较新的训练数据来训练较新的模型120。例如,部署模型601可能在一个月前已经被训练。同时,天气和/或季节可能已经改变,所以可能已经使用更近的数据来训练较新的备用模型603。如果备用模型603始终(例如,达阈值数量的次数)击败当前部署模型601,则部署模型601可以由备用模型603替代。对于每个风力涡轮机可以存在多个这些备用模型603,并且可以将每个备用模型603的结果与实际生成的功率和当前部署模型601的结果进行比较,以确定要为下一个功率预测部署的最佳模型。如上所述,这也能够应对季节的变化。因此,可以持续地产生新的备用模型603,并且不再使用的部署模型601可以被删除、重新训练或简单地维持为备用模型。如以上例如关于图1所讨论的,块602、604、614、616和620可以由在模型计算设备116上执行的模型应用118来执行。
作为另一替代方案,模型计算设备116可以使用所接收的传感器数据112而不是使用单个部署模型601的结果来执行多个部署模型601。例如,模型计算设备116可以执行使用三个不同的训练数据集和/或不同的预测器所训练的三个不同的部署模型601。然后,模型计算设备116可以使用这三个模型的模型结果的平均、加权平均和/或中值作为提供给预测管理计算设备124的部署模型结果606。作为又一示例,模型计算设备116可以执行使用不同的训练数据集和/或不同的预测器所训练的多个不同的模型。然后,模型计算设备116可以提供每个所执行的模型的所有结果的分布作为部署模型结果606。预测管理计算设备124然后可以基于接收到的分布来执行一个或多个分析函数,以例如基于确定均值、标准偏差等等来确定预测信息140。
图7例示了根据一些实施方式的确定用于预测功率输出的预测器的示例700。在该示例中,如702处所示,预测分辨率是15分钟时间间隔,例如在每个15分钟间隔上的预测平均功率输出。此外,如704处所示,每90分钟生成在接下来的24小时内的新的功率输出预测。因此,预测范围是t+90分钟至t+90分钟+24小时。
如在706处所指示的,来自先前的30分钟的预测器可以被用作模型的输入。如上所述,这些预测器可以对应于在15分钟内测量的平均功率输出,在开始与结束时间之间具有5分钟锚定点,使得该预测器相对于在从P0到P3的时间序列中的下一个预测器交错5分钟,其中P是在特定时间间隔内测量的平均功率输出,并且WS是在相同时间间隔内测量的实际平均风速。另外,虽然在该示例中将所测量的实际功率输出和风速用作预测器,但是在其它示例中也可以使用额外的预测器,如上所述。如在708处所示,基于24小时时段内的15分钟预测分辨率,可以有96个确定的目标用于模型以预测功率输出。在一些情况下,针对每个风力涡轮机可能存在96个模型,即96个时间间隔中的每个时间间隔有一个模型。
图8例示了根据一些实施方式的用于预测功率输出的示例性***。在该示例中,预测管理计算设备124位于远离风电场106、相关联的数据收集计算设备110和模型计算设备116处。因此,模型计算设备116可以使用一个或多个通信接口802来通过一个或多个网络160将模型结果122发送到预测管理计算设备124。例如,预测管理计算设备124可以位于云计算服务上,或者位于其它远程网络位置(例如通过互联网可访问的位置)。
预测管理计算设备124可以使用一个或多个通信接口804来将预测信息140发送到***控制计算设备142,该***控制计算设备142可以位于风电场处或靠近风电场。替代地,在其它示例中,***控制计算设备142也可以位于远离风电场106处并且可以通过互联网(例如通过一个或多个网络160)来访问。不管***控制计算设备142的物理位置如何,控制应用144可以基于如上例如关于图1、图2和图6所述的预测信息140来执行一个或多个动作。
图9和图10是例示根据一些实施方式的示例性过程的流程图。这些过程被示为表示操作的序列的逻辑流程图中的块的集合,其中的一些或全部块可以实施成硬件、软件或其组合。在软件的上下文中,块可以表示存储在一个或多个计算机可读介质上的计算机可执行指令,该计算机可执行指令在由一个或多个处理器执行时对处理器进行编程以执行所列举的操作。通常,计算机可执行指令包括执行特定功能或实施特定数据类型的例程、程序、对象、部件、数据结构等。块被描述的顺序不应被解释为限制。可以以任何顺序和/或并行地组合所描述的块中的任何数量块以实施该过程或替代过程,并且不是所有的块都需要被执行。为了讨论的目的,参考本文的示例中所描述的环境、框架和***来描述所述过程,尽管可以在各种各样的其它环境、框架和***中实施所述过程。
图9是例示根据一些实施方式的基于预测功率输出来控制***的示例性过程的流程图。在一些示例中,过程900可以部分地由模型计算设备116执行,部分地由预测管理计算设备执行,并且部分地由***控制计算设备142和/或其它适合的计算设备来执行。
在902处,计算设备可以在第一时间段接收来自多个风力涡轮机中的相应风力涡轮机的第一传感器数据,第一传感器数据至少包括每个时间间隔的测量的功率输出和风速。例如,在第一时间段中可以有多个时间间隔。
在904处,计算设备可以至少部分地基于从相应风力涡轮机接收的第一传感器数据来训练针对每个相应风力涡轮机的至少一个相应模型。
在906处,计算设备可以在第二时间段接收来自个体风力涡轮机的第二传感器数据,第二传感器数据至少包括每个时间间隔的功率输出和风速。例如,在第二时间段中可以有多个时间间隔。
在908处,在一些情况下,计算设备可以接收针对风力涡轮机所处的地理区域的外部天气预报数据。例如,外部天气预报数据可以包括风电场所处的地理区域的预测风速和风向。
在910处,计算设备可以针对每个风力涡轮机分别至少使用针对该风力涡轮机接收到的传感器数据来执行相应的训练模型,以确定在即将到来的时间段内针对每个相应风力涡轮机的预测功率输出。
在912处,计算设备可以对针对每个风力涡轮机的预测功率输出进行合计以确定在即将到来的时间段内针对多个风力涡轮机的总预测功率输出。
在914处,计算设备可以发送通信以使得基于预测来关闭或启动至少一个风力涡轮机。
在916处,计算设备可以发送通信以使开关激活,从而基于预测使电力输出中的至少一部分转移到电力储存器,或者在其它情况下,如果实际功率输出小于预测功率输出,则使开关激活以将所储存的电力从电力储存器发送到电网。
在918处,计算设备可以向公用事业计算设备发送指示功率输出的预测的通信,所述功率输出的预测例如是将被输送到电网的预期功率量。
图10是例示根据一些实施方式的用于训练和部署用于预测功率输出的模型的示例性过程的流程图。在一些示例中,过程1000可以至少部分地由模型计算设备或其它适合的计算设备执行。在一些示例中,图10的过程可以与图9的过程组合。
在1002处,计算设备可以在第一时间段接收来自多个风力涡轮机中的相应风力涡轮机的第一传感器数据,第一传感器数据至少包括每个时间间隔的功率输出和风速。
在1004处,计算设备可以至少部分地基于从相应风力涡轮机接收的第一传感器数据来训练和部署针对每个相应风力涡轮机的至少一个相应模型。
在1006处,计算设备可以在第二时间段接收来自相应风力涡轮机的第二传感器数据,第二传感器数据至少包括每个时间间隔的功率输出和风速。
在1008处,计算设备可以基于第二传感器数据以及在一些情况下基于第一传感器数据的至少一部分来训练针对每个风力涡轮机的至少一个第二模型。
在1010处,计算设备可以在第三时间段接收来自个体风力涡轮机的第三传感器数据,第三传感器数据至少包括每个时间间隔的功率输出和风速。
在1012处,计算设备可以使用相应的第一模型和相应的第二模型基于第三传感器数据来预测在即将到来的时间段内的每个风力涡轮机的相应功率输出。
在1014处,计算设备可以在第四时间段接收来自相应风力涡轮机的第四传感器数据。
在1016处,计算设备可以基于第四传感器数据确定是第一模型预测更准确还是第二模型预测更准确。
在1018处,如果第二模型比第一模型更准确达阈值数量的次数,则计算设备可以用第二模型替换第一模型。
图11例示了根据一些实施方式的示例性模型计算设备116。在一些示例中,模型计算设备116可以包括RASPBERRY计算设备、个人计算机、边缘计算设备、物联网计算设备或其它类型的不昂贵的低处理能力计算设备,其可以以任何数量的方式体现。例如,如上所述,可以在模型计算设备116上实施程序、其它功能部件和数据储存器的至少一部分,并且模型计算设备116可以位于风电场附近。替代地,在其它示例中,模型计算设备116可以被实施为服务器或其它基于云或位于网络上的计算设备。此外,可以另外或替代地使用其它计算机架构。另外,虽然为了便于讨论,在该示例中将功能部件和数据示出为共同位于同一设备上,但是在其它示例中,功能部件和数据可以以任何期望的方式跨相同位置或多个不同位置处的多个计算设备分布。
在所例示示例中,模型计算设备116包括一个或多个处理器1102、一个或多个通信接口1106以及一个或多个计算机可读介质1104。每个处理器1102可以是单个处理单元或多个处理单元,并且可以包括单个或多个计算单元或多个处理核心。处理器1102可以被实施为一个或多个中央处理单元、微处理器、微型计算机、微控制器、数字信号处理器、状态机、逻辑电路和/或基于操作指令操纵信号的任何设备。例如,处理器1102可以是被具体编程或配置为执行本文描述的算法和过程的任何适合类型的一个或多个硬件处理器和/或逻辑电路。处理器1102可以被配置为获取和执行存储在计算机可读介质1104中的计算机可读指令,该计算机可读指令可以对处理器1102进行编程以执行本文描述的功能。
计算机可读介质1104可以包括以任何类型的技术实施的、用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的易失性和非易失性存储器和/或可移除和不可移除的介质。例如,计算机可读介质1104可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、光储存器、固态储存器、磁带、磁盘储存器等。另外,在模型计算设备是服务器或其它网络计算设备的情况下,计算机可读介质可以包括RAID存储***、存储阵列、网络附加储存器、存储区域网络、云存储或者可以用于存储期望的信息并且可以由计算设备访问的任何其它介质。取决于模型计算设备116的配置,在非暂时性计算机可读介质当被提及时排除诸如能量、载波信号、电磁波、和/或信号本身的介质的程度上,计算机可读介质1104可以是有形非暂时性介质。在一些情况下,计算机可读介质1104可以与模型计算设备116位于相同的位置,而在其它示例中,计算机可读介质1104可以部分地远离模型计算设备116,诸如可通过网络访问。
计算机可读介质1104可与用于存储可由处理器1102执行的任意数量的功能部件。在许多实施方式中,这些功能部件包括指令或程序,其可由处理器1102执行,并且在被执行时,对处理器1102进行专门编程以执行本文中被归于模型计算设备116的动作。存储在计算机可读介质1104中的功能部件可以包括如上所述的模型应用118,其中可以建立、训练和替换本文的模型。功能部件可以包括一个或多个计算机程序、计算机可读指令、可执行代码或它们的部分,其可被执行以使得处理器1102执行各种任务,例如执行如上所述的模型。另外,操作***1108可以控制和管理模型计算设备116的各种功能。在一些情况下,功能部件可以被存储在计算机可读介质1104的存储部分中,被加载到计算机可读介质1104的本地存储器部分中并且由一个或多个处理器1102执行。许多其它软件和/或硬件配置对于受益于本文的公开内容的本领域技术人员将是显而易见的。
另外,计算机可读介质1104可以存储用于执行本文描述的功能和服务的数据和数据结构。例如,计算机可读介质1104可以存储模型120,其包括一个或多个部署模型601和一个或多个备用模型603、传感器数据112、模型结果122以及接收到的外部天气预报数据132。模型计算设备116还可以包括或维持其它模块和数据1114,其可以包括程序、驱动程序等、以及由功能部件使用或生成的其它数据。此外,模型计算设备116可以包括许多其它逻辑、编程和物理部件,其中上面描述的那些仅仅是与本文的讨论有关的示例。
通信接口1106可以包括一个或多个接口和硬件部件,以用于实现诸如通过一个或多个网络160或风电场本地的LAN与各种其它设备的通信。因此,通信接口1106可以包括或可以耦合到提供与网络160的连接的一个或多个端口。例如,通信接口1106可以实现通过LAN(局域网)、WAN(广域网)、因特网、线缆网络、蜂窝网络、无线网络(例如Wi-Fi)和有线网络(例如光纤、以太网、光纤信道)、直接连接以及诸如等等的近距离通信中的一个或多个的通信,如本文其它地方另外列举的。
另外,模型计算设备116可以包括一个或多个输入/输出(I/O)设备1116。这种I/O设备1116可以包括显示器、扬声器、麦克风以及各种用户控制装置(例如,按钮、操纵杆、鼠标、键盘、小键盘、触摸屏等)等等。
图12例示了根据一些实施方式的示例性预测管理计算设备124。在一些示例中,预测管理计算设备124可以包括一个或多个服务器、个人计算机或可以以任意数量的方式体现的其它类型的计算设备。例如,在个人计算设备的情况下,预测管理计算设备124可以位于风电场和模型计算设备112附近,诸如经由LAN通信。另一方面,在服务器的情况下,程序、其它功能部件以及数据储存器的至少一部分可以实施在至少一个服务器上或在服务器群、服务器场、数据中心、云托管的计算服务等中,尽管可以另外或替代地使用其它计算机架构。另外,虽然为了便于讨论,在该示例中将功能部件和数据示出为共同位于同一设备上,但是在其它示例中,功能部件和数据可以以任何期望的方式跨相同位置或多个不同位置处的多个计算设备分布。
在所例示的示例中,预测管理计算设备124包括一个或多个处理器1202、一个或多个通信接口1206和一个或多个计算机可读介质1204,或可以与它们相关联。每一个处理器1202可以是单个处理单元或多个处理单元,并且可以包括单个或多个计算单元或多个处理核心。处理器1202可以被实施为一个或多个中央处理单元、微处理器、微型计算机、微控制器、数字信号处理器、状态机、逻辑电路和/或基于操作指令操纵信号的任何设备。例如,处理器1202可以是被具体编程或配置为执行本文描述的算法和过程的任何适合类型的一个或多个硬件处理器和/或逻辑电路。处理器1202可以被配置为获取和执行存储在计算机可读介质1204中的计算机可读指令,该计算机可读指令可以对处理器1202进行编程以执行本文描述的功能。
计算机可读介质1204可以包括以任何类型的技术实施的、用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的易失性和非易失性存储器和/或可移除和不可移除的介质。例如,计算机可读介质1204可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、光储存器、固态储存器、磁带、磁盘储存器等。另外,在预测管理计算设备124是位于网络上的服务器的情况下,计算机可读介质1204可以包括RAID存储***、存储阵列、网络附接储存器、存储区域网络、云存储或可以用来存储所需信息并且可以由计算设备访问的任何其它介质。取决于预测管理计算设备124的配置,在非暂时性计算机可读介质当被提及时排除诸如能量、载波信号、电磁波、和/或信号本身的介质的程度上,计算机可读介质1204可以是有形的非暂时性介质。在一些情况下,计算机可读介质1204可以与预测管理计算设备124处于相同位置,而在其它示例中,计算机可读介质1204可以部分地远离预测管理计算设备124。
计算机可读介质1204可以用于存储可由处理器1202执行的任何数量的功能部件。在许多实施方式中,这些功能部件包括指令或程序,其可由处理器1202执行并且在被执行时对处理器1202进行专门编程以执行本文中归于预测管理计算设备124的动作。存储在计算机可读介质1204中的功能部件可以包括管理应用126和分析应用128。这些功能部件中的每一个可以包括一个或多个计算机程序、计算机可读指令、可执行代码或它们的部分,它们可被执行以使得处理器1202执行诸如用于接收并处理由模型计算设备116发送的数据的各种任务。另外,操作***1208可以控制和管理预测管理计算设备124的各种功能。在一些情况下,功能部件可以存储在计算机可读介质1204的存储部分中,加载到计算机可读介质1204的本地存储器部分中,并且由一个或多个处理器1202执行。许多其它软件和/或硬件配置对于受益于本文的公开内容的本领域技术人员来说将是显而易见的。
另外,计算机可读介质1204可以存储用于执行本文描述的功能和服务的数据和数据结构。例如,计算机可读介质1204可以存储预测结果130、外部天气预报数据132和合计模型结果134。预测管理计算设备124还可以包括或维持其它模块和数据1210,其可以包括程序、驱动程序等等、以及由功能部件使用或生成的其它数据。此外,预测管理计算设备124可以包括许多其它逻辑、编程和物理部件,其中上面描述的那些仅仅是与本文的讨论相关的示例。
通信接口1206可以包括一个或多个接口和硬件部件,以用于例如通过一个或多个网络160实现与各种其它设备的通信。因此,通信接口1206可以包括或可以耦合到提供与网络160连接的一个或多个端口。例如,通信接口1206可以实现通过LAN(局域网)、WAN(广域网)、因特网、线缆网络、蜂窝网络、无线网络(例如Wi-Fi)和有线网络(例如光纤、以太网、光纤信道)、直接连接以及诸如的近距离通信等等中的一个或多个的通信,如在本文其它地方另外列举的。
另外,预测管理计算设备124可以包括一个或多个输入/输出(I/O)设备1212。这种I/O设备1212可以包括显示器、扬声器、麦克风以及各种用户控制装置(例如,按钮、操纵杆、鼠标、键盘、小键盘、触摸屏等)等等。
此外,***控制计算设备142可以具有类似于预测管理计算设备124的硬件配置,但具有不同的功能部件,例如可在其上执行的控制应用144。
本文描述的示例性过程仅是为讨论目的而提供的过程的示例。鉴于本文的公开内容,许多其它变化对于本领域技术人员来说将是显而易见的。此外,尽管本文的公开内容阐述了用于执行过程的合适框架、架构和环境的若干示例,但是本文中的实施方式不限于所示出和讨论的特定示例。此外,本公开内容提供了各种示例性实施方式,如所描述的以及如附图所例示的。然而,本公开内容不限于本文描述和例示的实施方式,而是可以延伸到其它实施方式,如本领域技术人员已知的或将会知道的那样。
本文描述的各种指令、过程和技术可以在计算机可执行指令的一般上下文中(诸如存储在计算机可读介质上并且由本文的处理器执行的程序模块)被考虑。通常,程序模块包括用于执行特定任务或实施特定抽象数据类型的例程、程序、对象、部件、数据结构、可执行代码等。这些程序模块等可以作为本地代码来执行,或者可以诸如在虚拟机或其它即时编译执行环境中被下载和执行。典型地,在各种实施方式中程序模块的功能可以根据需要被组合或分配。这些模块和技术的实施方式可以存储在计算机存储介质上,或者通过某种形式的通信介质来传输。
尽管已经用结构特征和/或方法动作特定的语言描述了主题,但是应当理解,在所附权利要求中限定的主题不一定限于所描述的具体特征或动作。相反,具体特征和动作被公开为实施权利要求的示例性形式。
Claims (20)
1.一种***,包括:
一个或多个处理器;以及
存储可执行指令的一个或多个非暂时性计算机可读介质,所述可执行指令在由所述一个或多个处理器执行时将所述一个或多个处理器配置为执行操作,所述操作包括:
在第一时间段内接收来自多个风力涡轮机中的相应风力涡轮机的第一传感器数据,所述第一传感器数据至少包括每个时间间隔的功率输出和风速,其中,所述第一时间段包括多个所述时间间隔;
训练针对每个相应风力涡轮机的至少一个相应模型,所述训练至少部分地基于从所述相应风力涡轮机接收的所述第一传感器数据;
在第二时间段内接收来自所述相应风力涡轮机的相应第二传感器数据;
使用从所述相应风力涡轮机接收的所述相应第二传感器数据执行使用从该相应风力涡轮机接收的所述第一传感器数据训练的所述相应模型,以确定在即将到来的时间段内针对每个相应风力涡轮机的预测功率输出;
对所预测的功率输出进行合计以确定所述多个风力涡轮机的总预测功率输出;以及
至少部分地基于所述总预测功率输出,执行以下中的至少一个:
发送通信以使得关闭或启动所述多个风力涡轮机中的至少一个风力涡轮机;
发送通信以使得激活开关,以将所产生的电力的至少一部分转移到电力储存器;
发送通信以使得激活开关,以将储存的电力从所述电力储存器发送到电网;或者
向公用事业计算设备发送指示在所述即将到来的时间段中的至少一部分内的预期功率输出的通信。
2.根据权利要求1所述的***,还包括多个模型计算设备,每个模型计算设备包括所述处理器中的至少一个,其中,所述模型计算设备中的相应模型计算设备被配置为训练和执行针对所述风力涡轮机中的相应风力涡轮机的所述相应模型。
3.根据权利要求1所述的***,还包括位于所述多个风力涡轮机的地理区域附近的数据收集计算设备,所述数据收集计算设备用于接收来自所述多个风力涡轮机的所述传感器数据,其中,所述多个模型计算设备位于所述多个风力涡轮机的所述地理区域附近并且能够通过局域网与所述数据收集计算设备进行通信。
4.根据权利要求1所述的***,所述操作还包括:
从外部源接收针对所述多个风力涡轮机所处的地理区域的天气预报数据;以及
至少部分地基于所述天气预报数据来训练针对所述相应风力涡轮机的所述相应模型,其中,使用从每个相应风力涡轮机接收的所述第二传感器数据来执行使用从该相应风力涡轮机接收的所述第一传感器数据训练的所述相应模型包括:在执行所述相应模型时使用接收的天气预报数据。
5.根据权利要求1所述的***,所述操作还包括:
当执行针对所述相应风力涡轮机中的第一风力涡轮机的所述相应模型时,确定第一相应风力涡轮机附近的阈值距离内的一个或多个第二相应风力涡轮机;以及
其中,使用从所述第一相应风力涡轮机接收的所述第二传感器数据来执行使用从所述第一相应风力涡轮机接收的所述第一传感器数据训练的所述相应模型包括:使用从所述一个或多个第二相应风力涡轮机接收的传感器数据。
6.根据权利要求1所述的***,其中:
所述相应模型是支持向量机回归模型,并且用作输入以执行所述相应模型的所述传感器数据包括从所述相应风力涡轮机接收的多个所述时间间隔的时间序列,其中,测量的功率输出和测量的风速在所述时间序列中的每个时间间隔上被平均;并且
所述时间序列中的所述时间间隔中的至少一个时间间隔至少部分地与所述时间序列中的所述时间间隔中的另一个时间间隔重叠。
7.根据权利要求1所述的***,其中,对于所述相应风力涡轮机中的第一风力涡轮机,所述相应模型是第一模型,所述操作还包括:
在接收所述第二传感器数据之前使用从所述第一风力涡轮机接收的附加传感器数据来训练第二模型;
使用所述第二传感器数据执行所述第二模型以确定针对所述第一风力涡轮机的第二预测功率输出;
基于随后从所述第一相应风力涡轮机接收的指示实际功率输出的传感器数据,确定是来自所述第一模型的预测功率输出还是来自所述第二模型的预测功率输出更接近所述实际功率输出;以及
至少部分地基于来自所述第二模型的所述预测功率输出更接近所述实际功率输出,针对所述第一相应风力涡轮机用所述第二模型替换所述第一模型。
8.一种方法,包括:
通过一个或多个处理器训练针对多个风力涡轮机中的每个相应风力涡轮机的至少一个相应模型,所述训练至少部分地基于在第一时间段内从所述相应风力涡轮机接收的第一传感器数据;
在第二时间段内接收来自所述相应风力涡轮机的相应第二传感器数据;
使用从所述相应风力涡轮机接收的所述相应第二传感器数据执行针对所述相应风力涡轮机训练的所述相应模型,以确定在即将到来的时间段内的针对每个相应风力涡轮机的预测功率输出;
对针对所述相应风力涡轮机的所述预测功率输出进行合计以确定针对所述多个风力涡轮机的总预测功率输出;以及
至少部分地基于所述总预测功率输出,执行至少一个动作。
9.根据权利要求8所述的方法,其中,执行至少一个动作包括以下各项中的至少一个:
发送通信以使得关闭或启动所述多个风力涡轮机中的至少一个风力涡轮机;
发送通信以使得激活开关,以将所产生的电力的至少一部分转移到电力储存器;或者
发送通信以使得激活开关,以将储存的电力从所述电力储存器发送到电网。
10.根据权利要求8所述的方法,其中,执行至少一个动作包括:向公用事业计算设备发送指示在所述即将到来的时间段的至少一部分内的预期功率输出的通信。
11.根据权利要求8所述的方法,其中,还包括对所述风力涡轮机所处的地理区域处的多个模型计算设备进行配置,其中,所述模型计算设备中的相应模型计算设备被配置为训练并执行针对所述风力涡轮机中的相应风力涡轮机的所述相应模型。
12.根据权利要求8所述的方法,还包括:
当执行针对所述相应风力涡轮机中的第一风力涡轮机的所述相应模型时,确定第一相应风力涡轮机附近的阈值距离内的一个或多个第二相应风力涡轮机;以及
其中,使用从所述相应风力涡轮机接收的相应第二传感器数据来执行针对所述相应风力涡轮机训练的所述相应模型包括:使用从所述一个或多个第二相应风力涡轮机接收的传感器数据。
13.根据权利要求8所述的方法,其中:
训练针对每个相应风力涡轮机的至少一个相应模型包括训练针对每个相应风力涡轮机的至少一个相应支持向量机回归模型,其中,用作输入以执行所述相应模型的所述传感器数据包括从所述相应风力涡轮机接收的多个时间间隔的时间序列,其中,测量的功率输出和测量的风速在所述时间序列中的每个时间间隔上被平均;以及
所述时间序列中的所述时间间隔中的至少一个时间间隔至少部分地与所述时间序列中的所述时间间隔中的另一个时间间隔重叠。
14.根据权利要求8所述的方法,其中,对于所述相应风力涡轮机中的第一风力涡轮机,所述相应模型是第一模型,所述方法还包括:
在接收所述第二传感器数据之前使用从所述第一风力涡轮机接收的附加传感器数据来训练第二模型;
使用所述第二传感器数据执行所述第二模型以确定针对所述第一风力涡轮机的第二预测功率输出;
基于随后从所述第一相应风力涡轮机接收的指示实际功率输出的传感器数据,确定是来自所述第一模型的预测功率输出还是来自所述第二模型的预测功率输出更接近所述实际功率输出;以及
至少部分地基于来自所述第二模型的所述预测功率输出更接近所述实际功率输出,针对所述第一相应风力涡轮机用所述第二模型替换所述第一模型。
15.一种***,包括:
一个或多个处理器;以及
维持可执行指令的一个或多个非暂时性计算机可读介质,所述可执行指令在由所述一个或多个处理器执行时将所述一个或多个处理器编程为执行包括以下操作的操作:
训练针对多个风力涡轮机中的每个相应风力涡轮机的至少一个相应模型,所述训练至少部分地基于在第一时间段内从所述相应风力涡轮机接收的第一传感器数据;
在第二时间段内接收来自所述相应风力涡轮机的相应第二传感器数据;
使用从所述相应风力涡轮机接收的所述相应第二传感器数据执行针对所述相应风力涡轮机训练的所述相应模型,以确定在即将到来的时间段内的针对每个相应风力涡轮机的预测功率输出;
对针对所述相应风力涡轮机的所述预测功率输出进行合计以确定针对所述多个风力涡轮机的总预测功率输出;以及
至少部分地基于所述总预测功率输出,执行至少一个动作。
16.根据权利要求15所述的***,其中,对于所述相应风力涡轮机中的第一风力涡轮机,所述相应模型是第一模型,所述操作还包括:
在接收所述第二传感器数据之前使用从所述第一风力涡轮机接收的附加传感器数据来训练第二模型;
使用所述第二传感器数据执行所述第二模型以确定在所述即将到来的时间段内针对所述第一风力涡轮机的第二预测功率输出;
基于随后从所述第一相应风力涡轮机接收的指示实际功率输出的传感器数据,确定是来自所述第一模型的预测功率输出还是来自所述第二模型的预测功率输出更接近所述实际功率输出;以及
至少部分地基于来自所述第二模型的所述预测功率输出更接近所述实际功率输出,针对所述第一相应风力涡轮机用所述第二模型替换所述第一模型。
17.根据权利要求15所述的***,其中,对于所述相应风力涡轮机中的第一风力涡轮机,所述相应模型是第一模型,所述操作还包括:
在接收所述第二传感器数据之前使用从所述第一风力涡轮机接收的附加传感器数据来训练第二模型;
使用所述第二传感器数据执行所述第二模型以确定在所述即将到来的时间段内针对所述第一风力涡轮机的第二预测功率输出;以及
基于根据所述第一模型确定的预测功率输出和根据所述第二模型确定的预测功率输出,确定在所述即将到来的时间段内针对所述第一风力涡轮机的预测功率输出。
18.根据权利要求15所述的***,还包括在所述风力涡轮机所在的地理区域处的多个模型计算设备,每个模型计算设备包括所述一个或多个处理器中的至少一个,其中,所述模型计算设备中的相应模型计算设备被配置为训练和执行针对所述风力涡轮机的相应风力涡轮机的所述相应模型。
19.根据权利要求15所述的***,其中,执行至少一个动作的所述操作包括执行以下各项中的至少一个:
发送通信以使得关闭或启动所述多个风力涡轮机中的至少一个风力涡轮机;
发送通信以使得激活开关,以将所产生的电力的至少一部分转移到电力储存器;
发送通信以使得激活开关,以发送来自所述电力储存器储存的电力;或者
向公用事业计算设备发送指示在所述即将到来的时间段中的至少一部分内的预期功率输出的通信。
20.根据权利要求15所述的***,所述操作还包括:
当执行针对所述相应风力涡轮机中的第一风力涡轮机的所述相应模型时,确定第一相应风力涡轮机附近的阈值距离内的一个或多个第二相应风力涡轮机;以及
其中,使用从所述相应风力涡轮机接收的相应第二传感器数据来执行针对所述相应风力涡轮机训练的所述相应模型包括:使用从所述一个或多个第二相应风力涡轮机接收的传感器数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/605,184 | 2017-05-25 | ||
US15/605,184 US10309372B2 (en) | 2017-05-25 | 2017-05-25 | Adaptive power generation management |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108930632A true CN108930632A (zh) | 2018-12-04 |
CN108930632B CN108930632B (zh) | 2020-10-27 |
Family
ID=61616828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810193688.8A Expired - Fee Related CN108930632B (zh) | 2017-05-25 | 2018-03-09 | 适应性发电管理 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10309372B2 (zh) |
EP (1) | EP3406894A1 (zh) |
JP (1) | JP6695370B2 (zh) |
CN (1) | CN108930632B (zh) |
SG (1) | SG10201801978QA (zh) |
TW (1) | TWI678677B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109340062A (zh) * | 2018-12-18 | 2019-02-15 | 国电联合动力技术有限公司 | 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法 |
CN111105050A (zh) * | 2019-12-23 | 2020-05-05 | 远景智能国际私人投资有限公司 | 风机维护计划的生成方法、装置、设备及存储介质 |
CN111541640A (zh) * | 2018-12-28 | 2020-08-14 | 卡巴斯基实验室股份公司 | 在具有确定特性的网络物理***中检测异常的***和方法 |
CN112198836A (zh) * | 2019-07-08 | 2021-01-08 | 发那科株式会社 | 控制装置和判定装置 |
CN113168138A (zh) * | 2018-12-10 | 2021-07-23 | 西门子歌美飒可再生能源服务股份有限公司 | 用于将风力涡轮机的控制器参数化和/或运行风力涡轮机的方法和*** |
CN113202700A (zh) * | 2020-01-30 | 2021-08-03 | 霍尼韦尔国际公司 | 用于基于模型的风力涡轮机诊断的***和方法 |
CN113874626A (zh) * | 2019-03-22 | 2021-12-31 | 通用电气公司 | 用于评估和验证风力涡轮和风场性能的***及方法 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210334914A1 (en) * | 2017-02-07 | 2021-10-28 | Foresight Energy Ltd | System and method for determining power production in an electrical power grid |
TWI623890B (zh) * | 2017-07-04 | 2018-05-11 | 台灣電力股份有限公司 | 由多個類神經網路組成的發電量預測系統與其方法 |
US11725625B2 (en) | 2018-07-31 | 2023-08-15 | Alliance For Sustainable Energy, Llc | Distributed reinforcement learning and consensus control of energy systems |
DE102018008700A1 (de) * | 2018-11-06 | 2020-05-07 | Senvion Gmbh | Windpark-Energieparameterwert-Prognose |
CA3128973A1 (en) * | 2019-03-04 | 2020-09-10 | Bhaskar Bhattacharyya | Data compression and communication using machine learning |
CN111765052B (zh) * | 2019-04-01 | 2022-07-15 | 北京金风科创风电设备有限公司 | 风力发电机组的风速修正方法、装置、***及存储介质 |
EP3719737A1 (de) * | 2019-04-03 | 2020-10-07 | Siemens Aktiengesellschaft | Computergestütztes energiemanagementverfahren und energiemanagementsystem |
EP3744973B1 (en) * | 2019-05-31 | 2023-10-04 | Vestas Wind Systems A/S | Controlling flap loading on a wind turbine blade based on predicted flap loading |
JP7353804B2 (ja) * | 2019-06-04 | 2023-10-02 | メタウォーター株式会社 | モデル予測制御システム、情報処理装置、プログラム、及びモデル予測制御方法 |
EP3792483A1 (en) * | 2019-09-16 | 2021-03-17 | Siemens Gamesa Renewable Energy A/S | Wind turbine control based on reinforcement learning |
WO2021063460A1 (en) * | 2019-09-30 | 2021-04-08 | Vestas Wind Systems A/S | A method for controlling boosted power output of a power generating unit |
US20240077058A1 (en) * | 2019-10-09 | 2024-03-07 | Vestas Wind Systems A/S | Waking a wind turbine from a sleep state |
JP7204629B2 (ja) * | 2019-10-24 | 2023-01-16 | 株式会社東芝 | 監視制御システム、監視制御方法、および監視制御プログラム |
EP3839250A1 (en) * | 2019-12-16 | 2021-06-23 | Siemens Gamesa Renewable Energy A/S | Method and an apparatus for computer-implemented monitoring of a wind turbine |
US11428212B2 (en) * | 2020-02-11 | 2022-08-30 | Inventus Holdings, Llc | Wind turbine drivetrain wear detection using azimuth variation clustering |
CN112613632B (zh) * | 2020-03-31 | 2024-07-02 | 北京金风慧能技术有限公司 | 功率预测模型建立方法、预测方法、装置及电子设备 |
CN111664061B (zh) * | 2020-06-15 | 2021-12-17 | 三一重能有限公司 | 风力发电机组中偏航***的故障诊断方法及装置 |
CN112761896B (zh) * | 2020-09-24 | 2024-05-14 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
JP7512882B2 (ja) | 2020-12-22 | 2024-07-09 | 株式会社Ihi | 情報提供装置、バイナリ発電装置、およびエネルギシステム |
KR102309596B1 (ko) * | 2020-12-29 | 2021-10-06 | 포항공과대학교 산학협력단 | 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법 |
CN113554280B (zh) * | 2021-06-30 | 2023-06-16 | 北京百度网讯科技有限公司 | 电网***调度模型的训练方法、装置、设备和存储介质 |
KR102644417B1 (ko) * | 2021-11-02 | 2024-03-07 | 한국에너지기술연구원 | 해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법 |
CN114139791A (zh) * | 2021-11-24 | 2022-03-04 | 北京华能新锐控制技术有限公司 | 风力发电机组功率预测方法、***、终端及存储介质 |
US11891980B2 (en) | 2022-02-08 | 2024-02-06 | Flower Turbines, Inc. | Coordinating blade orientation to optimize cluster power output |
WO2023201214A2 (en) * | 2022-04-12 | 2023-10-19 | Mark Daniel Farb | Systems and methods for operating a cluster of fluid turbines |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634722A (zh) * | 2008-07-22 | 2010-01-27 | 西门子公司 | 预测风资源的方法和装置 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测*** |
CN103410660A (zh) * | 2013-05-14 | 2013-11-27 | 湖南工业大学 | 基于支持向量机的风力发电变桨距自学习控制方法 |
CN104021424A (zh) * | 2013-02-28 | 2014-09-03 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
CN104995813A (zh) * | 2014-06-27 | 2015-10-21 | Abb技术有限公司 | 在风力发电***中确定用于储能***的输出功率参考值的方法和设备 |
CN106351793A (zh) * | 2015-07-17 | 2017-01-25 | 通用电气公司 | 用于改进风力发电的***和方法 |
CN107194507A (zh) * | 2017-05-17 | 2017-09-22 | 华北电力大学(保定) | 一种基于组合支持向量机的风电场短期风速预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8620634B2 (en) | 2009-07-24 | 2013-12-31 | Honeywell International Inc. | Energy resource allocation including renewable energy sources |
TWI540533B (zh) * | 2015-03-18 | 2016-07-01 | 聖約翰科技大學 | 智慧型短期電力發電量預測方法 |
-
2017
- 2017-05-25 US US15/605,184 patent/US10309372B2/en active Active
-
2018
- 2018-02-26 JP JP2018031565A patent/JP6695370B2/ja not_active Expired - Fee Related
- 2018-03-08 EP EP18160744.1A patent/EP3406894A1/en not_active Withdrawn
- 2018-03-09 SG SG10201801978QA patent/SG10201801978QA/en unknown
- 2018-03-09 TW TW107108063A patent/TWI678677B/zh not_active IP Right Cessation
- 2018-03-09 CN CN201810193688.8A patent/CN108930632B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634722A (zh) * | 2008-07-22 | 2010-01-27 | 西门子公司 | 预测风资源的方法和装置 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测*** |
CN104021424A (zh) * | 2013-02-28 | 2014-09-03 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
CN103410660A (zh) * | 2013-05-14 | 2013-11-27 | 湖南工业大学 | 基于支持向量机的风力发电变桨距自学习控制方法 |
CN104995813A (zh) * | 2014-06-27 | 2015-10-21 | Abb技术有限公司 | 在风力发电***中确定用于储能***的输出功率参考值的方法和设备 |
CN106351793A (zh) * | 2015-07-17 | 2017-01-25 | 通用电气公司 | 用于改进风力发电的***和方法 |
CN107194507A (zh) * | 2017-05-17 | 2017-09-22 | 华北电力大学(保定) | 一种基于组合支持向量机的风电场短期风速预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113168138A (zh) * | 2018-12-10 | 2021-07-23 | 西门子歌美飒可再生能源服务股份有限公司 | 用于将风力涡轮机的控制器参数化和/或运行风力涡轮机的方法和*** |
CN109340062A (zh) * | 2018-12-18 | 2019-02-15 | 国电联合动力技术有限公司 | 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法 |
CN111541640A (zh) * | 2018-12-28 | 2020-08-14 | 卡巴斯基实验室股份公司 | 在具有确定特性的网络物理***中检测异常的***和方法 |
CN113874626A (zh) * | 2019-03-22 | 2021-12-31 | 通用电气公司 | 用于评估和验证风力涡轮和风场性能的***及方法 |
CN112198836A (zh) * | 2019-07-08 | 2021-01-08 | 发那科株式会社 | 控制装置和判定装置 |
CN111105050A (zh) * | 2019-12-23 | 2020-05-05 | 远景智能国际私人投资有限公司 | 风机维护计划的生成方法、装置、设备及存储介质 |
CN111105050B (zh) * | 2019-12-23 | 2023-09-29 | 远景智能国际私人投资有限公司 | 风机维护计划的生成方法、装置、设备及存储介质 |
CN113202700A (zh) * | 2020-01-30 | 2021-08-03 | 霍尼韦尔国际公司 | 用于基于模型的风力涡轮机诊断的***和方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180340515A1 (en) | 2018-11-29 |
TWI678677B (zh) | 2019-12-01 |
SG10201801978QA (en) | 2018-12-28 |
US10309372B2 (en) | 2019-06-04 |
JP2018200043A (ja) | 2018-12-20 |
EP3406894A1 (en) | 2018-11-28 |
CN108930632B (zh) | 2020-10-27 |
JP6695370B2 (ja) | 2020-05-20 |
TW201901590A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108930632A (zh) | 适应性发电管理 | |
Wu et al. | Probabilistic wind-power forecasting using weather ensemble models | |
Mangalova et al. | Wind power forecasting using the k-nearest neighbors algorithm | |
Foley et al. | Current methods and advances in forecasting of wind power generation | |
US20200063710A1 (en) | System and methods for hyper short-term wind power prediction using real-time wind parameter measurements | |
Malik et al. | A review on ANN based model for solar radiation and wind speed prediction with real-time data | |
US8606418B1 (en) | Wind prediction for wind farms through the use of weather radar | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
Ezzat | Turbine-specific short-term wind speed forecasting considering within-farm wind field dependencies and fluctuations | |
Labati et al. | A decision support system for wind power production | |
Torres et al. | Deep learning to predict the generation of a wind farm | |
Rafique et al. | Renewable generation (wind/solar) and load modeling through modified fuzzy prediction interval | |
Basu et al. | Sensor-based predictive modeling for smart lighting in grid-integrated buildings | |
Eren et al. | A comprehensive review on deep learning approaches for short-term load forecasting | |
Guo et al. | Real-time self-dispatch of a remote wind-storage integrated power plant without predictions: Explicit policy and performance guarantee | |
Vaccaro et al. | Robust optimization and affine arithmetic for microgrid scheduling under uncertainty | |
Liu et al. | Data-driven two-step day-ahead electricity price forecasting considering price spikes | |
Bottieau et al. | Leveraging provision of frequency regulation services from wind generation by improving day-ahead predictions using LSTM neural networks | |
Feng et al. | Advanced machine learning applications to modern power systems | |
WO2023035067A1 (en) | Systems and methods for load forecasting for improved forecast results based on tuned weather data | |
Nutakki et al. | Energy consumption forecasting in home energy management system using Deep Learning Techniques | |
Afridi et al. | Machine Learning Applications for Renewable Energy Systems | |
Dittner et al. | Advances in wind power forecasting | |
Obiora et al. | Using the Multilayer Perceptron (MLP) Model in Predicting the Patterns of Solar Irradiance at Several Time Intervals | |
US20240170986A1 (en) | Virtual peaker power plant |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201027 |