CN110874665A - 用于风力发电机组的控制装置和方法 - Google Patents
用于风力发电机组的控制装置和方法 Download PDFInfo
- Publication number
- CN110874665A CN110874665A CN201811012110.4A CN201811012110A CN110874665A CN 110874665 A CN110874665 A CN 110874665A CN 201811012110 A CN201811012110 A CN 201811012110A CN 110874665 A CN110874665 A CN 110874665A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- temperature
- value
- historical operating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011217 control strategy Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000010200 validation analysis Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005406 washing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 239000004519 grease Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
提供了一种用于风力发电机组的控制装置和方法。所述装置包括：数据获取单元，被配置为获取风力发电机组的历史运行数据，其中，所述历史运行数据包括多个样本，每个样本的属性包括：指示风力发电机组的主轴轴承温度的温度属性、指示风力发电机组的输出功率的输出功率属性、指示风力发电机组的环境温度的温度属性、以及指示风力发电机组的运行状态的状态属性；模型创建单元，被配置为使用历史运行数据创建预测模型；预测单元，被配置为基于所创建的预测模型，使用采集到的风力发电机组的当前运行数据对风力发电机组的状态进行预测，并基于预测结果来确定相应的控制策略。
Description
技术领域
本申请总体涉及风电领域，更具体地讲，涉及一种用于风力发电机组的控制装置和方法。
背景技术
在风力发电机组的运转过程中，风力发电机组需要对主轴轴承和发电机的温度进行实时的监测，以确保主轴轴承和发电机处于设计温度范围之内，这样才可以确保风力发电机组在满足机组寿命的前提下的健康运行。
在现有技术中，通常是对发电机温度进行监控并采用发电机温度和温升来控制风力发电机组是否运行，从而确保主轴轴承和发电机始终处于设计温度范围之内，而忽略了对由于处于密闭环境导致散热条件更恶劣的主轴轴承的温度监控，这往往会导致主轴轴承温度较高，使得风力发电机组寿命达不到设计预期目标，也间接导致了风力发电机组后期的潜在维护成本偏高，影响风电场的收益。
此外，即使有些风力发电机组对主轴轴承温度进行了监测，也只是单一地基于温度传感器采集到的数据进行停机操作，而没有综合考虑地域、环境温度、风力发电机组的输出功率对停机的影响，也没有考虑主轴轴承不同部位的温度对停机的影响。
另一方面，传统停机方案是在检测到温度过高时进行停机操作。然而，由于风电厂所处的环境大多较为恶劣，经常受到极端天气的影响，所处位置也较为偏远，导致停机往往会持续很长时间，这直接影响到业主的经济效益。
发明内容
为了至少解决现有技术中的上述问题，本申请提供了一种用于风力发电机组的控制装置和方法，该方法能够通过对风力发电机组以往的历史运行数据的分析和学习，基于风力发电机组的当前运行状态来对风力发电机组的状态进行预测并制定相应的控制策略，由此能够减少停机时间，提高风电厂的经济收益。
根据本发明的示例性实施例，提供一种用于风力发电机组的控制装置，所述装置包括：数据获取单元，被配置为获取风力发电机组的历史运行数据，其中，所述历史运行数据包括多个样本，并且每个样本的属性包括：指示风力发电机组的主轴轴承温度的温度属性、指示风力发电机组的输出功率的输出功率属性、指示风力发电机组的环境温度的温度属性以及指示风力发电机组的运行状态的状态属性；模型创建单元，被配置为使用历史运行数据创建预测模型；以及预测单元，被配置为基于所创建的预测模型，使用采集到的风力发电机组的当前运行数据对风力发电机组的状态进行预测，并基于预测结果来确定相应的控制策略。
可选地，指示风力发电机组的主轴轴承温度的温度属性可包括以下温度属性中的至少一个：指示风力发电机组的前端轴承内圈温度的第一温度属性、指示风力发电机组的前端轴承外圈温度的第二温度属性、指示风力发电机组的后端轴承内圈温度的第三温度属性、指示风力发电机组的后端轴承外圈温度的第四温度属性以及指示主轴轴承上的油脂温度的第五温度属性。
可选地，所述装置还可包括：数据预处理单元，被配置为对数据获取单元获取的历史运行数据进行预处理，并且模型创建单元可使用经过预处理的历史运行数据创建预测模型。所述数据预处理单元可包括：数据清洗模块，被配置为对获取的历史运行数据进行数据清洗处理以剔除历史运行数据的样本中的奇异项；数据序列化模块，被配置为对经过数据清洗处理的的历史运行数据进行序列化，以获取对应的M×N维的矩阵，其中，M表示历史运行数据的样本的总数，N表示历史运行数据的每个样本的属性的数量；数据归一化模块，被配置为对所述M×N维的矩阵中的与每个属性的相关的数据值进行归一化处理。
可选地，数据清洗模块可通过以下操作对历史运行数据进行清洗：针对历史运行数据的样本的温度属性之中的特定温度属性，确定历史运行数据中的第t个样本的所述特定温度属性的样本值与期望值之差是否大于第一预定阈值；如果所述差大于第一预定阈值，则确定该样本值为奇异项并用所述期望值替代所述样本值作为所述第t个样本的所述特定温度属性的数据值，如果所述差不大于第一预定阈值，则将所述样本值确定为所述第t个样本的所述特定温度属性的数据值，其中，所述第t个样本的所述特定温度属性的期望值是基于第(t-1)个样本的所述特定温度属性的数据值和第(t-2)个样本的所述特定温度属性的数据值确定的，并且3≤t≤M。
可选地，如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第一预定数量，则数据清洗模块还可被配置为：确定被连续确定为奇异项的多个样本之后的特定样本的所述特定温度属性的样本值与期望值之差是否大于第一预定阈值且小于第二预定阈值，如果所述特定样本的所述特定温度属性的样本值与期望值之差大于第一预定阈值且小于第二预定阈值，则可将所述特定样本的所述特定温度属性的样本值确定为所述特定样本的所述特定温度属性的数据值，如果所述特定样本的所述特定温度属性的样本值与期望值之差大于或等于第二预定阈值，则可将所述特定样本的所述特定温度属性的期望值确定为所述特定样本的所述特定温度属性的数据值。
可选地，如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第二预定数量，则数据清洗模块还可被配置为：在历史运行数据的样本之中选择新的样本作为数据清洗处理的起始样本，其中，第二预定数量大于第一预定数量。
可选地，如果在所述特定温度属性的样本值与期望值之差大于或等于第二预定阈值的所述特定样本之后找到满足预定条件的另一样本，则数据清洗模块还可被配置为：在历史运行数据的样本之中选择新的样本作为数据清洗处理的起始样本，其中，所述预定条件为：所述另一样本的所述特定温度属性的样本值与期望值之差大于第一预定阈值且小于第二预定阈值。
可选地，模型创建单元可包括：数据集划分模块，被配置为将历史运行数据划分为训练数据集以及验证数据集；模型训练模块，被配置为使用训练数据集创建并训练预测模型，并获取相应的预测模型参数；以及模型优化模块，被配置为基于所创建的预测模型，使用验证数据集对所述相应的预测模型参数进行优化，并将最优预测模型参数确定为所创建的预测模型的预测模型参数，得到最优预测模型。
根据本发明的另一示例性实施例，提供一种用于风力发电机组的控制方法，所述方法包括：获取风力发电机组的历史运行数据，其中，所述历史运行数据包括多个样本，并且每个样本的属性包括：指示风力发电机组的主轴轴承温度的温度属性、指示风力发电机组的输出功率的输出功率属性、指示风力发电机组的环境温度的温度属性以及指示风力发电机组的运行状态的状态属性；使用历史运行数据创建预测模型；以及基于所创建的预测模型，使用采集到的风力发电机组的当前运行数据对风力发电机组的状态进行预测，并基于预测结果来确定相应的控制策略。
可选地，指示风力发电机组的主轴轴承温度的温度属性可包括：指示风力发电机组的前端轴承内圈温度的第一温度属性、指示风力发电机组的前端轴承外圈温度的第二温度属性、指示风力发电机组的后端轴承内圈温度的第三温度属性、指示风力发电机组的后端轴承外圈温度的第四温度属性以及指示主轴轴承上的油脂温度的第五温度属性。
可选地，所述方法还可包括：在创建预测模型之前，对获取的历史运行数据进行预处理，并且创建预测模型的步骤可使用经过预处理的历史运行数据来创建预测模型。对获取的历史运行数据样本进行预处理的步骤可包括：对获取的历史运行数据进行数据清洗处理以剔除历史运行数据的样本中的奇异项；对经过数据清洗处理的的历史运行数据进行序列化，以获取对应的M×N维的矩阵，其中，M表示历史运行数据的样本的总数，N表示历史运行数据的每个样本的属性的数量；对所述M×N维的矩阵中的与每个属性的相关的数据值进行归一化处理。
可选地，对获取的历史运行数据进行数据清洗处理以剔除历史运行数据的样本中的奇异项的步骤可包括：针对历史运行数据的样本的温度属性之中的特定温度属性，确定历史运行数据中的第t个样本的所述特定温度属性的样本值与期望值之差是否大于第一预定阈值；如果所述差大于第一预定阈值，则确定该样本值为奇异项并用所述期望值替代所述样本值作为所述第t个样本的所述特定温度属性的数据值，如果所述差不大于第一预定阈值，则将所述样本值确定为所述第t个样本的所述特定温度属性的数据值，其中，所述第t个样本的所述特定温度属性的期望值是基于第(t-1)个样本的所述特定温度属性的数据值和第(t-2)个样本的所述特定温度属性的数据值确定的，并且3≤t≤M。
可选地，所述方法还可包括：如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第一预定数量，则确定被连续确定为奇异项的多个样本之后的特定样本的所述特定温度属性的样本值与期望值之差是否大于第一预定阈值且小于第二预定阈值，如果所述特定样本的所述特定温度属性的样本值与期望值之差大于第一预定阈值且小于第二预定阈值，则将所述特定样本的所述特定温度属性的样本值确定为所述特定样本的所述特定温度属性的数据值，如果所述特定样本的所述特定温度属性的样本值与期望值之差大于或等于第二预定阈值，则将所述特定样本的所述特定温度属性的期望值确定为所述特定样本的所述特定温度属性的数据值。
可选地，所述方法还可包括：如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第二预定数量，则在历史运行数据的样本之中选择新的样本作为数据清洗处理的起始样本，其中，第二预定数量大于第一预定数量。
可选地，所述方法还可包括：如果在所述特定温度属性的样本值与期望值之差大于或等于第二预定阈值的所述特定样本之后找到满足预定条件的另一样本，则在历史运行数据的样本之中选择新的样本作为数据清洗处理的起始样本，其中，所述预定条件为：所述另一样本的所述特定温度属性的样本值与期望值之差大于第一预定阈值且小于第二预定阈值。
可选地，使用历史运行数据创建预测模型的步骤可包括：将历史运行数据划分为训练数据集以及验证数据集；使用训练数据集创建并训练预测模型，并获取相应的预测模型参数；基于所创建的预测模型，使用验证数据集对所述相应的预测模型参数进行优化，并将最优预测模型参数确定为所创建的预测模型的预测模型参数，得到最优预测模型。
根据本发明的另一示例性实施例，提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序包括用于执行前述控制方法的指令。
根据本发明的另一示例性实施例，提供一种计算机设备，包括存储有计算机程序的可读介质，其特征在于，所述计算机程序包括用于执行前述控制方法的指令。
有益效果
应用如上所述的用于风力发电机组的控制装置和方法，通过采集风力发电机组的主轴轴承的多个位置的温度，能够更准确的监测风力发电机组的运行状况，并且有利于更准确地预测风力发电机组之后的运行状态并制定相应的控制策略，由此能够在达到风力发电机组的停机温度之前即通过降功率运行等方式来实现对风力发电机组的温度控制，并且还能够有效预测可能出现的各种故障，从而有效减少停机时间，减少风力发电机组的损耗，提高风力发电效益。
将在接下来的描述中部分阐述本发明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，或者可以经过本发明总体构思的实施而得知。
附图说明
下面将参照附图描述示例性实施例的以上和/或其它方面，其中：
图1是示出根据本发明的示例性实施例的用于风力发电机组的控制装置的框图。
图2是示出根据本发明的示例性实施例的数据预处理单元的示图。
图3A是示出根据本发明的示例性实施例的用于风力发电机组的控制装置的模型创建单元的框图。
图3B是示出根据本发明的示例性实施例的用于风力发电机组的控制装置的模型创建单元的操作的示意图。
图4是示出根据本发明的示例性实施例的用于风力发电机组的控制方法的流程图。
在下文中，将结合附图详细描述本发明，贯穿附图，相同或相似的元件将用相同或相似的标号来指示。
具体实施方式
提供以下参照附图进行的描述，以帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。所述描述包括各种特定细节以帮助理解，但这些细节被认为仅是示例性的。因此，本领域的普通技术人员将认识到：在不脱离本发明的范围和精神的情况下，可对这里描述的实施例进行各种改变和修改。此外，为了清楚和简明，可省略已知功能和构造的描述。
图1是示出根据本发明的示例性实施例的用于风力发电机组的控制装置100的框图。
参照图1，根据本发明的示例性实施例的控制装置100可包括数据获取单元110、模型创建单元120以及预测单元130。
所述数据获取单元110可用来获取风力发电机组的历史运行数据。在本发明的示例性实施例中，所述历史运行数据可包括多个样本，并且每个样本可包括多个属性。
例如，在风力发电机组中，主轴轴承是连接发电机和底座的旋转部件，在不同风力发电机组上可能有一个、两个甚至是更多个，其承受的载荷较大，并且当风力发电机组的工作环境恶劣时，会是风力发电机组机组运行时最为薄弱的环节，此外，环境温度对电器元件的性能也会产生巨大影响。因此，在本发明的示例性实施例中，样本的属性可包括：指示风力发电机组的主轴轴承温度的温度属性、指示风力发电机组的输出功率的输出功率属性、指示风力发电机组的环境温度的温度属性以及指示风力发电机组的运行状态的状态属性。这里，风力发电机组的运行状态可包括例如正常运行状态、故障状态(其对应的控制策略可以是停机)和临界状态(即，温度即将接近出现故障的临界温度，其对应的策略可以是降功率运行)。然而，应该理解，本发明不限于此，可根据所需的风力发电机组的控制策略而设置更多或更少的状态。
在本发明的示例性实施例中，所述指示风力发电机组的主轴轴承温度的温度属性可包括以下温度属性中的一个或更多个：例如，指示风力发电机组的前端轴承内圈温度的第一温度属性、指示风力发电机组的前端轴承外圈温度的第二温度属性、指示风力发电机组的后端轴承内圈温度的第三温度属性、指示风力发电机组的后端轴承外圈温度的第四温度属性以及指示主轴轴承上的油脂温度的第五温度属性。
此外，还应该理解，还可根据实际情况为每个样本设置更多的属性。
所述模型创建单元120可使用历史运行数据创建预测模型。
这里，如果数据获取单元110所获取的历史运行数据是可被模型创建单元120直接使用的形式，则模型创建单元120可直接使用数据获取单元110所获取的历史运行数据来创建预测模型。
优选地，如果数据获取单元110所获取的历史运行数据难以被模型创建单元120直接使用，或者为了使模型创建单元120利用历史运行数据所创建的预测模型的预测效果更好，还可在将直接获取的历史运行数据提供给模型创建单元120之前对历史运行数据进行一些数据预处理操作。仅作为示例，在本发明的示例性实施例中，尽管在图1中没有示出，所述控制装置100还可包括数据预处理单元，所述数据预处理单元可被配置为对数据获取单元获取的历史运行数据进行预处理，使得所述模型创建单元120可使用经过预处理的历史运行数据来创建预测模型，以获得预测效果更好的预测模型。然而，应该理解，所述数据预处理单元也可被包括在数据获取单元110中作为数据获取单元110的一部分。
以下将参照图2对数据预处理单元对历史运行数据进行预处理的过程进行更详细的描述。
图2是示出根据本发明的示例性实施例的数据预处理单元200的框图。
如图2所示，数据预处理单元200可包括：数据清洗模块210、数据序列化模块220以及数据归一化模块230。
数据清洗模块210可用来对获取的历史运行数据进行数据清洗处理以剔除历史运行数据的样本中的奇异项。
在本发明的示例性实施例中，所述奇异项是指由于风力发电机组在运行时因所处环境较为极端而偶然受到强干扰时产生的具有明显错误的样本数据，奇异项的存在对于历史运行数据的样本结构会有重要影响，甚至可能导致预测模型不收敛而使得模型建立失败。因此，奇异项的剔除有利于提高模型的预测效果。
在本发明的示例性实施例中，数据清洗模块210可利用样本的温度属性来剔除奇异项，这是因为温度属于缓慢变化的物理量，不可能出现突变，也即，如果当前样本与前一样本的同一温度属性的温度之差远大于给定的阈值，则可认为当前样本的该温度属性的温度数值为奇异项，应予以剔除，并可按照预设差值方案补入相应的数据值作为当前样本的该温度属性的数据值。在本发明的示例性实施例中，如果每个样本包括多个温度属性，则可分别针对每个温度属性来对历史运行数据的样本进行数据清洗处理。以下将对这一过程进行详细描述。
假设历史运行数据中的第t个样本的温度属性之中的特定温度属性的样本值为xt，期望值xt’＝Xt-1+(Xt-1-Xt-2)，其中，3≤t≤M，M表示历史运行数据的样本的总数，Xt-1是指历史运行数据中的第t-1个样本的所述特定温度属性的数据值，Xt-2是指历史运行数据中的第t-2个样本的所述特定温度属性的数据值。这里所提到的第t个样本、第t-1个样本和第t-2个样本是按照时间顺序分别在第t个采样时刻、第t-1个采样时刻以及第t-2个采样时刻所采集的样本。此外，在本发明的示例性实施例中，可将数据清洗处理中所选起始样本和起始样本之后的一个样本的所述特定温度属性的样本值默认确定为其对应的数据值来进行对后续样本的数据清洗处理。
首先，数据清洗模块210可确定所述第t个样本的所述特定温度属性的样本值xt与期望值xt’之差|xt-xt’|是否大于第一预定阈值W1。如果所述差|xt-xt’|＞W1，则可确定所述样本值xt为奇异项，此时，数据清洗模块210可使用期望值xt’代替所述样本值xt作为所述第t个样本的所述特定温度属性的数据值Xt，即，使得所述第t个样本的所述特定温度属性的数据值Xt＝xt’。反之，如果所述差|xt-xt’|≤W1，则数据清洗模块210可确定所述样本值xt不为奇异项，此时，数据清洗模块210可将所述样本值xt直接确定为所述第t个样本的所述特定温度属性的数据值Xt，即，使得所述第t个样本的所述特定温度属性的数据值Xt＝xt。
然而，如果针对所述特定温度属性，连续检测出多个奇异项，这可能意味着数据清洗处理中所选的初始样本的该特定温度属性的样本值可能本身就是奇异项，或者在数据清洗处理中出现计算偏差，导致在对后续样本的数据清洗处理中会产生错误的期望值，从而判定出连续的奇异项。对此，在本发明的示例性实施例中，如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第一预定数量K，则数据清洗模块210可确定被连续确定为具有奇异项的多个样本之后的样本的所述特定温度属性的样本值与期望值之差是否大于第一预定阈值W1且小于第二预定阈值W2。在本发明的示例性实施例中，所述第一预定阈值W1和第二预定阈值W2可由用户根据实验、经验或其它条件设置，例如，可设置W1＝0.5，并设置W2＝2×W1。
这里，假设在第i个样本(其中，3≤i≤M)之前已有K个连续的样本的上述特定温度属性的样本值被确定为是奇异项，其样本值为xi，期望值为xi’。此时，可确定是否满足W2＞|xi-xi’|＞W1。如果满足W2＞|xi-xi’|＞W1，则数据清洗模块210可不剔除该样本的所述特定温度属性的样本值xi，而是将所述第i个样本的所述特定温度属性的样本值xi直接确定为所述第i个样本的所述特定温度属性的数据值Xi。
然而，如果|xi-xi’|≥W2，则数据清洗模块210可将该样本的所述特定温度属性的样本值xi确定为奇异项，然后将所述第i个样本的所述特定温度属性的期望值xi’确定为所述第i个样本的所述特定温度属性的数据值Xi。在这种情况下，如果在满足|xi-xi’|≥W2的第i个样本之后再次找到另一样本(例如，第j个样本)满足W2＞|xj-xj’|≥W1(xj和xj’分别为所述第j个样本的样本值和期望值)，则数据清洗模块210可在历史运行数据的样本之中自动选择新的样本作为起始样本进行数据清洗处理，这里，所述新的样本可以是所述另一样本或所述另一样本之后的样本。
可选地，如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第二预定数量L(L＞K)，则数据清洗模块210也可直接自动选择新的样本作为起始样本进行数据清洗处理，这里，所述新的样本可以是所述被连续确定为具有奇异项的多个样本之后的样本。
在完成数据清洗处理之后，数据序列化模块220可对经过数据清洗处理的历史运行数据进行序列化，以获取对应的M×N维的矩阵，其中，N表示历史运行数据的每个样本的属性的数量。
仅作为示例，每个样本可包括以下7个属性：风力发电机组的环境温度、前端轴承内圈温度、前端轴承外圈温度、后端轴承外圈温度、后端轴承外圈温度、输出功率以及风力发电机组的运行状态。
此外，在本发明的示例性实施例中，在对历史运行数据进行序列化的过程中，可分别对历史运行数据的每个样本的数据进行编码，
可选地，在本发明的示例性实施例中，由于各个属性的量纲不一致，同时存在量级上的差别，因此，数据归一化模块230可对所述M×N维的矩阵中的与每个属性的相关的数据值进行归一化处理，归一化处理公式如下：
在等式(1)中，Xi表示第i样本的某个属性的数据值，Xmax和Xmin分别表示所述M×N维的矩阵中的与该属性相关的数据值之中的最大值和最小值。
通过上述归一化处理，可得到以下矩阵形式的数据集：
M表示样本的数量，N表示每个样本的属性的数量，Xij表示第i个样本的第j个属性的值，其中，1≤i≤M，1≤j≤N，并且i和j均为整数。上述数据集可被模型创建单元120用来创建预测模型，将在下面结合图3对此进行详细说明。然而，应该理解，以上所描述的数据预处理的方式以及数据集的表达方式仅是为了便于理解而列举的示例，本发明不限于此，还可根据需求对数据获取单元110获取的历史运行数据进行更多或更少的数据预处理操作，并且也可根据之后的预测模型创建方法而使用不同的数据集表达形式。
图3A是示出根据本发明的示例性实施例的用于风力发电机组的控制装置100的模型创建单元120的框图。图3B是示出根据本发明的示例性实施例的用于风力发电机组的控制装置100的模型创建单元120的操作的示意图。在图3B示出的示图中，实线箭头所指示的流程与预测模型的创建和训练过程相关，虚线箭头所指示的流程与预测模型的验证过程相关。
如图3A所示，模型创建单元120可包括模型训练模块121、模型优化模块122以及数据集划分模块123。
数据集划分模块123可将接收到的历史运行数据的样本划分为训练数据集以及验证数据集，例如，数据集划分模块123可将接收到的历史运行数据的样本中的一部分样本划分为训练数据集，并将其余部分的样本划分为训练数据集，两者的比例可根据需求来设置。
模型训练模块121可使用所述训练数据集创建并训练预测模型，并获取相应的预测模型参数，模型优化模块122可基于所创建的预测模型，使用验证数据集对所述相应的预测模型参数进行优化，并将最优预测模型参数确定为所创建的预测模型的预测模型参数，得到最优预测模型。
仅作为示例，例如，当使用经过预处理的历史运行数据来创建预测模型时，可将例如以等式(2)所示出的矩阵形式的数据集划分为如下两个数据集：
其中，数据集X(1)中的P行数据可以是从等式(2)所示出的矩阵形式的数据集X中的M行数据中任意选择的P行数据(即，P个样本的数据)，而不必是连续的P行数据。数据集X(2)中的(M-P)行数据是数据集X的M行数据中除去所述P行数据之后剩余的(M-P)行数据(即，(M-P)个样本的数据)。以上两个数据集X(1)和数据集X(2)可分别用作训练数据集和验证数据集，并且这两个数据集的大小可任意确定，例如，可按照7:3将数据集X划分为训练数据集和验证数据集。
此外，应该理解，尽管在以上说明中数据集X被划分为两个部分，即，数据集X(1)和数据集X(2)，但本发明不限于此，也可仅从数据集X中选择任意数量的行分别构成数据集X(1)和数据集X(2)。
在本发明的示例性实施例中，模型训练模块121可基于支持向量机(SVM)算法通过使用训练数据集对SVM算法的特征参数进行训练来创建预测模型，并获取相应的预测模型参数。训练数据集中的每行数据可表示一条训练样本向量，预测模型可表示为以下等式(3)：
f(X)＝ωTφ(X)+b……(3)
其中，X为输入的训练样本向量，ω为预测模型的权重向量参数，ωT是ω的转置，φ(X)是从输入空间到特征空间的非线性特征映射，每条训练样本向量在所述特征空间中可表示为一个对应的点，b是残差项。
应该理解，这里，SVM算法仅是用于创建预测模型的算法的一种示例，本发明不限于此，还可使用各种其他算法来创建预测模型，例如，神经网络算法、机器学习算法等。
在上式(3)引入拉格朗日乘子后，基于SVM的预测模型可进一步表示为：
其中，核函数K采用高斯径向基核函数形式，即：
其中，Xi为输入的训练样本向量，σ为核函数参数，λi为与K(X,Xi)相应的权重。
模型训练模块121可使用训练数据集对以上等式(4)表示的预测模型进行训练，获得相应的预测模型参数σ以及C，其中，C是针对该模型的误差惩罚因子，表示预测模型对预测误差的宽容度。在本发明的示例性实施例中，参数C是用来权衡模型损失和模型的分类间隔的权重，其初始值可以是依据模型生成工具(例如，matlab)的需要通过人为选取的，并且可在预测模型的建立、训练以及后续的验证过程中通过使用样本进行训练或验证被不断优化。以下将对此进行进一步的描述。
模型优化模块122可使用验证数据集来验证预测模型的预测效果，并基于预测效果对模型训练中的可变参数(例如，σ以及C)进行调整和优化，将实现最佳预测效果的该可变参数确定为所述预测模型的最终参数，由此获得最优预测模型，以下将对该过程进行更详细的描述。
如图3B所示，在验证过程中，模型优化模块122可基于验证数据集设置期望结果和输入数据。例如，模型优化模块122可将验证数据集中的第t个样本的数据作为输入数据输入到预测模型，预测第t+1个样本的数据。之后，模型优化模块122可将关于输入数据的预测结果(即，预测出的第t+1个样本的数据)与期望结果(即，验证数据集中的第t+1个样本的实际数据)进行比较。
仅作为示例，在本发明的示例性实施例中，模型优化模块122可将第t个样本的与风力发电机组的环境温度、前端轴承内圈温度、前端轴承外圈温度、后端轴承外圈温度、后端轴承外圈温度、输出功率以及风力发电机组的运行状态等属性相关的数据作为输入数据输入到预测模型，预测第t+1个样本的与风力发电机组的环境温度、前端轴承内圈温度、前端轴承外圈温度、后端轴承外圈温度、后端轴承外圈温度、输出功率以及风力发电机组的运行状态等属性相关的数据，然后将预测出的第t+1个样本的与上述属性相关的数据分别与验证数据集中的第t+1个样本的对应属性的数据进行比较。
如果针对整个验证数据集中的多个样本，预测结果和期望结果的命中率大于预定阈值(即，针对验证数据集中的多个样本，预测结果与期望结果一致的样本数量占验证数据集中的样本总数的比率超过所述预定阈值)，则可确定该预测模型为最优预测模型并且其预测模型参数为最优预测模型参数。
如果针对整个验证数据集中的多个样本，预测结果和期望结果的命中率不大于所述预定阈值(即，针对验证数据集中的多个样本，预测结果与期望结果相同的样本数量占验证数据集中的样本总数的比率不超过所述预定阈值)，则模型优化模块122可调整模型训练中的能够被调整的可变预测模型参数，然后使用验证数据集来再次验证具有经过调整的可变预测模型参数的预测模型，重复上述处理，直至使用验证数据集验证预测模型时所得的预测结果和期望结果的命中率大于所述预定阈值为止。在本发明的示例性实施例中，所述预定阈值可以是用户根据需求而任意设置的阈值，例如，99％。
仅作为示例，模型优化模块122可使用验证数据集来优化前述预测模型参数σ以及C。
具体来说，可首先设置预测模型参数σ以及C的范围。参数C是针对预测模型的误差惩罚因子，表示预测模型对预测误差的宽容度，C越高说明越不能容忍出现误差，容易导致过拟合，C越小则容易欠拟合，C过大或过小都会使泛化能力变差，进而导致预测准确率的下降。σ是高斯核函数，该参数隐含地决定了数据映射到新的特征空间后的分布，σ越小，支持向量越少，对于未知样本(验证数据集)的分类效果很差，由此可能出现训练数据集准确率很高，但验证数据集准确率不高的可能(即，过训练)，而σ越大，支持向量越多，在这种情况下可能无法在训练数据集上得到特别高的准确率，进而影响验证数据集的准确率，除此之外，支持向量的个数还可能影响训练与预测的速度。因此，在本发明的示例性实施例中，可根据经验来设置预测模型参数σ以及C的范围，例如，可根据经验将C的范围设置为0.0001到10000，并且设置σ的值从下面序列选择：0.1、0.2、0.4、0.5、0.6、0.8、1.6、3.2、6.4、12.8。
模型优化模块122可利用验证数据集得到针对σ和C的不同参数值组合的预测准确率(即，命中率)，比较得到的预测准确率，从而将预测准确率最高的一组σ和C的参数取值确定为最优预测模型参数。
可选地，如果存在σ和C的多组参数值组合对应于同一最高预测准确率，则模型优化模块122可将所述多组参数值组合之中具有最小的C的那一组参数值组合中的σ和C的参数取值确定为最优预测模型参数。
之后，预测单元130可基于模型创建单元120所创建的预测模型(例如，使用上述方式获得的具有最优预测模型参数的最优预测模型)，使用采集到的风力发电机组的当前运行数据(例如，风力发电机组的主轴轴承温度(包括前端轴承内圈温度、前端轴承外圈温度、后端轴承内圈温度、后端轴承外圈温度、环境温度、输出功率、运行状态等)对风力发电机组的状态进行预测，并基于预测结果来确定相应的控制策略，例如，是否需要使风力发电机组降功率运行、是否需要停机检修等。
仅作为示例，预测单元130可将从模型创建单元120获得的预测模型的预测模型参数加入到TCwind库中，利用该库对风力发电机组进行实时分析，从而可确定相应的控制策略(例如，是否需要使风力发电机组降功率运行、是否需要停机检修)，并向用户通知该确定结果。
图4是示出根据本发明的示例性实施例的用于风力发电机组的功率控制预测方法的流程图。
参照图4，在步骤401，可由控制装置100的数据获取单元110获取风力发电机组的历史运行数据，在本发明的示例性实施例中，所述历史运行数据可包括多个样本，并且每个样本的属性可包括：指示风力发电机组的主轴轴承温度的温度属性、指示风力发电机组的输出功率的输出功率属性、指示风力发电机组的环境温度的温度属性以及指示风力发电机组的运行状态的状态属性。
在本发明的示例性实施例中，指示风力发电机组的主轴轴承温度的温度属性可包括：指示风力发电机组的前端轴承内圈温度的第一温度属性、指示风力发电机组的前端轴承外圈温度的第二温度属性、指示风力发电机组的后端轴承内圈温度的第三温度属性、指示风力发电机组的后端轴承外圈温度的第四温度属性以及指示主轴轴承上的油脂温度的第五温度属性。
之后，在步骤403，可由所述控制装置100的模型创建单元120使用历史运行数据创建预测模型。这里，模型创建单元120所使用的历史运行数据可以是从数据获取单元110直接获得的历史运行数据，或者优选地，也可以是通过图2中示出的数据预处理单元200进行了预处理的历史运行数据，以上已结合图2详细描述了数据预处理单元2000的各项详细操作，因此为了简明，在此将不进行进一步解释。
在本发明的示例性实施例中，可首先通过模型创建单元120的数据集划分单元123将历史运行数据的数据集划分为训练数据集以及验证数据集。然后，模型训练模块121使用训练数据集创建并训练预测模型，并获取相应的预测模型参数，然后通过模型创建单元120的模型优化模块121基于所创建的预测模型，使用验证数据集对所述相应的预测模型参数进行优化，并将最优预测模型参数确定为所创建的预测模型的预测模型参数，得到最优预测模型。
以上已结合图3A和图3B详细描述了模型创建单元120的各项操作，因此为了简明，在此将不进行进一步解释。
之后，在步骤405，可由所述控制装置100的预测单元130基于在步骤403中所创建的预测模型，使用采集到的风力发电机组的当前运行数据对风力发电机组的状态进行预测，并基于预测结果来确定需要的控制策略。
以上已结合图3A和图3B详细描述了预测单元130进行预测的处理，因此为了简明，在此将不进行进一步解释。
应用如上所述的用于风力发电机组的控制装置和方法，通过采集风力发电机组的主轴轴承的多个位置的温度，能够更准确的监测风力发电机组的运行状况，并且有利于更准确地预测风力发电机组之后的运行状态并制定相应的控制策略，由此能够在达到风力发电机组的停机温度之前即通过降功率运行等方式来实现对风力发电机组的温度控制，并且还能够有效预测可能出现的各种故障，从而有效减少停机时间，减少风力发电机组的损耗，提高风力发电效益。
上述方法和/或操作可被记录、存储或固定在一个或多个计算机可读存储介质中，所述计算机可读存储介质包括将由计算机执行的程序指令以使处理器运行或执行所述程序指令。所述介质还可单独包括程序指令、数据文件、数据结构等或数据文件、数据结构等与程序指令的组合。计算机可读存储介质的示例包括磁介质(例如，硬盘、软盘和磁带)、光介质(例如，CD ROM盘和DVD)、磁光介质(例如，光盘)以及专门配置为存储和执行程序指令的硬件装置(例如，只读存储器(ROM)、随机存取存储器(RAM)、闪存等)。程序指令的示例包括(例如，由编译器产生的)机器代码和包含可由计算机使用解释器执行的更高级代码的文件。描述的硬件装置可被配置用作一个或多个软件单元以执行上述操作和方法，反之亦然。此外，计算机可读存储介质可分布在通过网络连接的计算机***中，并且计算机可读代码或程序指令可以以分布方式被存储和执行。
尽管已经参照其示例性实施例具体显示和描述了本发明，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发明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 (18)
1.一种用于风力发电机组的控制装置，其特征在于，所述装置包括：
数据获取单元，被配置为获取风力发电机组的历史运行数据，其中，所述历史运行数据包括多个样本，并且每个样本的属性包括：指示风力发电机组的主轴轴承温度的温度属性、指示风力发电机组的输出功率的输出功率属性、指示风力发电机组的环境温度的温度属性以及指示风力发电机组的运行状态的状态属性；
模型创建单元，被配置为使用历史运行数据创建预测模型；以及
预测单元，被配置为基于所创建的预测模型，使用采集到的风力发电机组的当前运行数据对风力发电机组的状态进行预测，并基于预测结果来确定相应的控制策略。
2.如权利要求1所述的装置，其特征在于，指示风力发电机组的主轴轴承温度的温度属性包括以下温度属性中的至少一个：指示风力发电机组的前端轴承内圈温度的第一温度属性、指示风力发电机组的前端轴承外圈温度的第二温度属性、指示风力发电机组的后端轴承内圈温度的第三温度属性、指示风力发电机组的后端轴承外圈温度的第四温度属性以及指示主轴轴承上的油脂温度的第五温度属性。
3.如权利要求1所述的装置，其特征在于，所述装置还包括：数据预处理单元，被配置为对数据获取单元获取的历史运行数据进行预处理，
并且其中，模型创建单元使用经过预处理的历史运行数据创建预测模型，
其中，所述数据预处理单元包括：
数据清洗模块，被配置为对获取的历史运行数据进行数据清洗处理以剔除历史运行数据的样本中的奇异项；
数据序列化模块，被配置为对经过数据清洗处理的的历史运行数据进行序列化，以获取对应的M×N维的矩阵，其中，M表示历史运行数据的样本的总数，N表示历史运行数据的每个样本的属性的数量；
数据归一化模块，被配置为对所述M×N维的矩阵中的与每个属性的相关的数据值进行归一化处理。
4.如权利要求3所述的装置，其特征在于，数据清洗模块通过以下操作对历史运行数据进行清洗：
针对历史运行数据的样本的温度属性之中的特定温度属性，确定历史运行数据中的第t个样本的所述特定温度属性的样本值与期望值之差是否大于第一预定阈值；
如果所述差大于第一预定阈值，则确定该样本值为奇异项并用所述期望值替代所述样本值作为所述第t个样本的所述特定温度属性的数据值，
如果所述差不大于第一预定阈值，则将所述样本值确定为所述第t个样本的所述特定温度属性的数据值，
其中，所述第t个样本的所述特定温度属性的期望值是基于第(t-1)个样本的所述特定温度属性的数据值和第(t-2)个样本的所述特定温度属性的数据值确定的，并且3≤t≤M。
5.如权利要求4所述的装置，其特征在于，如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第一预定数量，则数据清洗模块还被配置为：
确定被连续确定为奇异项的多个样本之后的特定样本的所述特定温度属性的样本值与期望值之差是否大于第一预定阈值且小于第二预定阈值，
如果所述特定样本的所述特定温度属性的样本值与期望值之差大于第一预定阈值且小于第二预定阈值，则将所述特定样本的所述特定温度属性的样本值确定为所述特定样本的所述特定温度属性的数据值，
如果所述特定样本的所述特定温度属性的样本值与期望值之差大于或等于第二预定阈值，则将所述特定样本的所述特定温度属性的期望值确定为所述特定样本的所述特定温度属性的数据值。
6.如权利要求5所述的装置，其特征在于，如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第二预定数量，则数据清洗模块还被配置为：
在历史运行数据的样本之中选择新的样本作为数据清洗处理的起始样本，
其中，第二预定数量大于第一预定数量。
7.如权利要求5所述的装置，其特征在于，如果在所述特定温度属性的样本值与期望值之差大于或等于第二预定阈值的所述特定样本之后找到满足预定条件的另一样本，则数据清洗模块还被配置为：
在历史运行数据的样本之中选择新的样本作为数据清洗处理的起始样本，
其中，所述预定条件为：所述另一样本的所述特定温度属性的样本值与期望值之差大于第一预定阈值且小于第二预定阈值。
8.如权利要求1-7中任意一项所述的装置，其特征在于，所述模型创建单元包括：
数据集划分模块，被配置为将历史运行数据划分为训练数据集以及验证数据集；
模型训练模块，被配置为使用训练数据集创建并训练预测模型，并获取相应的预测模型参数；以及
模型优化模块，被配置为基于所创建的预测模型，使用验证数据集对所述相应的预测模型参数进行优化，并将最优预测模型参数确定为所创建的预测模型的预测模型参数，得到最优预测模型。
9.一种用于风力发电机组的控制方法，其特征在于，所述方法包括：
获取风力发电机组的历史运行数据，其中，所述历史运行数据包括多个样本，并且每个样本的属性包括：指示风力发电机组的主轴轴承温度的温度属性、指示风力发电机组的输出功率的输出功率属性、指示风力发电机组的环境温度的温度属性以及指示风力发电机组的运行状态的状态属性；
使用历史运行数据创建预测模型；以及
基于所创建的预测模型，使用采集到的风力发电机组的当前运行数据对风力发电机组的状态进行预测，并基于预测结果来确定相应的控制策略。
10.如权利要求9所述的方法，其特征在于，指示风力发电机组的主轴轴承温度的温度属性包括以下温度属性中的至少一个：指示风力发电机组的前端轴承内圈温度的第一温度属性、指示风力发电机组的前端轴承外圈温度的第二温度属性、指示风力发电机组的后端轴承内圈温度的第三温度属性、指示风力发电机组的后端轴承外圈温度的第四温度属性以及指示主轴轴承上的油脂温度的第五温度属性。
11.如权利要求9所述的方法，其特征在于，所述方法还包括：
在创建预测模型之前，对获取的历史运行数据进行预处理，
并且其中，创建预测模型的步骤包括：使用经过预处理的历史运行数据来创建预测模型，
其中，对获取的历史运行数据进行预处理的步骤包括：
对获取的历史运行数据进行数据清洗处理以剔除历史运行数据的样本中的奇异项；
对经过数据清洗处理的的历史运行数据进行序列化，以获取对应的M×N维的矩阵，其中，M表示历史运行数据的样本的总数，N表示历史运行数据的每个样本的属性的数量；
对所述M×N维的矩阵中的与每个属性的相关的数据值进行归一化处理。
12.如权利要求11所述的方法，其特征在于，对获取的历史运行数据进行数据清洗处理以剔除历史运行数据的样本中的奇异项的步骤包括：
针对历史运行数据的样本的温度属性之中的特定温度属性，确定历史运行数据中的第t个样本的所述特定温度属性的样本值与期望值之差是否大于第一预定阈值；
如果所述差大于第一预定阈值，则确定该样本值为奇异项并用所述期望值替代所述样本值作为所述第t个样本的所述特定温度属性的数据值，
如果所述差不大于第一预定阈值，则将所述样本值确定为所述第t个样本的所述特定温度属性的数据值，
其中，所述第t个样本的所述特定温度属性的期望值是基于第(t-1)个样本的所述特定温度属性的数据值和第(t-2)个样本的所述特定温度属性的数据值确定的，并且3≤t≤M。
13.如权利要求12所述的方法，其特征在于，所述方法还包括：如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第一预定数量，则确定被连续确定为奇异项的多个样本之后的特定样本的所述特定温度属性的样本值与期望值之差是否大于第一预定阈值且小于第二预定阈值，
如果所述特定样本的所述特定温度属性的样本值与期望值之差大于第一预定阈值且小于第二预定阈值，则将所述特定样本的所述特定温度属性的样本值确定为所述特定样本的所述特定温度属性的数据值，
如果所述特定样本的所述特定温度属性的样本值与期望值之差大于或等于第二预定阈值，则将所述特定样本的所述特定温度属性的期望值确定为所述特定样本的所述特定温度属性的数据值。
14.如权利要求13所述的方法，其特征在于，所述方法还包括：
如果针对所述特定温度属性，被连续确定为具有奇异项的多个样本的数量大于第二预定数量，则在历史运行数据的样本之中选择新的样本作为数据清洗处理的起始样本，
其中，第二预定数量大于第一预定数量。
15.如权利要求13所述的方法，其特征在于，所述方法还包括：
如果在所述特定温度属性的样本值与期望值之差大于或等于第二预定阈值的所述特定样本之后找到满足预定条件的另一样本，则在历史运行数据的样本之中选择新的样本作为数据清洗处理的起始样本，
其中，所述预定条件为：所述另一样本的所述特定温度属性的样本值与期望值之差大于第一预定阈值且小于第二预定阈值。
16.如权利要求9-15中任意一项所述的方法，其特征在于，
使用历史运行数据创建预测模型的步骤包括：
将历史运行数据划分为训练数据集以及验证数据集；
使用训练数据集创建并训练预测模型，并获取相应的预测模型参数；
基于所创建的预测模型，使用验证数据集对所述相应的预测模型参数进行优化，并将最优预测模型参数确定为所创建的预测模型的预测模型参数，得到最优预测模型。
17.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序包括用于执行如权利要求9-16中的任一项所述的方法的指令。
18.一种计算机设备，包括存储有计算机程序的可读介质，其特征在于，所述计算机程序包括用于执行如权利要求9-16中的任一项所述的方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811012110.4A CN110874665B (zh) | 2018-08-31 | 2018-08-31 | 用于风力发电机组的控制装置和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811012110.4A CN110874665B (zh) | 2018-08-31 | 2018-08-31 | 用于风力发电机组的控制装置和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110874665A true CN110874665A (zh) | 2020-03-10 |
| CN110874665B CN110874665B (zh) | 2022-07-08 |
Family
ID=69715506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811012110.4A Active CN110874665B (zh) | 2018-08-31 | 2018-08-31 | 用于风力发电机组的控制装置和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110874665B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111878320A (zh) * | 2020-07-15 | 2020-11-03 | 上海电气风电集团股份有限公司 | 风力发电机组的监控方法、***及计算机可读存储介质 |
| CN113790766A (zh) * | 2021-11-15 | 2021-12-14 | 江苏未来智慧信息科技有限公司 | 电厂智慧侦测***及方法 |
| CN113984111A (zh) * | 2021-09-30 | 2022-01-28 | 北京华能新锐控制技术有限公司 | 基于外部环境变化的风电机组控制方法与装置 |
| CN114576102A (zh) * | 2020-12-02 | 2022-06-03 | 新疆金风科技股份有限公司 | 风电机组轴承状态的预测方法、装置、设备及存储介质 |
| CN115933503A (zh) * | 2023-03-10 | 2023-04-07 | 山东盛日电力集团有限公司 | 一种发电设备的智能调节控制方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2948679A1 (en) * | 2013-01-25 | 2015-12-02 | Vestas Wind Systems A/S | Control of wind turbines |
| CN106229972A (zh) * | 2016-08-16 | 2016-12-14 | 北京国能日新***控制技术有限公司 | 一种基于多气象源集成并分段建模的风电功率预测方法 |
| CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
-
2018
- 2018-08-31 CN CN201811012110.4A patent/CN110874665B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2948679A1 (en) * | 2013-01-25 | 2015-12-02 | Vestas Wind Systems A/S | Control of wind turbines |
| CN106229972A (zh) * | 2016-08-16 | 2016-12-14 | 北京国能日新***控制技术有限公司 | 一种基于多气象源集成并分段建模的风电功率预测方法 |
| CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111878320A (zh) * | 2020-07-15 | 2020-11-03 | 上海电气风电集团股份有限公司 | 风力发电机组的监控方法、***及计算机可读存储介质 |
| CN114576102A (zh) * | 2020-12-02 | 2022-06-03 | 新疆金风科技股份有限公司 | 风电机组轴承状态的预测方法、装置、设备及存储介质 |
| CN113984111A (zh) * | 2021-09-30 | 2022-01-28 | 北京华能新锐控制技术有限公司 | 基于外部环境变化的风电机组控制方法与装置 |
| CN113790766A (zh) * | 2021-11-15 | 2021-12-14 | 江苏未来智慧信息科技有限公司 | 电厂智慧侦测***及方法 |
| CN115933503A (zh) * | 2023-03-10 | 2023-04-07 | 山东盛日电力集团有限公司 | 一种发电设备的智能调节控制方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110874665B (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110874665B (zh) | 用于风力发电机组的控制装置和方法 | |
| Chen et al. | Anomaly detection for wind turbines based on the reconstruction of condition parameters using stacked denoising autoencoders | |
| US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| Zhang et al. | Anomaly detection and diagnosis for wind turbines using long short-term memory-based stacked denoising autoencoders and XGBoost | |
| CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN112784965A (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
| CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
| CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、***、介质、设备 | |
| CN112433896B (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
| CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
| Zhang et al. | A hybrid forecasting system with complexity identification and improved optimization for short-term wind speed prediction | |
| CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
| CN114363195A (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
| Bai et al. | A two-phase-based deep neural network for simultaneous health monitoring and prediction of rolling bearings | |
| Zaman et al. | Wind speed forecasting using ARMA and neural network models | |
| CN116821730B (zh) | 风机故障检测方法、控制装置及存储介质 | |
| CN114330571A (zh) | 基于迁移学习的电力***主导失稳模式识别方法及*** | |
| CN115878992A (zh) | 综合管廊供电***的监控方法和监控*** | |
| Yu et al. | Sequence-to-Sequence Based Beta-VAE Combined with IECA Attention Mechanism for Energy Disaggregation Algorithm | |
| JP2005242803A (ja) | 機械の性能推定器、性能推定方法及び性能推定プログラム | |
| CN117310479A (zh) | 基于时频特征信号分布优化的电机故障预测方法及*** | |
| Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
| CN111461416B (zh) | 风速预测方法、***、电子设备及存储介质 | |
| CN113962020A (zh) | 基于带测量误差的维纳过程的车辆轴承剩余寿命预测方法 | |
| Sun et al. | Analysis of the health status of railway vehicle bearings based on improved HDP-HMM |
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 |