CN114254834A - 一种基于机器学习的风电场风速预测方法 - Google Patents
一种基于机器学习的风电场风速预测方法 Download PDFInfo
- Publication number
- CN114254834A CN114254834A CN202111605135.7A CN202111605135A CN114254834A CN 114254834 A CN114254834 A CN 114254834A CN 202111605135 A CN202111605135 A CN 202111605135A CN 114254834 A CN114254834 A CN 114254834A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- data
- power plant
- wind power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000010219 correlation analysis Methods 0.000 claims abstract description 20
- 238000012417 linear regression Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 239000013598 vector Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012876 topography 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于机器学习的风电场风速预测方法,包括以下过程,获取风电场的历史数据;对获取的历史数据进行降维处理;对降维处理后的数据进行风速相关性分析;根据风速相关性分析结果建立线性回归模型,基于建立的线性回归模型预测风电场中的特定风力发电机组的风速。通过对风电场历史数据进行降维和相关性分析以及基于机器学习法进行回归分析建模,可以较为精准的预测某个特定风力发电机组的风速。通过获取风电场的历史数据;对获取的历史数据进行降维处理;对降维处理后的数据进行风速相关性分析;根据风速相关性分析结果建立线性回归模型,并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速。
Description
技术领域
本发明属于风电技术领域,具体属于一种基于机器学习的风电场风速预测方法。
背景技术
风电技术现在已经成为全球日益增长的清洁电力市场的主要贡献,准确可靠的风力发电预测被广泛认为是增加风力发电渗透率的主要原因。由于风力发电机在户外高空运行,且风速风向仪在机组舱罩外,其运行环境非常复杂:不仅要面对振动、粉尘、暴晒、冰冻、雨淋等各种极端条件,海上、滩涂风场的装机机组还要经受长年累月的盐雾腐蚀,风速风向仪故障的概率相对较高。
如图1所示,通常情况下,现有技术对于风力发电机风速风向失效时的应急控制方法是:风场内所有机组以自己为中心,通过风场的数据采集和监视控制(SCADA)***与其他地理位置最近的三台机组形成小的网络;机组正常运行时,机组将采集到的风速风向信号通过SCADA***反馈给中央控制器,中央控制器对机组包括风速风向在内的各种信息实时进行显示;当机组风速风向仪故障时,首先向中央处理器报告,中央控制器在显著位置进行异色显示,向监控人员发出警告;同时,***假定相近的3台风力发电机组风速风向相似,将相近的风力发电机组的风速风向仪的数据传回中央控制器,中央控制器在筛选后确认1-2台风力发电机组的信息有效之后,SCADA***依据优先级第一机组、第二机组、第三机组的顺序选择风速风向数据并向中心机组发送数据,从而使风力发电机组可以在风速风向仪故障之后获得风速风向数据持续运行。
然而,现有技术仅仅是假定相邻风力发电机组的风速风向相同,对风力发电机风速风向仪失效进行应急控制,并未考虑在一定距离之后的风速变化或衰减,其预测偏差很大,很难满足风力发电机组的安全运行。
发明内容
为了解决现有技术中存在的问题,本发明提供一种基于机器学习的风电场风速预测方法,通过对风电场历史数据进行降维和相关性分析以及基于机器学习法进行回归分析建模,可以较为精准的预测某个特定风力发电机组的风速。
为实现上述目的,本发明提供如下技术方案:
一种基于机器学习的风电场风速预测方法,包括以下过程,获取风电场的历史数据;对获取的历史数据进行降维处理;对降维处理后的数据进行风速相关性分析;根据风速相关性分析结果建立线性回归模型,基于建立的线性回归模型预测风电场中的特定风力发电机组的风速。
优选的,所述风电场的历史数据为不少于12个月的机组运行工况数据。
优选的,采用PCA主成因分析方法进行数据降维处理,去除风电场历史数据中的相关性参数。
优选的,采用KNN近邻算法构建模型进行风速相关性分析。
优选的,采用KNN近邻算法进行风速相关性分析具体包括以下过程,
步骤1,准备风机风速数据,对风机风速数据进行预处理;
步骤2,将预处理后的风机风速数据分为训练元组和测试元组;
步骤3,预设参数k;
步骤4,维护一个大小为k的按距离由大到小的优先级队列,用于存储最近邻训练元组,随机从训练元组中选取k个元组作为初始的最近邻元组,分别计算测试元组到这k个元组的距离,将训练元组标号和距离存入优先级队列中;
步骤5,遍历训练元组集,计算当前训练元组与测试元组的距离,将所得距离L与优先级队列中的最大距离Lmax进行比较;若L>=Lmax,则舍弃该元组,遍历下一个元组;若L<Lmax,删除优先级队列中最大距离的元组,将当前训练元组存入优先级队列;
步骤6,,遍历完毕,计算优先级队列中k个元组的多数类,并作为测试元组的类别;
步骤7,测试元组集测试完毕后计算误差率,继续设定不同的k值重新进行训练,取误差率最小的k值,确定风力发电机组风速的相关性。
进一步的,步骤1中,对风电场的风机风速数据进行预处理,预处理过程包括筛除停机数据,检修数据和空值。
优选的,当风场中某一台风机出现故障时,对风速风向仪失效的机组的风速进行解算;同时中央控制***监测该台风机的风功率曲线,如果风功率曲线出现异常,则认为风速解算出现较大偏差,则立即控制风机停机;若风功率曲线未出现异常,则中央控制***认定风速预测***解算准确,则风机保持运行。
优选的,建立线性回归模型之后,采集实时机组的运行数据,使用强化学习方法提炼线性回归模型。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供了一种基于机器学习的风电场风速预测方法,通过获取风电场的历史数据;对获取的历史数据进行降维处理;对降维处理后的数据进行风速相关性分析;根据风速相关性分析结果建立线性回归模型,并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速。由于现阶段,风速风向仪一旦损坏则风机将直接停机损失发电量造成经济损失,利用历史数据以及相邻风机的风速风向数据,使用相关性分析及机器学习中回归分析,可以大致推测出风速风向仪故障所在的风机的风速数据,作为应急***能够有效的降低停机时间,提高风机可利用率,增加风机单位产出,经济效益明显。当风力发电项目某一机组出现风速仪失效之后,通过本发明的方法实现对于失效机组的风速拟合从而避免风力发电机组停机所造成发电量损失。
进一步的,本发明需要积累风力发电项目长时间段不少于12个月的机组运行工况数据,通过对于历史数据的分析建模,以达到更为精准的风速预测。
进一步的,需要积累长时间段的不少于12个月的风力发电机组运行工况数据,为了降低数据分析难度,对风力发电机组运行工况数据使用降维梯度算法进行数据简化,从而提取与风速相关性比较高的风力发电机组运行工况数据,进而进行进一步的数据挖掘。
进一步的,在完成对风力发电机组运行工况数据使用降维梯度算法进行数据简化之后,已经提取了与风速密切相关的机组工况数据。由于风力发电项目地域范围比较广阔,若两台风力发电机组相隔距离过于遥远,其风速等数据无直接数据上的相关性,因此并非风力发电项目所有风力发电机组的风速等工况数据均有较强的相关性,使用聚类算法对于风力发电机组进行聚类,通过聚类算法,以确定某几台风力发电机组的风速等相关工况具有较高的相关性。
进一步的,在风机风速风向仪正常运行的情况下,该预测***也将不断收集、积累风速数据,依据预测***算法对于风速进行持续估算并于实际检测值进行对比,随着数据量的增加,拟合曲线的损失函数降不断降低,使该预测***在运行过程中不断增强算法学习以尽量贴近实际值。
附图说明
图1为本发明中的风机运行流程图;
图2为本发明风电场风速的预测方法中模型建立流程图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明提供了一种基于机器学习的风电场风速预测方法和***,通过对风电场历史数据进行降维和相关性分析以及基于机器学习法进行回归分析建模,可以较为精准的预测某个特定风力发电机组的风速。
如图2所示,本发明的一方面提供了风电场风速的预测方法,所述预测方法包括以下步骤:获取风电场的历史数据;对获取的历史数据进行降维处理;对降维处理后的数据进行风速相关性分析;根据风速相关性分析结果建立线性回归模型,并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速。由于现阶段,风速风向仪一旦损坏则风机将直接停机损失发电量造成经济损失,利用历史数据以及相邻风机的风速风向数据,使用相关性分析及机器学习中回归分析,可以大致推测出风速风向仪故障所在的风机的风速数据,作为应急***能够有效的降低停机时间,提高风机可利用率,增加风机单位产出,经济效益明显。
本发明的方法中对获取的历史数据通过PCA主成因分析进行降维处理,过程如下:
在风机风速预测中,数据被标示为向量,对于一台风机在一天之内某一时刻的风速级其他相关信息就是一个集合,其中时间是一个记录标志而非度量值,需要了解风速与哪些度量值有关,而由于风机工况众多,需要对数据进行将维,然而将维就意味着数据的丢失,不过由于实际数据本身具有相关性,可以在在降维的同时将信息的损失尽量降低。
对于给定的数据:
将数据集中心化后表示为:
中心化后的数据在第一主轴u1方向上分布散的最开,也就是说在u1方向上的投影的绝对值之和最大(也可以说方差最大),计算投影的方法就是将x与u1做内积,由于只需要求u1的方向,所以设u1是单位向量。
也就是最大化下式:
也即最大化:
两个向量做内积可以转化成矩阵乘法:
所以目标函数可以表示为:
括号里面就是矩阵乘法表示内积,转置以后的行向量乘以列向量得到一个数。因为一个数的转置还是其本身,所以又可以将目标函数化为:
由于u1和i无关,可以把它拿到求和符外面:
注意,其实括号里面是一个矩阵乘以自身的转置,这个矩阵形式如下:
X=[x1 x2… xn]
X矩阵的第i列就是xi,于是有:
所以目标函数最后化为:
判断上式到底有没有最大值,如果没有前面的1/n,那就是一个标准的二次型!并且XX'(为了方便,用'表示转置)得到的矩阵是一个半正定的对称阵!首先XX'是对称阵,因为(XX')'=XX',下面证明它是半正定,即所有特征值大于等于0。
假设XX'的某一个特征值为λ,对应的特征向量为ξ,则有:
XXTξ=λξ
(XXTξ)Tξ=(λξ)Tξ
ξTXXTξ=λξTξ
ξTXXTξ=(XTξ)T(XTξ)=||XTξ||2=λξTξ=λ||ξ||2
||XTξ||2=λ||ξ||2→λ≥0
对于半正定阵的二次型,存在最大值!现在问题就是如何求目标函数的最大值?以及取最大值时u1的方向?
目标函数和约束条件构成了一个最大化问题:
构造拉格朗日函数:
对u1求导
显然,u1即为XX'特征值λ对应的特征向量!XX'的所有特征值和特征向量都满足上式,那么将上式代入目标函数表达式即可得到
所以,如果取最大的那个特征值,那么得到的目标值就最大。而其二阶导数半负定,所以,目标函数在最大特征值所对应的特征向量上取得最大值。所以,第一主轴方向即为第一大特征值对应的特征向量方向。第二主轴方向为第二大特征值对应的特征向量方向。
通过以上流程,将风机的风速信息输入之后,可以将多余的存在相关性的参数刨去而不损失数据本身的信息量。通过PCA分析这一算法,可以将得到提炼之后的风机风速及工况模型。下一步,确定具体哪几台风机具有相关性。
由于一般来说风场面积较大,并非所有风机的风速都具有相关性,可能只有某几台由于地形上的原因在风速上具有相关性,如果通过建立物理模型计算空气流体力学难度较大且对于不同风场只能逐一计算,所以选择使用KNN近邻算法,通过构建数学模型推断哪几台风机的风速相对比较接近。
本发明的方法进行风速相关性分析时采用KNN近邻算法,,具体过程如下:
步骤1,准备风机风速数据,对数据进行预处理。
步骤2,选用合适的数据结构存储训练元组和测试元组。
步骤3,设定参数,如k。
步骤4,维护一个大小为k的按距离由大到小的优先级队列,用于存储最近邻训练元组。随机从训练元组中选取k个元组作为初始的最近邻元组,分别计算测试元组到这k个元组的距离,将训练元组标号和距离存入优先级队列。
步骤5,遍历训练元组集,计算当前训练元组与测试元组的距离,将所得距离L与优先级队列中的最大距离Lmax。
步骤6,进行比较。若L>=Lmax,则舍弃该元组,遍历下一个元组。若L<Lmax,删除优先级队列中最大距离的元组,将当前训练元组存入优先级队列。
步骤7,遍历完毕,计算优先级队列中k个元组的多数类,并将其作为测试元组的类别。
步骤8,测试元组集测试完毕后计算误差率,继续设定不同的k值重新进行训练,最后取误差率最小的k值。
经过这一步分析,已经将风场划分几个区域,这些区域内的风机其风速变化具有相关性。下一步,将通过使用线性回归模型来确定同一区域内风机风速的具体线性回归。
线性回归
然而由于这仅仅时假定风场风速变化是成线性的,事实的情况时这很有可能并非如此,所以如果损失函数过大从而导致预测精度的下降,可以设定更高阶方程组进行计算,知道某一个回归方程其精度满足要求。
风功率测试
如果在风场中某一台风机出现故障,则该***开始依据风场风机相关性模型及风速模型对风速风向仪失效的机组的风速进行解算。同时中央控制***监测该台风机的风功率曲线,如果风功率曲线出现异常,则认为风速解算出现较大偏差,则立即控制风机停机以防发生安全事故,若风功率曲线未出现异常,则认为中央控制***认定风速预测***解算准确,则可以风速风向仪故障的情况下使风机保持运行。
强化学习
在风机风速风向仪正常运行的情况下,该预测***也将不断收集、积累风速数据,依据预测***算法对于风速进行持续估算并于实际检测值进行对比,随着数据量的增加,拟合曲线的损失函数降不断降低,使该预测***在运行过程中不断增强算法学习以尽量贴近实际值。
Claims (8)
1.一种基于机器学习的风电场风速预测方法,其特征在于,包括以下过程,获取风电场的历史数据;对获取的历史数据进行降维处理;对降维处理后的数据进行风速相关性分析;根据风速相关性分析结果建立线性回归模型,基于建立的线性回归模型预测风电场中的特定风力发电机组的风速。
2.根据权利要求1所述的一种基于机器学习的风电场风速预测方法,其特征在于,所述风电场的历史数据为不少于12个月的机组运行工况数据。
3.根据权利要求1所述的一种基于机器学习的风电场风速预测方法,其特征在于,采用PCA主成因分析方法进行数据降维处理,去除风电场历史数据中的相关性参数。
4.根据权利要求1所述的一种基于机器学习的风电场风速预测方法,其特征在于,采用KNN近邻算法构建模型进行风速相关性分析。
5.根据权利要求1所述的一种基于机器学习的风电场风速预测方法,其特征在于,采用KNN近邻算法进行风速相关性分析具体包括以下过程,
步骤1,准备风机风速数据,对风机风速数据进行预处理;
步骤2,将预处理后的风机风速数据分为训练元组和测试元组;
步骤3,预设参数k;
步骤4,维护一个大小为k的按距离由大到小的优先级队列,用于存储最近邻训练元组,随机从训练元组中选取k个元组作为初始的最近邻元组,分别计算测试元组到这k个元组的距离,将训练元组标号和距离存入优先级队列中;
步骤5,遍历训练元组集,计算当前训练元组与测试元组的距离,将所得距离L与优先级队列中的最大距离Lmax进行比较;若L>=Lmax,则舍弃该元组,遍历下一个元组;若L<Lmax,删除优先级队列中最大距离的元组,将当前训练元组存入优先级队列;
步骤6,,遍历完毕,计算优先级队列中k个元组的多数类,并作为测试元组的类别;
步骤7,测试元组集测试完毕后计算误差率,继续设定不同的k值重新进行训练,取误差率最小的k值,确定风力发电机组风速的相关性。
6.根据权利要求5所述的一种基于机器学习的风电场风速预测方法,其特征在于,步骤1中,对风电场的风机风速数据进行预处理,预处理过程包括筛除停机数据,检修数据和空值。
7.根据权利要求1所述的一种基于机器学习的风电场风速预测方法,其特征在于,当风场中某一台风机出现故障时,对风速风向仪失效的机组的风速进行解算;同时中央控制***监测该台风机的风功率曲线,如果风功率曲线出现异常,则认为风速解算出现较大偏差,则立即控制风机停机;若风功率曲线未出现异常,则中央控制***认定风速预测***解算准确,则风机保持运行。
8.根据权利要求1所述的一种基于机器学习的风电场风速预测方法,其特征在于,建立线性回归模型之后,采集实时机组的运行数据,使用强化学习方法提炼线性回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605135.7A CN114254834A (zh) | 2021-12-24 | 2021-12-24 | 一种基于机器学习的风电场风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605135.7A CN114254834A (zh) | 2021-12-24 | 2021-12-24 | 一种基于机器学习的风电场风速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114254834A true CN114254834A (zh) | 2022-03-29 |
Family
ID=80797669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111605135.7A Pending CN114254834A (zh) | 2021-12-24 | 2021-12-24 | 一种基于机器学习的风电场风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114254834A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390536A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市宝腾互联科技有限公司 | 基于人工智能的运维管理方法及*** |
-
2021
- 2021-12-24 CN CN202111605135.7A patent/CN114254834A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390536A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市宝腾互联科技有限公司 | 基于人工智能的运维管理方法及*** |
CN117390536B (zh) * | 2023-12-11 | 2024-04-02 | 深圳市宝腾互联科技有限公司 | 基于人工智能的运维管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102101B (zh) | 风电场风速的预测方法和*** | |
US11740619B2 (en) | Malfunction early-warning method for production logistics delivery equipment | |
CN102361014B (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
CN109118384A (zh) | 一种风电机组健康预警方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN106504116A (zh) | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 | |
CN102183699B (zh) | 化工过程多变量预测控制***模型失配检测与定位方法 | |
Li et al. | A novel wind speed-sensing methodology for wind turbines based on digital twin technology | |
US20230229124A1 (en) | Operation control system and a control method for a gas-steam combined cycle generator unit | |
CN112836941B (zh) | 一种煤电机组汽轮机高加***在线健康状况评估方法 | |
CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
CN114243702B (zh) | 一种电网avc***运行参数的预测方法、***及存储介质 | |
CN114962239B (zh) | 一种基于智能物联网的设备故障检测方法 | |
CN114254834A (zh) | 一种基于机器学习的风电场风速预测方法 | |
CN117905638B (zh) | 基于强化学习的风力发电机优化控制方法及*** | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和*** | |
CN113689072A (zh) | 一种基于马尔科夫链的海上风电机组运行状态评估方法 | |
CN110273818B (zh) | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 | |
CN110139983A (zh) | 实证评估风力涡轮机发电机运行的方法和*** | |
CN116090626A (zh) | 一种基于云边协同的风电机组状态评估与智能预警***及方法 | |
CN114841534A (zh) | 顶盖排水***的智能诊断与实时故障预警分析方法及*** | |
CN114202096A (zh) | 风电机组水冷***温度异常预警 | |
CN115470698A (zh) | 一种基于机器学习的风电机组功率性能分析方法 | |
CN113822344B (zh) | 基于数据驱动的风电机组发电机前轴承状态监测方法 | |
CN117893030B (zh) | 基于大数据的电力***风险预警方法 |
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 |