CN116771601A - 基于温度感知的风电机组优化控制方法及*** - Google Patents
基于温度感知的风电机组优化控制方法及*** Download PDFInfo
- Publication number
- CN116771601A CN116771601A CN202310910532.8A CN202310910532A CN116771601A CN 116771601 A CN116771601 A CN 116771601A CN 202310910532 A CN202310910532 A CN 202310910532A CN 116771601 A CN116771601 A CN 116771601A
- Authority
- CN
- China
- Prior art keywords
- temperature sensor
- information
- temperature
- wind turbine
- sensors
- 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 50
- 238000000605 extraction Methods 0.000 claims abstract description 75
- 230000008447 perception Effects 0.000 claims description 21
- 238000013075 data extraction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 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
- 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
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)
- Wind Motors (AREA)
Abstract
本发明公开了基于温度感知的风电机组优化控制方法及***，涉及优化控制技术领域，该方法包括：获取目标风电机组的N个温度传感器布设信息；确定N个位置影响系数；获得N个传感器使用寿命信息和N个传感器预设寿命信息；获得N个故障信息；获得N个可靠性系数；根据N个位置影响系数确定N个第一提取频率，根据N个可靠性系数确定N个第二提取频率；获得N个温度传感器数据集合；获得温度感知结果；获得风电机组优化控制方案，根据风电机组优化控制方案对目标风电机组进行优化控制。本发明解决了现有技术存在缺乏对温度传感器深入分析，温度感知结果可靠性低，风电机组控制效果差的技术问题，达到了提高温度感知准确度的技术效果。
Description
技术领域
本发明涉及优化控制技术领域，具体涉及基于温度感知的风电机组优化控制方法及***。
背景技术
在风力发电过程中，需要根据机组温度对机组输出的功率进行调节，从而实现高效、节能的目标。目前，主要通过在测风支架上安装温度传感器，实现对温度的采集。然而，不同厂家、不同匹配的温度传感器工作性能存在差异，且随着传感器的使用，温度传感器的工作可靠性无法保证，从而导致对风电机组的控制无法达到预期效果。现有技术存在缺乏对温度传感器深入分析，温度感知结果可靠性低，风电机组控制效果差的技术问题。
发明内容
本申请提供了基于温度感知的风电机组优化控制方法及***，用于针对解决现有技术存在缺乏对温度传感器深入分析，温度感知结果可靠性低，风电机组控制效果差的技术问题。
鉴于上述问题，本申请提供了基于温度感知的风电机组优化控制方法及***。
本申请的第一个方面，提供了基于温度感知的风电机组优化控制方法，所述方法包括：
获取目标风电机组的N个温度传感器布设信息，其中，所述N个温度传感器布设信息包括N个温度传感器位置信息、N个温度传感器配置信息；
基于所述N个温度传感器位置信息确定N个位置影响系数；
从所述N个温度传感器配置信息中分别提取传感器使用寿命和预设寿命信息，获得N个传感器使用寿命信息和N个传感器预设寿命信息；
采集所述N个温度传感器在预设历史时间段内发生的故障信息，获得N个故障信息；
基于所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息进行可靠性分析，获得N个可靠性系数；
根据所述N个位置影响系数确定N个第一提取频率，根据所述N个可靠性系数确定N个第二提取频率；
采集预设时间窗口内N个温度传感器的数据信息，获得N个温度传感器数据集合；
将所述N个第一提取频率、N个第二提取频率和N个温度传感器数据集合输入温度感知模型中，获得温度感知结果；
以所述温度感知结果为索引，基于温度-机组控制方案映射关系进行检索，获得风电机组优化控制方案，根据所述风电机组优化控制方案对目标风电机组进行优化控制。
本申请的第二个方面，提供了基于温度感知的风电机组优化控制***，所述***包括：
布设信息获取模块，所述布设信息获取模块用于获取目标风电机组的N个温度传感器布设信息，其中，所述N个温度传感器布设信息包括N个温度传感器位置信息、N个温度传感器配置信息；
位置影响系数确定模块，所述位置影响系数确定模块用于基于所述N个温度传感器位置信息确定N个位置影响系数；
预设寿命获得模块，所述预设寿命获得模块用于从所述N个温度传感器配置信息中分别提取传感器使用寿命和预设寿命信息，获得N个传感器使用寿命信息和N个传感器预设寿命信息；
故障信息获得模块，所述故障信息获得模块用于采集所述N个温度传感器在预设历史时间段内发生的故障信息，获得N个故障信息；
可靠性系数获得模块，所述可靠性系数获得模块用于基于所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息进行可靠性分析，获得N个可靠性系数；
提取频率确定模块，所述提取频率确定模块用于根据所述N个位置影响系数确定N个第一提取频率，根据所述N个可靠性系数确定N个第二提取频率；
传感器数据获得模块，所述传感器数据获得模块用于采集预设时间窗口内N个温度传感器的数据信息，获得N个温度传感器数据集合；
温度感知结果获得模块，所述温度感知结果获得模块用于将所述N个第一提取频率、N个第二提取频率和N个温度传感器数据集合输入温度感知模型中，获得温度感知结果；
优化控制模块，所述优化控制模块用于以所述温度感知结果为索引，基于温度-机组控制方案映射关系进行检索，获得风电机组优化控制方案，根据所述风电机组优化控制方案对目标风电机组进行优化控制。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请通过获取目标风电机组的N个温度传感器布设信息，其中，N个温度传感器布设信息包括N个温度传感器位置信息、N个温度传感器配置信息，然后基于N个温度传感器位置信息确定N个位置影响系数，进而从N个温度传感器配置信息中分别提前传感器使用寿命和预设寿命信息，获得N个传感器使用寿命信息和N个传感器预设寿命信息，通过采集N个温度传感器在预设历史时间段内发生的故障信息，获得N个故障信息，然后基于N个故障信息、N个传感器使用寿命信息和N个传感器预设寿命信息进行可靠性分析，获得N个可靠性系数，进而根据N个位置影响系数确定N个第一提取频率，根据N个可靠性系数确定N个第二提取频率，通过采集预设时间窗口内N个温度传感器的数据信息，获得N个温度传感器数据集合，然后将N个第一提取频率、N个第二提取频率和N个温度传感器数据集合输入温度感知模型中，获得温度感知结果，然后以温度感知结果为索引，基于温度-机组控制方案映射关系进行检索，获得风电机组优化控制方案，根据风电机组优化控制方案对目标风电机组进行优化控制。达到了提升风电机组控制质量，提高控制准确度的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于温度感知的风电机组优化控制方法流程示意图；
图2为本申请实施例提供的基于温度感知的风电机组优化控制方法中获得N个位置影响系数的流程示意图；
图3为本申请实施例提供的基于温度感知的风电机组优化控制方法中获得N个第二提取频率的流程示意图；
图4为本申请实施例提供的基于温度感知的风电机组优化控制***结构示意图。
附图标记说明：布设信息获取模块11，位置影响系数确定模块12，预设寿命获得模块13，故障信息获得模块14，可靠性系数获得模块15，提取频率确定模块16，传感器数据获得模块17，温度感知结果获得模块18，优化控制模块19。
具体实施方式
本申请通过提供了基于温度感知的风电机组优化控制方法及***，用于针对解决现有技术存在缺乏对温度传感器深入分析，温度感知结果可靠性低，风电机组控制效果差的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了基于温度感知的风电机组优化控制方法，其中，所述方法包括：
步骤S100：获取目标风电机组的N个温度传感器布设信息，其中，所述N个温度传感器布设信息包括N个温度传感器位置信息、N个温度传感器配置信息；
在本申请的实施例中，所述目标风电机组是需要基于温度感知的结果进行机组优化控制的任意一个风电机组。所述N个温度传感器布设信息用于对目标风电机组内的温度传感器的布设情况进行描述，包括N个温度传感器位置信息、N个温度传感器配置信息。其中，N个温度传感器位置信息描述了N个温度传感器在目标风电机组内对应的位置。所述N个温度传感器配置信息对N个温度传感器区别于其他温度传感器的配置特征进行描述，包括使用寿命、设计寿命、生产厂家等。
步骤S200：基于所述N个温度传感器位置信息确定N个位置影响系数；
进一步的，如图2所示，本申请实施例步骤S200还包括：
步骤S210：获取所述目标风电机组的机组区域边界；
步骤S220：遍历所述N个温度传感器位置信息，确定N个温度传感器与机组区域边界的距离值，获得N个纵向距离集合和N个横向距离集合；
步骤S230：基于所述N个纵向距离集合确定N个第一位置影响系数；
步骤S240：基于所述N个横向距离集合确定N个第二位置影响系数；
步骤S250：按照预设权重占比分别对N个第一位置影响系数和N个第二位置影响系数进行加权计算，获得N个位置影响系数。
在一个可能的实施例中，通过根据N个温度传感器位置信息确定由于N个温度传感器在目标风电机组中分布的不同位置对温度传感器采集数据的影响程度，也就是所述N个位置影响系数。由此，实现了从传感器位置的角度对传感器采集数据准确度进行分析的目标。
具体而言，通过所述目标风电机组的机组区域边界是目标风电机组最边缘机组所在位置进行串联后得到的边界。通过对所述N个温度传感器位置信息确定N个温度传感器在目标风电机组中的位置点，分别计算N个温度传感器在目标风电机组中的位置点距离目标风电机组的机组区域边界的横向纵向的距离值，获得N个纵向距离集合和N个横向距离集合。其中，每个纵向距离集合中包括每个温度传感器距离目标风电机组纵向两侧机组区域边界的两个距离值。每个横向距离集合中包括每个温度传感器距离目标风电机组横向两侧机组区域边界的两个距离值。分别选取N个纵向距离集合中较小距离值，比上目标风电机组的机组区域边界的纵向距离值，将比值作为N个第一位置影响系数。比值越大，对应的N个第一位置影响系数越大，温度传感器受到位置影响的程度越大。分别选取N个横向距离集合中较小距离值，比上目标风电机组的机组区域边界的横向距离值，将比值作为N个第二位置影响系数。比值越大，对应的N个第二位置影响系数越大，温度传感器受到位置影响的程度越大。其中，所述预设权重占比是由本领域技术人员预先设定的权重占比值，按照预设权重占比分别对N个第一位置影响系数和N个第二位置影响系数进行加权计算，获得N个位置影响系数。达到了提高位置影响系数计算准确性，进而提升温度感知的准确度的技术效果。
步骤S300：从所述N个温度传感器配置信息中分别提取传感器使用寿命和预设寿命信息，获得N个传感器使用寿命信息和N个传感器预设寿命信息；
步骤S400：采集所述N个温度传感器在预设历史时间段内发生的故障信息，获得N个故障信息；
在一个可能的实施例中，从所述N个温度传感器配置信息中分别提取传感器使用寿命和预设寿命信息，获得N个传感器使用寿命信息和N个传感器预设寿命信息。其中，所述N个传感器使用寿命信息是N个传感器已经使用的时长。所述N个传感器预设寿命信息是N个传感器预先设定的在不失效的情况下可以使用的时长。
在一个实施例中，通过对N个温度传感器在预设历史时间段内发生的故障情况进行采集，获得N个故障信息。其中，所述N个故障信息用于对N个温度传感器进行故障记录，包括故障时间、故障类型、故障程度等。
步骤S500：基于所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息进行可靠性分析，获得N个可靠性系数；
进一步的，本申请实施例步骤S500还包括：
步骤S510：可靠性公式为：
其中，Gi为第i个温度传感器的可靠性系数，x1为温度传感器使用寿命对可靠性产生影响的占比，x2为温度传感器由于发生故障对可靠性产生影响的占比，x1+x2＝1，t0i为第i个温度传感器的预设寿命，t1i为第i个温度传感器的使用寿命，i为温度传感器的个数，n为第i个温度传感器发生的总故障次数，j为第i个温度传感器在预设历史时间段发生的故障顺序值，i为大于等于1的整数，n为大于等于1的整数，j为大于等于1的整数，yij为第i个温度传感器发生第j次故障时受到的损伤，Yij为第i个温度传感器发生第j次故障时传感器的使用性能值，α为进行故障影响分析的经验系数；
步骤S520：将所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息分别输入可靠性分析公式中进行可靠性分析，获得所述N个可靠性系数。
进一步的，本申请实施例步骤S500还包括：
步骤S530：通过对第i个温度传感器在发生第j次故障前的性能数据进行采集，获得第j性能数据集合，其中，所述第j性能数据集合包括数据传输速度、温度数据采集滞后时长；
步骤S540：利用专家调查法对第j性能数据集合进行评价，生成第i个温度传感器发生第j次故障时传感器的使用性能值。
具体而言，通过利用可靠性公式对N个温度传感器由于寿命和故障对温度传感器的影响程度进行量化分析，获得N个可靠性系数。其中，所述N个可靠性系数反映了N个温度传感器在使用后以及发生故障维修后使用的可靠程度。
具体的，将所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息分别输入可靠性分析公式中进行可靠性分析，获得所述N个可靠性系数。
具体的，通过对第i个温度传感器在发生第j次故障前的性能数据进行采集，获得第j性能数据集合，其中，所述第j性能数据集合包括数据传输速度、温度数据采集滞后时长。利用专家调查法对第j性能数据集合进行评价，生成第i个温度传感器发生第j次故障时传感器的使用性能值。示例性的，采用10个专家分别对第j性能数据集合进行评价，获得10个评价值，对10个评价值进行均值处理，将处理后的结果作为第i个温度传感器发生第j次故障时传感器的使用性能值。
步骤S600：根据所述N个位置影响系数确定N个第一提取频率，根据所述N个可靠性系数确定N个第二提取频率；
进一步的，如图3所示，本申请实施例步骤S600还包括：
步骤S610：获取预设提取频率；
步骤S620：分别将N个位置影响系数比上N个位置影响系数总值，将比值与预设提取频率相乘获得N个第一提取频率；
步骤S630：分别将N个可靠性系数比上N个可靠性系数总值，将比值与预设提取频率相乘获得N个第二提取频率。
在一个可能的实施例中，通过根据所述N个位置影响系数确定N个第一提取频率，其中，所述第一提取频率是对温度传感器的数据进行采集的间隔时间。根据所述N个可靠性系数确定N个第二提取频率，所述第二提取频率是根据可靠性系数确定的对温度传感器的数据进行采集的间隔时间。
具体而言，所述预设提取频率是由本领域技术人员设定的对目标风电机组内的温度传感器进行采集的预设间隔时间。分别将N个位置影响系数比上N个位置影响系数总值，将比值与预设提取频率相乘获得N个第一提取频率，同理，分别将N个可靠性系数比上N个可靠性系数总值，将比值与预设提取频率相乘获得N个第二提取频率。
步骤S700：采集预设时间窗口内N个温度传感器的数据信息，获得N个温度传感器数据集合；
步骤S800：将所述N个第一提取频率、N个第二提取频率和N个温度传感器数据集合输入温度感知模型中，获得温度感知结果；
进一步的，本申请实施例步骤S800还包括：
步骤S810：构建所述温度感知模型，其中，所述温度感知模型包括第一感知分支、第二感知分支和温度感知分析层；
步骤S820：将所述N个第一提取频率和N个温度传感器数据集合输入第一感知分支，获得第一感知数据提取结果集合；
步骤S830：将所述N个第二提取频率和N个温度传感器数据集合输入第二感知分支，获得第二感知数据提取结果集合；
步骤S840：将第一感知数据提取结果和第二感知数据提取结果输入温度感知分析层中，获得温度感知结果。
进一步的，本申请实施例步骤S800还包括：
步骤S850：获取多个样本第一提取频率、多个样本温度传感器数据集合和多个样本第一感知数据提取结果集合作为第一训练集；
步骤S860：利用第一训练集对基于前馈神经网络构建的框架进行监督训练，直至输出达到收敛，获得第一感知分支。
在一个可能的实施例中，所述预设时间窗口是预先设定的进行温度传感器数据采集的时间段。在预设时间窗口内，对N个温度传感器采集到的数据信息进行获取，获得N个温度传感器数据集合。其中，N个温度传感器数据集合反映了预设时间窗口内目标风电机组的温度变化情况。
在一个实施例中，所述温度感知模型是用于对目标风电机组的温度进行分析的智能化模型，输入数据为N个第一提取频率、N个第二提取频率和N个温度传感器数据集合，输出数据为温度感知结果。其中，所述温度感知结果反映了目标风电机组的温度变化情况。
具体而言，所述温度感知模型包括第一感知分支、第二感知分支和温度感知分析层。将所述N个第一提取频率和N个温度传感器数据集合输入第一感知分支，获得第一感知数据提取结果集合，将所述N个第二提取频率和N个温度传感器数据集合输入第二感知分支，获得第二感知数据提取结果集合，将第一感知数据提取结果和第二感知数据提取结果输入温度感知分析层中，获得温度感知结果。
具体的，通过获取多个样本第一提取频率、多个样本温度传感器数据集合和多个样本第一感知数据提取结果集合作为第一训练集，利用第一训练集对基于前馈神经网络构建的框架进行监督训练，直至输出达到收敛，获得第一感知分支。达到了提升温度感知分析的智能化程度的技术效果。
步骤S900：以所述温度感知结果为索引，基于温度-机组控制方案映射关系进行检索，获得风电机组优化控制方案，根据所述风电机组优化控制方案对目标风电机组进行优化控制。
具体而言，以所述温度感知结果为索引，基于温度-机组控制方案映射关系进行检索，获得风电机组优化控制方案，根据所述风电机组优化控制方案对目标风电机组进行优化控制。其中，所述风电机组优化控制方案用于对风电机组进行优化控制，包括机组控制参数、机组输出功率等。
具体的，所述温度-机组控制方案映射关系用于对温度感知结果和风电机组优化控制方案之间的对应关系进行描述。优选的，通过获取多个历史温度感知结果和多个风电机组优化控制方案，根据两两之间的对应关系，生成所述温度-机组控制方案映射关系。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过对目标风电机组内的温度传感器进行位置和寿命、故障分析，确定N个位置影响系数和N个可靠性系数，然后获取预设时间窗口的N个温度传感器数据集合，将N个第一提取频率、N个第二提取频率和N个温度传感器数据集合输入温度感知模型中，获得温度感知结果，然后以温度感知结果为索引，基于温度-机组控制方案映射关系进行检索，获得风电机组优化控制方案，根据风电机组优化控制方案对目标风电机组进行优化控制。达到了提升风电机组优化控制准确性，提高控制效率的技术效果。
实施例二
基于与前述实施例中基于温度感知的风电机组优化控制方法相同的发明构思，如图4所示，本申请提供了基于温度感知的风电机组优化控制***，本申请实施例中的***与方法实施例基于同样的发明构思。其中，所述***包括：
布设信息获取模块11，所述布设信息获取模块11用于获取目标风电机组的N个温度传感器布设信息，其中，所述N个温度传感器布设信息包括N个温度传感器位置信息、N个温度传感器配置信息；
位置影响系数确定模块12，所述位置影响系数确定模块12用于基于所述N个温度传感器位置信息确定N个位置影响系数；
预设寿命获得模块13，所述预设寿命获得模块13用于从所述N个温度传感器配置信息中分别提取传感器使用寿命和预设寿命信息，获得N个传感器使用寿命信息和N个传感器预设寿命信息；
故障信息获得模块14，所述故障信息获得模块14用于采集所述N个温度传感器在预设历史时间段内发生的故障信息，获得N个故障信息；
可靠性系数获得模块15，所述可靠性系数获得模块15用于基于所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息进行可靠性分析，获得N个可靠性系数；
提取频率确定模块16，所述提取频率确定模块16用于根据所述N个位置影响系数确定N个第一提取频率，根据所述N个可靠性系数确定N个第二提取频率；
传感器数据获得模块17，所述传感器数据获得模块17用于采集预设时间窗口内N个温度传感器的数据信息，获得N个温度传感器数据集合；
温度感知结果获得模块18，所述温度感知结果获得模块18用于将所述N个第一提取频率、N个第二提取频率和N个温度传感器数据集合输入温度感知模型中，获得温度感知结果；
优化控制模块19，所述优化控制模块19用于以所述温度感知结果为索引，基于温度-机组控制方案映射关系进行检索，获得风电机组优化控制方案，根据所述风电机组优化控制方案对目标风电机组进行优化控制。
进一步的，所述位置影响系数确定模块12用于执行如下方法：
获取所述目标风电机组的机组区域边界；
遍历所述N个温度传感器位置信息，确定N个温度传感器与机组区域边界的距离值，获得N个纵向距离集合和N个横向距离集合；
基于所述N个纵向距离集合确定N个第一位置影响系数；
基于所述N个横向距离集合确定N个第二位置影响系数；
按照预设权重占比分别对N个第一位置影响系数和N个第二位置影响系数进行加权计算，获得N个位置影响系数。
进一步的，所述可靠性系数获得模块15用于执行如下方法：
可靠性公式为：
其中，Gi为第i个温度传感器的可靠性系数，x1为温度传感器使用寿命对可靠性产生影响的占比，x2为温度传感器由于发生故障对可靠性产生影响的占比，x1+x2＝1，t0i为第i个温度传感器的预设寿命，t1i为第i个温度传感器的使用寿命，i为温度传感器的个数，n为第i个温度传感器发生的总故障次数，j为第i个温度传感器在预设历史时间段发生的故障顺序值，i为大于等于1的整数，n为大于等于1的整数，j为大于等于1的整数，yij为第i个温度传感器发生第j次故障时受到的损伤，Yij为第i个温度传感器发生第j次故障时传感器的使用性能值，α为进行故障影响分析的经验系数；
将所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息分别输入可靠性分析公式中进行可靠性分析，获得所述N个可靠性系数。
进一步的，所述可靠性系数获得模块15用于执行如下方法：
通过对第i个温度传感器在发生第j次故障前的性能数据进行采集，获得第j性能数据集合，其中，所述第j性能数据集合包括数据传输速度、温度数据采集滞后时长；
利用专家调查法对第j性能数据集合进行评价，生成第i个温度传感器发生第j次故障时传感器的使用性能值。
进一步的，所述提取频率确定模块16用于执行如下方法：
获取预设提取频率；
分别将N个位置影响系数比上N个位置影响系数总值，将比值与预设提取频率相乘获得N个第一提取频率；
分别将N个可靠性系数比上N个可靠性系数总值，将比值与预设提取频率相乘获得N个第二提取频率。
进一步的，所述温度感知结果获得模块18用于执行如下方法：
构建所述温度感知模型，其中，所述温度感知模型包括第一感知分支、第二感知分支和温度感知分析层；
将所述N个第一提取频率和N个温度传感器数据集合输入第一感知分支，获得第一感知数据提取结果集合；
将所述N个第二提取频率和N个温度传感器数据集合输入第二感知分支，获得第二感知数据提取结果集合；
将第一感知数据提取结果和第二感知数据提取结果输入温度感知分析层中，获得温度感知结果。
进一步的，所述温度感知结果获得模块18用于执行如下方法：
获取多个样本第一提取频率、多个样本温度传感器数据集合和多个样本第一感知数据提取结果集合作为第一训练集；
利用第一训练集对基于前馈神经网络构建的框架进行监督训练，直至输出达到收敛，获得第一感知分支。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.基于温度感知的风电机组优化控制方法，其特征在于，所述方法包括：
获取目标风电机组的N个温度传感器布设信息，其中，所述N个温度传感器布设信息包括N个温度传感器位置信息、N个温度传感器配置信息；
基于所述N个温度传感器位置信息确定N个位置影响系数；
从所述N个温度传感器配置信息中分别提取传感器使用寿命和预设寿命信息，获得N个传感器使用寿命信息和N个传感器预设寿命信息；
采集所述N个温度传感器在预设历史时间段内发生的故障信息，获得N个故障信息；
基于所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息进行可靠性分析，获得N个可靠性系数；
根据所述N个位置影响系数确定N个第一提取频率，根据所述N个可靠性系数确定N个第二提取频率；
采集预设时间窗口内N个温度传感器的数据信息，获得N个温度传感器数据集合；
将所述N个第一提取频率、N个第二提取频率和N个温度传感器数据集合输入温度感知模型中，获得温度感知结果；
以所述温度感知结果为索引，基于温度-机组控制方案映射关系进行检索，获得风电机组优化控制方案，根据所述风电机组优化控制方案对目标风电机组进行优化控制。
2.如权利要求1所述的方法，其特征在于，所述方法包括：
获取所述目标风电机组的机组区域边界；
遍历所述N个温度传感器位置信息，确定N个温度传感器与机组区域边界的距离值，获得N个纵向距离集合和N个横向距离集合；
基于所述N个纵向距离集合确定N个第一位置影响系数；
基于所述N个横向距离集合确定N个第二位置影响系数；
按照预设权重占比分别对N个第一位置影响系数和N个第二位置影响系数进行加权计算，获得N个位置影响系数。
3.如权利要求1所述的方法，其特征在于，所述方法包括：
可靠性公式为：
其中，Gi为第i个温度传感器的可靠性系数，x1为温度传感器使用寿命对可靠性产生影响的占比，x2为温度传感器由于发生故障对可靠性产生影响的占比，x1+x2＝1，t0i为第i个温度传感器的预设寿命，t1i为第i个温度传感器的使用寿命，i为温度传感器的个数，n为第i个温度传感器发生的总故障次数，j为第i个温度传感器在预设历史时间段发生的故障顺序值，i为大于等于1的整数，n为大于等于1的整数，j为大于等于1的整数，yij为第i个温度传感器发生第j次故障时受到的损伤，Yij为第i个温度传感器发生第j次故障时传感器的使用性能值，α为进行故障影响分析的经验系数；
将所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息分别输入可靠性分析公式中进行可靠性分析，获得所述N个可靠性系数。
4.如权利要求3所述的方法，其特征在于，所述方法包括：
通过对第i个温度传感器在发生第j次故障前的性能数据进行采集，获得第j性能数据集合，其中，所述第j性能数据集合包括数据传输速度、温度数据采集滞后时长；
利用专家调查法对第j性能数据集合进行评价，生成第i个温度传感器发生第j次故障时传感器的使用性能值。
5.如权利要求1所述的方法，其特征在于，所述方法包括：
获取预设提取频率；
分别将N个位置影响系数比上N个位置影响系数总值，将比值与预设提取频率相乘获得N个第一提取频率；
分别将N个可靠性系数比上N个可靠性系数总值，将比值与预设提取频率相乘获得N个第二提取频率。
6.如权利要求1所述的方法，其特征在于，所述方法包括：
构建所述温度感知模型，其中，所述温度感知模型包括第一感知分支、第二感知分支和温度感知分析层；
将所述N个第一提取频率和N个温度传感器数据集合输入第一感知分支，获得第一感知数据提取结果集合；
将所述N个第二提取频率和N个温度传感器数据集合输入第二感知分支，获得第二感知数据提取结果集合；
将第一感知数据提取结果和第二感知数据提取结果输入温度感知分析层中，获得温度感知结果。
7.如权利要求6所述的方法，其特征在于，所述方法包括：
获取多个样本第一提取频率、多个样本温度传感器数据集合和多个样本第一感知数据提取结果集合作为第一训练集；
利用第一训练集对基于前馈神经网络构建的框架进行监督训练，直至输出达到收敛，获得第一感知分支。
8.基于温度感知的风电机组优化控制***，其特征在于，所述***包括：
布设信息获取模块，所述布设信息获取模块用于获取目标风电机组的N个温度传感器布设信息，其中，所述N个温度传感器布设信息包括N个温度传感器位置信息、N个温度传感器配置信息；
位置影响系数确定模块，所述位置影响系数确定模块用于基于所述N个温度传感器位置信息确定N个位置影响系数；
预设寿命获得模块，所述预设寿命获得模块用于从所述N个温度传感器配置信息中分别提取传感器使用寿命和预设寿命信息，获得N个传感器使用寿命信息和N个传感器预设寿命信息；
故障信息获得模块，所述故障信息获得模块用于采集所述N个温度传感器在预设历史时间段内发生的故障信息，获得N个故障信息；
可靠性系数获得模块，所述可靠性系数获得模块用于基于所述N个故障信息、N个传感器使用寿命信息和所述N个传感器预设寿命信息进行可靠性分析，获得N个可靠性系数；
提取频率确定模块，所述提取频率确定模块用于根据所述N个位置影响系数确定N个第一提取频率，根据所述N个可靠性系数确定N个第二提取频率；
传感器数据获得模块，所述传感器数据获得模块用于采集预设时间窗口内N个温度传感器的数据信息，获得N个温度传感器数据集合；
温度感知结果获得模块，所述温度感知结果获得模块用于将所述N个第一提取频率、N个第二提取频率和N个温度传感器数据集合输入温度感知模型中，获得温度感知结果；
优化控制模块，所述优化控制模块用于以所述温度感知结果为索引，基于温度-机组控制方案映射关系进行检索，获得风电机组优化控制方案，根据所述风电机组优化控制方案对目标风电机组进行优化控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310910532.8A CN116771601A (zh) | 2023-07-24 | 2023-07-24 | 基于温度感知的风电机组优化控制方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310910532.8A CN116771601A (zh) | 2023-07-24 | 2023-07-24 | 基于温度感知的风电机组优化控制方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116771601A true CN116771601A (zh) | 2023-09-19 |
Family
ID=87986005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310910532.8A Pending CN116771601A (zh) | 2023-07-24 | 2023-07-24 | 基于温度感知的风电机组优化控制方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116771601A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117434979A (zh) * | 2023-12-06 | 2024-01-23 | 徐州优博电子科技有限公司 | 一种温控箱控制和温度测量方法 |
-
2023
- 2023-07-24 CN CN202310910532.8A patent/CN116771601A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117434979A (zh) * | 2023-12-06 | 2024-01-23 | 徐州优博电子科技有限公司 | 一种温控箱控制和温度测量方法 |
| CN117434979B (zh) * | 2023-12-06 | 2024-03-12 | 徐州优博电子科技有限公司 | 一种温控箱控制和温度测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112233091B (zh) | 一种风力机叶片图像损伤检测和定位方法 | |
| CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
| CN109522627B (zh) | 基于scada数据的风机叶片结冰预测方法 | |
| 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 | |
| CN110594107B (zh) | 一种基于快速梯度提升机的风电机组故障检测方法及装置 | |
| CN116771601A (zh) | 基于温度感知的风电机组优化控制方法及*** | |
| CN113505923B (zh) | 一种地区电网短期负荷预测方法及*** | |
| CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
| CN116859856A (zh) | 基于工业物联网的工业生产智能调控方法及*** | |
| CN114970698B (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 | |
| CN112560916B (zh) | 基于倾角传感器信息的风电塔筒倾覆智能诊断方法 | |
| CN111721399B (zh) | 一种水工建筑结构振动测试***和测试方法 | |
| CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及*** | |
| CN118013300B (zh) | 一种用于风电机组的短期风电功率预测方法及*** | |
| CN116976531B (zh) | 用于井下电控设备的集成管理方法及*** | |
| CN117424223A (zh) | 一种基于多塔多层测风数据的风电功率预测方法 | |
| CN112465404B (zh) | 用于多时间窗口的光伏发电***运行状态评估方法及*** | |
| CN116659867A (zh) | 一种轴承故障检测方法及装置 | |
| CN118249737A (zh) | 一种新能源光伏电站集群出力分析方法及*** | |
| CN115964946A (zh) | 一种基于神经网络的用电设备可靠性评估方法 | |
| CN117172616A (zh) | 农业灌区蒸散量和水位预测方法 | |
| CN117318045A (zh) | 一种基于粒子群优化算法的多机组风电功率预测方法 | |
| CN118194229A (zh) | 基于无人机的风电场功率预测模型构建方法和预测方法 |
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 |