一种基于滑动窗口的风速波动过程分类方法及装置

    公开(公告)号:CN115564184A

    公开(公告)日:2023-01-03

    申请号:CN202211088241.7

    申请日:2022-09-07

    IPC分类号: G06Q10/06 G06Q50/06

    摘要: 本发明提出一种基于滑动窗口的风速波动过程分类方法及装置,属于风电机组功率预测和风速波动过程分析领域。其中,所述方法包括:获取原始风速序列并进行降噪;对降噪后的所述风速序列通过摇摆窗算法划分成多个风速波动段;将所述风速波动段转化为等长风速时间序列,对所述等长风速时间序列进行基于特征值的一次聚类,得到所述风速序列的初步分类结果;根据所述初步分类结果,对每一个分类下的所述等长风速时间序列进行基于时间序列相似性度量的二次聚类,得到所述风速序列的最终分类结果。本发明综合考虑时间序列相似性与波动过程特征的影响,对波动过程进行二次聚类,以优化聚类效果,可获得更为准确的风速波动分类结果。

    一种风电机组异常风数据的识别方法及装置

    公开(公告)号:CN115523104A

    公开(公告)日:2022-12-27

    申请号:CN202211074714.8

    申请日:2022-09-02

    IPC分类号: F03D17/00

    摘要: 本公开提出一种风电机组异常风数据的识别方法及装置,属于风电机组运行效能评估以及风电功率预测领域。其中,所述方法包括:采集风电机组的历史风速数据序列;利用所述历史风速数据序列训练变分自编码器模型,将训练完毕的所述变分自编码器模型作为异常风速数据识别模型;获取所述风电机组待进行识别的原始风速数据序列,将所述原始风速数据序列输入所述异常风速数据识别模型,所述异常风速数据识别模型输出修正后的风速数据序列,以得到所述风电机组异常风数据的识别结果。本公开提高了风电机组异常数据的识别精度,实现了对不同类型异常风速数据的高精度识别,有助于保障风电机组的正常运行。

    一种风电机组运行数据清洗方法、装置及电子设备

    公开(公告)号:CN116522081A

    公开(公告)日:2023-08-01

    申请号:CN202310528239.5

    申请日:2023-05-10

    摘要: 本发明公开了一种风电机组运行数据清洗方法、装置及电子设备,所述方法包括:获取风电机组多维运行数据集;基于所述风电机组多维运行数据集,经过字典学习算法处理,得到多维字典与稀疏矩阵,所述风电机组多维运行数据集为所述多维字典与所述稀疏矩阵的线性组合;基于所述多维字典,经过孤立森林算法处理,得到字典原子集;基于所述字典原子集和所述稀疏矩阵,确定清洗后的风电机组运行数据集。本发明基于多维风电机组运行数据的分布进行特征统计,可以同时清洗风电机组多个维度的异常数据,避免了重复使用二维清洗算法,提升了运行数据的代表性和正确性。

    一种基于时序匹配和双向四分位算法的异常数据清洗方法

    公开(公告)号:CN114968999A

    公开(公告)日:2022-08-30

    申请号:CN202210565276.9

    申请日:2022-05-23

    IPC分类号: G06F16/215 G06F16/2458

    摘要: 本发明公开了属于风电机组发电技术领域的一种基于时序匹配和双向四分位算法的异常数据清洗方法。该方法包括以下步骤:步骤1:采集风电机组的实测风速和风电功率数据;步骤2:辨识风电机组限功率异常数据;具体包括:步骤21:采用基本趋势转折点和重要趋势转折点确定算法对风电功率时间序列进行分段划分;步骤22:基于风速‑风电功率时序匹配度量对限功率分段时间序列进行筛选;步骤23:基于额定功率剔除系数对额定功率分段时间序列进行剔除;步骤3:利用双向四分位算法清洗风电功率分散型异常数据。本发明能够同时有效地清洗堆积型异常数据和分散型异常数据,且可以有效辨识过渡区域内与正常数据空间分布特征相似的异常运行数据。

    一种风电场样板机选择方法
    10.
    发明公开

    公开(公告)号:CN114723252A

    公开(公告)日:2022-07-08

    申请号:CN202210300189.0

    申请日:2022-03-25

    IPC分类号: G06Q10/06 G06Q50/06

    摘要: 本发明提出一种风电场样板机选择方法,属于风电场理论发电量计算领域。该方法包括:获取风电场中各风电机组的风速数据;计算每台风电机组的风速威布尔分布曲线参数;对每台风电机组的风速数据降维后进行归一化,对每台风电机组的风速威布尔分布曲线参数进行归一化,利用归一化后的结果构建风电场分组模型的输入变量矩阵;根据确定的风电场机组最佳分组个数对风电场分组模型的输入变量矩阵进行聚类,得到风电场中各风电机组的分组结果;利用相关性分析法选取每个分组的样板机,以得到风电场的样板机选择结果。本发明基聚类算法选取风电场样板机,可提高选取样板机的合理性和代表性,在保证计算效率的同时又能提高发电量计算的精度。