-
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
Applicant: 中国长江三峡集团有限公司 , 华北电力大学
Abstract: 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。
-
公开(公告)号：CN114358398A
公开(公告)日：2022-04-15
申请号：CN202111556802.7
申请日：2021-12-17
Applicant: 中国长江三峡集团有限公司 , 华北电力大学
Abstract: 本发明提出一种基于深度神经网络的数值天气预报风速修正方法，属于数值天气预报风速修正领域。该方法首先采集风电场历史数值天气预报风速数据和历史实测风速数据以构建风速数据集；构建基于长短时记忆深度神经网络的数值天气预报风速修正模型；通过离线训练，确定模型输入和输出的最优时间长度；通过在线训练，确定模型的最优更新频率；根据模型输入和输出的最优时间长度对未来数值天气预报风速数据进行在线修正，按照模型的最优更新频率对模型进行在线更新，以实现对数值天气预报风速数据的动态修正。本发明通过建立动态修正策略弥补数据量少造成的数据特征提取不充分问题，降低数值天气预报风速预测误差，减小该误差对风电功率预测的影响。
-
公开(公告)号：CN110045611B
公开(公告)日：2020-10-09
申请号：CN201910331986.3
申请日：2019-04-24
Applicant: 华北电力大学
IPC: G05B13/04
Abstract: 本发明涉及了一种鲁棒迭代学习模型预测控制方法，并可将其应用于间歇搅拌釜式反应器控制，这一方法解决了间歇搅拌釜式反应器变化参考轨迹下反应温度高精度跟踪的问题。本方法主要包括：根据间歇搅拌釜式反应器非线性机理模型，构建线性参变(LPV)预测模型；通过迭代学习控制吸取过去批次的控制经验，提高跟踪精度；采用模型预测控制有效处理实时干扰，保证系统时域稳定性和鲁棒性；将间歇搅拌釜式反应器批次间参考轨迹的变化视为迭代轴有界干扰，构造H无穷约束保证变参考轨迹下的控制效果。本发明的鲁棒迭代学习模型预测控制方法与传统迭代学习模型预测控制方法相比，对间歇搅拌釜式反应器变参考轨迹的适应性更强，跟踪性能更好。
-
公开(公告)号：CN111080001A
公开(公告)日：2020-04-28
申请号：CN201911249292.1
申请日：2019-12-09
Applicant: 华北电力大学
Abstract: 本发明涉及一种应用风电场风速的深度神经网络预测方法，包括：设定一个风电机组，从机组数据集中选取训练备用集，采用基于互信息的特征选择方法从该备用集中确定最适合进行风速预测的数据集，确定基于堆叠自编码器和长短期记忆网络的深度神经网络的结构，选取的输入数据集作为整个网络的输入，先对各自编码器进行预训练，再利用输入输出数据对整个网络进行微调，最后对数据反归一化，以产生深度神经网络的最终输出。本发明在风电场内选用了较完整数据组的情况下，采用基于互信息的特征选择方法确定该网络的输入，并采用堆叠自编码器和长短期记忆网络相结合的方式进行预测，解决了传统神经网络难以获取风速的概率特征及预测精度低的问题。
-
公开(公告)号：CN117725438A
公开(公告)日：2024-03-19
申请号：CN202310938021.7
申请日：2023-07-27
Applicant: 中国长江三峡集团有限公司 , 华北电力大学
IPC: G06F18/23 , G06F18/213 , G06N3/0464 , G06Q50/06
Abstract: 本发明提供了一种可再生能源日前场景生成方法、装置、计算机设备及介质。其中，该方法包括：获取新能源场站的历史功率序列和日前预测功率序列，日前预测功率序列包括多个不同时刻的日前预测功率；以日前预测功率序列为条件，根据历史功率序列和预建立的场景生成模型，生成第一预设数量的日前功率序列，一个日前功率序列包括多个不同时刻的日前功率；根据日前功率序列和预建立的场景缩减模型，生成第二预设数量的日前功率缩减序列，场景缩减模型中的损失函数值通过重建损失函数值和聚类特征损失函数值加权得到，聚类特征损失函数值是根据各日前功率序列与历史功率序列的距离计算得到的。通过本发明，减少场景分析中的大量相似场景，缩短计算时长。
-
Patent Agency Ranking
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
Applicant: 中国长江三峡集团有限公司 , 华北电力大学
IPC: F03D17/00
Abstract: 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。
-
公开(公告)号：CN110145436A
公开(公告)日：2019-08-20
申请号：CN201910350215.9
申请日：2019-04-28
Applicant: 华北电力大学
IPC: F03D7/00
Abstract: 本发明公开了一种应用于风机的非线性经济模型预测控制方法，首先基于风机原理进行机理建模；选取发电机转子角速度、风轮转子角速度、轴扭转角、塔架偏移量、塔架偏移速度作为风机模型的状态量，发电机转矩和桨距角作为风机模型的控制量，发电机转子角速度和发电机功率作为风机模型的输出量，以状态空间方程的形式来表示风机非线性模型；然后离散化风机非线性预测模型；选取代表性的经济指标组成经济目标函数，进而体现风力发电系统的经济性能；设定状态量、控制量和输出量的约束条件；最后利用优化函数进行求解，得到最优控制量，本发明解决了现有技术中存在的跟踪式预测控制效果欠佳、较难实现经济性的问题。
-
公开(公告)号：CN110084425A
公开(公告)日：2019-08-02
申请号：CN201910340738.5
申请日：2019-04-25
Applicant: 华北电力大学
Abstract: 本发明公开了一种基于小波分解和偏最小二乘回归算法的深度信念网的风速预测方法，通过将采集自某实际风电场的原始数据进行清洗、分类和归一化处理后用小波基函数db3对归一化的各部分数据进行分解，使两部分数据各自产生一系列不同频率的子序列。对训练数据分解后所产生的各个频率子序列分别建立以偏最小二乘回归算法为有监督训练算法的深度信念网模型，并在训练数据分解后所产生的各个频率子序列中提取样本用来训练以上建立的深度信念网模型从而得到具有最优参数的风速预测模型。较现有的技术，本发明所涉及的方法在预测风速时不仅易于实现，而且取得更高的预测精度。
-
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
Applicant: 中国长江三峡集团有限公司 , 华北电力大学
Abstract: 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。
-
公开(公告)号：CN110096785B
公开(公告)日：2020-09-01
申请号：CN201910340736.6
申请日：2019-04-25
Applicant: 华北电力大学
Abstract: 本发明涉及了一种堆叠自编码器方法并可应用于超超临界机组建模，在机组内选用了较完整数据的情况下，这一方法解决了大数据背景下传统系统辨识方法很难建立精确的分析模型的问题，同时为了免去繁琐的数据预处理过程，采用最大相关熵函数作为代价函数，具体步骤包括：设定一个超超临界的火电厂，从超超临界机组数据集中提取合适的数据作为模型训练的输入输出样本集，确定堆叠自编码器的网络结构，选取的输入数据集作为模型的输入，采用梯度下降法对每一个自编码器进行训练，利用输入输出数据对堆叠自编码器整个网络采用梯度下降法进行微调，对数据反归一化，从而产生堆叠自编码器的最终输出。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.025 seconds)
