-
公开(公告)号:CN114021483B
公开(公告)日:2025-02-07
申请号:CN202111400222.9
申请日:2021-11-24
Applicant: 新疆工程学院
IPC: G06F30/27 , G06F18/241 , G06N20/00 , G06Q10/04 , G06F113/06 , G06F119/06
Abstract: 本发明公开了一种基于时域特征与XGBoost的超短期风电功率预测方法,根据风场环境中的风速、风速变化率、风向、气压、温度、湿度等影响因素,通过机器学习的方法对特征进行分类、标记,并进行归一化和向量化表示,使其在风环境空间中具有领域特征信息,之后再利用机器学习算法对表示后的特征进行模型训练,找出对风电功率影响最大的风环境特征集合及其对风电功率的影响系数,之后利用集成学习的方法将各特征融入进模型对风电的超短期功率进行预测,根据k折交叉验证方法找出使得预测结果的均方根误差及平均绝对误差最小的模型,最终形成预测模型。将影响风电功率的因素从五个维度,四个方向进行分解,对影响因素的特征实现了精细化和充分的拓展和挖掘。
-
公开(公告)号:CN114021483A
公开(公告)日:2022-02-08
申请号:CN202111400222.9
申请日:2021-11-24
Applicant: 新疆工程学院
IPC: G06F30/27 , G06K9/62 , G06N20/00 , G06Q10/04 , G06F113/06 , G06F119/06
Abstract: 本发明公开了一种基于时域特征与XGBoost的超短期风电功率预测方法,根据风场环境中的风速、风速变化率、风向、气压、温度、湿度等影响因素,通过机器学习的方法对特征进行分类、标记,并进行归一化和向量化表示,使其在风环境空间中具有领域特征信息,之后再利用机器学习算法对表示后的特征进行模型训练,找出对风电功率影响最大的风环境特征集合及其对风电功率的影响系数,之后利用集成学习的方法将各特征融入进模型对风电的超短期功率进行预测,根据k折交叉验证方法找出使得预测结果的均方根误差及平均绝对误差最小的模型,最终形成预测模型。将影响风电功率的因素从五个维度,四个方向进行分解,对影响因素的特征实现了精细化和充分的拓展和挖掘。
-
公开(公告)号:CN113007022A
公开(公告)日:2021-06-22
申请号:CN202110305693.5
申请日:2021-03-23
Applicant: 新疆工程学院
Abstract: 本发明提供基于风速对风机性能影响的数据驱动模型装置及其构建方法,包括支撑塔,支撑塔的顶部安装有壳体,壳体的一端安装有控制箱,发电机与齿轮箱的输出轴传动连接,控制箱的内部安装有数据处理器,数据传感器还电性连接有非线性干扰传感器和无模型自适应预测控制器,非线性干扰传感器电性连接有容错控制器,容错控制器和无模型自适应预测控制器均与置于支撑塔内部的风力发电机控制器电性连接。本发明利用利用无模型自适应预测控制器获取风机转速信息、桨距角信息和功率信息后,利用非线性干扰观测器对风不确定性和故障特征对风机控制性能的非线性动力学影响规律,并最终利用数据驱动方式对风机系统的全风速变速变桨距控制。
-
-