风机预测数据确定方法、系统、应用及可读存储介质技术方案

本发明专利技术提供了一种风机预测数据确定方法、系统、应用及可读存储介质，所述风机预测数据确定方法包括以下步骤：S1：建立与各种风力发电机相对应的虚拟风机，获取风机模型的原始特征点数据；S2：将S1中原始特征点数据进行降采样处理和序列重组，获取重组后的特征点数据；S3：将重组后的特征点数据进行高斯线性模糊处理后，获得时间窗口粒化数据；S4：将时间窗口粒化数据输入风机预测模型，获取数字孪生风机平台的风机长期预测数据，本发明专利技术通过将风机数据进行降采样和时间窗口粒化，在充分表示数据趋势变化的同时也有效避免了长期预测中存在的累计误差和时间相关性减小的问题，提高了长期预测的精准度。预测的精准度。预测的精准度。

【技术实现步骤摘要】
风机预测数据确定方法、系统、应用及可读存储介质


[0001]本专利技术涉及风力发电机
，具体涉及一种风机预测数据确定方法、系统、应用及可读存储介质，尤其是一种基于数字孪生风机平台的风机预测数据确定方法、系统、应用及可读存储介质。

技术介绍

[0002]随着全球对气候变化问题和能源危机的关注，风能经历了近十年的快速但相当稳定的增长。我国风能资源丰富，目前风电技术的开发取得了巨大进步。但风能资源开发利用仍然存在着诸多问题。
[0003]数字孪生是建模与仿真技术的巅峰应用。仿真模型是实现数字孪生体和物理实体实时交互的基础,贯穿于系统全生命周期各个阶段.基于多模型数字线程交互技术和高效数据通信技术,数字孪生系统可实现信息空间和物理空间的无缝集成与实时映射.数字孪生系统通过对产品全生命周期的推演,可实现对整个价值链的虚拟洞察与反馈,进而支撑真实生产过程和产品的持续优化。
[0004]通过将风电机组与数字孪生相结合产生的风电机组数字孪生平台，其具备预测未来运行态势的能力,即给定一些环境预测信息,如短期风速、风向等,模型能够对整机各部件特性进行较高准确度的计算推演,结果可用于风电机组预警、新型控制策略的验证等应用场景。
[0005]目前常见的多为关于风机特征参数的短期或超短期预测。
[0006]一、在当前较为主流的关于风机的长期预测模型中，通常依赖于短期预测的迭代步骤，也就是做一个单步预测器，通过迭代应用它来获得多部预测。这常常会导致误差累积及数据时间相关性减少的问题，导致精准度较低，难以将预测结果作为风电场长期发展的规划依据。
[0007]二、当下常见的风机平台所提供的模型有限，且导入新模型多依赖于工作人员，无法做到实时更新，难以保证风机平台的时效性。
[0008]因此，有必要研究一种风机预测数据确定方法、系统、应用及可读存储介质来应对现有技术的不足，以解决或减轻上述一个或多个问题。

技术实现思路

[0009]有鉴于此，针对目前常见风机平台做长期预测时，存在的误差累积以及时间相关性减少的问题，导致长期预测结果不可靠，本专利技术提供了一种基于数字孪生风机平台的风机预测数据确定方法、系统、应用及可读存储介质，能提升模型长期预测的精准度。
[0010]一方面，本专利技术提供一种风机预测数据确定方法，所述风机预测数据确定方法包括以下步骤：
[0011]S1：建立与各种风力发电机相对应的虚拟风机，获取风机模型的原始特征点数据；
[0012]S2：将S1中原始特征点数据进行降采样处理和序列重组，获取重组后的特征点数
据；
[0013]S3：将重组后的特征点数据进行高斯线性模糊处理后，获得时间窗口粒化数据；
[0014]S4：将时间窗口粒化数据输入风机预测模型，获取数字孪生风机平台的风机长期预测数据。
[0015]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S1具体包括：
[0016]S11：依据风机机理模型，建立各种风力发电机相对应的虚拟风机；
[0017]S12：输入风机现场风速，虚拟风机产生风机模型各部位的原始特征点数据。
[0018]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2具体包括：
[0019]S21：将原始特征点数据进行降采样处理，通过分离偶数和奇数元素将原始风机序列A下采样为两个子序列A
even
和A
odd
；
[0020]S22：使用不同的卷积核从A
even
和A
odd
中提取子特征；
[0021]S23：在每个序列分离过程中加入相互学习过程，多个降采样结构按照树状排列；
[0022]S24：在经过所有降采样操作后，用奇偶反转以重新排列所有子特征中的元素，并将其组成一个新的序列，将新序列通过残差加入到原始时间序列中，获取重组后的特征点数据。
[0023]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3具体为：将S2得到的重组后的特征点数据通过高斯线性模糊处理之后表示为LG(k,b,σ,T)，
[0024]其中k,b表示为核心线的斜率和截距，σ代表数据偏离核心线的程度，T表示该窗口的时间跨度。
[0025]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S4具体为：将高斯线性模糊处理之后的时间窗口粒化数据分别带入风机预测模型中，用k1，k2……
k
ω
得到通过相同方法再次得到组合之后变为
[0026][0027]其中，为目标输出；
[0028]通过相同方法得到作为数字孪生风机平台的长期预测输出。
[0029]如上所述的方面和任一可能的实现方式，进一步提供一种风机预测数据处理系统，包括所述的风机预测数据确定方法，所述风机预测数据处理系统包括：
[0030]数据获取模块，用于建立与各种风力发电机相对应的虚拟风机，获取风机模型的原始特征点数据；
[0031]数据重组模块，用于将中原始特征点数据进行降采样处理和序列重组，获取重组后的特征点数据；
[0032]时间窗口粒化模块，用于将重组后的特征点数据进行高斯线性模糊处理后，获得时间窗口粒化数据；
[0033]数据输出模块，用于将时间窗口粒化数据输入风机预测模型，获取数字孪生风机
平台的风机长期预测数据。
[0034]如上所述的方面和任一可能的实现方式，进一步提供一种风机预测数据确定方法的应用，所述应用具体为：
[0035]通过选择调用所述的风机预测数据确定方法获取的风机预测数据对设计的风机预测模型进行验证，更新并保存验证结果更为接近实际风机数据的风机预测模型。
[0036]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述应用适用于数字孪生风机平台，所述数字孪生风机平台包括：
[0037]输入端：用于输入风机预测模型、虚拟风机模型和风机现场风速；
[0038]数据处理端：用于通过所述的风机预测数据确定方法对虚拟风机模型进行数据处理，同时验证和优化风机预测模型；
[0039]输出端：用于输出优化后的风机预测模型和风机预测数据。
[0040]如上所述的方面和任一可能的实现方式，进一步提供一种计算机可读存储介质，用于存储计算机程序指令，所述计算机程序指令在被处理器执行时实现所述的风机预测数据确定方法。
[0041]与现有技术相比，本专利技术可以获得包括以下技术效果：
[0042]1)：本专利技术提出在现有数字孪生风机平台的基础上，将虚拟风机产生的数据经过降采样处理，极大的增强了风机数据序列的可学习性，有效提升风机长期预测的精度。同时，本文提出将降采样后的数据经过高斯线性模糊处理为时间窗口，通过LG(k,b,σ,T)表示，将模型的预测从数值层面转化为颗粒层面，有效的避免风机长期预测中存在的误差累积及时间相关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风机预测数据确定方法，其特征在于，所述风机预测数据确定方法包括以下步骤：S1：建立与各种风力发电机相对应的虚拟风机，获取风机模型的原始特征点数据；S2：将S1中原始特征点数据进行降采样处理和序列重组，获取重组后的特征点数据；S3：将重组后的特征点数据进行高斯线性模糊处理后，获得时间窗口粒化数据；S4：将时间窗口粒化数据输入风机预测模型，获取数字孪生风机平台的风机长期预测数据。2.根据权利要求1所述的风机预测数据确定方法，其特征在于，所述S1具体包括：S11：依据风机机理模型，建立各种风力发电机相对应的虚拟风机；S12：输入风机现场风速，虚拟风机产生风机模型各部位的原始特征点数据。3.根据权利要求1所述的风机预测数据确定方法，其特征在于，所述S2具体包括：S21：将原始特征点数据进行降采样处理，通过分离偶数和奇数元素将原始风机序列A下采样为两个子序列A
even
和A
odd
；S22：使用不同的卷积核从A
even
和A
odd
中提取子特征；S23：在每个序列分离过程中加入相互学习过程，多个降采样结构按照树状排列；S24：在经过所有降采样操作后，用奇偶反转以重新排列所有子特征中的元素，并将其组成一个新的序列，将新序列通过残差加入到原始时间序列中，获取重组后的特征点数据。4.根据权利要求3所述的风机预测数据确定方法，其特征在于，所述S3具体为：将S2得到的重组后的特征点数据通过高斯线性模糊处理之后表示为LG(k,b,σ,T)，其中k,b表示为核心线的斜率和截距，σ代表数据偏离核心线的程度，T表示该窗口的时间跨度。5.根据权利要求4所述的风机预测数据确定方法，其特征在于，所述S4具体为：将高斯线性模糊处理之后的...

【专利技术属性】
技术研发人员：房方，汪铭瑞，魏乐，胡阳，刘吉臻，向阳，任鑫，吴旭涛，
申请(专利权)人：北京拓扑数能科技有限公司华能集团技术创新中心有限公司，
类型：发明
国别省市：