【技术实现步骤摘要】
本专利技术属于风机集群功率预测领域，尤其涉及一种面向风机集群的多视角超图功率预测方法。
技术介绍
1、风力发电机组作为一种能源转换设备，其主要是依靠风能吹动叶片进而带动传动轮，并由传动轮带动与其相连接的电机转动，从而切割磁场产生电能。这一发电过程涉及了众多的设备，这些设备的运行工况不仅频繁时变且各工况及变量间耦合性强。随着传感技术的发展，目前大部分风场均安装了数据采集与监视控制(supervisory control anddata acquisition,scada)系统用于实时收集风力发电机组的过程数据。这些采集的数据中包含众多变量，其中包含诸如风速，风向等不可控的环境变量，也包含诸如桨距角，对风角度等可控的变量。通过收集这些变量产生的数据，可实现对风力发电机组的关键参数的预测，并可进一步实现机组的运行状态的评估。
2、在风电机组实际运行过程中，因为机组的运行状况通常可以通过风能与电能之间的转换效率来表征，而这种转换效率又可以用功率曲线来进行直观的展现，所以功率曲线是一个最能够直观表征风力发电机组运行状态的曲线。一个准确的功率曲线模型可以准确预测功率，而该预测得到的功率则可以为风电机组的状态监测提供一个实时的参考标准值。相应的，研究人员会将预测得到的功率值设置成一种监测参考指标。通过对比实际数据中收集到的功率值与预测功率值之间的偏差程度，可以一定程度上判别风电机组的运行状态正常与否。但随着风场中风力发电机组以及对应机组中测点数量的增加，直接导致了scada数据量的爆炸式增长，且数据的统计特性以及各变量间的耦合情况
3、此外，超图学习是一种近年来在超图结构上学习的流行方法。超图作为一种特殊的图结构化数据，在社交网络分析、图像处理、生物反应解析等领域受到广泛关注。研究者通过解析超图中的拓扑结构与节点属性等信息，能够有效解决实际应用场景中所遇到的如兴趣推荐、社群划分等问题。超图是一般图的泛化，超图里的边可以连接任意数量的顶点。超图学习是一种强大的工具，可以用于处理和理解复杂的多元关系。有望应用于风机功率预测领域，提高风机功率预测的准确性。
技术实现思路
1、本专利技术的目的在于针对多风机协同预测问题，提出一种使用超图神经网络来挖掘不同风机之间的高阶相关性。由于一个风场内的风机大多性能上较为均衡，不仅可以依靠每台风机自身的信息去进行功率预测，还可以借鉴其他风机的信息。此外，本专利技术提出的多视角超图构建方法，全面衡量了多风机之间的高阶相关性，避免单一超图的局限。
2、本专利技术的目的是通过以下技术方案实现的：
3、面向风机集群的多视角超图功率预测方法，具体为：
4、实时获取风机集群中每台风机的过程变量数据；
5、将过程变量数据中，每个变量视为超图中的一个节点，利用多种聚类算法分别进行聚类，每种聚类算法得到的簇视为一条超边，构建获得多张超图；
6、将多张超图和过程变量数据输入至训练好的功率预测模型，获得功率预测结果；
7、其中，所述训练好的功率预测模型是基于风场中风机集群正常运行过程变量数据训练获得的；训练方法如下：
8、步骤1：收集风机集群中所有双馈风力发电机的正常运行历史过程变量数据和对应的功率；
9、步骤2：将正常运行历史过程变量数据中，每个变量视为超图中的一个节点，利用多种聚类算法分别进行聚类，每种聚类算法得到的簇视为一条超边，构建获得多张超图；
10、步骤3：构建功率预测模型，所述功率预测模型包括若干个超图卷积模块与预测模块，其中超图卷积模块与超图一一对应，用于对输入的超图和过程变量数据进行卷积输出节点特征，再将所有超图卷积模块输出的节点特征进行拼接，得到集群节点特征；最后，将集群节点特征输入到预测模块中，得到预测的风机功率值；
11、步骤4：将得到的超图和过程变量数据作为输入，以最小化功率预测模型输出的预测的风机功率值与功率真实值的损失为目标，对功率预测模型进行训练，得到最终训练好的功率预测模型。
12、本专利技术首次提出将风场内具有相似工况和运行机理的风机集群进行基于多聚类方法的多视角超图构建，并在此基础上进行超图特征融合，协同挖掘风机过程变量间的高阶相关性，进而构建风机集群功率预测模型。
13、进一步地，所述步骤1中，对收集的风机集群中所有双馈风力发电机的正常运行历史过程变量数据进行拼接，表示为：
14、
15、其中表示风机集群正常运行历史过程变量数据，是各台风机正常运行历史过程变量数据的拼接。每一台风机的数据表示为p为每台风机样本量，j为每台风机过程变量数，n表示集群中风机总数。
16、进一步地，所述超图卷积模块中，每一层超图卷积的计算公式为：
17、
18、其中表示第l-1层超图卷积得到的各节点特征，l＝1,2,...,l；其中表示风机集群正常运行历史过程变量数据，l是超图卷积模块中超图卷积的层数，θm表示第m个超图卷积模块的参数，hm表示第m个超图，wm表示第m个超图的超边的权重，dv,m表示第m个超图的节点度矩阵，de,m表示第m个超图的超边度矩阵。
19、进一步地，所述所有超图卷积模块得到的节点特征进行拼接的操作表示如下：
20、
21、其中x表示拼接得到的集群节点特征，表示所有m个超图卷积模块第l层即超图卷积模块最后一层的输出节点特征。
22、进一步地，所述损失函数表示为：
23、l＝||f(x；φ)-y||2
24、其中φ是预测模块的参数，y表示功率真实值，f(x；φ)表示预测模块的输出，||*||2表示正则化函数。
25、本专利技术还提供了一种面向风机集群的运行状态监测方法，具体为：
26、实时获取风机集群中每台风机的过程变量数据和当前功率值；
27、基于所述的面向风机集群的多视角超图功率预测方法，获得功率预测结果；
28、通过对比当前功率值与功率预测结果之间的偏差程度，判别风机集群中每台风机的运行状态正常与否。
29、本专利技术的有益效果是：本专利技术利用一个风场中不同风机的设备性能，环境参数等较为相似，他们的发电过程具有相似的机理参数的特征，利用不同风机结合超图协同优化一个预测模型，得到精准的风机功率预测模型。本专利技术所提方法首先收集风场内各风机的历史过程数据，进行数据预处理与拼接。然后采用多聚类方法进行多视图超图构建，每一种聚类方法可以得到多个簇，每个簇都包含一些具有相关性的风机过程变量。将每个簇视为一条超边，簇内的过程变量视为节点，则每一种聚类方法都可以得到由多条超边组成的一张超图本文档来自技高网...
【技术保护点】
1.面向风机集群的多视角超图功率预测方法，其特征在于，具体为：
2.根据权利要求1所述的方法，其特征在于，所述步骤1中，对收集的风机集群中所有双馈风力发电机的正常运行历史过程变量数据进行拼接，表示为：
3.根据权利要求1所述的方法，其特征在于，所述超图卷积模块中，每一层超图卷积的计算公式为：
4.根据权利要求1所述的方法，其特征在于，所述所有超图卷积模块得到的节点特征进行拼接的操作表示如下：
5.根据权利要求1所述的方法，其特征在于，所述功率预测模型输出的预测的风机功率值与功率真实值的损失表示为：
6.根据权利要求1所述的方法，其特征在于，所述聚类算法包括k-means、KNN、以及DBSCAN算法中的多种。
7.一种面向风机集群的运行状态监测方法，其特征在于，具体为：
【技术特征摘要】
1.面向风机集群的多视角超图功率预测方法，其特征在于，具体为：
2.根据权利要求1所述的方法，其特征在于，所述步骤1中，对收集的风机集群中所有双馈风力发电机的正常运行历史过程变量数据进行拼接，表示为：
3.根据权利要求1所述的方法，其特征在于，所述超图卷积模块中，每一层超图卷积的计算公式为：
4.根据权利要求1所述的方法，其特征在于，所述...
【专利技术属性】
技术研发人员：明广强，马时浩，刘秋华，赵春晖，汪嘉业，竺堃，
申请(专利权)人：中国电建集团华东勘测设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。