基于SGBRT和GWO的多变量风力功率曲线建模方法技术

本发明专利技术属于功率曲线建模技术领域，具体涉及基于SGBRT和GWO的多变量风力功率曲线建模方法，步骤包括将风机的操作区域分为五个不同阶段，根据不同阶段的功率控制策略进行数据清理；根据偏互信息PMI选择输入变量，通过比较互信息来确定外部条件与输出功率的相关性，并利用PMI处理输入变量之间的耦合关系；基于随机梯度增强回归树SGBRT进行建模，得到SGBRT模型；运用灰狼优化算法GWO优化更新SGBRT模型中的回归参数；基于优化后的SGBRT模型进行多变量风力功率曲线的建模。本发明专利技术通过结合SGBRT和GWO算法，实现了高准确度、高效率和强适应性的风力发电机组功率曲线预测，具有显著的性能优势。

【技术实现步骤摘要】

本专利技术属于功率曲线建模，具体涉及基于sgbrt和gwo的多变量风力功率曲线建模方法。

技术介绍

1、风力涡轮机（wt）的功率曲线可以直接表明其有效地将风能转化为电能的能力，准确建模和监测功率曲线，可以实现及时的风能预测、早期故障检测和风力发电机组的状态监测，这也可以用于制定有效的控制策略，并为大规模风电顺利并网提供技术支持。由于各种实际因素，如位置、风速、风向、环境温度、大气压、机械、控制、风电场的部署以及测量误差和数据处理方法等，经验功率曲线可能与理论功率曲线存在显著差异。因此，使用先进的算法提高风力发电机组功率曲线的建模精度具有重要意义，这对于提高风能利用率以及降低整体运营和维护成本至关重要。

2、现有研究中，改进的随机非参数建模方法在功率曲线模型方面取得的成就是显著的，特别是在可解释性、准确性和泛化能力方面。然而，风力发电机组不断变化和复杂的运行环境引入了许多可能影响其功率输出的外部因素，忽略某些输入变量或其耦合效应也可能降低功率曲线模型的准确性。此外，现有方法主要侧重于提高建模精度，但随着小波变换功率曲线的建模过程向使用多变量输入的本文档来自技高网...

【技术保护点】

1.基于SGBRT和GWO的多变量风力功率曲线建模方法，其特征在于包括以下步骤：

2.根据权利要求1所述的基于SGBRT和GWO的多变量风力功率曲线建模方法，其特征在于，所述的S1中，定义VWind为实际风速；VCut_in为切入风速，即风机切入阶段最大运行风速；VRated为额定风速，即风机最大风能跟踪阶段最大运行风速；VCut_out为切出风速，即风机额定功率阶段最大运行风速；PRated为风力发电机的额定功率；采用变桨控制系统进行桨叶节距角和风轮速度的控制调整；

3.根据权利要求2所述的基于SGBRT和GWO的多变量风力功率曲线建模方法，其特征在于，所述的S...

【技术特征摘要】

1.基于sgbrt和gwo的多变量风力功率曲线建模方法，其特征在于包括以下步骤：

2.根据权利要求1所述的基于sgbrt和gwo的多变量风力功率曲线建模方法，其特征在于，所述的s1中，定义vwind为实际风速；vcut_in为切入风速，即风机切入阶段最大运行风速；vrated为额定风速，即风机最大风能跟踪阶段最大运行风速；vcut_out为切出风速，即风机额定功率阶段最大运行风速；prated为风力发电机的额定功率；采用变桨控制系统进行桨叶节距角和风轮速度的控制调整；

3.根据权利要求2所述的基于sgbrt和gwo的多变量风力功率曲线建模方法，其特征在于，所述的s1中，数据清理的具体过程为：

4.根据权利要求1所述的基于sgbrt和gwo的多变量风力功率曲线建模方法，其特征在于，所述的s2中，根据偏互信息pmi选择输入变量的过程为：

5.根据权利要求4所述的基于sgbrt和gwo的多变量风力功率曲线建模方法，其特征在于，所述的s2.6中，基于pmi进行变量选择的过程为：

6.根据权利要求4所述的基于sgbrt和gwo的多变量风力功率曲线建模方法，其特征在于，所述的s3中，s...

【专利技术属性】
技术研发人员：尹文良，刘琳，史启迪，贾梦倩，张祯滨，李存欣，李永康，李明，孙晨业，张文华，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：