基于Informer的风电机组叶根载荷预测.pdf
《基于Informer的风电机组叶根载荷预测.pdf》由会员分享,可在线阅读,更多相关《基于Informer的风电机组叶根载荷预测.pdf(5页珍藏版)》请在咨信网上搜索。
1、第 卷第 期 年 月水 力 发 电 .基于 的风电机组叶根载荷预测王 伟 王海云 黄晓芳(新疆大学电气工程学院 新疆 乌鲁木齐 新疆金风科技股份有限公司 新疆 乌鲁木齐)摘 要:为了保障风电机组的安全经济运行 需要对风机关键部位的实时载荷进行监测和预测 因此 提出了一种基于 模型的风机叶根实时载荷预测方法 首先使用 软件对风机进行仿真计算 然后利用仿真数据搭建 预测模型对风机叶根实时载荷进行预测 最后给出了模型预测数据与实际数据的曲线并对预测结果进行了评估 证明了该方法的可行性 通过与 和 两种常规模型的预测结果进行对比 证明了 模型有更优的预测性能关键词:风电机组 叶根 载荷预测 模型 .中
2、图分类号:文献标识码:文章编号:()收稿日期:基金项目:自治区重点研发计划资助项目()作者简介:王伟()男 湖北荆州人 硕士研究生 主要从事风电机组载荷分析相关研究.0引言为实现我们国家制定的双碳目标 近年来风力发电产业蓬勃发展 电网中的认可度也越来越高这一切都离不开风电技术的更新迭代 风电技术的进步也在不断提升风电机组运行的安全性和经济性 风电机组所处的运行环境十分复杂多变 而且过去的十几年间风机轮毂的高度越来越高 叶片也越来越大 风电机组的各个关键部位(例如叶根和偏航)更容易受到载荷的影响 这就给风电机组的结构安全以及风场的运维带来了不小的压力 为此需要采用优秀的预测手段对风电机组的载荷进
3、行监测和预测 以保障风电机组安全经济的运行近年来 随着大数据技术和人工智能技术的发展 机器学习方法能够从数据中“学习”总结出规律 有很强的处理非线性问题的能力 因此 机器学习算法也被用于风电机组的载荷分析和预测中付德义等基于 的仿真数据 将 神经网络应用于风电机组的载荷适应性评估 完成了在不同风况条件下对风电机组叶根和轮毂等关键部位的极限载荷以及等效疲劳载荷的预测 周士栋等则是基于风机运行的 数据搭建了 神经网络模型 实现了对风机关键部位载荷的预测许扬等结合多因素权重法和 神经网络有效预测并分析了各种环境参数对风机关键部位平均载荷水 力 发 电 年 月 .和极限载荷的影响 章培成等采用多元线性
4、回归的算法搭建了风机载荷预测模型 该模型在对风场多机位点评估时有着较高的准确性 上述文献都对风电机组的疲劳载荷、平均载荷以及极限载荷进行了预测方法的研究 但是未涉及风电机组实时载荷的预测 而为了提升风机运行的效率 掌握风机的实时运行状态是最有效的途径 卢晓光等利用数字孪生技术创新性地对风电机组的载荷进行了实时预测 虽然总体预测效果良好 但是由于一次性预测的数据点过多即预测的是超长序列 难免会出现局部数据段的实际值和预测值的误差较大的问题 因此 本文采用序列预测工具对风电机组载荷较长序列的预测 模型由北京航空航天大学于 年提出 专门设计用于长序列的预测 目前已经有学者将 模型应用于不同领域的工程
5、研究 中 例 如 董 浩 等将 模 型 应 用 于 浓度的预测 刘洪笑等和贺春光等使用 模型对用电量进行了预测 张友等则在数据不完备的情况下使用 模型完成了对离心鼓风机故障趋势的预测基于上述研究现状 本文创新性地将 模型应用于风电机组叶根载荷的实时预测 并对预测结果进行科学评估 验证该方法的可行性 同时由于 和 是目前处理序列数据常见且效果不错的的深度学习算法 本文采用两者进行对比实验 以此验证 模型在载荷实时预测中的更优的预测性能1基础理论 基于叶素动量理论的风机载荷计算叶素动量理论()是当前风力机载荷计算最主要的方法 包含叶素理论和动量理论 个部分叶素理论是指将叶轮的叶片沿展向切割成 个没
6、有空气动力相互作用的微段 称这些微段为叶素把作用在每个叶素上的力和力矩积分 便可得到叶轮上的力和力矩 与叶根距离为 、厚度为 的叶素上受到的轴向推力 和 分别由如下公式计算得到()()()()式中 为叶轮的叶片数 为空气密度 为叶素弦长 为相对来流的风速 和 分别为升、阻力系数 为入流角动量理论是指基于动量守恒定律 获得作用于叶轮上的力、力矩和动量、角动量之间的关系 同样 与叶根距离为、厚度为 的叶素上受到的轴向推力 和 分别由如下公式计算得到()()()()式中 为无穷远处来流风速 和 分别是轴向和切向诱导因子 为风轮转速结合叶素理论和动量理论便可以求得作用在风机叶轮上的力、力矩和功率 灰色
7、关联度分析灰色关联度分析法的基本思想是若影响因素与目标变量的变化趋势一致 该影响因素与目标变量关联度较高 反之 则关联度较低 将灰色关联度分析法与深度学习模型相结合 通过该分析方法筛选出与目标变量强相关的影响因素作为模型的输入从而避免模型因无效输入太多导致其训练效率过低的问题 灰色关联度分析法的计算公式如下()()()()()()()()式中()为第 个影响因素的第 条数据与目标变量第 条数据的关联系数()为第 个影响因素与目标变量的差序列()和()分别为两级最大差和两级最小差 为分辨系数 范围为()本文取 为第 个影响因素与目标变量的关联度 为变量的数据个数 模型原理 模型是基于注意力机制的
8、深度学习模型 能够更为准确地捕捉到长序列中输入和输出依赖关系 因此 模型的出现为解决长序列问题提供了新的方法 模型主要由编码器()和解码器()部分组成 具体结构如图 所示图 模型结构示意第 卷第 期王 伟等:基于 Informer 的风电机组叶根载荷预测 .注意力机制的计算主要由查询向量矩阵()、键向量矩阵()和值向量矩阵()个向量组成 其中 为查询向量矩阵序列维度 为键向量矩阵序列维度 是值向量矩阵序列维度 为输入维度 第 个 的注意力系数的概率形式 表为()()()()()第 个 的稀疏性得分 为()()最终得到稀疏自注意力公式为()()()表 影响因素与叶根载荷关联度影响因素风速/桨距角
9、/发电机转速/发电机转矩/机舱俯仰加速度/机舱倾覆加速度/机舱俯仰速度/机舱倾覆速度/叶根 叶根 叶根 式中 矩阵由查询向量矩阵 概率稀疏化得到 主要用于捕获长序列的远期依赖关系将输入送至多头稀疏自注意力模块 并且中间会通过蒸馏层进行蒸馏操作以减少网络参数 突出特征蒸馏原理可表示为 ()()式中 为最大池化操作 为激活函数 表示的是序列上的一维卷积操作 的作用是进行前向计算并预测长序列输出 此外 由于 使用的是生成式结构 能够一次性生成全部的预测序列 极大地提高了预测解码的效率 的输入格式为()()()式中 为开始字符 为占位字符 则表示将 和 连接合并同时 对于序列预测问题 数据间的顺序非常
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Informer 机组 载荷 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。