【技术实现步骤摘要】
本申请涉及风电机组监控，具体而言，涉及一种风电机组数字孪生模型校核方法、装置及系统。
技术介绍
1、风能作为清洁能源的代表，我国清洁能源发电已占据能源资源发展的重要组成部分。针对风能，我国风力发电技术迅速崛起，而风电场运维技术则成为重点研究方向。由于海陆风电机组长期处于恶劣环境下，如极端气温变化、自然灾害影响、风速剧烈、沙尘酸雨污染等，导致风电机组故障频发、运维效率低下、进而造成风电的生产成本增高。如果风电机组故障无法及时发现并做出相应维修工作，影响风电场发电效益和安全平稳运行。
2、现有技术对此也做出了应对方案，如现有技术一：风电机组建模方法主要是基于叶素动量理论和有限元分析等等机理分析的“白箱建模”、基于支持向量机(svm)和深度学习算法实现机组表征的“黑箱建模”以及基于粒子群优化算法(pso)和机组运行机理的“灰箱建模”，虽实现了风电机组的中的一个单元进行建模和管理，但一个风电机组中存在多个单元如塔筒、发电机等，则需要建立多个管理单元，且多个管理单元进行无法建立有效联系；现有技术二：将数字孪生运用到风电机组状态监测当中，已实现多数风机部件的状态感知和健康管理，现如今风电智慧运维技术经历起步阶段，尚未实现高精度数字化模型驱动，无法满足现阶段风电机组经济平稳运行，由此专利技术一种风电机组机理模型与高精度数据校核的数字孪生体构建方法。
技术实现思路
1、有鉴于此，本申请的目的在于提供一种风电机组数字孪生模型校核方法、装置及系统，有效地解决了现有的风电机组的监控方法存在的
2、第一方面，本申请实施例提供了一种风电机组数字孪生模型校核方法，所述方法包括：
3、通过预先建立好的耦合机理模型处理风电机组耦合系统在第一时间段之内的多种变量数据，预测得到在第一时间段之后的第二时间段的输出数据；所述输出数据包括：风电机组耦合系统的状态变量预测数据和耦合机理模型的输出变量预测数据；所述耦合机理模型表征风电机组耦合系统的运行状态；所述状态变量预测数据表征风电机组耦合系统的状态变化情况；
4、获取第二时间段内风电机组耦合系统的输出变量实测数据，将所述输出变量实测数据进行预处理，并将预处理后的输出变量实测数据和输出变量预测数据输入至偏差计算模型，所述偏差计算模型处理所述预处理后的输出变量实测数据和输出变量预测数据，得到第一偏差数据；所述偏差计算模型通过深度学习神经网络训练得到的；
5、基于第一偏差数据建立所述耦合机理模型对应的动态偏差补偿模型；所述动态偏差补偿模型用于补偿耦合机理模型得到的输出数据；
6、整合所述耦合机理模型和动态偏差补偿模型，得到具有校核功能的耦合机理模型。
7、结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，所述通过预先建立好的耦合机理模型处理风电机组耦合系统在第一时间段之内的多种变量数据，预测得到在第一时间段之后的第二时间段的输出数据，包括：
8、获取风电机组耦合系统在第一时间段内的控制输入变量数据、环境扰动变量数据和状态变量预测数据，并发送至预先建立好的耦合机理模型；所述控制输入变量数据、环境扰动变量数据和状态预测变量数据分别包括多种变量数据；
9、基于预先建立好的耦合机理模型处理控制输入变量数据、环境扰动变量数据和状态变量预测数据得到风电机组耦合系统在第二时间段的输出数据。
10、结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，所述基于第一偏差数据建立所述耦合机理模型对应的动态偏差补偿模型，包括：
11、基于第一偏差数据和原始的状态变量预测数据和输出变量预测数据得到校核后的风电机组耦合系统输出的状态变量预测数据和输出变量预测数据；
12、基于第一偏差数据、校核后的风电机组耦合系统的控制输入变量数据、环境扰动变量数据和状态变量预测数据确定针对耦合机理模型中状态变量预测数据所对应的模型的动态补偿项；
13、基于第一偏差数据、校核后的风电机组耦合系统的控制输入变量数据、环境扰动变量数据和状态变量预测数据确定针对耦合机理模型中输出变量预测数据所对应的模型的动态补偿项；
14、基于状态变量预测数据的动态补偿项、输出变量预测数据的动态补偿项和耦合机理模型的状态变量预测数据、输出变量预测数据以及校核之后的耦合机理模型的状态变量预测数据、输出变量预测数据的关系，建立所述耦合机理模型对应的动态偏差补偿模型。
15、结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，所述将所述输出变量实测数据进行预处理，并将预处理后的输出变量实测数据和输出变量预测数据输入至偏差计算模型，包括：
16、将输出变量实测数据进行归一化处理；
17、基于预先训练过的降噪自编码器对归一化后的输出变量实测数据进行降维和筛选，得到降维和筛选后的输出变量实测数据。
18、结合第一方面，本申请实施例提供了第一方面的第四种可能的实施方式，所述整合所述耦合机理模型和动态偏差补偿模型得到具有校核功能的耦合机理模型，包括：
19、所述耦合机理模型和动态偏差补偿模型进行串联，得到具备校核功能的耦合机理模型；
20、所述具备校核功能的耦合机理模型，用于通过耦合机理模型根据当前时刻风电机组耦合系统的多种变量数据预测得到的未来预设时间段的输出数据；通过动态偏差补偿模型计算出耦合机理模型得到的输出数据对应的补偿数据；结合输出数据和对应的补偿数据得到补偿后的输出数据，以基于补偿后的输出数据驱动风电机组耦合系统运行。
21、结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，所述整合所述耦合机理模型和动态偏差补偿模型得到具有校核功能的耦合机理模型之后，所述方法还包括：
22、基于校核后的耦合机理模型得到的输出变量预测数据与输出变量实测数据计算得到第二偏差数据，以基于第二偏差数据计算得到对应的第二均方根偏差数据、第二平均绝对偏差数据和第二平均绝对百分比偏差数据；
23、判断第二偏差数据是否符合预设精度条件；所述预设精度条件为第二偏差数据对应的第二均方根偏差数据、第二平均绝对偏差数据和第二平均绝对百分比偏差数据均低于第一偏差数据对应的第一均方根偏差数据、第一平均绝对偏差数据和第一平均绝对百分比偏差数据；
24、若符合，则耦合机理模型具备校核功能。
25、结合第一方面，本申请实施例提供了第一方面的第六种可能的实施方式，所述耦合机理模型是有限元-集总参数模型复合集成得到的，包括入流风况模型、气动有限元模型、传动链的多体动力学集总参数模型、塔筒有限元模型、发电机的集总参数模型、变桨伺服控制模型；
26、所述入流风况模型、气动有限元模型、传动链的多体动力学集总参数模型、塔筒有限元模型、发电机的集总参数模型和变桨伺服控制模型分别计算得到风电机组耦合系统对应种类本文档来自技高网...
【技术保护点】
1.一种风电机组数字孪生模型校核方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过预先建立好的耦合机理模型处理风电机组耦合系统在第一时间段之内的多种变量数据，预测得到在第一时间段之后的第二时间段的输出数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于第一偏差数据建立所述耦合机理模型对应的动态偏差补偿模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述输出变量实测数据进行预处理，并将预处理后的输出变量实测数据和输出变量预测数据输入至偏差计算模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述整合所述耦合机理模型和动态偏差补偿模型得到具有校核功能的耦合机理模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述整合所述耦合机理模型和动态偏差补偿模型得到具有校核功能的耦合机理模型之后，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述耦合机理模型是有限元-集总参数模型复合集成得到的，包括入流风况模型、气动有限元模型、传动链的多体
8.一种风电机组数字孪生模型校核装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任意一项所述的一种风电机组数字孪生模型校核方法的步骤。
10.一种风电机组数字孪生模型校核系统，其特征在于，该系统包括数据传输模块和数字孪生校核平台；
...【技术特征摘要】
1.一种风电机组数字孪生模型校核方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过预先建立好的耦合机理模型处理风电机组耦合系统在第一时间段之内的多种变量数据，预测得到在第一时间段之后的第二时间段的输出数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于第一偏差数据建立所述耦合机理模型对应的动态偏差补偿模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述将所述输出变量实测数据进行预处理，并将预处理后的输出变量实测数据和输出变量预测数据输入至偏差计算模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述整合所述耦合机理模型和动态偏差补偿模型得到具有校核功能的耦合机理模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述整合所述耦合机理模型和动...
【专利技术属性】
技术研发人员：胡阳，张杨宇，李博，房方，付德义，刘吉臻，
申请(专利权)人：华北电力大学，
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。