【技术实现步骤摘要】
本专利技术涉及在线监测数据，尤其涉及复杂工况下新能源场站在线监测数据不确定度评价方法。
技术介绍
1、新能源场站为集中接入电力系统的风电场或太阳能电站并网点以下所有设备的集合，包括变压器、母线、线路、变流器、储能、风电机组、光伏发电设备、无功调节设备及辅助设备等。
2、授权公告号cn113269435b的中国专利公开了一种新能源场站运行状态耦合监测评估系统，构建新能源场站仿真模型，确定不同介质能耗的监测指标，提出多个单位消耗指标，对能源使用量进行全面评估。
3、但是新能源场站所处环境特殊，监测的数据往往因为复杂工况产生与真实数据不同的误差，因此在线监测数据的不确定度尤其重要，上述专利技术未能对数据提供一种不确定度评价方法，未能提高复杂工况下数据测量的准确度。
4、鉴于此，本专利技术提出复杂工况下新能源场站在线监测数据不确定度评价方法以解决上述问题。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了复杂工况下新能源场站在线监测数据不确定度评价方法，能够解决传统方法不能提高复杂工况下数据测量的准确度的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案，复杂工况下新能源场站在线监测数据不确定度评价方法，包括：
4、收集新能源场站数据，并基于振动声波数据生成声波频谱矩阵；基于声波频谱矩阵、振动影响风速数据与振动真实风速数据训练实时修正振动影响风速数据的第一机器学习模型；基
5、作为本专利技术所述的复杂工况下新能源场站在线监测数据不确定度评价方法的一种优选方案，其中：所述收集新能源场站数据包括，风速数据、振动声波数据、振动影响风速数据、振动真实风速数据、水汽影响风速数据、水汽真实风速数据、疲劳影响风速数据、疲劳真实风速数据、空气湿度数据与疲劳时间。
6、作为本专利技术所述的复杂工况下新能源场站在线监测数据不确定度评价方法的一种优选方案，其中：所述a类不确定度指统计分析条件下对于风速不能肯定的程度；
7、所述b类不确定度指非统计分析方法对于风速不能肯定的程度；
8、同一个风电机组顶部安装有f个风速传感器，为每个风速传感器设置传感器权重qz，并将传感器权重qz进行归一化，使传感器权重qz相加为1，同时传感器权重每单位时间重新进行随机设置；
9、风速数据式中，fsi表示第i个传感器显示的风速；f为风速传感器的个数；qzi表示第i个传感器的传感器权重。
10、作为本专利技术所述的复杂工况下新能源场站在线监测数据不确定度评价方法的一种优选方案，其中：所述声波频谱矩阵包括，将振动声波数据进行短时傅里叶变换提取频谱；
11、将频谱表示成声波频谱矩阵；声波频谱矩阵中每一行与每一列表示不同的频率，每个元素表示对应频率的幅度值。
12、作为本专利技术所述的复杂工况下新能源场站在线监测数据不确定度评价方法的一种优选方案，其中：所述第一机器学习模型包括，将振动真实风速数据作为一组声波频谱矩阵与振动影响风速数据的标签；
13、将一组声波频谱矩阵、振动影响风速数据与振动真实风速数据作为第一机器学习模型的输入，所述第一机器学习模型以修正的振动影响风速数据作为输出；以实时的一组声波频谱矩阵与振动影响风速数据所对应的振动真实风速数据作为预测目标，以最小化第一机器学习模型损失函数值作为训练目标；当第一机器学习模型损失函数值小于等于预设的第一目标损失值时停止训练；
14、所述第一机器学习模型损失函数为均方误差；均方误差通过将损失函数最小化为目标训练模型，损失函数中mse为损失函数值，i为声波频谱矩阵与振动影响风速数据组号；u为声波频谱矩阵与振动影响风速数据组数；yi为第i组声波频谱矩阵与振动影响风速数据对应的标签，为第i组声波频谱矩阵与振动影响风速数据实时修正的标签；
15、在风速传感器实际工作中，将实时获取的风速数据fs作为输入的振动影响风速数据。
16、作为本专利技术所述的复杂工况下新能源场站在线监测数据不确定度评价方法的一种优选方案，其中：所述第二机器学习模型包括，将水汽真实风速数据作为一组空气湿度数据与水汽影响风速数据的标签；
17、将一组空气湿度数据、水汽影响风速数据与水汽真实风速数据作为第二机器学习模型的输入，所述第二机器学习模型以修正的水汽影响风速数据作为输出；以实时的一组空气湿度数据与水汽影响风速数据所对应的水汽真实风速数据作为预测目标，以最小化第二机器学习模型损失函数值作为训练目标；当第二机器学习模型损失函数值小于等于预设的第二目标损失值时停止训练。
18、作为本专利技术所述的复杂工况下新能源场站在线监测数据不确定度评价方法的一种优选方案，其中：所述第三机器学习模型包括，将疲劳真实风速数据作为一组疲劳时间与疲劳影响风速数据的标签；
19、将一组疲劳时间、疲劳影响风速数据与疲劳真实风速数据作为第三机器学习模型的输入，所述第三机器学习模型以修正的疲劳影响风速数据作为输出；以实时的一组疲劳时间与疲劳影响风速数据所对应的疲劳真实风速数据作为预测目标，以最小化第三机器学习模型损失函数值作为训练目标；当第三机器学习模型损失函数值小于等于预设的第三目标损失值时停止训练；
20、所述第一机器学习模型、第二机器学习模型与第三机器学习模型为循环神经网络模型。
21、作为本专利技术所述的复杂工况下新能源场站在线监测数据不确定度评价方法的一种优选方案，其中：所述计算综合不确定度包括，
22、a类不确定度式中，n表示连续测量的次数，fsi表示第i次测得的风速数据；
23、第一机器学习模型构建自变量为声波频谱矩阵x1与振动影响风速数据x2，因变量为振动真实风速数据的函数g(x1，x2)；
24、关于振动声波数据的b类不确定度式中表示求函数g(x1，x2)关于xi的偏导数；k表示函数g的自变量数量；为自变量为xi的不确定度；
25、关于空气湿度数据的b类不确定度ub2与关于疲劳时间的b类不确定度ub3计算方式同理；
26、将ua、ub1、ub2与ub3的平方平均数作为综合不确定度；
27、将第一机器学习模型、第二机器学习模型与第三机器学习模型实时输出的振动真实风速数据、水汽真实风速数据与疲劳真实风速数据的平均值作为综合真实风速数据。
28、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现复杂工况下新能本文档来自技高网...
【技术保护点】
1.复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：包括，
2.如权利要求1所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述收集新能源场站数据包括，风速数据、振动声波数据、振动影响风速数据、振动真实风速数据、水汽影响风速数据、水汽真实风速数据、疲劳影响风速数据、疲劳真实风速数据、空气湿度数据与疲劳时间。
3.如权利要求2所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述A类不确定度指统计分析条件下对于风速不能肯定的程度；
4.如权利要求3所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述声波频谱矩阵包括，将振动声波数据进行短时傅里叶变换提取频谱；
5.如权利要求4所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述第一机器学习模型包括，将振动真实风速数据作为一组声波频谱矩阵与振动影响风速数据的标签；
6.如权利要求5所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述第二机器学习模型包括，将水汽真实风
7.如权利要求6所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述第三机器学习模型包括，将疲劳真实风速数据作为一组疲劳时间与疲劳影响风速数据的标签；
8.如权利要求7所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述计算综合不确定度包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：包括，
2.如权利要求1所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述收集新能源场站数据包括，风速数据、振动声波数据、振动影响风速数据、振动真实风速数据、水汽影响风速数据、水汽真实风速数据、疲劳影响风速数据、疲劳真实风速数据、空气湿度数据与疲劳时间。
3.如权利要求2所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述a类不确定度指统计分析条件下对于风速不能肯定的程度；
4.如权利要求3所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述声波频谱矩阵包括，将振动声波数据进行短时傅里叶变换提取频谱；
5.如权利要求4所述的复杂工况下新能源场站在线监测数据不确定度评价方法，其特征在于：所述第一机器学习模型包括，将振动真实风速数据作为一组声波频谱矩阵与振...
【专利技术属性】
技术研发人员：孙志媛，刘默斯，刘鹏，王晓明，韦昌福，郑琨，卢广陵，黄馗，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
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。