基于多变量选择的深度神经网络功率曲线建模

华电技术 ›› 2019, Vol. 41 ›› Issue (8): 27-31.

基于多变量选择的深度神经网络功率曲线建模

华北电力大学控制与计算机工程学院，北京〓102206

出版日期:2019-08-26 发布日期:2019-09-06

Deep neural network modeling on power curve based on multivariable selection

School of Control and Computer Engineering，North China Electric Power University，Beijing 102206，China

Online:2019-08-26 Published:2019-09-06

摘要/Abstract

摘要：

风电机组功率曲线能够反映机组的发电能力，对机组历史数据进行功率曲线建模对风电场的运行管理具有重要意义。引入偏最小二乘法(PLS)在数据层面分析了机组多个变量与输出功率的相关程度，通过交叉有效性原则与投影重要性指标(VIP)对多个变量进行降维筛选，之后把最优的变量子集作为深度神经网络(DNN)的输入，最终得到功率曲线的DNN模型。以安徽某风电场风电机组数据为例，通过与其他建模方法做对比，验证了所提方法的有效性。

关键词:

font-size: 10.5pt, mso-spacerun: 'yes', mso-font-kerning: 1.0000pt">风电机组, 功率曲线, 偏最小二乘法, 深度神经网络, 风电场, 降维筛选

Abstract:

A wind turbine power curve can reflect the generating capacity of a unit. Power curve modeling based on historical data is significant to the operation and management of wind farms.The partial least squares (PLS) method is introduced to analyze the correlation between multiple variables and output power of units on data layer. The crossvalidity principle and the variable importance in projection (VIP) are used in dimension reduction screening for multiple variables.The subset of optimal variables is used as the input to the deep neural network (DNN), from which the DNN model of the power curve is obtained. Taking the data of a wind turbine in an Anhui wind farm as an example, the effectiveness of the proposed method is verified by comparing it with other modeling methods.

Key words:

font-size: 10.5pt, mso-spacerun: 'yes', mso-font-kerning: 1.0000pt">wind turbine, power curve, partial least squares, DNN, wind farm, dimension reduction screeningfont-size: 10.5pt, mso-spacerun: 'yes', mso-font-kerning: 1.0000pt">

解加盈，郭鹏. 基于多变量选择的深度神经网络功率曲线建模[J]. 华电技术, 2019, 41(8): 27-31.

XIE Jiaying，GUO Peng.

Deep neural network modeling on power curve based on multivariable selection [J]. Huadian Technology, 2019, 41(8): 27-31.

[1]	王康平, 张兴科, 刘财华, 沈希澄, 周霞. 基于自适应下垂控制的风电场无功电压控制策略[J]. 综合智慧能源, 2022, 44(4): 12-19.
[2]	杨明明. 基于卷积神经网络的机舱风速修正[J]. 华电技术, 2021, 43(5): 75-79.
[3]	陈宏岩，唐治国，陈琦，王永旭，吴路明. 基于区间潮流算法的低压配电网分散无功补偿优化方法[J]. 华电技术, 2020, 42(6): 1-5.
[4]	王利杰，王鸿腾，孙波. 基于稳定性试验数据的水轮发电机组运行区域划分[J]. 华电技术, 2020, 42(6): 6-9.
[5]	吴路明，薛明军，陈琦，王永旭，唐治国，陈宏岩. 一起电子互感器异常引发的复杂发展性故障分析及改进[J]. 华电技术, 2020, 42(6): 10-15.
[6]	牛犇. 以软化水为水源的循环冷却水水质控制技术[J]. 华电技术, 2020, 42(6): 16-21.
[7]	尚力阳，范素香，张智勇，于鹏辉，何勇，季艳茹. 输水干渠智能化拦藻设备设计及应用[J]. 华电技术, 2020, 42(6): 22-24.
[8]	王云鹏，段小云. 330MW热电联产机组锅炉低氮燃烧器改造和燃烧调整[J]. 华电技术, 2020, 42(6): 35-42.
[9]	邵磊，潘广强，张裕全，储昊，曹伟. 声波解堵提效技术在尿素热解炉上的应用[J]. 华电技术, 2020, 42(6): 43-46.
[10]	王志永，许贺，朱慧敏，葛俊沛，许静. 燃气-蒸汽联合循环机组余热锅炉热效率计算模型对比分析[J]. 华电技术, 2020, 42(6): 47-51.
[11]	王东振，葛磊蛟. 面向燃气发电机组出口电缆同相多根并联运行优化策略[J]. 华电技术, 2020, 42(6): 52-56.
[12]	高涌，田鑫，吴寅琛. 燃气轮机空气过滤系统预过滤器改造效果评估[J]. 华电技术, 2020, 42(6): 57-61.
[13]	行武，郭晓，王哲，史博伦. 参数识别原理在磁控型并联电抗器保护中的应用[J]. 华电技术, 2020, 42(6): 47-51.
[14]	杨明明. 基于机舱传递函数的风机功率曲线研究[J]. 华电技术, 2020, 42(5): 50-54.
[15]	尤佳，王润芳，马大卫，姜少毅，朱仁斌，陈剑，王克峰. 基于合肥市PM2.5源解析的电能替代效果评估[J]. 华电技术, 2020, 42(1): 1-7.