申请/专利权人：湖北省气象服务中心(湖北省专业气象服务台)

申请日：2023-03-24

公开（公告）日：2023-05-30

公开（公告）号：CN115994325B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/214;G06N3/0475;G06N3/094;G06Q50/06;G06Q10/04

优先权：

专利状态码：有效-授权

法律状态：2023.05.30#授权;2023.05.09#实质审查的生效;2023.04.21#公开

摘要：一种基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法，从风电场收集原始数据，将数据整理成为时间戳‑风速‑温度‑功率的格式；对于数据人工标注风机覆冰时间段，并整理生成覆冰情况下的数据集；对于标注后的数据，将数据按照风速‑功率对应关系曲线使用函数进行拟合分类，通过匹配多个电站相似的风功率曲线进一步扩充数据；将抽取的数据导入TimeGAN网络中进行训练；使用生成网络Generator生成新的数据集，并在验证集上验证生成的数据集的相关性；将整理的数据集进行拼接；将生成的新数据集导入功率预测模型中进行重新训练，并抽取验证集中覆冰数据对结果进行预测试验。采用本发明提升了风机覆冰情况下的功率预报准确率。

主权项：1.一种基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法，其特征在于它具体按照以下步骤实施：步骤1，从风电场收集原始数据，将数据整理成为时间戳-风速-温度-功率的格式；步骤2，对于步骤1中数据人工标注风机覆冰时间段，并整理生成覆冰情况下的数据集；步骤3，对于步骤2中标注后的数据，将数据按照风速-功率对应关系曲线使用函数进行拟合分类，通过匹配多个电站相似的风功率曲线进一步扩充数据；步骤3中扩充方法具体如下：步骤3.1，将原始电站的风速-功率数据导出，并使用函数Fx通过绝对误差距离计算拟合曲线的特征变量a，b；步骤3.2，对于缺乏覆冰观测数据的新建电站，将与其它相似电站的数据代入公式Fx，计算绝对距离误差，选取误差小于Cap×0.1的数据扩展原始数据集，Cap为目标电站的装机容量；步骤4，将步骤3中抽取的数据导入TimeGAN网络中进行训练；步骤5，使用生成网络Generator生成新的数据集，并在验证集上验证生成的数据集的相关性；步骤6，将步骤5中产生数据按照10~9：1的比例与步骤2中整理的数据集进行拼接，生成数据时间序列直接续接在步骤2中覆冰数据集结束时间后，以此方法生成的数据集需要注意时间序列不能与真实数据集的时间序列重复；步骤7，将步骤6中生成的新数据集导入功率预测模型中进行重新训练，并抽取验证集中覆冰数据对结果进行预测试验，如果在验证集上验证风机覆冰预警及功率预测模型的准确率不低于重新训练前功率预测模型的准确率则使用新的功率预测模型，否则需要回到步骤4使用不同的训练迭代数量重新生成数据。

全文数据：

权利要求：

百度查询： 湖北省气象服务中心(湖北省专业气象服务台) 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD