[發明專利]風電機組的布局位置檢測方法、模型訓練方法及裝置

在審

• 申請號: 202111151153.2
• 申請日: 2021-09-29
• 公開（公告）號: CN115906600A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 曹長健;焦成柱;劉曉亞
• 申請（專利權）人: 新疆金風科技股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/00;G06Q10/0635;G06Q10/04;G06F113/06
• 代理公司: 北京東方億思知識產權代理有限責任公司 11258
• 代理人: 趙秀芹

本申請公開了一種風電機組的布局位置檢測方法、模型訓練方法及裝置，針對風場的風電機組劃分多個扇區，對于多個扇區中的目標扇區，獲取目標扇區的當前地形數據和風場的當前風參數據；將當前地形數據和當前風參數據輸入至完成訓練的風險預測模型，得到目標扇區的風險預測結果；根據風險預測結果，檢測風電機組的布局位置。即本申請實施例可以根據預先確定的地形數據、風參數據與機艙加速度超限的風險的對應關系，結合目標扇區的當前地形數據和風場的當前風參數據，檢測風電機組的布局位置是否存在高頻振動風險，無需人工判斷，如此可以避免個人經驗對檢測結果的影響，提高了檢測結果的準確性。

技術領域

本申請屬于風電場選址技術領域，具體涉及一種風電機組的布局位置檢測方法、模型訓練方法及裝置。

背景技術

在風電場，風電機組如果出現高頻振動會影響風電機組的安全運行和發電量。因此，在為風電機組選址時，通常需要檢測風電機組在布局位置是否存在高頻振動風險，若風電機組在該布局位置存在高頻振動風險，可能需要更換風電機組的布局位置。

目前，主要是依據人工經驗根據布局位置的地形來檢測風電機組在該布局位置是否存在高頻振動風險，準確性差。

發明內容

本申請實施例提供一種風電機組的布局位置檢測方法、模型訓練方法及裝置，在檢測風電機組的布局位置時，可以提高檢測結果的準確性。

第一方面，本申請實施例提供了一種風電機組的布局位置檢測方法，該方法包括：

針對風場的風電機組劃分多個扇區，對于多個扇區中的目標扇區，獲取目標扇區的當前地形數據和風場的當前風參數據；

將當前地形數據和當前風參數據輸入至完成訓練的風險預測模型，得到目標扇區的風險預測結果，風險預測模型用于表征地形數據、風參數據與機艙加速度超限的風險的對應關系，風險預測結果用于表征目標扇區是否存在高頻振動風險；

根據風險預測結果，檢測風電機組的布局位置。

第二方面，本申請實施例提供了一種風險預測模型的訓練方法，該方法包括：

獲取訓練樣本，訓練樣本包括風場的每個風電機組的多個扇區中的目標扇區的歷史地形數據以及風場的歷史風參數據；

確定用于建立歷史地形數據、歷史風參數據與機艙加速度超限的風險的對應關系的機器學習模型；

根據歷史地形數據和歷史風參數據，訓練機器學習模型；

若滿足停止條件，則停止訓練，得到完成訓練的風險預測模型。

第三方面，本申請實施例提供了一種風電機組的布局位置檢測裝置，該裝置包括：

數據獲取模塊，用于針對風場的風電機組劃分多個扇區，對于多個扇區中的目標扇區，獲取目標扇區的當前地形數據和風場的當前風參數據；

風險預測結果確定模塊，用于將當前地形數據和當前風參數據輸入至完成訓練的風險預測模型，得到目標扇區的風險預測結果，風險預測模型用于表征地形數據、風參數據與機艙加速度超限的風險的對應關系，風險預測結果用于表征目標扇區是否存在高頻振動風險；

檢測模塊，用于根據風險預測結果，檢測風電機組的布局位置。

第四方面，本申請實施例提供了一種風險預測模型的訓練裝置，該裝置包括：

訓練樣本獲取模塊，用于獲取訓練樣本，訓練樣本包括風場的每個風電機組的多個扇區中的目標扇區的歷史地形數據以及風場的歷史風參數據；

機器學習模型確定模塊，用于確定用于建立歷史地形數據、歷史風參數據與機艙加速度超限的風險的對應關系的機器學習模型；

訓練模塊，用于根據歷史地形數據和歷史風參數據，訓練機器學習模型；