典型文献
分工况下风电机组各变量相关性研究
文献摘要：
随着发电技术的成熟和政府政策的支持,近年来海上风电产业飞速发展.为对风电机组状态进行更好的监控并预测可能出现的大功率,研究了风电机组多个变量间的相关性.首先在全工况下采集广东某海上风电场数据采集与监视控制(SCADA)系统的数据,探究了该海上风电场风电机组重要相关状态变量的Pearson相关系数、Spearman相关系数和Copula熵,研究其在变量相关性描述方面的应用.然后,通过对相关状态变量散点图的直观观察和数理性分析,获得了三者在描述变量相关方面的一致性.考虑到不同工况对风电机组运行特性的影响及Copula熵在变量相关性研究方面的优越性,提出了一种基于K-means的工况辨识方法,根据风电机组运行特性构造出衍生状态特征——风速差分.分析在K-means算法划分工况下,各工况特征状态变量的相关性.分析结果表明,各工况下风电机组运行特性差异较大,特征变量相关性各不相同,需分情况进行分类分析.
文献关键词：
风电机组;变量相关性;Copula熵;海上风电;清洁能源
中图分类号：
作者姓名：
崔双双;孙单勋
作者机构：
暨南大学能源与电力研究中心,广东珠海 519070
文献出处：
引用格式：
[1]崔双双;孙单勋-.分工况下风电机组各变量相关性研究)[J].综合智慧能源,2022(12):49-55
A类：
B类：
下风,变量相关性,发电技术,政府政策,海上风电产业,机组状态,大功率,全工况,海上风电场,数据采集与监视控制,SCADA,状态变量,Copula,散点图,理性分析,不同工况,风电机组运行,运行特性,means,工况辨识,辨识方法,征状,特征变量,各不相同,分类分析,清洁能源
AB值：
0.232767
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
