CN104021424A - 用于预测风场中的风机的输出功率的方法和装置 - Google Patents

用于预测风场中的风机的输出功率的方法和装置 Download PDF

Info

Publication number
CN104021424A
CN104021424A CN201310063237.XA CN201310063237A CN104021424A CN 104021424 A CN104021424 A CN 104021424A CN 201310063237 A CN201310063237 A CN 201310063237A CN 104021424 A CN104021424 A CN 104021424A
Authority
CN
China
Prior art keywords
data
weather
blower fan
wind
wind field
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310063237.XA
Other languages
English (en)
Other versions
CN104021424B (zh
Inventor
张盟
白鑫鑫
杜辉
芮晓光
王海峰
尹文君
董进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Utopas insight company
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Priority to CN201310063237.XA priority Critical patent/CN104021424B/zh
Priority to US14/187,807 priority patent/US10215162B2/en
Publication of CN104021424A publication Critical patent/CN104021424A/zh
Application granted granted Critical
Publication of CN104021424B publication Critical patent/CN104021424B/zh
Priority to US16/286,500 priority patent/US11408399B2/en
Priority to US17/663,828 priority patent/US20220275788A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F05B2260/8211—Parameter estimation or prediction of the weather
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/335—Output power or torque
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Sustainable Development (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的各实施方式提供了一种用于预测风场中的风机的输出功率的方法和装置。具体地，在本发明的一个实施方式中，提供了一种用于预测风场中的风机的输出功率的方法，包括：至少基于从风场中的至少一个传感器采集的环境数据，生成校正数据集；根据校正算法，利用校正数据集来校正天气预报模型；基于校正的天气预报模型，获取风机处的风况信息的预测值；以及基于预测值和功率预测模型，预测风机的输出功率。在本发明的一个实施方式中，提供了一种用于预测风场中的风机的输出功率的装置。根据本发明，可以利用在风场内测量的气象要素校正天气预报模型，以便基于校正后的天气预报模型预测特定风机处的风况信息，从而获得更为准确的功率输出预测值。

Description

用于预测风场中的风机的输出功率的方法和装置
技术领域
本发明的各实施方式涉及功率预测，更具体地，涉及用于预测风场(wind farm)中的风机(wind turbine)的输出功率的方法和装置。
背景技术
风能是一种清洁、无污染并且可再生的能源，因而在全球范围的新能源建设中，风力发电的地位变得越来越重要。由于风机的输出功率将会受到诸多因素的制约，因而通常难以准确预测风场中各个风机的输出功率。另外，风机的输出功率通常具有非线性、变化快、不可控等特点，因而风场向主干电网的输出功率容易出现波动。
风机的输出功率通常依赖于风场当地的气象要素，并且风场通常地处偏远地区，而由气象局提供的气象数据通常不能覆盖风场的周边环境。另外，风场处的气象要素还会受到其他条件的制约(例如，风场内局部地形起伏或者风机本身转动对于气流的影响，等)，即使由气象局提供了风场区域的天气预报，该天气预报也并不能完全准确地反映风场处的气象条件。
目前已有的风场的输出功率的预测通常都集中在风场的层面，缺乏对单机功率的预测。另外，预测方法上主要依靠对历史功率数据的分析和统计，实现经由历史输出功率预测未来的输出功率，或是通过购买第三方的通用天气预报结果，来基于风场处的气象要素预测未来的输出功率。
当前，现有技术的方案还停留在基于商业可获得(或者免费获得)的通用气象数据来推测风场的输出功率，由于这些技术方案忽略了风场处现场气象要素的特殊性，因而在预测中通常会出现较大的误差。功率预测中的误差一方面会造成电场的总体输出功率不稳定，与发电计划偏差较大，并对主干电网的造成冲击，另一方面，还会因为电场的输出功率没有满足预期数值而导致电场受到诸如罚款等惩罚性措施的制裁。因而，如何准确地预测风场中的特定风机(例如，风场中的任一风机)在特定时段内的输出功率，已经成为目前的一个研究热点。
发明内容
因而，期望开发出一种能够基于特定风机处的气象要素来准确预测该风机的输出功率的技术方案，期望该技术方案能够充分考虑在风场内的传感器(例如，测风塔处的气象传感器、风机轮毂高度(hub-height)处的传感器，等)，并利用这些现场测量的气象数据来针对通用天气预报模型进行校正，以便更准确地反应风场内的特定风机处的风况信息(wind information)。为此，本发明的各实施方式提供了用于预测风场中的风机的输出功率的方法和装置。
根据本发明的一个方面，提供了一种用于预测风场中的风机的输出功率的方法，包括：基于从风场中的至少一个传感器采集的环境数据，生成校正数据集；利用校正数据集来校正天气预报模型；基于校正的天气预报模型，获取风机处的风况信息的预测值；以及基于预测值和功率预测模型，预测风机的输出功率。
根据本发明的一个方面，基于从风场中的至少一个传感器采集的环境数据，生成校正数据集包括：获取所述风场中的多个风机的风况信息以及所述风场内的气象数据中的至少一个；以及基于所述风况信息以及所述气象数据中的至少一个生成校正数据集。
根据本发明的一个方面，风况信息包括风向和风速，以及基于以下中的至少一项来获取风向：基于风场中的风机的偏航角度计算风向；基于风场中的测风塔处的风向计算风向；基于流体力学分析获取风向；以及基于功率曲线偏差分析获取风向。
根据本发明的一个方面，提供了一种用于预测风场中的风机的输出功率的装置，包括：生成模块，配置用于基于从风场中的至少一个传感器采集的环境数据，生成校正数据集；校正模块，配置用于利用校正数据集来校正天气预报模型；获取模块，配置用于基于校正的天气预报模型，获取风机处的风况信息的预测值；以及预测模块，配置用于基于预测值和功率预测模型，预测风机的输出功率。
根据本发明的一个方面，生成模块包括：信息获取模块，配置用于获取所述风场中的多个风机的风况信息以及所述风场内的气象数据中的至少一个；以及数据生成模块，配置用于基于所述风况信息以及所述气象数据中的至少一个生成校正数据集。
根据本发明的一个方面，风况信息包括风向和风速，以及信息获取模块包括：第一模块，配置用于基于风场中的风机的偏航角度计算风向；第二模块，配置用于基于风场中的测风塔处的风向计算风向；第三模块，配置用于基于流体力学分析获取风向；以及第四模块，配置用于基于功率曲线偏差分析获取风向。
采用本发明的各个实施方式所述的技术方案，可以充分利用风场中现有的各种气象传感器的观测结果，并且可以在尽量不改变现有风场中的风机的硬件设备的情况下，更为准确地预测特定风机在未来的特定时间期间的输出功率。另外，采用本发明的各个实施方式的技术方案，可以提供例如48小时甚至更长时间范围内的输出功率预测值，电场或电网的技术人员可以基于该预测值来对电场中各风机的运行状况进行调整。
附图说明
结合附图并参考以下详细说明，本发明各实施方式的特征、优点及其他方面将变得更加明显，在此以示例性而非限制性的方式示出了本发明的若干实施方式。在附图中：
图1示意性示出了适于实现本发明实施方式的示例性计算系统的框图；
图2示意性示出了根据一个解决方案的用于基于天气预报模型来预测风场的输出功率的示意图；
图3示意性示出了根据本发明一个实施方式的用于预测风场中的风机的输出功率的技术方案的架构图；
图4示意性示出了根据本发明一个实施方式的用于预测风场中的风机的输出功率的方法的流程图；
图5示意性示出了根据本发明一个实施方式的用于预测风场中的风机处的风况信息的架构图；
图6示意性示出了根据本发明一个实施方式的风速与风机的输出功率之间关系的曲线图；以及
图7示意性示出了根据本发明一个实施方式的生成特定风机处的风况预测值的示意图；
图8示意性示出了根据本发明一个实施方式的用于预测风场中的风机的输出功率的装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instruction means)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
图1示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图1显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图1所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其他可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图1未显示，通常称为“硬盘驱动器”)。尽管图1中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机系统/服务器12的其他模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意，图1仅仅示意性示出了可以用于实现本发明中各个实施方式的计算系统的示意图。本领域技术人员可以理解，该计算系统可以由当前风机中现有的计算设备来实现，或者可以通过引入附加计算设备来实现，还可以由风机中的现有计算设备和新增的附加设备一起实现本发明。
图2示意性示出了根据一个解决方案的用于基于天气预报模型来预测风场的输出功率的示意图200。如图2所示，风场210中可以包括如黑色圆点所示的多个风机220，这些风机通常以不规则形式分布在诸如平原、海平面等具有丰富风速资源的地区。多个风机离散地分布在风场210范围内，并且风场的形状通常也是不规则的。另外，在风场210中可以部署一个或者多个(在小型风场中通常只有一个)测风塔230，其上可以安装有用于监视风场内的气象要素(例如，温度、湿度、气压、风速以及风向)的传感器。典型地，可以在测风塔的10m、30m、50m和70m等高度处安装多个传感器。
为简化起见，可以将上述气象要素简称为气象五要素。本领域技术人员应当注意，尽管在本发明的上下文中以气象五要素作为气象要素的具体示例，根据具体应用环境的需要，气象要素还可以包括更多或者更少的方面。
在现有的技术方案中，采用的天气预报模型可以是公众免费或者通过付费方式获得的数据模型，例如由美国环境预测中心(National Centers for Environmental Prediction，NCEP)和美国国家大气研究中心(National Center for Atmospheric Research，UCAR)等机构开发的天气研究预报(Weather Research and Forecasting，WRF)模型。天气研究预报模型是应用较为广泛的预报模型，并且其应用接口是对外公开的，本领域技术人员可以根据自身需要来使用该模型。
天气预报模型可以是基于网格(grid)的模型，如在图2中以虚线网格示出了天气预报模型的示意，网格通常可以具有不同的分辨率，例如网格可以是5km×5km、3km×3km或者其他值。基于天气预报模型，可以表示不同海拔高度处的气象要素，例如，距离地面100m高度、300m高度等。应当注意，采用天气预报模型，通常只能获得网格的格点(grid point)处的气象要素预测值，并且由于风场处的地形因素以及各个风机的叶片旋转对于气象要素的干扰，所获得的天气预报模型通常与实际情况具有较大差异。因而，在如图2所示的技术方案中，直接基于所获得的通用天气预报模型来估算特定风机的输出功率，将会产生较大的误差。
为解决现有技术中的诸多缺陷，本发明提供了一种用于预测风场中的风机的输出功率的方法和装置。在本发明的实施方式中，考虑到风场的具体应用环境，可以利用在每个风机处设置的风速传感器、和在风场中的测风塔处设置的气象传感器采集的实时测量值，来校正天气预报模型中的误差，进而基于每个风机处的风况信息的预测值，来估算每个风机的输出功率。
采用本发明的各个实施方式，可以大幅提高针对特定风机的功率预测的准确性，并且仅仅需要使用现有气象要素传感器的数据输入(测风塔、风机处的传感器)，而无需额外安装气象传感器。
图3示意性示出了根据本发明一个实施方式的用于预测风场中的风机的输出功率的技术方案的架构图300。如图3所示，在方框310处，基于环境数据(如箭头A所示)来校正天气预报模型，其中该天气预报模型例如是基于全球预报系统(Global ForecastSystem，GFS)数据(如箭头B所示)和地形数据(如箭头C所示)来生成的。
经过方框310的校正之后，在方框320处，可以基于校正后的天气预报模型(如箭头D所示)来进行风况预测。应当注意，在此处的风况预测是指针对风场中的特定风机处的风况信息的预测，在此处的特定风机可以是风场中的任一风机。本领域技术人员可以理解，采用如箭头D所示的模型是已经利用风场中的现场气象数据校正后的天气预报模型，因而基于该模型可以较为准确地生成风场中特定风机处的风况信息。
在本发明的实施方式中，本领域技术人员还可以基于天气预报领域的知识结合风机的具体属性，例如采用差值和近似等方法，来特定风机(包括位于天气预报模型的格点位置、或者没有位于格点位置的风机)生成风况信息的预测值。在本发明的一个实施方式中，风机的功率输出可以依赖于风机处的风速信息，为了更准确地反映风机的功率输出，可以生成风机的轮毂高度处的风况信息的预测值。
参见上文结合方框310和320所述的内容，已经可以预测风场中特定风机处的风况信息，接着在方框330处可以利用风况预测值(如箭头E所示)并基于风-功预测模型(如箭头F所示)来计算输出功率的预测值(如箭头G所示)。在此实施方式中，基于预测模型中变量的差异，风况信息可以包括风速信息，或者还可以包括风速和风向两者。
基于如图3所示的架构，可以利用风场内实时观测的气象要素来改进通用天气预报模型，使其更加适合于预测特定位置处的风况信息。在此实施方式中，该特定位置及某风机的轮毂高度的位置，例如可以采用三维坐标(经度，纬度，高度)来表示。
基于图3所示的架构，本发明的一个实施方式提供了一种用于预测风场中的风机的输出功率的方法，包括：基于从风场中的至少一个传感器采集的环境数据，生成校正数据集；利用校正数据集来校正天气预报模型；基于校正的天气预报模型，获取风机处的风况信息的预测值；以及基于预测值和功率预测模型，预测风机的输出功率。
图4示意性示出了根据本发明一个实施方式的用于预测风场中的风机的输出功率的方法的流程图400。具体地，在步骤S402中，基于从风场中的至少一个传感器采集的环境数据，生成校正数据集。应当注意，在此实施方式中的传感器是风场中现有的传感器，例如风场中的测风塔处的气象传感器、以及风场中的风机处的风速传感器。
应当注意，测风塔处的气象传感器通常可以测量包括但不限于温度、湿度、气压、风速和风向等诸多方面的气象要素。由于在一个风场中通常只在典型位置处安装一个(或者多个)测风塔，因而来自测风塔的气象传感器的数据是有限的。在本发明的实施方式中，期望预测特定风机的轮毂高度处的风况信息，因而，直接采用在风机处测量的风况信息将是有益的。
应当注意，通常在风机处安装的传感器仅能够测量风速信息，尽管该传感器可以测量风向与当前风机的偏航朝向之间的相对关系，然而该传感器并不能直接测量风向信息。在下文中，将详细描述如何在不额外设置风向传感器的情况下，计算风机轮毂高度处的风向信息。
在步骤S404中，利用校正数据集来校正天气预报模型。在本发明的应用环境中，数值天气预报(Numerical Weather Prediction，NWP)是目前的一种较为流行的形式，它的出现全面改变了依靠人工经验来推测未来天气变化的传统局面，从而把“主观定性预报(Subjective Forecast)”提升到“客观定量预报(Objective Forecast)”的水平，并且提供较高时空分辨率的预测。
随着近年来高性能计算机和并行计算技术的发展、以及天气模型、物理过程参数化及其算法的不断完善，数值天气预报的空间分辨率已经从几十公里提升至1km以下的水平。然而，由于风机通常在大范围内离散分布，1km的分辨率仍然不能满足预测特定风机的输出功率的要求。特定风机的功率预报对于数值天气预报的结果具有特殊要求，例如，需要精确到近地面70m左右的风机轮毂高度处的风速；每个风机之间间距平均小于500m，因而需要较高的模型分辨率；测量数据的分布结构和观测要素均不满足气象常规数据标准，无法直接使用，等等。因而需要利用风机处的观测数据进一步的校正天气预报模型。在本发明的各个实施方式中，可以使用如在步骤S402中所构造的校正数据集中多个数据成员，在多个轮次中对天气预报模型进行校正。
接着，在步骤S406中，基于校正的天气预报模型，获取风机处的风况信息的预测值。利用已校正的天气预报模型，即可获得风场范围内特定位置(例如，以经纬度和高度指定)处的风况的预测值。
在步骤S408中，基于预测值和功率预测模型，预测风机的输出功率。根据国际电工委员会颁布的风机功率曲线验证标准(IEC61400-12)的定义，风机的功率曲线即风机的输出功率随10分钟的平均风速变化的关系曲线。通常，风机的功率曲线，不仅能表示能风速和功率之间的关系，还能体现出很多影响功率曲线的因素。
尽管风机的输出功率将会受到诸如风机自身参数、空气密度以及风速等条件的影响，然而其中风速是最为重要的因素，因而可以基于与风机轮毂高度处的风速相关联的功率预测模型，计算特定风机的功率输出。
在本发明的一个实施方式中，基于从风场中的至少一个传感器采集的环境数据，生成校正数据集包括：获取所述风场中的多个风机的风况信息以及所述风场内的气象数据中的至少一个；以及基于所述风况信息以及所述气象数据中的至少一个生成校正数据集。在本发明的一个实施方式中，至少一个传感器至少包括以下中的任一项：风场中的测风塔处的气象传感器、以及风场中的风机处的风速传感器。
还应当注意，在此实施方式中“校正数据集”中的数据成员可以包括两方面的内容：来自测风塔的气象传感器的气象数据，例如以五元组(温度，湿度，气压，风速，风向)表示；以及来自各个风机处的传感器的测量数据、并且还可以包括对所测量数据进行处理后获得的风况信息，例如可以以如下文表1所示的数据结构来表示。
表1
序号 风机ID 风况信息
1 Turbine-1 (风向-1，风速-1)
2 Turbine-2 (风向-2，风速-2)
… … …
应当注意，在此仅仅示意性示出了校正数据集中的数据成员的具体示例，本领域技术人员可以基于具体应用环境来设计其他数据结构，例如，可以向数据成员增加“时间戳”，等。
在本发明的一个实施方式中，风况信息包括风向和风速，以及基于以下中的至少一项来获取风向：基于风场中的风机的偏航角度计算风向；基于风场中的测风塔处的风向计算风向；基于流体力学分析获取风向；以及基于功率曲线偏差分析获取风向。
应当注意，在校正天气预报模型时需要包括风向和风速两方面的信息，然而由于通常风机处的传感器只包括风速计而并不包括风向计，缺少风向数据将无法为后续校正提供支持，因而无法直接利用风机处的传感器的测量数据来构造校正数据集。在本发明的实施方式中，可以分多种情况进行分析。
例如，可以基于风场中的风机的偏航角度计算风向。应当注意，风机处的偏航传感器通常可以测量当前风向与风机的偏航朝向之间的相对关系，因而可以基于“偏航风向”来估计绝对风向的方法，由于受到风机之间的相互干扰而可能造成较大误差，因而在本发明的实施方式中还可以对偏航风向进行校正，以便获得特定风机轮毂高度处的风向。
例如，可以基于风场中的测风塔处的风向计算风向，该方法可以适用于位于较为平坦地形(例如，平原等)处的风场。基于上下游风向平衡的假设，可以将测风塔的观测风向直接作为特定风机处的风向。在此环境下，由于整个风场内的气流是平稳的，因而测风塔处的风向与各个风机处的风向是相一致的，因而可以利用测风塔处的风向作为各个风机处的风向。对于地形状况较为一致的风场而言，这一方法可以大大简化计算步骤。然而地形对于不同位置处的风向的影响是显著的，这一方法并不广泛适用。
例如，可以基于流体力学分析获取风向。对于复杂地形(如山区、丘陵、峡谷等)的风场，风场内各个风机的风速和风向受地形影响显著，具有较大的场内差异(intra-farm difference)，因而可以将计算流体力学(Computational Fluid Dynamics，CFD)模型引入到风场地形当中，通过CFD模型的诊断方程和物理约束条件，来通过少数几个测风塔的风速风向信息来反演整个风场的风向信息，并根据历史数据和偏航风向数据对反演风向结果进行校正。
又例如，还可以基于实际风机功率与理论功率曲线偏差分析获取风向。在风力发电领域，已经积累了大量从发电机的实际输出功率以及偏航信息来反推风机位置处的风况信息的经验。因而可以基于这些经验公式并基于历史统计数据来获取风向信息。
在本发明的一个实施方式中，其中利用所述校正数据集来校正天气预报模型包括：根据混合数据同化(Hybrid Data Assimilation)方法，利用所述校正数据集来校正天气预报模型。
在天气预报领域中，混合数据同化是利用专业的气象台站观测气象数据对天气预报模型进行校正的一种方法。该方法为数值天气预报模型提供数据处理，目前已经广泛应用于天气预报领域。混合数据同化可以将各种不同来源、不同误差、不同时空分辨率的气象数据测量值引入天气预报模型。通过在模型解与实际测量值之间寻找最优解，并将其作为天气预报模型的初始场，来实现对天气预报模型的校正。
相比于传统同化方法，混合数据同化可以提供较大程度的优化，即可以考虑当前流场的物理结构又可以保持收敛的稳定性。因此，针对小范围和高精度的风场单风机预测，引入混合数据同化是具有较好的应用前景的。
因此，在本发明的实施方式中采用将风场内的传感器观测的气象数据引入天气预报模型的方法。在上文中已经描述了如何构造校正数据集，并且在上文中已经以包括气象要素的五元组以及如表1所示的风机处的风况信息为例，示出了校正数据集中的数据成员的内容。应当注意，尽管校正数据集中给出了众多数据成员，然而并不需要应用全部数据成员进行校正，另外，应用每个数据成员进行校正的顺序对于天气预报模型的准确性也有一定的影响。
在本发明的一个实施方式中，利用校正数据集来校正天气预报模型包括：从校正数据集中选择至少一个数据成员；以及在至少一个轮次的每个轮次中，基于至少一个数据成员之一来校正天气预报模型。
因而，在校正期间需要从校正数据集中选取最典型的数据成员，并且还可以对这些所选择的数据成员进行排序。接着，可以在多个轮次中按顺序应用这些所选择的数据成员，其中在每个轮次中应用一个数据成员来校正源自前次校正处理的天气预报模型。
在本发明的一个实施方式中，从校正数据集中选择至少一个数据成员包括：根据天气预报模型的格点信息，过滤校正数据集中的数据成员。
应当注意，由于在测风塔处获得的气象数据可以包括更多的气象要素，因而可以优先从校正数据集中选择来自一个或者多个测风塔的气象数据，继而对众多测风塔的轮毂高度处的风况数据(例如，如上文表1所示)进行筛选。在从例如上文表1所示的多个数据成员进行选择时，可以选择与天气预报模型中的格点最为匹配的一个或者多个风机的风况信息。
具体地，可以采用空间面积平均和局部变量检测(local variancecheck)的方式，对来自众多的观测数据进行选择。例如，对于特定的天气模型分辨率(各风场情况不同，如167米、500米或1500米等，取决于硬件的计算性能和投入)，找到相匹配的风机(模型网格内所观测风机的个数不超过3个)，并且在数据同化的过程中对这些观测数据进行空间上的顺序扰动，从而避免数据同化(即有条件的极小化问题)由于某一地区数据的频繁引入，造成收敛到某一局部最小值(local minimum)而不是全局最小值(global minimum)的情况，这样才能有效得到正确的优化结果。
具体地，本发明提出了一种超级观测的方法，该方法是一种对于在密度(空间)或频率(时间)方面存在冗余的数据成员进行过滤的方法。该方法从全部数据成员中选取一部分“超级观测值”来用于构造校正数据集。通过使用该方法，可以找到高质量的观测值，并降低数据成员的代表性误差。在本发明的上下文中，代表性误差即由于数据和模型而言由于时空分辨的不同而产生的误差。
在本发明的上下文中，由于在风机处采集的数据在空间上过于密集，大于天气模型的分辨能力，因此需要在空间上去除冗余数据成员。具体地，可以采用跳点取值法，空间平均法和方差去除法，或者将其相结合使用。
1.跳点取值法：即从全部观测数据(过于密集)中选择一部分。如对于200米间距的风机，空间上每隔1公里取一个风机值，作为超级观测值。
2.空间平均法：即对于来自一定空间范围内的所有风机的观测数据进行平均，用平均值来作为校正数据集的候选成员。
3.方差法：在平均法的基础上，首先进行空间平均并计算平均值(Xmean)和标准差值(Xstd)，然后对于空间内的所有数据成员进行筛选。例如对于特定风机的观测值Xi，如果Ｘi-Xmean＞3×Xstd，则去除该数据成员。然后使用其余的数据成员重新计算平均值，作为超级观测，在方法2的基础上，方法3可以去除异常值的偏差影响。
在本发明的一个实施方式中，在多个轮次的每个轮次中，基于至少一个数据成员之一来校正天气预报模型进一步包括：根据校正数据集中的至少一个数据成员之间的依赖关系，将至少一个数据成员进行排序；以及按顺序利用至少一个数据成员中的每一个来校正天气预报模型。
对于混合数据同化而言的基本假设是，校正集合中的所有数据成员彼此独立的。在传统天气预报行业中，对于标准的气象观测站(国家气象局和世界气象组织)的空间分布和观测要素都有严格的规定，从而使得各个观测站所采集到的气象数据可以被直接应用于校正天气预报模型。然而，风场通常位于偏远地区，难以被常规气象观测站点覆盖，因而只能使用风场内的观测数据。
然而，风机处的观测数据彼此必然存在空间上的相关性，并且风场中特定风机处的风况信息可能会受到周围地形和/或其他风机叶片转动的干扰，因而，校正数据集中的各个成员之间可能会存在相互依赖关系。例如，位置相互靠近(例如，间距小于500m)的两个风机之间的依赖关系将会大于位置彼此远离(例如，间距大于5km)的两个风机之间的依赖关系。因此，如何从校正数据集中去除冗余信息，并保持其中数据成员的独立性成为校正的关键步骤。
因而，可以计算风场中的各个风机之间的依赖关系，并且基于该依赖关系将各个数据成员进行排序，继而按照排序的顺序来依次在多个轮次中执行校正。可以基于多种因素计算上述依赖关系，例如可以包括风机周围地形的相似性、风机之间的彼此干扰、风机之间的距离等等。为简化起见，可以认为风机之间的距离是影响依赖关系的主要因素。
排序的原理在于，对于校正数据集中的数据成员，打乱其前后的顺序，使得进行每一轮次数据同化时，可以降低各个数据成员之间由于空间上临近而造成的相关性。具体地，对于与临近风机相关联的数据成员，可以利用随机数产生算法来打乱来自各个数据成员的原始顺序(如风机F001，F002，F003，F004，F005)，根据随机数算法将校正数据集中的数据成员重新排序(如风机F003，F001，F005，F002，F004)，从而提高校正的质量。
还应当注意，在本发明的实施方式中并不限定何时执行排序步骤，例如，可以在校正数据集构造完毕后执行；或者，为提高运行效率，还可以在已经完成对校正数据集的筛选之后，仅针对所选择的数据成员进行排序。
在本发明的一个实施方式中，天气预报模型是从与风场所在区域相关联的全球预报系统数据和地形数据提取的。
应当注意，可以基于诸如全球预报系统的气象数据以及全球地形数据来提取天气预报模型。GFS是由美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration，NOAA)发布的一种数值天气预报模型，该模型的数据格式对外公开，因而本领域技术人员可以从中提取需要的内容，并与风场所在区域的地形数据相结合，从而形成天气预报模型。地形数据例如是数字高程模型(Digital Elevation Model，DEM)数据。
在下文中，将参见图5详细描述预测风机的输出功率期间的数据流程。图5示意性示出了根据本发明一个实施方式的用于预测风场中的风机处的风况信息的架构图500。如图5所示，方框540所示的数据处理模块可以包括两个输入：来自测风塔550的气象数据(如箭头A1所示)，例如，包括在测风塔的不同高度处采集的气象五要素；以及来自风机传感器560的风速信息(或者还可以包括偏航风向或者风向信息等)。经过方框540中的处理，可以生成可以用于混合数据同化的校正数据集。
在方框510处，通过读取全球预报系统数据(如箭头B所示)和地形数据(如箭头C所示)来提取天气预报模型，此时所提取的校正的原始天气预报模型(如箭头D所示)。应当注意，方框510和540处的处理可以串行地执行或者并行地执行，在本发明的上下文中并不限定两个处理的执行顺序。
在方框530处，采用上文的方法基于来自校正数据集(如箭头F所示)的数据，使用混合数据同化的方法来针对原始天气预报模型(如箭头D所示)进行校正，并向方框510输出校正后的天气预报模型。最后，在方框520处，即可使用校对后的天气预报模型来提供特定风机处的风况信息预测值(如箭头G所示)。
在本发明的一个实施方式中，所述功率预测模型是以下中的至少任一项：所述风机的功率曲线；以及与所述风机的属性、空气密度以及所述预测值相关的函数。
图6示意性示出了根据本发明一个实施方式的风速与风机的输出功率之间关系的曲线图600，其中横坐标表示风机的轮毂高度处的风速，而纵坐标表示风机的输出功率。当风机轮毂高度处的风速在0-额定值之间时，输出功率按照如图6所示的曲线逐渐增加；当风机轮毂高度处的风速在超过额定值后，输出功率保持平稳。功率曲线可以由风机的制造者提供，或还可以通过该风机历史的风速和功率拟合得到。通过使用如图6所示的功率曲线，可以基于特定风机的轮毂高度处的风速预测值，来预测该风机的输出功率。
在本发明的一个实施方式中，备选地，还可以采用物理方法，即直接根据预测的天气模型预报的气象要素(风速、温度、气压等)来计算特定风机的输出功率。由于，物理方法基于大气动力预测结果，因此具有较长时间的预报能力。例如，可以根据与所述风机的属性、空气密度以及所述预测值相关的函数来进行预测。作为示例，可以基于如下公式来计算风机的输出功率。
P = 1 2 C P Aρ V 3 η
其中，P为风机的输出功率，CP为风机的功率系数，A为风机的扫掠面积，ρ为空气密度，V为风机轮毂高度处的风速，而η为机组效率，是风机的机械效率与风机的电功率的效率的乘积。
备选地，还可以使用统计方法来进行预测。例如，使用历史气象要素(温度、温度、气压等)和风机发电功率数据建立关系结构和统计学模型，然后通过统计模型来估计未来的输出功率。其中，统计模型可使用不同的模型，例如，时间序列回归模型、BP神经网络模型、支持向量机等。各种模型的预测误差根据不同的时间和空间环境，本领域技术人员可以根据应用环境的具体参数来选择。
另外，为了保证预测的稳定性，可使用多模型组合预测的方法，结合各个统计模型的预测结果，计算平均或是加权平均值。由于统计方法是基于历史数据，因此，对于临近时刻的预测(例如，0～3小时)具有比较好的效果；而对于较长时间的预测结果(例如，24-48小时等)，由于大气运动的非线性特征，计算误差较大。
备选地，还可以使用混合方法，即将物理方法和统计方法相结合，在不同的预测时段，给予两者不同的权重。
由于风场自身的特殊性，对于风场中每个风机处的风况信息的预报提出了特殊要求。风机之间的间距通常小于500m，因而需要提供高精度的预测值。另外，风机的部署依赖于地形因素，在某些地区可能会分布在诸如狭长区域，因而需要至少高于1km的模型网格分辨率，但是，用1km×1km或更高分辨率的网格覆盖整个风场，其计算量十分惊人。基于风机分布的特殊性，本发明提出了一种地形追随的嵌套网格技术，在风机密集地区提供较高的网格分辨率，而在风机较为稀疏的位置提供较低的网格分辨率。此方法可以降低计算量并保证在各个风机处获得足够精度的预报结果。
图7示意性示出了根据本发明一个实施方式的生成特定风机轮毂高度处的风况预测值的示意图700。假设图7中的虚线网格的分辨率为4km×4km，并且该分辨率并不满足风况预报的精度。因而，可以通过读取风场中风机的位置信息，在风机分布较为密集的地区内将网格细分为4×4个更高分辨率的网格(每个1km×1km)，以便生成更高精度的风况预测值。采用此方法，一方面可以提高特定风机处的风况预测值的精度，另一方面还可以控制计算整个风场内数百甚至更多风机处的风况的计算量。
图8示意性示出了根据本发明一个实施方式的用于预测风场中的风机的输出功率的装置的框图800。具体地，图8示出了一种用于预测风场中的风机的输出功率的装置，包括：生成模块810，配置用于基于从风场中的至少一个传感器采集的环境数据，生成校正数据集；校正模块820，配置用于利用校正数据集来校正天气预报模型；获取模块830，配置用于基于校正的天气预报模型，获取风机处的风况信息的预测值；以及预测模块840，配置用于基于预测值和功率预测模型，预测风机的输出功率。
在本发明的一个实施方式中，生成模块810包括：信息获取模块，配置用于获取所述风场中的多个风机的风况信息以及所述风场内的气象数据中的至少一个；以及数据生成模块，配置用于基于所述风况信息以及所述气象数据中的至少一个生成校正数据集。
在本发明的一个实施方式中，风况信息包括风向和风速，以及信息获取模块包括：第一模块，配置用于基于风场中的风机的偏航角度计算风向；第二模块，配置用于基于风场中的测风塔处的风向计算风向；第三模块，配置用于基于流体力学分析获取风向；以及第四模块，配置用于基于功率曲线偏差分析获取风向。
在本发明的一个实施方式中，所述校正模块包括：数据同化模块，配置用于根据混合数据同化方法，利用所述校正数据集来校正天气预报模型。
在本发明的一个实施方式中，校正模块820包括：选择模块，配置用于从校正数据集中选择至少一个数据成员；以及第一校正模块，配置用于在至少一个轮次的每个轮次中，基于至少一个数据成员之一来校正天气预报模型。
在本发明的一个实施方式中，选择模块包括：过滤模块，配置用于根据天气预报模型的格点信息，过滤校正数据集中的数据成员。
在本发明的一个实施方式中，第一校正模块包括：排序模块，配置用于根据校正数据集中的至少一个数据成员之间的依赖关系，将至少一个数据成员进行排序；以及第二校正模块，配置用于按顺序利用至少一个数据成员中的每一个来校正天气预报模型。
在本发明的一个实施方式中，天气预报模型是从与风场所在区域相关联的全球预报系统数据和地形数据提取的。
在本发明的一个实施方式中，至少一个传感器至少包括以下中的任一项：风场中的测风塔处的气象传感器、以及风场中的风机处的风速传感器。
在本发明的一个实施方式中，所述功率预测模型是以下中的任一项：所示风机的功率曲线；以及与所述风机的属性、空气密度以及所述预测值相关的函数。
附图中的流程图和框图显示了根据本发明的多个实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施方式，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施方式。

Claims (20)

1.一种用于预测风场中的风机的输出功率的方法，包括：
基于从所述风场中的至少一个传感器采集的环境数据，生成校正数据集；
利用所述校正数据集来校正天气预报模型；
基于校正的天气预报模型，获取所述风机处风况信息的预测值；以及
基于所述预测值和功率预测模型，预测所述风机的所述输出功率。
2.根据权利要求1所述的方法，其中基于从所述风场中的至少一个传感器采集的环境数据，生成校正数据集包括：
获取所述风场中的多个风机的风况信息以及所述风场内的气象数据中的至少一个；以及
基于所述风况信息以及所述气象数据中的至少一个生成校正数据集。
3.根据权利要求2所述的方法，其中所述风况信息包括风向和风速，以及基于以下中的至少一项来获取所述风向：
基于所述风场中的风机的偏航角度计算所述风向；
基于所述风场中的测风塔处的风向计算所述风向；
基于流体力学分析获取所述风向；以及
基于功率曲线偏差分析获取所述风向。
4.根据权利要求1-3中任一项所述的方法，其中利用所述校正数据集来校正天气预报模型包括：
根据混合数据同化方法，利用所述校正数据集来校正天气预报模型。
5.根据权利要求4所述的方法，其中利用所述校正数据集来校正天气预报模型包括：
从所述校正数据集中选择至少一个数据成员；以及
在至少一个轮次的每个轮次中，基于所述至少一个数据成员之一来校正所述天气预报模型。
6.根据权利要求5所述的方法，其中从所述校正数据集中选择至少一个数据成员包括：
根据所述天气预报模型的格点信息，过滤所述校正数据集中的数据成员。
7.根据权利要求6所述的方法，其中在多个轮次的每个轮次中，基于所述至少一个数据成员之一来校正所述天气预报模型进一步包括：
根据所述校正数据集中的所述至少一个数据成员之间的依赖关系，将所述至少一个数据成员进行排序；以及
按顺序利用所述至少一个数据成员中的每一个来校正所述天气预报模型。
8.根据权利要求1-7中任一项所述的方法，其中所述天气预报模型是从与所述风场所在区域相关联的全球预报系统数据和地形数据提取的。
9.根据权利要求1-3中任一项所述的方法，其中所述至少一个传感器至少包括以下中的任一项：所述风场中的测风塔处的气象传感器、以及所述风场中的风机处的风速传感器。
10.根据权利要求1-3中任一项所述的方法，其中所述功率预测模型是以下中的至少任一项：
所述风机的功率曲线；以及
与所述风机的属性、空气密度以及所述预测值相关的函数。
11.一种用于预测风场中的风机的输出功率的装置，包括：
生成模块，配置用于基于从所述风场中的至少一个传感器采集的环境数据，生成校正数据集；
校正模块，配置用于利用所述校正数据集来校正天气预报模型；
获取模块，配置用于基于校正的天气预报模型，获取所述风机处的风况信息的预测值；以及
预测模块，配置用于基于所述预测值和功率预测模型，预测所述风机的所述输出功率。
12.根据权利要求11所述的装置，其中所述生成模块包括：
信息获取模块，配置用于获取所述风场中的多个风机的风况信息以及所述风场内的气象数据中的至少一个；以及
数据生成模块，配置用于基于所述风况信息以及所述气象数据中的至少一个生成校正数据集。
13.根据权利要求12所述的装置，其中所述风况信息包括风向和风速，以及所述信息获取模块包括：
第一模块，配置用于基于所述风场中的风机的偏航角度计算所述风向；
第二模块，配置用于基于所述风场中的测风塔处的风向计算所述风向；
第三模块，配置用于基于流体力学分析获取所述风向；以及
第四模块，配置用于基于功率曲线偏差分析获取所述风向。
14.根据权利要求11-13中任一项所述的装置，其中所述校正模块包括：
数据同化模块，配置用于根据混合数据同化方法，利用所述校正数据集来校正天气预报模型。
15.根据权利要求14所述的装置，其中所述校正模块包括：
选择模块，配置用于从所述校正数据集中选择至少一个数据成员；以及
第一校正模块，配置用于在至少一个轮次的每个轮次中，基于所述至少一个数据成员之一来校正所述天气预报模型。
16.根据权利要求15所述的装置，其中所述选择模块包括：
过滤模块，配置用于根据所述天气预报模型的格点信息，过滤所述校正数据集中的数据成员。
17.根据权利要求16所述的装置，其中所述第一校正模块包括：
排序模块，配置用于根据所述校正数据集中的所述至少一个数据成员之间的依赖关系，将所述至少一个数据成员进行排序；以及
第二校正模块，配置用于按顺序利用所述至少一个数据成员中的每一个来校正所述天气预报模型。
18.根据权利要求11-17中任一项所述的装置，其中所述天气预报模型是从与所述风场所在区域相关联的全球预报系统数据和地形数据提取的。
19.根据权利要求11-13中任一项所述的装置，其中所述至少一个传感器至少包括以下中的任一项：所述风场中的测风塔处的气象传感器、以及所述风场中的风机处的风速传感器。
20.根据权利要求11-13中任一项所述的装置，其中所述功率预测模型是以下中的至少任一项：
所述风机的功率曲线；以及
与所述风机的属性、空气密度以及所述预测值相关的函数。
CN201310063237.XA 2013-02-28 2013-02-28 用于预测风场中的风机的输出功率的方法和装置 Active CN104021424B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201310063237.XA CN104021424B (zh) 2013-02-28 2013-02-28 用于预测风场中的风机的输出功率的方法和装置
US14/187,807 US10215162B2 (en) 2013-02-28 2014-02-24 Forecasting output power of wind turbine in wind farm
US16/286,500 US11408399B2 (en) 2013-02-28 2019-02-26 Forecasting output power of wind turbine in wind farm
US17/663,828 US20220275788A1 (en) 2013-02-28 2022-05-17 Forecasting output power of wind turbine in wind farm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310063237.XA CN104021424B (zh) 2013-02-28 2013-02-28 用于预测风场中的风机的输出功率的方法和装置

Publications (2)

Publication Number Publication Date
CN104021424A true CN104021424A (zh) 2014-09-03
CN104021424B CN104021424B (zh) 2018-12-07

Family

ID=51388997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310063237.XA Active CN104021424B (zh) 2013-02-28 2013-02-28 用于预测风场中的风机的输出功率的方法和装置

Country Status (2)

Country Link
US (3) US10215162B2 (zh)
CN (1) CN104021424B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104747368A (zh) * 2015-01-27 2015-07-01 风脉（武汉）可再生能源技术有限责任公司 一种风电机组功率优化的方法和系统
CN105447593A (zh) * 2015-11-16 2016-03-30 南京信息工程大学 基于时间滞后集合的快速更新混合同化方法
CN106326625A (zh) * 2015-07-09 2017-01-11 中国电力科学研究院 一种耦合WRF与OpenFOAM模式的风场模拟方法
CN106351793A (zh) * 2015-07-17 2017-01-25 通用电气公司 用于改进风力发电的系统和方法
CN107194097A (zh) * 2017-05-27 2017-09-22 中国大唐集团科学技术研究院有限公司 基于风电场气动模拟和风速风向数据的分析方法
CN108930632A (zh) * 2017-05-25 2018-12-04 株式会社日立制作所 适应性发电管理
CN109989884A (zh) * 2019-05-09 2019-07-09 浙江大学 一种风机偏航控制方法
CN110633864A (zh) * 2019-09-20 2019-12-31 国网湖南省电力有限公司 一种基于距平偏差的风速数值预报订正方法及其系统
CN111911352A (zh) * 2020-05-11 2020-11-10 宁波大学 一种气流发生风力发电方法
CN111980856A (zh) * 2020-08-17 2020-11-24 燕山大学 基于负荷预测的储能式液压型风力发电机组调频控制方法
CN112015784A (zh) * 2020-09-07 2020-12-01 华北电力大学（保定） 风况数据挖掘方法、装置、测风装置和数据挖掘设备
CN112613155A (zh) * 2020-02-06 2021-04-06 北京金风慧能技术有限公司 风力发电机组理论功率的确定方法、装置及设备
CN112765544A (zh) * 2020-12-30 2021-05-07 国网湖南省电力有限公司 输电线路台风影响下强风风力校正预报方法
CN112868157A (zh) * 2018-10-15 2021-05-28 乌本产权有限公司 用于将电功率馈送到供电网中的方法和风电场
CN116307257A (zh) * 2023-05-08 2023-06-23 华北电力科学研究院有限责任公司 一种特定天气下的风电场的输出功率预测方法及装置

Families Citing this family (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11346979B2 (en) * 2014-08-27 2022-05-31 Dtn, Llc Automated global weather notification system
EP3309389B1 (en) * 2014-09-29 2019-08-14 Vestas Wind Systems A/S Verification of wind turbine nacelle yaw position sensor
WO2016065594A1 (en) * 2014-10-31 2016-05-06 General Electric Company System and method for controlling the operation of a wind turbine
JP6582418B2 (ja) * 2015-01-23 2019-10-02 中国電力株式会社 発電量予測装置、発電量予測方法、及びプログラム
JP6435881B2 (ja) * 2015-01-23 2018-12-12 中国電力株式会社 発電量予測装置、発電量予測方法、及びプログラム
CN104915747B (zh) * 2015-02-03 2019-02-01 远景能源（江苏）有限公司 一种发电机组的发电性能评估方法及设备
US10879702B2 (en) * 2015-03-27 2020-12-29 Trustees Of Princeton University System and method for performing wind forecasting
US11573353B2 (en) * 2015-03-27 2023-02-07 Trustees Of Princeton University System and method for performing wind forecasting
CN104933471A (zh) * 2015-05-08 2015-09-23 重庆科创职业学院 一种用于短期风速预测方法中相空间重构方法
CN105068148B (zh) * 2015-07-14 2017-06-27 北京金风科创风电设备有限公司 风电场阵风预测方法和系统
US10975846B2 (en) 2015-07-29 2021-04-13 General Electric Company Method and system to optimize availability, transmission, and accuracy of wind power forecasts and schedules
CN105305428B (zh) * 2015-10-30 2018-01-12 大唐山西新能源有限公司 用双冗余方式提高风预测系统可靠性的方法及系统
EP3464895B1 (en) * 2016-05-23 2021-10-13 General Electric Company System and method for forecasting power output of a wind farm
US10386543B2 (en) 2016-08-01 2019-08-20 International Business Machines Corporation Temporal bias correction in wind forecasting
CN106897481B (zh) * 2017-01-03 2020-06-26 国能日新科技股份有限公司 利用空间多点功率预测特征的风功率集成预测方法及装置
CN106707166B (zh) * 2017-01-05 2019-08-06 云南电网有限责任公司电力科学研究院 一种风电场出力特性评估方法
US10330081B2 (en) 2017-02-07 2019-06-25 International Business Machines Corporation Reducing curtailment of wind power generation
US10598157B2 (en) 2017-02-07 2020-03-24 International Business Machines Corporation Reducing curtailment of wind power generation
US11733427B1 (en) * 2017-04-11 2023-08-22 DataInfoCom USA, Inc. Short-term weather forecasting using hybrid data
JPWO2018198225A1 (ja) * 2017-04-26 2019-11-07 三菱電機株式会社 Ａｉ装置、レーザレーダ装置、及びウインドファーム制御システム
TWI623890B (zh) * 2017-07-04 2018-05-11 台灣電力股份有限公司 由多個類神經網路組成的發電量預測系統與其方法
US11196380B2 (en) * 2017-07-04 2021-12-07 Taiwan Power Company Power generation prediction system and method thereof
ES2703974B2 (es) * 2017-09-12 2019-09-10 Kate Elsbeth Benetis Dispositivo para la correccion instantanea de las medidas del flujo de viento en aerogeneradores
DE102017125457B4 (de) 2017-10-30 2023-02-23 fos4X GmbH Verfahren zum Bestimmen einer Wahrscheinlichkeit zu einem Drosseln und/oder einem Abschalten zumindest einer Windkraftanlage aufgrund von Eisansatz
CN108062722B (zh) * 2017-12-13 2021-08-17 贵州大学 基于风速变异系数的山地风电场模型风机机械功率计算方法
CN109977346B (zh) * 2017-12-28 2023-06-09 北京金风慧能技术有限公司 用于对区域风场进行风速预报的方法和装置
US11365719B2 (en) 2018-06-11 2022-06-21 Vestas Wind Systems A/S Power production forecasting for a wind turbine
CN109271657B (zh) * 2018-07-25 2022-12-13 许继集团有限公司 一种风力发电机组的捕风系数、年满发小时数的估算方法
CN108959174A (zh) * 2018-07-27 2018-12-07 中国大唐集团新能源科学技术研究院有限公司 一种风电系统发电量的计算方法
US11521142B2 (en) * 2018-09-13 2022-12-06 International Business Machines Corporation Predictive asset maintenance
DK201800635A1 (en) * 2018-09-25 2020-04-28 Scada International A/S A method for improving reporting of operational data of a wind turbine
CN110968929A (zh) * 2018-09-30 2020-04-07 北京金风慧能技术有限公司 风电场风速的预测方法、装置及电子设备
US10984154B2 (en) * 2018-12-27 2021-04-20 Utopus Insights, Inc. System and method for evaluating models for predictive failure of renewable energy assets
US11105958B2 (en) * 2018-12-28 2021-08-31 Utopus Insights, Inc. Systems and methods for distributed-solar power forecasting using parameter regularization
CN109784563B (zh) * 2019-01-18 2023-05-23 南方电网科学研究院有限责任公司 一种基于虚拟测风塔技术的超短期功率预测方法
CN109919356B (zh) * 2019-01-27 2023-07-21 河北工程大学 一种基于bp神经网络区间需水预测方法
US11379274B2 (en) * 2019-05-31 2022-07-05 Hitachi, Ltd. Hybrid spatial-temporal event probability prediction method
DE102019116753A1 (de) 2019-06-20 2020-12-24 Wobben Properties Gmbh Verfahren zum Durchführen einer Energieertragsprognose und Windpark
CN110580549B (zh) * 2019-09-02 2020-06-02 山东大学 一种考虑天气的区域短期能源功率预测方法及系统
CN110674571B (zh) * 2019-09-18 2022-06-24 国网湖南省电力有限公司 一种输电线路垭口风速降尺度计算方法及其系统
EP3832131A1 (de) * 2019-12-04 2021-06-09 Wobben Properties GmbH Verfahren zum erstellen einer leistungsprognose für eine windenergieanlage
CN110908014B (zh) * 2019-12-11 2021-11-02 国网湖南省电力有限公司 舞动精细化订正预报方法及系统
CN111950764B (zh) * 2020-07-03 2024-03-22 国网冀北电力有限公司 一种极端天气条件电网风电功率预测修正方法
CN111967653B (zh) * 2020-07-22 2024-07-05 易天气(北京)科技有限公司 一种构建机场跑道风预报模型的方法及预报方法、系统
CN112761896B (zh) * 2020-09-24 2024-05-14 国网内蒙古东部电力有限公司 提高风力发电站发电量预测精度的计算方法、装置和计算机设备
CN112613674B (zh) * 2020-12-29 2024-03-08 国能日新科技股份有限公司 中长期风电发电量预测方法、装置、电子设备及存储介质
CN112883665B (zh) * 2021-02-26 2022-08-30 中国长江三峡集团有限公司 一种气象站历史风场观测资料订正方法
ES2973020T3 (es) * 2021-03-09 2024-06-18 General Electric Renovables Espana Sl Reducción de la consigna de turbina eólica
CN113107785B (zh) * 2021-05-12 2022-05-31 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113111611A (zh) * 2021-05-12 2021-07-13 华北电力大学 一种台风灾害预测方法、装置及存储介质
US11639710B2 (en) 2021-06-25 2023-05-02 WindESCo, Inc. Systems and methods of coordinated yaw control of multiple wind turbines
US11431170B1 (en) * 2021-07-08 2022-08-30 National University Of Defense Technology BESS aided renewable energy supply using deep reinforcement learning for 5G and beyond
CN113538172B (zh) * 2021-07-12 2023-04-18 中建西部建设贵州有限公司 一种智能获取混凝土针状石块含量的方法和装置
CN114167522B (zh) * 2021-12-17 2024-07-02 深圳市云端高科信息科技有限公司 一种用于智慧城市高层建筑的风场监测与校正系统
JP2023168895A (ja) * 2022-05-16 2023-11-29 株式会社日立製作所 投資判断支援システム、及び投資判断支援方法
CN115526429A (zh) * 2022-10-28 2022-12-27 国网湖南省电力有限公司电力科学研究院 风电功率预测误差解耦分析方法、处理器及存储介质
CN116260140B (zh) * 2023-05-12 2023-07-21 长江三峡集团实业发展(北京)有限公司 一种在役风电场理论净发电量的快速估算方法及系统
CN116402240B (zh) * 2023-06-08 2023-08-18 北京中科伏瑞电气技术有限公司 面向调度侧区域风电功率预测的模型输入构造方法及装置
CN116629027B (zh) * 2023-07-18 2023-10-13 北京华信科创科技有限公司 基于雷达数据的风功率预测方法及系统
CN116703007B (zh) * 2023-08-01 2023-12-15 中国电力科学研究院有限公司 一种风电集群预测模型的构建方法、功率预测方法及装置
CN117175585B (zh) * 2023-11-02 2024-03-08 深圳航天科创泛在电气有限公司 风电功率预测方法、装置、设备及存储介质
CN117852448B (zh) * 2024-03-05 2024-05-14 南京航空航天大学 一种基于区域分解的大规模风电场流场计算方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005134243A (ja) * 2003-10-30 2005-05-26 Toshiba Corp 気象予測システム及び電力需要予測システムと気象予測方法及び電力需要予測方法
CN101794996A (zh) * 2010-02-10 2010-08-04 华东电网有限公司 风电场出力实时预测方法
CN102269124A (zh) * 2011-06-30 2011-12-07 内蒙古电力勘测设计院 超短期风电场发电功率预测系统
US20120101644A1 (en) * 2011-12-28 2012-04-26 Scott Charles Evans Control system and method of predicting wind turbine power generation
CN102570453A (zh) * 2012-01-06 2012-07-11 甘肃省电力公司风电技术中心 基于多套数值天气预报源的短期风电功率预测方法及系统
CN102663513A (zh) * 2012-03-13 2012-09-12 华北电力大学 利用灰色关联度分析的风电场功率组合预测建模方法
CN102945508A (zh) * 2012-10-15 2013-02-27 风脉（武汉）可再生能源技术有限责任公司 一种基于模型校正的风电功率预测预报系统及方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7430534B2 (en) * 2001-06-15 2008-09-30 Abb Ab System, method and computer program product for risk-minimization and mutual insurance relations in meteorology dependent activities
US6975925B1 (en) 2002-03-19 2005-12-13 Windlynx Systems, B.V. Forecasting an energy output of a wind farm
US6925385B2 (en) * 2003-05-16 2005-08-02 Seawest Holdings, Inc. Wind power management system and method
US8797550B2 (en) * 2009-04-21 2014-08-05 Michigan Aerospace Corporation Atmospheric measurement system
US20110082597A1 (en) * 2009-10-01 2011-04-07 Edsa Micro Corporation Microgrid model based automated real time simulation for market based electric power system optimization
US8600572B2 (en) * 2010-05-27 2013-12-03 International Business Machines Corporation Smarter-grid: method to forecast electric energy production and utilization subject to uncertain environmental variables
US9230219B2 (en) * 2010-08-23 2016-01-05 Institute Of Nuclear Energy Research Atomic Energy Council, Executive Yuan Wind energy forecasting method with extreme wind speed prediction function
TWI476430B (zh) * 2010-08-23 2015-03-11 Inst Nuclear Energy Res Atomic Energy Council 具極端風速預測功能之風能預報方法
US8483963B2 (en) * 2010-09-13 2013-07-09 John Bertrand Kline Method of evaluating wind flow based on terrain exposure and elevation
US8150641B2 (en) 2010-12-06 2012-04-03 General Electric Company System, device, and method for estimating possible power output of wind turbines
US8930299B2 (en) * 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management
US20120226485A1 (en) * 2011-03-03 2012-09-06 Inventus Holdings, Llc Methods for predicting the formation of wind turbine blade ice
US8185331B2 (en) 2011-09-02 2012-05-22 Onsemble LLC Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms
EP2807371B1 (en) * 2012-01-25 2016-04-06 ABB Research Ltd. Wind park with real time wind speed measurements
US20130317748A1 (en) * 2012-05-22 2013-11-28 John M. Obrecht Method and system for wind velocity field measurements on a wind farm
US9778627B2 (en) * 2012-11-16 2017-10-03 Siemens Aktiengesellschaft Method of controlling a power network
US20140195159A1 (en) * 2013-01-09 2014-07-10 Iteris, Inc. Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility
US20140324495A1 (en) * 2013-02-22 2014-10-30 Vestas Wind Systems A/S Wind turbine maintenance optimizer
DE102017009837A1 (de) * 2017-10-23 2019-04-25 Senvion Gmbh Steuerungssystem und Verfahren zum Betreiben einer Mehrzahl von Windenergieanlagen

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005134243A (ja) * 2003-10-30 2005-05-26 Toshiba Corp 気象予測システム及び電力需要予測システムと気象予測方法及び電力需要予測方法
CN101794996A (zh) * 2010-02-10 2010-08-04 华东电网有限公司 风电场出力实时预测方法
CN102269124A (zh) * 2011-06-30 2011-12-07 内蒙古电力勘测设计院 超短期风电场发电功率预测系统
US20120101644A1 (en) * 2011-12-28 2012-04-26 Scott Charles Evans Control system and method of predicting wind turbine power generation
CN102570453A (zh) * 2012-01-06 2012-07-11 甘肃省电力公司风电技术中心 基于多套数值天气预报源的短期风电功率预测方法及系统
CN102663513A (zh) * 2012-03-13 2012-09-12 华北电力大学 利用灰色关联度分析的风电场功率组合预测建模方法
CN102945508A (zh) * 2012-10-15 2013-02-27 风脉（武汉）可再生能源技术有限责任公司 一种基于模型校正的风电功率预测预报系统及方法

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104747368A (zh) * 2015-01-27 2015-07-01 风脉（武汉）可再生能源技术有限责任公司 一种风电机组功率优化的方法和系统
CN104747368B (zh) * 2015-01-27 2017-11-07 风脉（武汉）可再生能源技术有限责任公司 一种风电机组功率优化的方法和系统
CN106326625A (zh) * 2015-07-09 2017-01-11 中国电力科学研究院 一种耦合WRF与OpenFOAM模式的风场模拟方法
CN106326625B (zh) * 2015-07-09 2019-03-08 中国电力科学研究院 一种耦合WRF与OpenFOAM模式的风场模拟方法
US10443577B2 (en) 2015-07-17 2019-10-15 General Electric Company Systems and methods for improved wind power generation
CN106351793A (zh) * 2015-07-17 2017-01-25 通用电气公司 用于改进风力发电的系统和方法
CN106351793B (zh) * 2015-07-17 2020-05-12 通用电气公司 用于改进风力发电的系统和方法
CN105447593A (zh) * 2015-11-16 2016-03-30 南京信息工程大学 基于时间滞后集合的快速更新混合同化方法
CN108930632B (zh) * 2017-05-25 2020-10-27 株式会社日立制作所 适应性发电管理
CN108930632A (zh) * 2017-05-25 2018-12-04 株式会社日立制作所 适应性发电管理
CN107194097A (zh) * 2017-05-27 2017-09-22 中国大唐集团科学技术研究院有限公司 基于风电场气动模拟和风速风向数据的分析方法
CN107194097B (zh) * 2017-05-27 2021-01-12 中国大唐集团科学技术研究院有限公司 基于风电场气动模拟和风速风向数据的分析方法
CN112868157A (zh) * 2018-10-15 2021-05-28 乌本产权有限公司 用于将电功率馈送到供电网中的方法和风电场
CN109989884A (zh) * 2019-05-09 2019-07-09 浙江大学 一种风机偏航控制方法
CN110633864A (zh) * 2019-09-20 2019-12-31 国网湖南省电力有限公司 一种基于距平偏差的风速数值预报订正方法及其系统
CN110633864B (zh) * 2019-09-20 2023-10-10 国网湖南省电力有限公司 一种基于距平偏差的风速数值预报订正方法及其系统
CN112613155B (zh) * 2020-02-06 2024-04-12 北京金风慧能技术有限公司 风力发电机组理论功率的确定方法、装置及设备
CN112613155A (zh) * 2020-02-06 2021-04-06 北京金风慧能技术有限公司 风力发电机组理论功率的确定方法、装置及设备
CN111911352A (zh) * 2020-05-11 2020-11-10 宁波大学 一种气流发生风力发电方法
CN111911352B (zh) * 2020-05-11 2023-02-28 宁波大学 一种气流发生风力发电方法
CN111980856A (zh) * 2020-08-17 2020-11-24 燕山大学 基于负荷预测的储能式液压型风力发电机组调频控制方法
CN112015784A (zh) * 2020-09-07 2020-12-01 华北电力大学（保定） 风况数据挖掘方法、装置、测风装置和数据挖掘设备
CN112015784B (zh) * 2020-09-07 2024-02-13 华北电力大学（保定） 风况数据挖掘方法、装置、测风装置和数据挖掘设备
CN112765544A (zh) * 2020-12-30 2021-05-07 国网湖南省电力有限公司 输电线路台风影响下强风风力校正预报方法
CN112765544B (zh) * 2020-12-30 2023-09-15 国网湖南省电力有限公司 输电线路台风影响下强风风力校正预报方法
CN116307257A (zh) * 2023-05-08 2023-06-23 华北电力科学研究院有限责任公司 一种特定天气下的风电场的输出功率预测方法及装置

Also Published As

Publication number Publication date
US20140244188A1 (en) 2014-08-28
US11408399B2 (en) 2022-08-09
US20220275788A1 (en) 2022-09-01
US20200018289A1 (en) 2020-01-16
CN104021424B (zh) 2018-12-07
US10215162B2 (en) 2019-02-26

Similar Documents

Publication Publication Date Title
CN104021424A (zh) 用于预测风场中的风机的输出功率的方法和装置
Lopes et al. Short-term forecasts of GHI and DNI for solar energy systems operation: assessment of the ECMWF integrated forecasting system in southern Portugal
Stathopoulos et al. Wind power prediction based on numerical and statistical models
Kubik et al. Exploring the role of reanalysis data in simulating regional wind generation variability over Northern Ireland
US8185331B2 (en) Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms
CN102945508B (zh) 一种基于模型校正的风电功率预测预报方法
JP3950928B2 (ja) 風力発電における発電出力予測方法、発電出力予測装置及び発電出力予測システム
Schmidt et al. The effect of windpower on long-term variability of combined hydro-wind resources: The case of Brazil
CN111461444A (zh) 风电场的机组功率的预测方法、系统、介质及电子设备
US20150039228A1 (en) Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses
JP5461748B1 (ja) 発電量予測装置、発電量予測方法、及びプログラム
CN109784563B (zh) 一种基于虚拟测风塔技术的超短期功率预测方法
CN109726867B (zh) 一种基于多模式集合的高分辨率电力气象预报方法
CN101741085A (zh) 一种短期风电功率预报方法
CN109472283B (zh) 一种基于多重增量回归树模型的危险天气预测方法和装置
CN103823979A (zh) 一种风电场噪声预测方法
CN115358606B (zh) 一种平缓地形下在役风电场能效评估方法及系统
KR20070038058A (ko) 비정형 격자를 통한 기상 예보 방법 및 시스템
CN116224473B (zh) 一种风速预报方法、模型训练方法、装置和存储介质
CN115808727A (zh) 百米级阵风客观预报方法及装置
CN104217247A (zh) 用于预测风场中的风机的输出功率的方法和装置
Lopes et al. Improved ECMWF forecasts of direct normal irradiance: A tool for better operational strategies in concentrating solar power plants
CN104008284A (zh) 测风塔在数值天气预报中的校正方法
CN115169263B (zh) 基于TVGM-Budyko耦合模型的多时间尺度径流变化归因分析方法
TW201740296A (zh) 再生能源發電量預測方法與系統

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180809

Address after: Valhalla, New York, USA

Applicant after: Utopas insight company

Address before: New York grams of Armand

Applicant before: International Business Machines Corp.

GR01 Patent grant
GR01 Patent grant