CN105508152B - 叶片结冰模型的构建方法、结冰状态的监测方法和装置 - Google Patents
叶片结冰模型的构建方法、结冰状态的监测方法和装置 Download PDFInfo
- Publication number
- CN105508152B CN105508152B CN201511032669.XA CN201511032669A CN105508152B CN 105508152 B CN105508152 B CN 105508152B CN 201511032669 A CN201511032669 A CN 201511032669A CN 105508152 B CN105508152 B CN 105508152B
- Authority
- CN
- China
- Prior art keywords
- sample data
- sample
- icing
- data
- datas
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims description 93
- 241001269238 Data Species 0.000 claims description 62
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 2
- 240000002853 Nelumbo nucifera Species 0.000 claims 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 2
- 238000000556 factor analysis Methods 0.000 abstract description 6
- 238000005314 correlation function Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 208000034657 Convalescence Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001652 frontal lobe Anatomy 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
-
- 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
Landscapes
- Wind Motors (AREA)
Abstract
本发明实施例提供一种叶片结冰模型的构建方法、结冰状态的监测方法和装置。所述方法包括:获取多种反映结冰状态的样本数据,并根据该样本数据生成所有样本数据的相关系数矩阵;对该相关系数矩阵进行因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,每个公共因子即为一个结冰类型。采用本发明实施例,可以提高对风电机组叶片结冰状态的监测精度。
Description
技术领域
本发明涉及风力发电技术,尤其涉及一种叶片结冰模型的构建方法、结冰状态的监测方法和装置。
背景技术
随着寒冷气候地区风力发电场建设规模的不断扩大,在该环境下工作的风电机组的叶片很容易结冰,从而影响风电机组的发电效率,因此,如何对叶片结冰状态进行监测成为急需解决的问题。
通常可以通过结冰气候条件模拟的方式对风电机组当前的结冰状态进行监测,即通过风电机组当前所处的地理位置和地理环境构建造成风电机组结冰的气候条件,然后,通过构建造成风电机组结冰的气候条件与当前监测的气候条件进行对比,确定叶片结冰状态。
然而,通过上述方式确定的叶片结冰状态的结果极大地依赖于测量数据的准确程度,而且风电机组当前所处的地理位置的地形地貌会影响空气的垂直运动,以及不同的地形会使得云层底部高度、大气液态水含量以及降雨等不同,从而很难通过上述方式准确的确定出风电机组当前的结冰状态,导致对风电机组叶片结冰状态的监测精度较低。
发明内容
本发明的目的在于,提供一种风电机组叶片结冰模型的构建方法和叶片结冰状态的监测方法,以及实现上述方法的相应装置,从而提高对风电机组叶片结冰状态的监测精度。
根据本发明的一方面,提供一种风电机组叶片结冰模型的构建方法。所述方法包括:
获取多种反映结冰状态的样本数据,并根据所述样本数据生成所有样本数据的相关系数矩阵;
对所述相关系数矩阵进行因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,每个所述公共因子即为一个结冰类型。
根据本发明的另一方面,提供一种风电机组叶片结冰状态的监测方法。所述方法包括:
获取多种反映结冰状态的样本数据;
根据所述样本数据以及各样本数据在所述风电机组叶片结冰模型中针对多个预设公共因子的贡献量,得到当前风电机组叶片的结冰状态,每个所述公共因子即为一个结冰类型。
根据本发明的又一方面,提供一种风电机组叶片结冰模型的构建装置。所述装置包括:
相关系数矩阵生成模块,用于获取多种反映结冰状态的样本数据,并根据所述样本数据生成所有样本数据的相关系数矩阵;
结冰模型构建模块,用于对所述相关系数矩阵进行因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,每个所述公共因子即为一个结冰类型。
根据本发明的又一方面,提供一种风电机组叶片结冰状态的监测装置。所述装置包括:
样本数据获取模块,用于获取多种反映结冰状态的样本数据;
结冰状态确定模块,用于根据所述样本数据以及各样本数据在所述风电机组叶片结冰模型中针对多个预设公共因子的贡献量,得到当前风电机组叶片的结冰状态,每个所述公共因子即为一个结冰类型。
根据本发明实施例提供的叶片结冰模型的构建方法、结冰状态的监测方法和装置,通过对多种反映结冰状态的样本数据生成的相关系数矩阵进行因子分析,得到风电机组叶片结冰模型,并基于该风电机组叶片结冰模型对风电机组当前所处的结冰状态进行监测,确定当前叶片的结冰状态,从而提高对风电机组叶片结冰状态的监测精度。
附图说明
图1是示出根据本发明实施例一的风电机组叶片结冰模型的构建方法的流程图;
图2是示出根据本发明实施例二的风电机组叶片结冰模型的构建方法的流程图;
图3是示出根据本发明实施例三的风电机组叶片结冰状态的监测方法的流程图;
图4是示出根据本发明实施例四的风电机组叶片结冰状态的监测方法的流程图;
图5是示出根据本发明实施例五的风电机组叶片结冰模型的构建装置的一个逻辑框图;
图6是示出根据本发明实施例五的风电机组叶片结冰模型的构建装置的另一个逻辑框图;
图7是示出根据本发明实施例六的风电机组叶片结冰状态的监测装置的一个逻辑框图;
图8是示出根据本发明实施例六的风电机组叶片结冰状态的监测装置的另一个逻辑框图。
具体实施方式
本方案的发明构思是,通过对多种反映结冰状态的样本数据生成的相关系数矩阵进行因子分析,得到风电机组叶片结冰模型,并基于该风电机组叶片结冰模型对风电机组当前所处的结冰状态进行监测,确定当前叶片的结冰状态,从而提高对风电机组叶片结冰状态的监测精度。
下面结合附图详细描述本发明的示例性实施例。
实施例一
图1是示出根据本发明实施例一的风电机组叶片结冰模型的构建方法的流程图。通过包括如图5所示的装置执行该方法。
参照图1,S110,获取多种反映结冰状态的样本数据,并根据该样本数据生成所有样本数据的相关系数矩阵。
其中,叶片的结冰状态可以包括多种,例如气象结冰和设备结冰等,气象结冰可以是指当前已达到了能够结冰的条件而结冰的状态,设备结冰可以是冰遗留在设备表面的状态,或者也可以是叶片结冰干扰了风电机组的正常运行的结冰状态。
具体地,由于风能资源较丰富的区域多是高原、山顶及山脊等,而这些区域通常温度较低、海拔较高且湿度较大,这样的条件很容易造成风电机组的叶片结冰,进而引起风电机组叶片过载、叶片冰载荷分布不均而影响风电机组的发电量,为此,可以对造成叶片结冰的因素进行分析统计,得到相应的影响因素,例如,风电机组当前所处地域的环境因素(如气温、风速和地理位置等因素)和风电机组自身因素(如叶片的材料、风电机组的额定功率等)等。为了对上述影响因素做进一步地的分析,可以选择一个具有代表性的风场进行试验,并可以在该风场中以抽样的方式选取一定数量的风电机组作为试验对象。可以为造成风电机组叶片结冰的所有影响因素分别设置相应的传感器,并将传感器安装在风电机组的相应位置,例如,可以在风电机组的叶片上安装贴片式拉力传感器、温度传感器和/或振动传感器等直接贴到风电机组的叶片上,也可以将不同的传感器安装在风电机组的不同位置,各个传感器的实际安装位置可以根据实际情况进行设定。这样,可以通过传感器实时采集相应影响因素的测量数值(即样本数据的数据值),具体地,传感器安装后,可以通过预定数据采集系统控制相应的传感器采集相应的数据,并通过有线或无线通信的方式将该数据发送给数据采集系统,该数据采集系统可以将该数据作为样本数据存储在预定的存储设备中,例如,可以在风电机组的机头预定位置处安装温度传感器,通过数据采集系统控制该温度传感器实时采集风电机组当前所处的环境温度,并将该环境温度的数值发送给数据采集系统作为样本数据进行存储。这样,通过每一个影响因素对应的传感器所采集到的数据得到能够反映结冰状态的样本数据。
然而,在对上述得到的多种样本数据进行分析的过程中,为了确定其中的任意两种样本数据之间是否相关,其相关程度如何,可以对任意两种样本数据进行相关性计算,具体地,可以设置相应的相关函数,其中,相关函数可以是用于描述两个信号或数据(信号或数据可以是随机的,也可以是确定的)在某时刻或某时间段内的相关程度。另外,需要说明的是,相关函数可以包括自相关函数和互相关函数,本实施例中设置的相关函数可以是互相关函数。然后,可以从多种样本数据中任选两种样本数据,将该两种样本数据输入到设置的相关函数中进行相关性计算,得到该两种样本数据之间的相关系数,通过上述方式,可以计算得到多种样本数据中任意两种样本数据之间的相关系数,最后,可以基于任意两种样本数据之间的相关系数构造所有样本数据的相关系数矩阵。
需要说明的是,任意两种样本数据之间的相关系数的数值可以大于或等于0,如果相关系数的数值为0,则表示该两种样本数据之间毫无相关性,如果相关系数的数值大于0,则两种样本数据之间的相关性会根据该数值的大小而不同。另外,为了提高数据的处理效率,还可以将任选的两种样本数据输入到相关软件(如Matlab软件等)中进行计算得到两种样本数据之间的相关系数。
S120,对该相关系数矩阵进行因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,每个公共因子即为一个结冰类型。
其中,因子分析可以是一种从变量群组中提取共性因子的统计技术。因子分析的方法可以包括多种,例如重心法、最大似然解、最小平方法和阿尔发抽因法等。结冰类型可以包括多种,例如冻雾覆冰和降雨型结冰等,其中,冻雾覆冰还可以包括雾凇冰和釉结冰等,降雨型结冰还可以包括冻雨、小雨和湿润的雪等。公共因子可以是通过因子分析从变量群组中提取的共性因子。贡献量可以用于表示样本数据对公共因子的贡献程度,也可以通过权重的方式表示。
具体地,可以从多种因子分析的方法中选择一种方法对上述步骤S110中得到的相关系数矩阵进行因子分析,通过因子分析可以从相关系数矩阵对应的众多样本数据中找出隐藏的具有代表性的因子(即公共因子),并将相同本质的样本数据归入一个公共因子,可以用每一个公共因子对应一种结冰类型,然后,计算每个样本数据对于各公共因子的贡献程度,从而得到各样本数据针对多个公共因子的贡献量。基于得到的贡献量可以构建相应的因子载荷矩阵作为风电机组叶片结冰模型。
本发明实施例提供的风电机组叶片结冰模型的构建方法,通过对多种反映结冰状态的样本数据生成的相关系数矩阵进行因子分析,得到风电机组叶片结冰模型,以便后续可以基于该风电机组叶片结冰模型对风电机组当前所处的结冰状态进行监测,确定当前叶片的结冰状态,从而提高对风电机组叶片结冰状态的监测精度。
实施例二
图2是示出根据本发明实施例二的风电机组叶片结冰模型的构建方法的流程图,所述实施例可视为图1的又一种具体的实现方案。
参照图2,其中步骤S210和S220可以为上述实施例一中步骤S110的细化,具体如下:
S210,获取多种反映结冰状态的样本数据。
具体地,考虑到造成风电机组叶片结冰的影响因素可能涉及到风电机组所处的外界环境和风电机组自身因素,可以针对涉及到的上述两个方面设置多种能够反映叶片结冰状态的影响因素。如对于外界环境方面,相应的影响因素可以包括温度、云层高度、地形参数、日照时间、空气密度、湿度、露点和风速等,而对于风电机组自身因素方面,相应的影响因素可以包括叶片转速、叶片气动参数、叶片表面参数、固有振动频率、叶片载荷分布和输出功率等。其中,地形参数可以包括风电机组所处的地理方位和海拔高度等,叶片表面特性参数可以包括叶片的材料和叶片的截面面积等。
可以基于上述14个影响因素分别设置相应的传感器,以采集相应影响因素的样本数据的数据值,具体处理可以参见上述实施例一中步骤S110的相关内容,在此不再赘述。另外,为了在一定程度上保证风电机组的稳定运行,上述14个影响因素中的部分影响因素的样本数据还可以从本地的气象数据中获取,例如,云层高度、空气密度等因素的样本数据。
S220,对获取的多种反映结冰状态的样本数据进行归一化处理,并根据归一化处理后的样本数据生成所有样本数据的相关系数矩阵。
具体地,为了便于后续对样本数据的分析,以及直观完整的体现多种反映结冰状态的样本数据之间的相关性,可以对多种反映结冰状态的样本数据进行预处理,即对样本数据进行补漏和标准化处理等。其中,对样本数据进行标准化处理的方式可以包括多种,例如归一化标准化和小数定标标准化等,为了简化数据处理过程,本发明实施例中对样本数据进行标准化处理采用归一化标准化的方式处理,从而使得任意两种样本数据之间的相关系数的数值处于[0,1]的范围内。可以通过归一化处理后的样本数据生成所有样本数据的相关系数矩阵,具体的处理过程可以参见上述实施例一种步骤S110的相关内容,在此不再赘述。
S230,采用因子分析模型对该相关系数矩阵进行因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,每个公共因子即为一个结冰类型。
具体地,因子分析模型可以包括多种,例如只包含公共因子的因子分析模型、包含公共因子和特殊因子的因子分析模型,本实施中使用的因子分析模型可以为
x=μ+Af+ε……………………………………(1)
其中,x可以为样本数据的总体;μ可以为样本数据x的平均值;f为公共因子;A为因子载荷矩阵;ε为特殊因子。
可以预先设定多个公共因子,如m个,分别可以为f1,f2,…,fm,如果样本数据包括p种,分别可以为x1,x2,…,xp,则相应的平均值为μ1,μ2,…,μp,因子载荷矩阵A=(aij)p×m;aij为样本数据xi对公共因子fj的贡献量,因此,可以得到
基于上述步骤S210的示例,提供了14种样本数据,即p=14,如果结冰类型为5种,则公共因子的数目加上特殊因子的数目为5,可以分别假设公共因子的数目为5,特殊因子的数目为0,或者,公共因子的数目为4,特殊因子的数目为1,或者,公共因子的数目为3,特殊因子的数目为2,或者,公共因子的数目为2,特殊因子的数目为3,或者,公共因子的数目为1,特殊因子的数目为4,或者,公共因子的数目为0,特殊因子的数目为5,通过上述公式(2)分别计算得到样本数据对公共因子的贡献量,然后,可以根据上述每种情况计算得到的样本数据对公共因子的贡献量和多种反映结冰状态的样本数据进行验证,从而得到满足上述样本数据和实际结冰现象的公共因子的数目和特殊因子的数目,以及其对应的样本数据对公共因子的贡献量,并基于其对应的样本数据对公共因子的贡献量得到相应的因子载荷矩阵作为风电机组叶片结冰模型,通过该因子载荷矩阵即可直观的反映出某一种具体的结冰状态对上述14种影响因素的权重,进而可以为后续叶片结冰监测提供支持,可以提高叶片结冰监测的效率,其中,每个公共因子即为一个结冰类型,每个特殊因子也为一个结冰类型。
本发明实施例提供的风电机组叶片结冰模型的构建方法,一方面,充分考虑到可能造成风电机组结冰的外界环境和风电机组自身因素,确定相应的包括温度、云层高度、地形参数、叶片气动参数和叶片表面参数等在内的14种影响因素,通过分别获取上述影响因素的样本数据的数据值得到多种反映结冰状态的样本数据,从而可以提高叶片结冰模型的实效性;另一方面,通过对样本数据进行归一化处理和因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,从而为后续风电机组叶片结冰状态的监测提供支持,简化了风电机组叶片结冰状态的监测过程。
实施例三
图3是示出根据本发明实施例三的风电机组叶片结冰状态的监测方法的流程图。通过包括如图7所示的装置执行该方法。
参照图3,S310,获取多种反映结冰状态的样本数据。
其中,多种反映结冰状态的样本数据可以是造成风电机组结冰的所有影响因素对应的样本数据的数据值。
上述获取多种反映结冰状态的样本数据的处理可以通过相应的传感器执行,具体可参见上述如图1的实施例或如图2的实施例,在此不再赘述。除了可以通过相应的传感器直接获取多种反映结冰状态的样本数据外,还可以通过其它方式获取样本数据,例如可通过部分相关数据使用间接的方式获取所有影响因素对应的样本数据的数据值。
S320,根据该样本数据以及各样本数据在该风电机组叶片结冰模型中针对多个预设公共因子的贡献量,得到当前风电机组叶片的结冰状态,每个公共因子即为一个结冰类型。
具体地,可以将上述步骤S310获取的样本数据的数据值中的任一数据值和相应的通过上述图1的实施例或图2的实施例得到的风电机组叶片结冰模型中针对多个预设公共因子的贡献量相乘,得到当前风电机组叶片的结冰数据,然后,可以将该结冰数据与预先存储的多种预定结冰状态对应的结冰数据进行对比,从而确定当前风电机组叶片的结冰状态。
本发明实施例提供的风电机组叶片结冰状态的监测方法,通过预先对多种反映结冰状态的样本数据生成的相关系数矩阵进行因子分析,得到风电机组叶片结冰模型,并基于该风电机组叶片结冰模型对风电机组当前所处的结冰状态进行监测,确定当前叶片的结冰状态,从而提高对风电机组叶片结冰状态的监测精度。
实施例四
图4是示出根据本发明实施例四的风电机组叶片结冰状态的监测方法的流程图,所述实施例可视为图3的又一种具体的实现方案。
基于上述实施例中的相关内容可知,如果需要对风电机组叶片结冰状态进行监测,则可能需要在风电机组上安装14种(甚至会更多)造成风电机组叶片结冰的影响因素对应的传感器,在实际应用中,上述处理方式会增加风电机组的不稳定性,从而影响风电机组的发电效率,为此,可以考虑使用通过尽量少的影响因素来间接得到剩余影响因素的样本数据的方式获取所有影响因素对应的样本数据,本发明实施例提供一种可行的实现方式,具体可如以下步骤S410和S420所述。
参照图4,S410,获取该多种反映结冰状态的原始样本数据。
其中,原始样本数据可以为造成风电机组叶片结冰的所有影响因素对应的样本数据,即如上述实施例二中提供的包括温度、云层高度、地形参数和叶片转速等14种影响因素对应的样本数据。
需要说明的是,该样本数据可以是上述14种影响因素对应的传感器实际采集的样本数据,也可以是传感器采集的样本数据经过归一化处理后得到的样本数据。
其中,获取该多种反映结冰状态的14种影响因素对应的样本数据(即原始样本数据),以及归一化处理的过程可以参见上述实施例一中步骤S110和实施例二中步骤S210和S220的相关内容,在此不再赘述。
S420,对该原始样本数据进行主成分分析,得到该原始样本数据对应的主成分的原始数据。
其中,主成分分析可以是将多种不同的样本数据通过线性变换等方式以从中选出较少个数的重要样本数据的一种多元统计分析方法。
具体地,在很多情况下,多种反映结冰状态的样本数据之间存在一定的相关关系,如线性关系或反比例关系等,当两种不同的样本数据之间存在一定的相关关系时,可以认为该两种不同的样本数据在反映叶片结冰状态的信息方面存在一定的重叠,可以通过主成分分析将该原始样本数据中存在上述重叠的两种不同的样本数据(即关系紧密的两种不同的样本数据)删去其中的一种样本数据或多余的样本数据,从而得到尽可能少的样本数据,使得这些样本数据的任意两种是不相关的,这样,得到的尽可能少的样本数据即可作为该原始样本数据对应的主成分的原始数据。
为了简化获取主成分的原始数据的处理过程,可以通过特征值和特征向量的方式确定原始样本数据对应的主成分的原始数据,以便后续通过主成分对应的传感器(即少量传感器)采集相应的测量数值,并基于该测量数据推算出所有影响因素的样本数据的数据值,因此,可以对上述步骤S420的处理进一步细化,相应的处理可参见下述步骤一和步骤二。
步骤一,根据该原始样本数据生成所有原始样本数据的相关系数矩阵。
其中,步骤一的处理方式与上述实施例二中步骤S220的处理方式相同,具体可参见上述S220的步骤内容,在此不再赘述。
步骤二,计算该原始样本数据的相关系数矩阵的特征值和特征向量,并根据该特征值的个数和特征向量确定该原始样本数据对应的主成分的原始数据。
具体地,可以对上述步骤一中生成的相关系数矩阵进行特征值和特征向量的求解计算,得到该相关系数矩阵的特征值和相应的特征向量。通过该相关系数矩阵的特征值的个数可以确定主成分的个数(即14种影响因素中重要影响因素的种数),然后,可以将该相关系数矩阵和得到的特征向量代入下述公式
计算得到该原始样本数据对应的主成分(即y1,y2,y3,…ym)的原始数据,即y1,y2,y3,…ym对应的影响因素(如温度、湿度或叶片转速等)。其中,y为主成分向量,m为主成分的个数,x为相关系数矩阵,T为由相关系数矩阵计算得到的特征向量组成的矩阵,t1,t2,t3…,tp分别为特征向量。
考虑到上述主成分的分析,可以对上述实施例三中的步骤S310的处理进一步细化,具体可包括如下步骤S430和S440。
S430,获取多种反映结冰状态的样本数据中的主成分的样本数据。
具体地,通过上述步骤S420的处理得到主成分的个数和主成分对应的影响因素,可以在造成风电机组叶片结冰的所有影响因素中提取主成分对应的影响因素,然后,可以在风场中的所有风电机组上安装主成分对应的传感器,可以通过该传感器实时采集相应影响因素的测量数值(即样本数据的数据值),从而得到主成分的样本数据,例如,如果主成分对应的影响因素包括温度、湿度、风速和叶片转速,则可以将温度传感器、湿度传感器、风速传感器和叶片转速传感器分别安装在风电机组的相应位置,通过上述各个传感器分别采集温度、湿度、风速和叶片转速的数据构成主成分的样本数据,其中,需要说明的是,如果风电机组中已预先安装有上述传感器中的某个传感器,则可以使用该传感器而无需再次安装相同作用的传感器。
S440,根据该主成分所代表的样本数据的数据矩阵,推算出所有样本数据的数据值。
具体地,由于主成分与所有成分中除主成分外的其它成分存在一定的相关关系,可以通过主成分的样本数据推算出所有样本数据的数据值,具体处理过程可以为:可以将获取的主成分的样本数据和原始样本数据的相关系数矩阵的特征向量代入公式
计算得到矩阵
上述公式(5)矩阵中的各个数据值可以是所有样本数据经过归一化处理后的样本数据的数据值,可以对上述矩阵中的各个数据值进行归一化的逆运算,从而得到所有样本数据的数据值,即可以认为该数据值为通过传感器采集的数据值。
S450,根据该样本数据以及各样本数据在该风电机组叶片结冰模型中针对多个预设公共因子的贡献量,得到当前风电机组叶片的结冰状态,每个公共因子即为一个结冰类型。
具体地,可以根据上述步骤S440推算出的所有样本数据的数据值和通过上述图1的实施例或图2的实施例得到的风电机组叶片结冰模型,得到当前风电机组叶片的结冰状态,具体处理过程可以参见上述实施例三中步骤S320,在此不再赘述。
此外,还可以根据不同的结冰状态使用相应的方法破冰,例如,如果确定当前风电机组叶片的结冰状态为气象结冰状态,则可以进一步判别其是当前处于培养期还是恢复期,其中,培养期为冰层不断加厚的过程,恢复期为冰层削减过程。如果确定当前处于培养期,则可采用对叶片进行加热的方式破冰,如果确定当前处于恢复期,则说明当前叶片上的冰层已经很厚,此时可以采取抖振策略或停机。如果确定当前风电机组叶片的结冰状态为设备结冰状态,则可进一步判断叶片上冰层的遗留程度,若不影响风电机组的正常工作,则可对冰层不做处理,若影响风电机组的正常运行,则可通过结冰时期的处理方式进行破冰。
本发明实施例提供的风电机组叶片结冰状态的监测方法,一方面,通过主成分分析的方法将多种反映结冰状态的样本数据划分为主成分的数据和非主成分的数据,对于主成分的数据可以通过传感器直接测量得到样本数据的数据值,对于非主成分的数据可以通过主成分的数据获取,从而大大简化了风电机组叶片结冰状态的监测过程,提高了监测效率,另一方面,通过主成分的样本数据和多种反映结冰状态的样本数据的相关系数矩阵的特征向量,确定当前风电机组叶片的结冰状态,提高了对风电机组叶片结冰状态的监测精度和监测效率。
实施例五
基于相同的技术构思,图5是示出根据本发明实施例五的风电机组叶片结冰模型的构建装置的逻辑框图。参照图5,该装置包括相关系数矩阵生成模块510和结冰模型构建模块520。
相关系数矩阵生成模块510用于获取多种反映结冰状态的样本数据,并根据该样本数据生成所有样本数据的相关系数矩阵;
结冰模型构建模块520用于对该相关系数矩阵进行因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,每个公共因子即为一个结冰类型。
进一步地,该样本数据包括下面至少任意两种:温度、云层高度、地形参数、日照时间、空气密度、湿度、露点、风速、叶片转速、叶片气动参数、叶片表面参数、固有振动频率、叶片载荷分布、输出功率。
进一步地,基于图5的实施例,如图6所示的装置还包括:归一化处理模块530,用于对获取的多种反映结冰状态的样本数据进行归一化处理,并根据该归一化处理后的样本数据生成所有样本数据的相关系数矩阵。
进一步地,该对该相关系数矩阵进行因子分析采用的模型为:
x=μ+Af+ε
其中,x=(x1,x2,…,xp)为该样本数据的总体,该总体包括p种样本数据;μ=(μ1,μ2,…,μp)为x的平均值;f=(f1、f2,…,fm)为公共因子;A=(aij)p×m为该因子载荷矩阵;aij为样本数据xi对公共因子fj的贡献量,m为公共因子的个数,ε为特殊因子。
本发明实施例提供的风电机组叶片结冰模型的构建装置,通过对多种反映结冰状态的样本数据生成的相关系数矩阵进行因子分析,得到风电机组叶片结冰模型,以便后续可以基于该风电机组叶片结冰模型对风电机组当前所处的结冰状态进行监测,确定当前叶片的结冰状态,从而提高对风电机组叶片结冰状态的监测精度。
进一步地,本发明实施例中,一方面,充分考虑到可能造成风电机组结冰的外界环境和风电机组自身因素,确定相应的包括温度、云层高度、地形参数、叶片气动参数和叶片表面参数等在内的14种影响因素,通过分别获取上述影响因素的样本数据的数据值得到多种反映结冰状态的样本数据,从而可以提高叶片结冰模型的实效性;另一方面,通过对样本数据进行归一化处理和因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,从而为后续风电机组叶片结冰状态的监测提供支持,简化了风电机组叶片结冰状态的监测过程。
实施例六
基于相同的技术构思,图7是示出根据本发明实施例六的风电机组叶片结冰状态的监测装置的逻辑框图。参照图7,该装置包括样本数据获取模块710和结冰状态确定模块720。
样本数据获取模块710用于获取多种反映结冰状态的样本数据;
结冰状态确定模块720用于根据该样本数据以及各样本数据在该风电机组叶片结冰模型中针对多个预设公共因子的贡献量,得到当前风电机组叶片的结冰状态,每个公共因子即为一个结冰类型。
进一步地,样本数据获取模块710包括:
主成分样本获取单元,用于获取多种反映结冰状态的样本数据中的主成分的样本数据;
样本数据推算单元,用于根据该主成分所代表的样本数据的数据矩阵,推算出所有样本数据的数据值。
进一步地,基于图7的实施例,如图8所示的装置还包括:
原始样本获取模块730,用于获取该多种反映结冰状态的原始样本数据;
主成分分析模块740,用于对该原始样本数据进行主成分分析,得到该原始样本数据对应的主成分的原始数据。
进一步地,主成分分析模块740包括:
相关系数矩阵生成单元,用于根据该原始样本数据生成所有原始样本数据的相关系数矩阵;
主成分确定单元,用于计算该原始样本数据的相关系数矩阵的特征值和特征向量,并根据该特征值的个数和特征向量确定该原始样本数据对应的主成分的原始数据。
本发明实施例提供的风电机组叶片结冰状态的监测装置,通过预先对多种反映结冰状态的样本数据生成的相关系数矩阵进行因子分析,得到风电机组叶片结冰模型,并基于该风电机组叶片结冰模型对风电机组当前所处的结冰状态进行监测,确定当前叶片的结冰状态,从而提高对风电机组叶片结冰状态的监测精度。
进一步地,本发明实施例中,一方面,通过主成分分析的方法将多种反映结冰状态的样本数据划分为主成分的数据和非主成分的数据,对于主成分的数据可以通过传感器直接测量得到样本数据的数据值,对于非主成分的数据可以通过主成分的数据获取,从而大大简化了风电机组叶片结冰状态的监测过程,提高了监测效率,另一方面,通过主成分的样本数据和多种反映结冰状态的样本数据的相关系数矩阵的特征向量,确定当前风电机组叶片的结冰状态,提高了对风电机组叶片结冰状态的监测精度和监测效率。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的处理方法。此外,当通用计算机访问用于实现在此示出的处理的代码时,代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (16)
1.一种风电机组叶片结冰模型的构建方法,其特征在于,所述方法包括:
获取多种反映结冰状态的样本数据,并根据所述样本数据生成所有样本数据的相关系数矩阵;
对所述相关系数矩阵进行因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,每个所述公共因子即为一个结冰类型;
所述根据所述样本数据生成所有样本数据的相关系数矩阵的处理包括:计算得到多种样本数据中任意两种样本数据之间的相关系数,基于任意两种样本数据之间的相关系数构造所有样本数据的相关系数矩阵。
2.根据权利要求1所述的方法,其特征在于,所述样本数据包括下面至少任意两种:温度、云层高度、地形参数、日照时间、空气密度、湿度、露点、风速、叶片转速、叶片气动参数、叶片表面参数、固有振动频率、叶片载荷分布、输出功率。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:对获取的多种反映结冰状态的样本数据进行归一化处理,并根据所述归一化处理后的样本数据生成所有样本数据的相关系数矩阵。
4.根据权利要求3所述的方法,其特征在于,所述对所述相关系数矩阵进行因子分析采用的模型为:
x=μ+Af+ε
其中,x=(x1,x2,…,xp)为所述样本数据的总体,该总体包括p种样本数据;μ=(μ1,μ2,…,μp)为所述x的平均值;f=(f1、f2,…,fm)为所述公共因子;A=(aij)p×m为所述因子载荷矩阵;aij为样本数据xi对公共因子fj的贡献量,m为所述公共因子的个数,ε为特殊因子。
5.一种风电机组叶片结冰状态的监测方法,其特征在于,所述方法包括:
获取多种反映结冰状态的样本数据;
根据所述样本数据生成所有样本数据的相关系数矩阵,包括:计算得到多种样本数据中任意两种样本数据之间的相关系数,基于任意两种样本数据之间的相关系数构造所有样本数据的相关系数矩阵;
根据所述样本数据以及各样本数据在所述风电机组叶片结冰模型中针对多个预设公共因子的贡献量,得到当前风电机组叶片的结冰状态,每个所述公共因子即为一个结冰类型。
6.根据权利要求5所述的方法,其特征在于,所述获取多种反映结冰状态的样本数据包括:
获取多种反映结冰状态的样本数据中的主成分的样本数据;
根据所述主成分所代表的样本数据的数据矩阵,推算出所有样本数据的数据值。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取所述多种反映结冰状态的原始样本数据;
对所述原始样本数据进行主成分分析,得到所述原始样本数据对应的主成分的原始数据。
8.根据权利要求7所述的方法,其特征在于,对所述原始样本数据进行主成分分析,得到所述原始样本数据对应的主成分的原始数据包括:
根据所述原始样本数据生成所有原始样本数据的相关系数矩阵;
计算所述原始样本数据的相关系数矩阵的特征值和特征向量,并根据所述特征值的个数和特征向量确定所述原始样本数据对应的主成分的原始数据。
9.一种风电机组叶片结冰模型的构建装置,其特征在于,所述装置包括:
相关系数矩阵生成模块,用于获取多种反映结冰状态的样本数据,并根据所述样本数据生成所有样本数据的相关系数矩阵;
结冰模型构建模块,用于对所述相关系数矩阵进行因子分析,得到各样本数据针对多个预设公共因子的贡献量的因子载荷矩阵作为风电机组叶片结冰模型,每个所述公共因子即为一个结冰类型;
所述根据所述样本数据生成所有样本数据的相关系数矩阵的处理包括:计算得到多种样本数据中任意两种样本数据之间的相关系数,基于任意两种样本数据之间的相关系数构造所有样本数据的相关系数矩阵。
10.根据权利要求9所述的装置,其特征在于,所述样本数据包括下面至少任意两种:温度、云层高度、地形参数、日照时间、空气密度、湿度、露点、风速、叶片转速、叶片气动参数、叶片表面参数、固有振动频率、叶片载荷分布、输出功率。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:归一化处理模块,用于对获取的多种反映结冰状态的样本数据进行归一化处理,并根据所述归一化处理后的样本数据生成所有样本数据的相关系数矩阵。
12.根据权利要求11所述的装置,其特征在于,所述对所述相关系数矩阵进行因子分析采用的模型为:
x=μ+Af+ε
其中,x=(x1,x2,…,xp)为所述样本数据的总体,该总体包括p种样本数据;μ=(μ1,μ2,…,μp)为所述x的平均值;f=(f1、f2,…,fm)为所述公共因子;A=(aij)p×m为所述因子载荷矩阵;aij为样本数据xi对公共因子fj的贡献量,m为所述公共因子的个数,ε为特殊因子。
13.一种风电机组叶片结冰状态的监测装置,其特征在于,所述装置包括:
样本数据获取模块,用于获取多种反映结冰状态的样本数据;所述样本数据用于生成所有样本数据的相关系数矩阵,所述生成所有样本数据的相关系数矩阵的处理包括:计算得到多种样本数据中任意两种样本数据之间的相关系数,基于任意两种样本数据之间的相关系数构造所有样本数据的相关系数矩阵;
结冰状态确定模块,用于根据所述样本数据以及各样本数据在所述风电机组叶片结冰模型中针对多个预设公共因子的贡献量,得到当前风电机组叶片的结冰状态,每个所述公共因子即为一个结冰类型。
14.根据权利要求13所述的装置,其特征在于,所述样本数据获取模块包括:
主成分样本获取单元,用于获取多种反映结冰状态的样本数据中的主成分的样本数据;
样本数据推算单元,用于根据所述主成分所代表的样本数据的数据矩阵,推算出所有样本数据的数据值。
15.根据权利要求14所述的装置,其特征在于,所述装置还包括:
原始样本获取模块,用于获取所述多种反映结冰状态的原始样本数据;
主成分分析模块,用于对所述原始样本数据进行主成分分析,得到所述原始样本数据对应的主成分的原始数据。
16.根据权利要求15所述的装置,其特征在于,所述主成分分析模块包括:
相关系数矩阵生成单元,用于根据所述原始样本数据生成所有原始样本数据的相关系数矩阵;
主成分确定单元,用于计算所述原始样本数据的相关系数矩阵的特征值和特征向量,并根据所述特征值的个数和特征向量确定所述原始样本数据对应的主成分的原始数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511032669.XA CN105508152B (zh) | 2015-12-31 | 2015-12-31 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511032669.XA CN105508152B (zh) | 2015-12-31 | 2015-12-31 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105508152A CN105508152A (zh) | 2016-04-20 |
CN105508152B true CN105508152B (zh) | 2018-10-23 |
Family
ID=55716382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511032669.XA Active CN105508152B (zh) | 2015-12-31 | 2015-12-31 | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105508152B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108119319B (zh) * | 2016-11-29 | 2020-02-11 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰状态识别方法及装置 |
CN106679719A (zh) * | 2016-12-13 | 2017-05-17 | 云南能投海装新能源设备有限公司 | 一种风机结冰检测装置 |
CN108223307B (zh) * | 2016-12-15 | 2019-08-02 | 北京金风科创风电设备有限公司 | 风力发电机组叶片结冰程度的检测方法和检测装置 |
CN107945266B (zh) * | 2017-11-29 | 2021-08-17 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种机翼三维结冰模型的生成方法 |
CN109958588B (zh) * | 2017-12-14 | 2020-08-07 | 北京金风科创风电设备有限公司 | 结冰预测方法、装置、存储介质、模型生成方法及装置 |
CN109973332A (zh) * | 2017-12-27 | 2019-07-05 | 浙江中自庆安新能源技术有限公司 | 风力发电机叶片结冰在线监测方法与装置 |
CN108343566B (zh) * | 2018-03-28 | 2019-07-09 | 长沙理工大学 | 一种基于风电机组运行状态的叶片覆冰故障在线监测方法及系统 |
CN109209790B (zh) * | 2018-10-09 | 2019-12-20 | 浙江运达风电股份有限公司 | 一种基于数据建模的风电叶片结冰推测方法 |
CN110243260B (zh) * | 2019-07-29 | 2022-01-28 | 中国电建集团中南勘测设计研究院有限公司 | 一种冰层厚度计算方法及系统 |
CN112682276B (zh) * | 2020-12-03 | 2022-04-05 | 湖南防灾科技有限公司 | 风机叶片覆冰状态预测方法、装置、介质和电子设备 |
CN113915080A (zh) * | 2021-11-15 | 2022-01-11 | 四川建筑职业技术学院 | 风力发电机组叶片覆冰运行检测及控制方法 |
CN115450858A (zh) * | 2022-10-18 | 2022-12-09 | 山东大学 | 基于数字孪生的风机叶片状态检测方法及系统 |
CN115640503B (zh) * | 2022-10-25 | 2023-08-11 | 北京华控智加科技有限公司 | 风电机组叶片异常检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101487892A (zh) * | 2009-02-23 | 2009-07-22 | 北京航空航天大学 | 一种基于因子分析模型的高光谱数据降维方法 |
CN202280571U (zh) * | 2011-10-13 | 2012-06-20 | 国电联合动力技术有限公司 | 风力发电机组冰载运行优化控制系统 |
EP2615302A1 (de) * | 2012-01-10 | 2013-07-17 | Nordex Energy GmbH | Verfahren zum Betreiben einer Windenergieanlage, bei dem auf Grundlage meteorologischer Daten eine Vereisungsgefahr ermittelt wird, und Windenergieanlage zur Ausführung des Verfahrens |
CN105089929A (zh) * | 2014-05-21 | 2015-11-25 | 南车株洲电力机车研究所有限公司 | 风力发电机组叶片结冰检测系统及其方法 |
CN105184423A (zh) * | 2015-10-20 | 2015-12-23 | 国家电网公司 | 一种风电场集群风速预测方法 |
-
2015
- 2015-12-31 CN CN201511032669.XA patent/CN105508152B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101487892A (zh) * | 2009-02-23 | 2009-07-22 | 北京航空航天大学 | 一种基于因子分析模型的高光谱数据降维方法 |
CN202280571U (zh) * | 2011-10-13 | 2012-06-20 | 国电联合动力技术有限公司 | 风力发电机组冰载运行优化控制系统 |
EP2615302A1 (de) * | 2012-01-10 | 2013-07-17 | Nordex Energy GmbH | Verfahren zum Betreiben einer Windenergieanlage, bei dem auf Grundlage meteorologischer Daten eine Vereisungsgefahr ermittelt wird, und Windenergieanlage zur Ausführung des Verfahrens |
CN105089929A (zh) * | 2014-05-21 | 2015-11-25 | 南车株洲电力机车研究所有限公司 | 风力发电机组叶片结冰检测系统及其方法 |
CN105184423A (zh) * | 2015-10-20 | 2015-12-23 | 国家电网公司 | 一种风电场集群风速预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105508152A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105508152B (zh) | 叶片结冰模型的构建方法、结冰状态的监测方法和装置 | |
CN109958588B (zh) | 结冰预测方法、装置、存储介质、模型生成方法及装置 | |
Aukitino et al. | Wind energy resource assessment for Kiribati with a comparison of different methods of determining Weibull parameters | |
Seeley et al. | The effect of global warming on severe thunderstorms in the United States | |
Iungo et al. | Volumetric lidar scanning of wind turbine wakes under convective and neutral atmospheric stability regimes | |
Dial et al. | Short-term convective mode evolution along synoptic boundaries | |
Bosveld et al. | Fifty years of atmospheric boundary-layer research at Cabauw serving weather, air quality and climate | |
Coniglio et al. | Impacts of targeted AERI and Doppler lidar wind retrievals on short-term forecasts of the initiation and early evolution of thunderstorms | |
Market et al. | Precipitation efficiency of warm-season Midwestern mesoscale convective systems | |
Swenson et al. | An efficacious model for predicting icing-induced energy loss for wind turbines | |
McCaffrey et al. | Identification and characterization of persistent cold pool events from temperature and wind profilers in the Columbia River Basin | |
Valsaraj et al. | Symbolic regression-based improved method for wind speed extrapolation from lower to higher altitudes for wind energy applications | |
Frick et al. | A case study of high-impact wet snowfall in northwest Germany (25–27 November 2005): Observations, dynamics, and forecast performance | |
Martin et al. | Impact of near-future turbine technology on the wind power potential of low wind regions | |
Fuhrmann et al. | A trajectory approach to analyzing the ingredients associated with heavy winter storms in central North Carolina | |
Clifton et al. | Research challenges and needs for the deployment of wind energy in hilly and mountainous regions | |
Steiger et al. | Lake-effect thunderstorms in the lower Great Lakes | |
Strauss et al. | Skill and potential economic value of forecasts of ice accretion on wind turbines | |
Beaucage et al. | Synthetic aperture radar satellite data for offshore wind assessment: A strategic sampling approach | |
zum Berge et al. | A two-day case study: comparison of turbulence data from an unmanned aircraft system with a model chain for complex terrain | |
Ghate et al. | Differences between nonprecipitating tropical and trade wind marine shallow cumuli | |
Bughici et al. | Evaluation and bias correction in WRF model forecasting of precipitation and potential evapotranspiration | |
KR101010407B1 (ko) | 빌딩풍 이용 풍력 발전 시스템의 설치 방법 | |
Ouammi et al. | Wind energy potential in Liguria region | |
El Yazidi et al. | Analysis of wind data and assessment of wind energy potential in Lamhiriz Village, Morocco |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |