CN105844361A - 风电机组风功率预测方法、解缆方法和装置 - Google Patents
风电机组风功率预测方法、解缆方法和装置 Download PDFInfo
- Publication number
- CN105844361A CN105844361A CN201610189019.4A CN201610189019A CN105844361A CN 105844361 A CN105844361 A CN 105844361A CN 201610189019 A CN201610189019 A CN 201610189019A CN 105844361 A CN105844361 A CN 105844361A
- Authority
- CN
- China
- Prior art keywords
- wind
- time
- predetermined amount
- data
- speed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000005315 distribution function Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000010977 unit operation Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- XUFQPHANEAPEMJ-UHFFFAOYSA-N famotidine Chemical compound NC(N)=NC1=NC(CSCCC(N)=NS(N)(=O)=O)=CS1 XUFQPHANEAPEMJ-UHFFFAOYSA-N 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明实施例提供一种风电机组风功率预测方法、解缆方法和装置。所述风电机组风功率预测方法包括:获取当前预定时间段内的风速数据;以所述风速数据作为输入,从预先创建的风功率预测模型中获取未来预定时间段内表征风况变化信息的风速的概率分布函数;根据所述风速的概率分布函数计算得到所述未来预定时间段内不同风速下对应的风电机组的输出功率。通过本发明的风电机组风功率预测方法、解缆方法和装置,实现了准确、及时地预测风电机组的输出功率,从而为风电机组解缆提供技术依据,进而在提高了风能利用效率和发电量的同时,有效地减少了电缆事故的发生。
Description
技术领域
本发明涉及风力发电技术,尤其涉及一种风电机组风功率预测方法、解缆方法和装置。
背景技术
为了有效地利用风能资源,大型风电场的并网运行都需要配备风力发电预测系统。风功率预测是指风电场中风力发电机组发电功率预测。如果没有预测系统的支持,或者预测的不够准确,风电机组的发电量和电力系统的安全性都得不到保证。由此,准确的风功率预测是提高风电机组发电量,电网运行稳定性和经济性的有效手段。
与此同时,风功率预测为风电机组解缆提供技术依据。因此,风功率预测的准确度直接影响到风电机组的解缆操作的安全性。举例来说,风电机组在捕获风能的过程中需要反复的偏航来进行准确对风以获取最大功率。由于风的不确定性和不稳定性的存在,如果风力发电机连续的往某一个方向不断地偏转,则会发生由于不断的往一个方向偏转造成偏航电缆缠绕在一起,甚至是电缆绞死的事故发生。
目前,现有的风功率预测方法通常有以下两种:一是基于风电机组功率曲线来评估风机输出功率,二是采用聚类分析理论。然而,上述方法具有以下不足之处:对于第一种方法,表现出实效性和及时性较差;对于第二种方法,表现出没有结合此理论对风功率预测中气象数据和风速数据所蕴含的信息进行详细剖析,导致风功率预测的准确度不高。进而影响到风电机组的解缆操作,不可避免地会发生电缆事故。可见,风电机组发电量得不到提升的同时,使得电力系统的安全性也无法保证。
发明内容
本发明实施例的目的在于,提供一种风电机组风功率预测方法、解缆方法和装置,以实现准确、及时地预测风电机组的输出功率,从而为风电机组解缆提供技术依据,进而在提高风能利用效率和发电量的同时,有效地减少电缆事故的发生。
为实现上述发明目的,本发明的实施例提供了一种风电机组风功率预测方法,所述方法包括:获取当前预定时间段内的风速数据;以所述风速数据作为输入,从预先创建的风功率预测模型中获取未来预定时间段内表征风况变化信息的风速的概率分布函数;根据所述风速的概率分布函数计算得到所述未来预定时间段内不同风速下对应的风电机组的输出功率。
本发明的实施例还提供了一种风电机组解缆方法,所述方法包括:获取风电机组当前预定时间段内的发电量和风向数据;以所述风速数据作为输入,从预先创建的风功率预测模型获取所述风电机组在未来预定时间段内不同风速下对应的输出功率,并根据所述不同风速下对应的输出功率计算所述未来预定时间段内风电机组的发电量;以所述风速数据作为输入,从所述预先创建的风功率预测模型中获取所述风电机组在未来预定时间段内的主风向数据;根据所述当前预定时间段内的发电量和风向数据,以及所述未来预定时间段内的发电量和所述主风向数据,确定是否对所述风电机组执行解缆。
本发明的实施例还提供了一种风电机组风功率预测装置,所述装置包括:风速数据获取模块,用于获取当前预定时间段内的风速数据;函数获取模块,用于以所述风速数据作为输入,从预先创建的风功率预测模型中获取未来预定时间段内表征风况变化信息的风速的概率分布函数;功率计算模块,用于根据所述风速的概率分布函数计算得到所述未来预定时间段内不同风速下对应的风电机组的输出功率。
本发明的实施例还提供了一种风电机组解缆装置,所述装置包括:第一数据获取模块,用于获取风电机组当前预定时间段内的发电量和风向数据;数据获取及计算模块,用于以所述风速数据作为输入,从预先创建的风功率预测模型获取所述风电机组在未来预定时间段内不同风速下对应的输出功率,并根据所述不同风速下对应的输出功率计算所述未来预定时间段内风电机组的发电量;第二数据获取模块,用于以所述风向数据作为输入,从预先创建的风功率预测模型获取所述风电机组在未来预定时间段内的主风向数据;解缆确定模块,用于根据所述当前预定时间段内的发电量和风向数据,以及所述未来预定时间段内的发电量和所述主风向数据,确定是否对所述风电机组执行解缆。
根据本发明实施例提供的风电机组风功率预测方法、解缆方法和装置,通过将获取的当前一段时间的风速数据输入到预先创建的风功率预测模型,从而得到未来一段时间内表征风况变化信息的风速的概率分布函数,进一步根据风速的概率分布函数准确、及时地预测风电机组的输出功率,从而为风电机组解缆提供技术依据,进而在提高了风能利用效率和发电量的同时,降低了电缆事故的发生率。与此同时,节约了成本,广泛应用于各个风电场。
附图说明
图1为本发明实施例一的风电机组风功率预测方法的流程示意图;
图2为本发明实施例一的风电机组风功率预测方法中风速的概率分布曲线图;
图3为本发明实施例二的风电机组解缆方法的流程示意图;
图4为本发明实施例三的风电机组风功率预测装置的结构示意图;
图5为本发明实施例四的风电机组解缆装置的结构示意图。
具体实施方式
下面结合附图详细描述本发明的示例性实施例风电机组风功率预测方法、解缆方法和装置。
本发明的技术构思,是基于预先创建的风功率预测模型,以及实时采集的当前时间段内影响风电机组输出功率的风况数据(如风速、风向),得到未来时间段内风况变化趋势的信息,再依据风况变化趋势的信息准确、及时地预测风电机组的输出功率,以实现为风电机组解缆控制提供可靠性高的技术依据,从而在提高了风能利用效率和发电量的同时,降低了电缆事故的发生率。
实施例一
图1为本发明实施例一的风电机组风功率预测方法的流程示意图,如图1所示,可在如实施例三所述的风电机组风功率预测装置上执行所述方法。风电机组风功率预测方法包括:
步骤110:获取当前预定时间段内的风速数据。
在具体的实现方式中,可在选定的风电场中以抽样方式选取待测试的风电机组。风速数据通常可通过例如,但不限于,激光雷达测风装置、风速仪等测风设备测得。以激光雷达测风装置为例,其具有较好的气象测量性能,且受地理局限性较小,因此能够准确地测量风力发电机组周围的如风速等气象数据。
步骤120:以风速数据作为输入,从预先创建的风功率预测模型中获取未来预定时间段内表征风况变化信息的风速的概率分布函数。
根据本发明示例性的实施例,步骤120可包括:根据风速数据计算当前预定时间段内的风速的平均值;根据当前预定时间段内的风速的平均值,从风功率预测模型中推算出风速的概率分布函数。
其中,根据本发明的优选实施例,风速的概率分布函数可具体为下式(1):
其中,F(V)为风速的概率分布函数,v为风速,vave为当前预定时间段内风速的平均值。
根据本发明的另一优选实施例,风速的概率分布函数可具体为下式(2):
其中,p(Vm)为风速的概率分布函数,C为尺度系数,k为形状系数,Vm为当前预定时间段内风速的平均值。
图2为本发明实施例一的风电机组风功率预测方法中风速的概率分布曲线图,参照图2,这里,形状系数k是重要参数,它决定着上述风速的概率分布曲线的基本形状,尺度系数C起放大或者缩小的作用,但是不会影响风速的概率分布曲线的形状。
上述式(2)中的当前预定时间段内风速的平均值Vm的表达式具体为下式(3):
其中,Vm为当前预定时间段内风速的平均值,tp为当前预定时间段对应的时间长度的值,t0为当前预定时间段的起始时刻。
步骤130,根据风速的概率分布函数计算得到未来预定时间段内不同风速下对应的风电机组的输出功率。
根据本发明示例性的实施例,步骤130可包括根据下式(4),计算不同风速下对应的风电机组的输出功率:
P=0.5πR2ρ[F(V)]3Cp(λ,β)…………………………………………式(4)
其中,P为风电机组的输出功率,F(V)为风速的概率分布函数,R为风机叶轮半径,ρ为空气密度,Cp为风能利用系数,λ为叶尖速比,β为叶片桨距角。
这里,通过下式(5)和式(6)可计算上述式(4)中的风能利用系数:
其中,Cp为风能利用系数,λ为叶尖速比,β为叶片桨距角。需要说明的是,λi仅是一个与叶尖速比λ和桨距角β相关的表达式,引入λi是为了使Cp的表达式简洁,以免看上去过于复杂。
此外,继续参照图2,可以看出很少会发生风速特别大的情况,一般情况下风速最容易出现在5m/s到10m/s这个范围内。与此同时,地表的高度也在影响着平均风速的大小。在陆地上即使地表相对比较平坦没有物体的阻碍,还是会在空气中存在着摩擦力来影响处在海拔高度较低地带的风能资源,这种现象被称为风切变现象。风切变现象随着海拔高度的下降对风能的影响效果会更为显著,风切变对风力发电系统能否顺利工作影响极大。风切变现象的数学模型如下式(7)所示:
其中,z为在地表以上的高度,zref为参考高度,zref一般取值为10米,z0代表地表粗糙程度。对于不同种类的地貌,z0的取值也会有不同。
根据物理学的原理,流体在单位体积内所具有的动能如下式(8)所示:
其中,E为流体具有的动能,ρ为空气密度,v为流速。对于一个气流,假设该气流以速度v来通过横截面积为S的物体,则该气流的流速v具体为Sv,此时所产生的风能如下式(9)所示:
其中,E'为风能,ρ为空气密度,S为横截面积,v为流速。
因此,根据本发明另一示例性的实施例,步骤130可包括根据下式(10),计算不同风速下对应的风电机组的输出功率:
其中,P为风电机组的输出功率,p(Vm)为风速的概率分布函数,tp为当前预定时间段对应的时间长度的值,ρ为空气密度,S为横截面积。
根据本发明的优选实施例,创建风功率预测模型的方法可包括:获取多组样本数据,并根据样本数据生成所有样本数据的相关系数矩阵,样本数据包括反映风电机组气象信息和/或地理信息的环境数据和反映风电机组运行状态的机组运行数据;对相关系数矩阵进行因子分析,得到包括各样本数据对多个预设公共因子的影响参数的风功率预测矩阵,并利用风功率预测矩阵生成风功率预测模型。
考虑到影响风功率的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状况,由此,针对涉及到的上述两个方面可以获取多种能够反映气象信息、地理信息和风电机组运行状态的数据。基于影响风功率的因素可分别设置相应的传感器,以采集相应因素的样本数据的数据值。
这里,对于外界环境方面,环境数据可包括,但不限于,以下至少一种:风速、风向、水平气压梯度力、摩擦力、温度、空气湿度、空气密度、地形参数和云层高度。而对于风电机组自身因素方面,机组运行数据可包括,但不限于,以下至少一种:输出功率、偏航角度、偏航方向和风机转速。
在实际应用中,可将获得的样本数据经由数据转换采集装置传输至现有的AWS云平台上。其中,数据传输所采用的技术可以是光纤、3G、蓝牙、以太网、无线共享等,但不限于此。数据传输的形式是纯数字信号。数据存储位置可以是AWS云平台、自行建立的数据存储云平台、自行搭建的数据存储主机等。然后,在云端利用大数据等各种分析计算手段对数据进行处理,从而建立风功率预测模型。并通过计算机实时仿真技术对模型进行仿真验证,同时结合实验数据不断修正风功率预测模型,从而建立准确、可靠的用于风电机组的风功率预测模型。
其中,数据处理平台可采用Matlab、Python、Labview、R语言等软件,仿真验证可采用ANASYS、Matlab、Fluent及Famos等软件,也可能综合应用上述多款软件建立的联合计算仿真平台。数据处理分析计算过程中,可综合应用包含大数据分析在内的所有算法,如支持向量机、神经网络、K-means、遗传算法等,以保证高效且准确的数据分析和计算。
具体地,对相关系数矩阵进行因子分析采用的模型可以为下式(11):
x=λ+Aξ+δ………………………………………………………式(11)
其中,x=(x1,x2,…,xm)T为样本数据的总体,m为样本数据的种类数,λ=(λ1,λ2,…,λm)T为样本数据的总体x的平均值,ξ为公共因子,A为风功率预测矩阵,δ为特殊因子。
具体地,可以预先设定多个公共因子,如n个,分别可以为ξ1,ξ2,…,ξn,如果样本数据包括m种,分别可以为x1,x2,…,xm,则相应的平均值为λ1,λ2,…,λm,风功率预测矩阵A=(aij)m×n,aij为样本数据xi对公共因子ξj的影响参数。因此,可以得到下式(12):
这里,公共因子和特殊因子均为已知量。大量样本数据代入式(12),就可求解出(aij)m×n,即风功率预测矩阵A。将获得的风功率预测矩阵A代入式(11),从而完成风功率预测模型的创建。
需要说明的是,该风功率预测模型的建立可基于一个风电场一台或多台风电机组的样本数据,进而推广到其他风电场进行应用,也可以是每个风电场都进行样本数据采集以建立模型。
可扩展地,该风功率预测模型创建时还可统计反映外界环境和风电机组自身状况的各因素的权重来实现。并且还可采用多个修正系数作为调整参数以适应不同地域、不同风电机组的机型。
可选地,该风电机组风功率预测方法还包括:获取当前预定时间段内的风向数据;以风向数据作为输入,从预先创建的风功率预测模型获取未来预定时间段内表征主风能方向信息的主风向数据。
本发明的风电机组风功率预测方法,通过将获取的当前一段时间的风速数据输入到预先创建的风功率预测模型,从而得到未来一段时间内表征风况变化信息的风速的概率分布函数,进一步根据风速的概率分布函数准确、及时地预测风电机组的输出功率,从而为风电机组解缆提供技术依据,进而在提高了风能利用效率和发电量的同时,降低了电缆事故的发生率。与此同时,节约了成本,广泛应用于各个风电场。
此外,本发明还具有如下技术效果:一方面,本发明所创建的风功率预测模型包含地理信息(平原、山区、丘陵等)、气象信息(风速、风向等)及机组本身运行状况(输出功率、风机转速等)的多维度信息,而不是单一信息,从而使得创建的风功率预测模型更加准确、可靠。进而风功率预测方法应用了上述准确、可靠的风功率预测模型,提高了风电机组输出功率预测的准确度;另一方面,应用风功率预测模型节省了大量的人力、财力、时间等各种成本(例如检测设备、检测部门测试人员繁忙复杂的野外测试工作)。
实施例二
图3为本发明实施例二的风电机组解缆方法的流程示意图,如图3所示,可在如实施例四所述的风电机组解缆装置上执行所述方法。风电机组解缆方法包括:
步骤310:获取风电机组当前预定时间段内的发电量、风速数据和风向数据。
在具体的实现方式中,可利用发电量测量装置,以及专门的传感器或数据采集系统来获取风电机组发电量、风速数据和风向数据。
步骤320:以风速数据作为输入,从预先创建的风功率预测模型获取风电机组在未来预定时间段内不同风速下对应的输出功率,并根据不同风速下对应的输出功率计算未来预定时间段内风电机组的发电量。
具体地,可利用如前述实施例一的风电机组风功率预测方法,获得风电机组在未来预定时间段内不同风速下对应的输出功率。
根据本发明示例性的实施例,步骤320中根据不同风速下对应的风电机组的输出功率计算未来预定时间段内风电机组的发电量的处理可包括:计算不同风速下对应的风电机组的输出功率的和值;计算和值与未来预定时间段对应的时间长度的乘积值,并将乘积值作为未来预定时间段内风电机组的发电量。
步骤330:以风向数据作为输入,从所述预先创建的风功率预测模型,获取风电机组在未来预定时间段内的主风向数据。
同理,具体可利用如前述实施例一的风电机组风功率预测方法,获得风电机组在未来预定时间段内的主风向数据。
步骤340:根据当前预定时间段内的发电量和风向数据,以及未来预定时间段内的发电量和主风向数据,确定是否对风电机组执行解缆。
根据本发明示例性的实施例,步骤340可包括:如果当前预定时间段内的发电量大于等于未来预定时间段内的发电量的预设倍数阈值,则确定不对风电机组执行解缆;如果风向数据与主风向数据不同,并且当前预定时间段内的发电量小于未来预定时间段内的发电量的预设倍数阈值,则确定对风电机组执行解缆。
也就是说,通过前述风功率预测模型预测出在未来预定时间段(通常设定为10分钟)内在主风向的发电量较小,而当前的发电量较大时,则不对风电机组执行解缆。相反地,若风向发生变化,且当前的发电量较小,预测出的在未来预定时间段内在主风向的发电量较大,则对风电机组执行解缆。
举例来说,假设当前发电量高于未来一段时间内发电量的2倍,那么就是当前发电量较高,未来一段时间内主风向上发电量较小,此时要保持现有的运行和发电状态,不要解缆。如果此时解缆,偏航系统会朝向与当前方向相反的方向偏转,由于偏离了主风向,风速也会相应的降低,那么根据前述式(2)可知,此时偏转必然会损失发电量,因此此时解缆并不合适。
相反地,假设预测出在未来的一段时间内的主风向与当前风向不一致,同时在主风向的发电量很大。例如,当前的发电量低于未来一段时间内的发电量的2倍,那么就可理解为当前的发电量较小,未来一段时间内的发电量较大。此时要提前解缆,虽然在解缆的过程中偏航系统会朝向与当前方向相反的方向偏转,此时会损失一部分的发电量,但是由于在未来的一段时间内风电机组的发电量会非常大,因此综合考虑,为了获取更多的发电量,要提前解缆,使风电机组朝向主风向方向偏转。
在实际应用中,可在风电机组的主控系统中执行该解缆方法。根据预测出的未来预定时间段内风电机组的发电量和主风向数据,利用现有的PID、模糊控制、模糊PID、神经网络、蚁群算法等智能控制方法对风电机组偏航系统和解缆系统制定相关的控制策略,来对偏航以及解缆的方向、角度、时间等进行控制。从而通过基于风功率预测的信息对解缆方向进行相应调整,解决了因往同一方向不断偏转而造成偏航电缆相互缠绕甚至绞死的重大故障问题,同时,解决了由于风况发生变化风电机组偏航以及解缆不及时而导致风能利用率和发电量下降的问题。
本发明的风电机组解缆方法,通过风电机组当前预定时间段内的发电量和风速风向数据,以及预测出的未来预定时间段内的发电量和主风向数据,从而确定是否对风电机组执行解缆。实现了主动、准确地依据表征风况信息的数据进行解缆判断,从而在提高了风能利用效率和发电量的同时,降低了电缆事故的发生率。并且,该方法实用性强。
实施例三
基于相同的技术构思,图4为本发明实施例三的风电机组风功率预测装置的结构示意图。可用于执行本发明实施例一的风电机组风功率预测方法步骤。
参照图4,该风电机组风功率预测装置包括风速数据获取模块410、函数获取模块420和功率计算模块430。
风速数据获取模块410用于获取当前预定时间段内的风速数据。
函数获取模块420用于以风速数据作为输入,从预先创建的风功率预测模型中获取未来预定时间段内表征风况变化信息的风速的概率分布函数。
功率计算模块430用于根据风速的概率分布函数计算得到未来预定时间段内不同风速下对应的风电机组的输出功率。
本发明的风电机组风功率预测装置,通过将获取的当前一段时间的风速数据输入到预先创建的风功率预测模型,从而得到未来一段时间内表征风况变化信息的风速的概率分布函数,进一步根据风速的概率分布函数准确、及时地预测风电机组的输出功率,从而为风电机组解缆提供技术依据,进而在提高了风能利用效率和发电量的同时,降低了电缆事故的发生率。与此同时,节约了成本,广泛应用于各个风电场。
在上述实施例的基础上,优选地,函数获取模块420可包括:
平均风速计算单元(图中未示出)用于根据风速数据计算当前预定时间段内的风速的平均值。
概率分布函数推算单元(图中未示出)用于根据当前预定时间段内的风速的平均值,推算出风速的概率分布函数。
进一步地,风速的概率分布函数可具体为下式(13):
其中,F(V)为风速的概率分布函数,v为风速,vave为当前预定时间段内风速的平均值。
优选地,功率计算模块430用于根据下式(14)计算不同风速下对应的风电机组的输出功率,
P=0.5πR2ρ[F(V)]3Cp(λ,β)…………………………………………式(14)
其中,P为风电机组的输出功率,F(V)为风速的概率分布函数,R为风机叶轮半径,ρ为空气密度,Cp为风能利用系数,λ为叶尖速比,β为叶片桨距角。
更进一步地,风速的概率分布函数可具体为下式(15):
其中,p(Vm)为风速的概率分布函数,C为尺度系数,k为形状系数,Vm为当前预定时间段内风速的平均值。
相应地,功率计算模块430用于根据下式(16)计算不同风速下对应的风电机组的输出功率,
其中,P为风电机组的输出功率,p(Vm)为风速的概率分布函数,tp为当前预定时间段对应的时间长度的值,ρ为空气密度,S为横截面积。
进一步地,风电机组风功率预测装置还可包括:
风向数据获取模块(图中未示出)用于获取当前预定时间段内的风向数据;
主风向数据获取模块(图中未示出)用于以风向数据作为输入,从预先创建的风功率预测模型获取未来预定时间段内表征主风能方向信息的主风向数据。
综上,本发明还具有如下技术效果:一方面,通过上式(13)和式(14),或者上式(15)和式(16)均能够解决以往基于风电机组功率曲线来评估风机输出功率的失效性、被动性和过时性的问题;另一方面,该风电机组风功率预测装置还可基于当前一段时间的风向数据和预先创建的风功率预测模型,预测未来一段时间的主风向数据,为风电机组的偏航及解缆方面的控制提供准确度高的数据基础。进一步提高了风能利用效率和发电量,并减少了电缆事故的发生。
实施例四
基于相同的技术构思,图5为本发明实施例四的风电机组解缆装置的结构示意图。可用于执行本发明实施例二的风电机组解缆方法步骤。
参照图5,该风电机组解缆装置包括第一数据获取模块510、数据获取及计算模块520、第二数据获取模块530和解缆确定模块540。
第一数据获取模块510用于获取风电机组当前预定时间段内的发电量、风速数据和风向数据。
数据获取及计算模块520用于以风速数据作为输入,从预先创建的风功率预测模型获取风电机组在未来预定时间段内不同风速下对应的输出功率,并根据不同风速下对应的输出功率计算未来预定时间段内风电机组的发电量。
第二数据获取模块530用于以所述风向数据作为输入,从预先创建的风功率预测模型获取风电机组在未来预定时间段内的主风向数据。
解缆确定模块540用于根据当前预定时间段内的发电量和风向数据,以及未来预定时间段内的发电量和主风向数据,确定是否对风电机组执行解缆。
本发明的风电机组解缆装置,通过风电机组当前预定时间段内的发电量和风速风向数据,以及预测出的未来预定时间段内的发电量和主风向数据,从而确定是否对风电机组执行解缆。实现了主动、准确地依据表征风况信息的数据进行解缆判断,从而在提高了风能利用效率和发电量的同时,降低了电缆事故的发生率。并且,该装置实用性强。
在上述实施例的基础上,根据本发明示例性的实施例,数据获取及计算模块520可包括:
求和单元(图中未示出)用于计算不同风速下对应的风电机组的输出功率的和值。
发电量计算单元(图中未示出)用于计算和值与未来预定时间段对应的时间长度的乘积值,并将乘积值作为未来预定时间段内风电机组的发电量。
优选地,解缆确定模块540可用于如果当前预定时间段内的发电量大于等于未来预定时间段内的发电量的预设倍数阈值,则确定不对风电机组执行解缆;如果风向数据与主风向数据不同,并且当前预定时间段内的发电量小于未来预定时间段内的发电量的预设倍数阈值,则确定对风电机组执行解缆。
综上,本发明还具有如下技术效果:一是通过不同风速下对应的风电机组的输出功率,预测出准确度高的未来一段时间内风电机组的发电量;二是综合考虑发电量的变化、风况变化和电缆事故,并作为是否对风电机组执行解缆的判定条件,从而既提高了发电量和风能利用效率,又减少了电缆事故的发生。
此外,上述实施例三及实施例四所述的风电机组风功率预测装置和基于风功率预测的风电机组解缆装置可安装在风机主控柜中,也可不安装其中。对于不安装于风机主控柜中的情况,可以是搭建类似偏航解缆的实验环境,以模拟出实际的风电场环境,然后通过风电机组风功率预测装置和解缆装置获取数据,对数据进行处理分析建立风功率预测数学模型,以及设计解缆系统的控制策略,进而推广应用到风电场。
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 (17)
1.一种风电机组风功率预测方法,其特征在于,所述方法包括:
获取当前预定时间段内的风速数据;
以所述风速数据作为输入,从预先创建的风功率预测模型中获取未来预定时间段内表征风况变化信息的风速的概率分布函数;
根据所述风速的概率分布函数计算得到所述未来预定时间段内不同风速下对应的风电机组的输出功率。
2.根据权利要求1所述的方法,其特征在于,所述以所述风速数据作为输入,从预先创建的风功率预测模型中获取未来预定时间段内表征风况变化信息的风速的概率分布函数包括:
根据所述风速数据计算所述当前预定时间段内的风速的平均值;
根据所述当前预定时间段内的风速的平均值,从所述风功率预测模型中推算出所述风速的概率分布函数。
3.根据权利要求1所述的方法,其特征在于,所述风速的概率分布函数为:
其中,F(V)为所述风速的概率分布函数,v为风速,vave为所述当前预定时间段内风速的平均值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述风速的概率分布函数计算得到所述未来预定时间段内不同风速下对应的风电机组的输出功率包括:
根据
P=0.5πR2ρ[F(V)]3Cp(λ,β)
计算所述不同风速下对应的风电机组的输出功率,其中,P为风电机组的输出功率,R为风机叶轮半径,ρ为空气密度,Cp为风能利用系数,λ为叶尖速比,β为叶片桨距角。
5.根据权利要求1所述的方法,其特征在于,创建所述风功率预测模型的方法包括:
获取多组样本数据,并根据所述样本数据生成所有样本数据的相关系数矩阵,所述样本数据包括反映风电机组气象信息和/或地理信息的环境数据和反映风电机组运行状态的机组运行数据;
对所述相关系数矩阵进行因子分析,得到包括各样本数据对多个预设公共因子的影响参数的风功率预测矩阵,并利用所述风功率预测矩阵生成风功率预测模型。
6.根据权利要求5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=λ+Aξ+δ
其中,x=(x1,x2,…,xm)T为所述样本数据的总体,m为样本数据的种类数,λ=(λ1,λ2,…,λm)T为所述样本数据的总体的平均值,ξ=(ξ1,ξ2,…,ξn)T为公共因子,n为所述公共因子的个数,δ为特殊因子,A=(aij)m×n为所述风功率预测矩阵,aij为样本数据xi对公共因子ξj的影响参数。
7.根据权利要求5所述的方法,其特征在于,所述环境数据包括以下至少一种:风速、风向、水平气压梯度力、摩擦力、温度、空气湿度、空气密度、地形参数和云层高度,
所述机组运行数据包括以下至少一种:输出功率、偏航角度、偏航方向和风机转速。
8.根据权利要求1~7中任一项所述的方法,其特征在于,所述方法还包括:
获取所述当前预定时间段内的风向数据;
以所述风向数据作为输入,从预先创建的风功率预测模型获取未来预定时间段内表征主风能方向信息的主风向数据。
9.一种风电机组解缆方法,其特征在于,所述方法包括:
获取风电机组当前预定时间段内的发电量、风速数据和风向数据;
以所述风速数据作为输入,从预先创建的风功率预测模型获取所述风电机组在未来预定时间段内不同风速下对应的输出功率,并根据所述不同风速下对应的输出功率计算所述未来预定时间段内风电机组的发电量;
以所述风向数据作为输入,从所述预先创建的风功率预测模型获取所述风电机组在未来预定时间段内的主风向数据;
根据所述当前预定时间段内的发电量和风向数据,以及所述未来预定时间段内的发电量和所述主风向数据,确定是否对所述风电机组执行解缆。
10.根据权利要求9所述的方法,其特征在于,所述根据所述不同风速下对应的风电机组的输出功率计算所述未来预定时间段内风电机组的发电量包括:
计算所述不同风速下对应的风电机组的输出功率的和值;
计算所述和值与所述未来预定时间段对应的时间长度的乘积值,并将所述乘积值作为所述未来预定时间段内风电机组的发电量。
11.根据权利要求9或10所述的方法,其特征在于,所述根据所述当前预定时间段内的发电量和风向数据,以及所述未来预定时间段内的发电量和所述主风向数据,确定是否对所述风电机组执行解缆包括:
如果所述当前预定时间段内的发电量大于等于所述未来预定时间段内的发电量的预设倍数阈值,则确定不对所述风电机组执行解缆;
如果所述风向数据与所述主风向数据不同,并且所述当前预定时间段内的发电量小于所述未来预定时间段内的发电量的预设倍数阈值,则确定对所述风电机组执行解缆。
12.一种风电机组风功率预测装置,其特征在于,所述装置包括:
风速数据获取模块,用于获取当前预定时间段内的风速数据;
函数获取模块,用于以所述风速数据作为输入,从预先创建的风功率预测模型中获取未来预定时间段内表征风况变化信息的风速的概率分布函数;
功率计算模块,用于根据所述风速的概率分布函数计算得到所述未来预定时间段内不同风速下对应的风电机组的输出功率。
13.根据权利要求12所述的装置,其特征在于,所述函数获取模块包括:
平均风速计算单元,用于根据所述风速数据计算所述当前预定时间段内的风速的平均值;
概率分布函数推算单元,用于根据所述当前预定时间段内的风速的平均值,从所述风功率预测模型中推算出所述风速的概率分布函数。
14.根据权利要求12或13所述的装置,其特征在于,所述装置还包括:
风向数据获取模块,用于获取所述当前预定时间段内的风向数据;
主风向数据获取模块,用于以所述风向数据作为输入,从预先创建的风功率预测模型获取未来预定时间段内表征主风能方向信息的主风向数据。
15.一种风电机组解缆装置,其特征在于,所述装置包括:
第一数据获取模块,用于获取风电机组当前预定时间段内的发电量、风速数据和风向数据;
数据获取及计算模块,用于以所述风速数据作为输入,从预先创建的风功率预测模型获取所述风电机组在未来预定时间段内不同风速下对应的风电机组的输出功率,并根据所述不同风速下对应的输出功率计算所述未来预定时间段内风电机组的发电量;
第二数据获取模块,用于以所述风向数据作为输入,从预先创建的风功率预测模型获取所述风电机组在未来预定时间段内的主风向数据;
解缆确定模块,用于根据所述当前预定时间段内的发电量和风向数据,以及所述未来预定时间段内的发电量和所述主风向数据,确定是否对所述风电机组执行解缆。
16.根据权利要求15所述的装置,其特征在于,所述数据获取及计算模块包括:
求和单元,用于计算所述不同风速下对应的风电机组的输出功率的和值;
发电量计算单元,用于计算所述和值与所述未来预定时间段对应的时间长度的乘积值,并将所述乘积值作为所述未来预定时间段内风电机组的发电量。
17.根据权利要求15或16所述的装置,其特征在于,所述解缆确定模块用于如果所述当前预定时间段内的发电量大于等于所述未来预定时间段内的发电量的预设倍数阈值,则确定不对所述风电机组执行解缆;如果所述风向数据与所述主风向数据不同,并且所述当前预定时间段内的发电量小于所述未来预定时间段内的发电量的预设倍数阈值,则确定对所述风电机组执行解缆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610189019.4A CN105844361B (zh) | 2016-03-29 | 2016-03-29 | 风电机组风功率预测方法、解缆方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610189019.4A CN105844361B (zh) | 2016-03-29 | 2016-03-29 | 风电机组风功率预测方法、解缆方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844361A true CN105844361A (zh) | 2016-08-10 |
CN105844361B CN105844361B (zh) | 2020-08-14 |
Family
ID=56584265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610189019.4A Active CN105844361B (zh) | 2016-03-29 | 2016-03-29 | 风电机组风功率预测方法、解缆方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844361B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250656A (zh) * | 2016-08-23 | 2016-12-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种结合大数据的复杂地形风电场设计平台及方法 |
CN106337778A (zh) * | 2016-10-31 | 2017-01-18 | 湘电风能有限公司 | 一种风力发电机组提前启动的控制方法 |
CN106547996A (zh) * | 2016-12-08 | 2017-03-29 | 贵州电网有限责任公司电力科学研究院 | 一种风电场虚拟测风塔构建方法 |
CN106875038A (zh) * | 2017-01-03 | 2017-06-20 | 北京国能日新系统控制技术有限公司 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
CN107100794A (zh) * | 2017-06-14 | 2017-08-29 | 北京唐浩电力工程技术研究有限公司 | 一种风轮机能量感知及控制方法 |
CN107194122A (zh) * | 2017-06-23 | 2017-09-22 | 南京理工大学 | 一种变速风机叶片的多工况气动优化的改进方法 |
CN107587977A (zh) * | 2017-11-15 | 2018-01-16 | 东方电气风电有限公司 | 一种风力发电机组抗台风控制方法 |
CN107869420A (zh) * | 2016-09-27 | 2018-04-03 | 远景能源(江苏)有限公司 | 风力涡轮机发电场的风力涡轮机偏航控制方法及系统 |
CN108869173A (zh) * | 2018-01-31 | 2018-11-23 | 北京金风科创风电设备有限公司 | 风电机组的功率控制方法和设备 |
CN109800919A (zh) * | 2019-01-30 | 2019-05-24 | 云南电网有限责任公司电力科学研究院 | 一种区域风电场整体有功功率预测方法及装置 |
CN110230575A (zh) * | 2018-03-06 | 2019-09-13 | 森维安有限公司 | 维护一组风力发电设备的一个风力发电设备的方法和系统 |
CN111828248A (zh) * | 2020-07-28 | 2020-10-27 | 中国华能集团清洁能源技术研究院有限公司 | 一种风力发电机组的参考功率曲线生成方法、系统及装置 |
CN113803222A (zh) * | 2021-09-22 | 2021-12-17 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
CN114263565A (zh) * | 2020-09-16 | 2022-04-01 | 新疆金风科技股份有限公司 | 风力发电机组的偏航控制设备及方法 |
CN117892099A (zh) * | 2024-03-18 | 2024-04-16 | 湖南科技大学 | 基于概率神经网络的风电机组服役效能评估方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749853A (zh) * | 2012-07-11 | 2012-10-24 | 北京交通大学 | 基于dSPACE的风电机组整机控制半实物仿真平台 |
CN103953503A (zh) * | 2014-04-18 | 2014-07-30 | 南车株洲电力机车研究所有限公司 | 风力发电机组偏航制动力矩控制装置及其方法 |
CN104123617A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种电力负荷预测方法 |
KR101507008B1 (ko) * | 2014-03-28 | 2015-03-30 | 태경개발(주) | 해상풍력발전 구조물의 원격 안전도 평가 시스템 |
-
2016
- 2016-03-29 CN CN201610189019.4A patent/CN105844361B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749853A (zh) * | 2012-07-11 | 2012-10-24 | 北京交通大学 | 基于dSPACE的风电机组整机控制半实物仿真平台 |
KR101507008B1 (ko) * | 2014-03-28 | 2015-03-30 | 태경개발(주) | 해상풍력발전 구조물의 원격 안전도 평가 시스템 |
CN103953503A (zh) * | 2014-04-18 | 2014-07-30 | 南车株洲电力机车研究所有限公司 | 风力发电机组偏航制动力矩控制装置及其方法 |
CN104123617A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种电力负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
卢晓光: ""大型风机偏航状态力学分析及偏航控制策略研究"", 《可再生能源》 * |
石文辉: ""含风电场的互联发电系统可靠性评估"", 《电网技术》 * |
赵晶: ""ACS800变频器在FT2500风机偏航系统中的设计与研究"", 《万方数据知识服务平台》 * |
郑文书: ""基于时空相关性的区域风电场群风速预测研究"", 《万方数据知识服务平台》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250656A (zh) * | 2016-08-23 | 2016-12-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种结合大数据的复杂地形风电场设计平台及方法 |
CN107869420A (zh) * | 2016-09-27 | 2018-04-03 | 远景能源(江苏)有限公司 | 风力涡轮机发电场的风力涡轮机偏航控制方法及系统 |
CN107869420B (zh) * | 2016-09-27 | 2020-08-14 | 远景能源(江苏)有限公司 | 风力涡轮机发电场的风力涡轮机偏航控制方法及系统 |
CN106337778A (zh) * | 2016-10-31 | 2017-01-18 | 湘电风能有限公司 | 一种风力发电机组提前启动的控制方法 |
CN106337778B (zh) * | 2016-10-31 | 2018-12-28 | 湘电风能有限公司 | 一种风力发电机组提前启动的控制方法 |
CN106547996B (zh) * | 2016-12-08 | 2019-10-29 | 贵州电网有限责任公司电力科学研究院 | 一种风电场虚拟测风塔构建方法 |
CN106547996A (zh) * | 2016-12-08 | 2017-03-29 | 贵州电网有限责任公司电力科学研究院 | 一种风电场虚拟测风塔构建方法 |
CN106875038A (zh) * | 2017-01-03 | 2017-06-20 | 北京国能日新系统控制技术有限公司 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
CN106875038B (zh) * | 2017-01-03 | 2021-09-28 | 国能日新科技股份有限公司 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
CN107100794A (zh) * | 2017-06-14 | 2017-08-29 | 北京唐浩电力工程技术研究有限公司 | 一种风轮机能量感知及控制方法 |
CN107194122A (zh) * | 2017-06-23 | 2017-09-22 | 南京理工大学 | 一种变速风机叶片的多工况气动优化的改进方法 |
CN107194122B (zh) * | 2017-06-23 | 2021-01-15 | 南京理工大学 | 一种变速风机叶片的多工况气动优化的改进方法 |
CN107587977A (zh) * | 2017-11-15 | 2018-01-16 | 东方电气风电有限公司 | 一种风力发电机组抗台风控制方法 |
CN107587977B (zh) * | 2017-11-15 | 2019-07-26 | 东方电气风电有限公司 | 一种风力发电机组抗台风控制方法 |
CN108869173A (zh) * | 2018-01-31 | 2018-11-23 | 北京金风科创风电设备有限公司 | 风电机组的功率控制方法和设备 |
US11506174B2 (en) | 2018-01-31 | 2022-11-22 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Power control method and apparatus for wind power generator |
CN110230575A (zh) * | 2018-03-06 | 2019-09-13 | 森维安有限公司 | 维护一组风力发电设备的一个风力发电设备的方法和系统 |
CN109800919A (zh) * | 2019-01-30 | 2019-05-24 | 云南电网有限责任公司电力科学研究院 | 一种区域风电场整体有功功率预测方法及装置 |
CN109800919B (zh) * | 2019-01-30 | 2023-07-11 | 云南电网有限责任公司电力科学研究院 | 一种区域风电场整体有功功率预测方法及装置 |
CN111828248A (zh) * | 2020-07-28 | 2020-10-27 | 中国华能集团清洁能源技术研究院有限公司 | 一种风力发电机组的参考功率曲线生成方法、系统及装置 |
CN111828248B (zh) * | 2020-07-28 | 2021-07-23 | 中国华能集团清洁能源技术研究院有限公司 | 一种风力发电机组的参考功率曲线生成方法、系统及装置 |
CN114263565A (zh) * | 2020-09-16 | 2022-04-01 | 新疆金风科技股份有限公司 | 风力发电机组的偏航控制设备及方法 |
CN114263565B (zh) * | 2020-09-16 | 2024-04-12 | 金风科技股份有限公司 | 风力发电机组的偏航控制设备及方法 |
CN113803222A (zh) * | 2021-09-22 | 2021-12-17 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
CN117892099A (zh) * | 2024-03-18 | 2024-04-16 | 湖南科技大学 | 基于概率神经网络的风电机组服役效能评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105844361B (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844361A (zh) | 风电机组风功率预测方法、解缆方法和装置 | |
Tang et al. | Micro-scale wind resource assessment in complex terrain based on CFD coupled measurement from multiple masts | |
Ge et al. | A two-dimensional model based on the expansion of physical wake boundary for wind-turbine wakes | |
Murthy et al. | A comprehensive review of wind resource assessment | |
Battisti et al. | Small wind turbine effectiveness in the urban environment | |
Lee et al. | Evaluation of the wind farm parameterization in the Weather Research and Forecasting model (version 3.8. 1) with meteorological and turbine power data | |
Mortensen et al. | Wind atlas analysis and application program (WAsP) | |
Li et al. | Short-term wind power prediction based on extreme learning machine with error correction | |
Porté-Agel et al. | Large-eddy simulation of atmospheric boundary layer flow through wind turbines and wind farms | |
Bottasso et al. | Local wind speed estimation, with application to wake impingement detection | |
Bhaskar et al. | Wind speed forecasting: Present status | |
Syed et al. | Partial repowering analysis of a wind farm by turbine hub height variation to mitigate neighboring wind farm wake interference using mesoscale simulations | |
Nai-Zhi et al. | A data-driven analytical model for wind turbine wakes using machine learning method | |
Swenson et al. | An efficacious model for predicting icing-induced energy loss for wind turbines | |
Albornoz et al. | Review of atmospheric stability estimations for wind power applications | |
Chanprasert et al. | Large Eddy Simulation of wind turbine fatigue loading and yaw dynamics induced by wake turbulence | |
Abedi et al. | Numerical modelling of neutral atmospheric boundary layer flow through heterogeneous forest canopies in complex terrain (a case study of a Swedish wind farm) | |
Storey et al. | Modelling turbine loads during an extreme coherent gust using large eddy simulation | |
Clifton et al. | Research challenges and needs for the deployment of wind energy in hilly and mountainous regions | |
Hiester et al. | Meteorological aspects of siting large wind turbines | |
Shi et al. | Estimation of wind energy potential and prediction of wind power | |
Cheggaga et al. | A neural network solution for extrapolation of wind speeds at heights ranging for improving the estimation of wind producible | |
Mandal et al. | Prediction of Wind Speed using Machine Learning | |
Dallas et al. | Control-oriented modelling of wind direction variability | |
Kollwitz | Defining the wake decay constant as a function of turbulence intensity to model wake losses in onshore wind farms |
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 |