CN106351793A - 用于改进风力发电的系统和方法 - Google Patents
用于改进风力发电的系统和方法 Download PDFInfo
- Publication number
- CN106351793A CN106351793A CN201610557725.XA CN201610557725A CN106351793A CN 106351793 A CN106351793 A CN 106351793A CN 201610557725 A CN201610557725 A CN 201610557725A CN 106351793 A CN106351793 A CN 106351793A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- wind
- forecast
- combination
- 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 description 57
- 238000010248 power generation Methods 0.000 title abstract description 3
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000005611 electricity Effects 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 12
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000001373 regressive effect Effects 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 claims description 5
- 241001123248 Arma Species 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 abstract 2
- 230000008859 change Effects 0.000 description 22
- 230000005540 biological transmission Effects 0.000 description 10
- 238000001914 filtration Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
-
- 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
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/047—Automatic control; Regulation by means of an electrical or electronic controller characterised by the controller architecture, e.g. multiple processors or data communications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K7/00—Arrangements for handling mechanical energy structurally associated with dynamo-electric machines, e.g. structural association with mechanical driving motors or auxiliary dynamo-electric machines
- H02K7/18—Structural association of electric generators with mechanical driving motors, e.g. with turbines
- H02K7/1807—Rotary generators
- H02K7/1823—Rotary generators structurally associated with turbines or similar engines
- H02K7/183—Rotary generators structurally associated with turbines or similar engines wherein the turbine is a wind turbine
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/028—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
-
- 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
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
-
- 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
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
风力发电系统(10)包含存储一个或多个处理器可运行的可运行例程(100)的存储器(83)或存储装置中的一个或两者和配置成运行一个或多个可运行例程的一个或多个处理器(85),例程在被运行时,促使动作被执行。动作包含:接收(102)天气数据、风力涡轮机系统数据或其组合;将天气数据、风力涡轮机系统数据或其组合变换成数据子集(106),其中数据子集(106)包括第一时间段数据;从多个模型(58,60,62,64,66,68,70,72)中选择一个或多个风电系统模型(84);至少部分基于数据子集(106),将一个或多个风电系统模型(84)变换成一个或多个所训练模型(112);以及运行一个或多个所训练模型(112)以推导预报(86),其中预报(86)包括用于风电系统(10)的预测的电功率生产。
Description
背景技术
本文中公开的主题涉及风力发电系统,并且更具体地说,涉及适合用于增强风力发电系统的操作的技术。
电力网可包含适合用于基于风生流提供诸如电功率的功率的风力发电系统。风生流可根据天气条件而改变,并且因而风力发电系统可根据天气条件提供或多或少的功率。例如,在峰值风条件(peak wind condition)期间,风力发电系统可提供高于平均的电功率。同样,风减小可导致提供到电力网的减少电功率。相应地,随着风速和负载改变,电网频率可改变。通过预报功率和动态管理能量供应以提供更有效的电力网系统,风力发电系统可提供对输送到电力网中的功率的预报和控制。对风力发电系统做出改进将会是有利的。
发明内容
下面概述在范围中与原始要求保护的发明相符的某些实施例。这些实施例不意图限制要求保护的发明的范围,而是,这些实施例只是意图提供本发明可能形式的简单的总结。实际上,本发明可囊括与下面所阐述实施例类似或不同的多种形式。
第一实施例提供一种风力发电系统,其包含存储一个或多个处理器可运行的可运行例程的存储器或存储装置中的一个或两者和配置成运行一个或多个可运行例程的一个或多个处理器,例程在被运行时,促使动作被执行。要执行的动作包含:从设置在风电(windpower)系统中的感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收天气数据、风力涡轮机系统数据或其组合;将天气数据、风力涡轮机系统数据或其组合变换成数据子集,其中,数据子集包括第一时间段数据;从多个模型中选择一个或多个风电系统模型;至少部分基于数据子集,将一个或多个风电系统模型变换成一个或多个所训练模型;以及运行一个或多个所训练模型以推导预报,其中,预报包括用于风电系统的预测的电功率生产。
第二实施例提供一种方法。方法包含从设置在风电系统中的感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收天气数据、风力涡轮机系统数据或其组合。方法还包含将天气数据、风力涡轮机系统数据或其组合变换成数据子集,其中,数据子集包括第一时间段数据。方法另外包含从多个模型中选择一个或多个风电系统模型,并且至少部分基于数据子集,将一个或多个风电系统模型变换成一个或多个所训练模型。方法也包含运行一个或多个所训练模型以推导预报,其中,预报包括用于风电系统的预测的电功率生产。
第三实施例提供一种存储指令的有形、非暂时计算机可读媒介,指令包括在由处理器运行时,促使处理器从设置在风电系统中的感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收环境条件数据、风力涡轮机系统数据或其组合的指令。指令还促使处理器将天气数据、风力涡轮机系统数据或其组合变换成数据子集,其中,数据子集包括第一时间段数据。指令另外促使处理器从多个模型中选择一个或多个风电系统模型,并且至少部分基于数据子集,将一个或多个风电系统模型变换成一个或多个所训练模型。指令也促使处理器运行一个或多个所训练模型以推导预报,其中,预报包括用于风电系统的预测的电功率生产。
本发明提供一组技术方案,如下:
1. 一种风力发电系统,包括:
存储器(83)或存储装置中的一个或两者,存储一个或多个处理器可运行的可运行例程;以及
一个或多个处理器(85),配置成运行所述一个或多个可运行例程(100),所述例程被运行时,促使执行包括以下的动作:
从感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收(102)天气数据、风力涡轮机系统数据或其组合;
将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成数据子集(106),其中所述数据子集包括第一时间段数据;
从多个模型(58,60,62,64,66,68,70,72)中选择(108)一个或多个风电系统模型(84);
至少部分基于所述数据子集(106),将所述一个或多个风电系统模型(84)变换成一个或多个所训练模型(112);以及
运行(116)所述一个或多个所训练模型以推导预报(86),其中所述预报(86)包括用于风电系统(10)的预测的电功率生产。
2. 如技术方案1所述的系统,其中将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成所述数据子集(106)包括应用准确度分析到所述天气数据、所述风力涡轮机系统数据或所述其组合以选择所述第一时间段数据。
3. 如技术方案1所述的系统,其中要执行的所述动作包括将所述第一时间段数据的第一斜率与第二时间段数据的第二斜率进行比较、将所述第一时间段数据的第一平均值与所述第二时间段数据的第二平均值进行比较、将所述第一时间段数据的第一一阶导数与所述第二时间段数据的第二一阶导数进行比较或其组合,以选择所述第一时间段数据,以及其中所述第二时间段数据包括与所述第一时间段不同的时间段。
4. 如技术方案1所述的系统,其中选择所述一个或多个风电系统模型(84)包括基于在所述第一时间段数据上的所述一个或多个风电系统模型(84)的预测准确度,基于所述数据子集(106)中数据点的数量,基于所述数据子集(106)中的噪声量或其组合来选择所述一个或多个风电系统模型。
5. 如技术方案1所述的系统,其中要执行的所述动作包括基于所述预报(86)更新(108)所述一个或多个风电系统模型至少一个。
6. 如技术方案1所述的系统,其中所述一个或多个风电系统模型(84)包括风速预测模型(60)、风电预测模型(62)、风向预测模型(64)、可用性预报模型(66)、基于条件的监测(CBM)模型(68)、实际功率曲线模型(70)、农场级模型(72)或其组合。
7. 如技术方案6所述的系统,其中所述风速预测模型(60)、所述风电预测模型(62)、所述风向预测模型(64)、所述可用性预报模型(66)、所述基于条件的监测(CBM)模型(68)、实际功率曲线模型(70)、农场级模型(72)或其组合或所述其组合包括自回归(AR)模型、自回归集成移动平均(ARIMA)模型、用于循环时间系列数据(ARCS)模型的自回归模型、自回归条件异方差(ARCH)模型、自回归移动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、移动平均(MA)模型、神经网络、基于搜索的模型或其组合。
8. 如技术方案1所述的系统,其中所述预报(86)配置成满足可再生调整基金(RRF)度量、调整度量或其组合。
9. 如技术方案1所述的系统,包括控制器(82),所述控制器包括所述一个或多个处理器(85)、所述存储器(83)或存储装置中的所述一个或两者或其组合,其中所述控制器(82)配置成控制所述风力涡轮机系统(10)。
10. 一种方法,包括:
从感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收(102)天气数据、风力涡轮机系统数据或其组合;
将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成数据子集(106),其中所述数据子集(106)包括第一时间段数据;
从多个模型(58,60,62,64,66,68,70,72)中选择一个或多个风电系统模型(84);
至少部分基于所述数据子集(106),将所述一个或多个风电系统模型(84)变换成一个或多个所训练模型(114);以及
运行所述一个或多个所训练模型(114)以推导预报(86),其中所述预报(86)包括用于所述风电系统(10)的预测的电功率生产。
11. 如技术方案10所述的方法,其中将所述天气数据、所述风力涡轮机系统数据或所述组合变换成所述数据子集(106)包括应用准确度分析、基于斜率的分析、基于平均值的分析、一阶导数或其组合。
12. 如技术方案11所述的方法,其中应用所述基于斜率的分析、所述基于平均值的分析、所述一阶导数或所述其组合包括将所述第一时间段数据的第一斜率与第二时间段数据的第二斜率进行比较、将所述第一时间段数据的第一平均值与所述第二时间段数据的第二平均值进行比较、将所述第一时间段数据的第一一阶导数与所述第二时间段数据的第二一阶导数进行比较或其组合,其中所述第二时间段数据包括与所述第一时间段不同的时间段。
13. 如技术方案10所述的方法,其中选择所述一个或多个风电系统模型(84)包括分析在所述第一时间段数据上的所述一个或多个风电系统(84)模型的预测准确度,分析所述数据子集(106)中的数据点的数量,分析所述数据子集(106)中的噪声量或其组合。
14. 如技术方案10所述的方法,包括基于所述预报(86)更新所述一个或多个风电系统模型(84)至少一个。
15. 如技术方案10所述的方法,其中所述一个或多个风电系统模型(84)包括风速预测模型(60)、风电预测模型(62)、风向预测模型(64)、可用性预报模型(66)、基于条件的监测(CBM)模型(68)、实际功率曲线模型(70)、农场级模型(72)或其组合。
本发明提供另一组技术方案,如下:
1. 一种风力发电系统,包括:
存储器或存储装置中的一个或两者,存储一个或多个处理器可运行的可运行例程;以及
一个或多个处理器,配置成运行所述一个或多个可运行例程,所述例程被运行时,促使执行包括以下的动作:
从感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收天气数据、风力涡轮机系统数据或其组合;
将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成数据子集,其中所述数据子集包括第一时间段数据;
从多个模型中选择一个或多个风电系统模型;
至少部分基于所述数据子集,将所述一个或多个风电系统模型变换成一个或多个所训练模型;以及
运行所述一个或多个所训练模型以推导预报,其中所述预报包括用于风电系统的预测的电功率生产。
2. 如技术方案1所述的系统,其中将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成所述数据子集包括应用准确度分析到所述天气数据、所述风力涡轮机系统数据或所述其组合以选择所述第一时间段数据。
3. 如技术方案1所述的系统,其中要执行的所述动作包括将所述第一时间段数据的第一斜率与第二时间段数据的第二斜率进行比较、将所述第一时间段数据的第一平均值与所述第二时间段数据的第二平均值进行比较、将所述第一时间段数据的第一一阶导数与所述第二时间段数据的第二一阶导数进行比较或其组合,以选择所述第一时间段数据,以及其中所述第二时间段数据包括与所述第一时间段不同的时间段。
4. 如技术方案1所述的系统,其中选择所述一个或多个风电系统模型包括基于在所述第一时间段数据上的所述一个或多个风电系统模型的预测准确度,基于所述数据子集中数据点的数量,基于所述数据子集中的噪声量或其组合来选择所述一个或多个风电系统模型。
5. 如技术方案1所述的系统,其中要执行的所述动作包括基于所述预报更新所述一个或多个风电系统模型至少一个。
6. 如技术方案1所述的系统,其中所述一个或多个风电系统模型包括风速预测模型、风电预测模型、风向预测模型、可用性预报模型、基于条件的监测(CBM)模型、实际功率曲线模型、农场级模型或其组合。
7. 如技术方案6所述的系统,其中所述风速预测模型、所述风电预测模型、所述风向预测模型、所述可用性预报模型、所述基于条件的监测(CBM)模型、实际功率曲线模型、农场级模型或其组合或所述其组合包括自回归(AR)模型、自回归集成移动平均(ARIMA)模型、用于循环时间系列数据(ARCS)模型的自回归模型、自回归条件异方差(ARCH)模型、自回归移动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、移动平均(MA)模型、神经网络、基于搜索的模型或其组合。
8. 如技术方案1所述的系统,其中所述预报配置成满足可再生调整基金(RRF)度量、调整度量或其组合。
9. 如技术方案1所述的系统,包括控制器,所述控制器包括所述一个或多个处理器、所述存储器或存储装置中的所述一个或两者或其组合,其中所述控制器配置成控制所述风力涡轮机系统。
10. 一种方法,包括:
从感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收天气数据、风力涡轮机系统数据或其组合;
将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成数据子集,其中所述数据子集包括第一时间段数据;
从多个模型中选择一个或多个风电系统模型;
至少部分基于所述数据子集,将所述一个或多个风电系统模型变换成一个或多个所训练模型;以及
运行所述一个或多个所训练模型以推导预报,其中所述预报包括用于所述风电系统的预测的电功率生产。
11. 如技术方案10所述的方法,其中将所述天气数据、所述风力涡轮机系统数据或所述组合变换成所述数据子集包括应用准确度分析、基于斜率的分析、基于平均值的分析、一阶导数或其组合。
12. 如技术方案11所述的方法,其中应用所述基于斜率的分析、所述基于平均值的分析、所述一阶导数或所述其组合包括将所述第一时间段数据的第一斜率与第二时间段数据的第二斜率进行比较、将所述第一时间段数据的第一平均值与所述第二时间段数据的第二平均值进行比较、将所述第一时间段数据的第一一阶导数与所述第二时间段数据的第二一阶导数进行比较或其组合,其中所述第二时间段数据包括与所述第一时间段不同的时间段。
13. 如技术方案10所述的方法,其中选择所述一个或多个风电系统模型包括分析在所述第一时间段数据上的所述一个或多个风电系统模型的预测准确度,分析所述数据子集中的数据点的数量,分析所述数据子集中的噪声量或其组合。
14. 如技术方案10所述的方法,包括基于所述预报更新所述一个或多个风电系统模型至少一个。
15. 如技术方案10所述的方法,其中所述一个或多个风电系统模型包括风速预测模型、风电预测模型、风向预测模型、可用性预报模型、基于条件的监测(CBM)模型、实际功率曲线模型、农场级模型或其组合。
16. 一种有形非暂时的计算机可读媒介,所述有形非暂时的计算机刻度媒介包括指令,所述指令在由处理器运行时促使所述处理以:
从感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收环境条件数据、风力涡轮机系统数据或其组合;
将天气数据、所述风力涡轮机系统数据或所述其组合变换成数据子集,其中所述数据子集包括第一时间段数据;
从多个模型中选择一个或多个风电系统模型;
至少部分基于所述数据子集,将所述一个或多个风电系统模型变换成一个或多个所训练模型;以及
运行所述一个或多个所训练模型以推导预报,其中所述预报包括用于所述风电系统的预测的电功率生产。
17. 如技术方案16所述的有形非暂时的计算机可读媒介,其中,在由所述处理器运行时促使所述处理器将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成所述数据子集的指令包括在由所述处理器运行时促使所述处理器应用准确度分析、基于斜率的分析、基于平均值的分析、一阶导数或其组合的指令。
18. 如技术方案17所述的有形非暂时的计算机可读媒介,其中,促使所述处理器应用所述基于斜率的分析、所述基于平均值的分析、所述一阶导数或所述其组合的指令包括指令,所述指令在由所述处理器运行时促使所述处理器将所述第一时间段数据的第一斜率与第二时间段数据的第二斜率进行比较、将所述第一时间段数据的第一平均值与所述第二时间段数据的第二平均值进行比较、将所述第一时间段数据的第一一阶导数与所述第二时间段数据的第二一阶导数进行比较或其组合,其中所述第二时间段数据包括与所述第一时间段不同的时间段。
19. 如技术方案16所述的有形非暂时的计算机可读媒介,包括在由所述处理器运行时促使所述处理器基于所述预报更新所述一个或多个风电系统模型的至少一个的指令。
20. 如技术方案16所述的有形非暂时的计算机可读媒介,其中,所述一个或多个风电系统模型包括风速预测模型、风电预测模型、风向预测模型、可用性预报模型、基于条件的监测(CBM)模型、实际功率曲线模型、农场级模型或其组合。
附图说明
在参照附图阅读下面详细描述时,本发明的这些和其它特征、方面和优点将更好理解,附图中相似的字符在遍及附图中表示相似的部分,其中:
图1是包含风力发电系统的发电、输电和配电系统的实施例的框图;
图2是图1中描绘以通信方式耦合到风力涡轮机农场系统的风电预报系统的实施例的框图;以及
图3是用于改进风电预报的过程的实施例的流程图。
具体实施方式
在下文将描述本发明的一个或多个特定实施例。在致力于提供这些实施例的简洁描述,在说明书中可不描述实际实现的所有特征。应领会,如在任何工程或设计项目中一样,在任何这种实际实现的开发中,必须做出许多实现特定的判定以实现开发者的特定目标,例如符合系统有关和业务有关的约束,这些目标可从一个实现改变到另一个。此外,应领会,这种开发努力可以是复杂的并且耗时的,但仍将会是受益于本公开的普通技术人员的设计、制作和制造的例行任务。
在引入本发明的各种实施例的元素时,冠词“一”、 “一个”、“该”和“所述”意图表示存在一个或多个元素。术语“包括”、 “包含”和“具有”意图包括在内,并且表示可存在除了所列元素外的附加元素。
本公开描述适合用于通过提供更准确和及时的风电预报技术来改进风力发电系统的技术。在一个示例中,本文中描述了动态预报模型,模型可包含适合用于改进预报的自适应模型,预报包含在变化的风条件的情况下的预报。在某些实施例中,可获得来自风力涡轮机系统的数据,例如,包含诸如风速、风向、温度及诸如此类的环境变量。同样地,可获得来自操作条件的诸如风力涡轮机系统的可用性、使用中的风力涡轮机系统的类型、当前风电生产及诸如此类的数据。随后,可通过数据质量/数据过滤系统来处理数据,系统可基于下面更详细描述的某些条件和/或事件来选择更适合用于预报风电的数据的子集。
同样地,可在某个时间段期间持续选择模型的子集用于改进的预报。预报引擎随后可使用具有作为到模型的输入的过滤的数据子集的模型的子集。一旦选择一个或多个模型,就可使用推导的时间段(例如,1-4周)的历史数据,在可配置的时间段定期(例如,每3小时)运行训练系统。预报引擎可自动推导数据的时间段大小(例如,1-4周)以用于可导致更准确建模的训练。训练系统随后可生成模型参数和与使用中的模型和数据关联的其它基于模型的属性。在推导预报(例如,风电生产预报)时,反馈系统可应用预报作为反馈环路以改进预报引擎。随后的预报可因而使用输入数据和过去的性能数据两者以自动改变在预报引擎中的模型/模型参数,因而改进用于风电系统的预报。另外,在新站点处启动预报引擎时,它可开始获得数据,并且使用获得的数据中的特征来选择模型或模型的组合用于改进的预报。
鉴于前述,描述诸如图1中图示的电力网系统8的包含本文中描述的技术的系统的实施例可能是有用的。电力网8可包含风电系统或“风力农场”10。在使用中,风电系统10可将来自风力的动能转换成电功率。随后经由电力网系统8输送电功率。
例如,电力网系统8可包含一个或多个公用事业12。公用事业12可提供电力网系统8的功率生产和监督操作。公用事业控制中心14可监测和引导由一个或多个发电站16和风电系统10产生的功率。发电站16可包含常规发电站,例如使用气体、煤碳、生物质及用于燃料的其它含碳产品的发电站。发电站16可另外包含使用太阳能、水力发电、地热能及其它备选功率源(例如,可再生能)产生电力的备选发电站。其它基础设施组件可包含水力发电厂(water power producing plant)20和地热发电厂(geothermal power producing plant)22。例如,水力发电厂20可提供水力发电,并且地热发电厂22可提供地热发电。
由发电站16、18、20和22生成的功率可通过一个或多个输电网24传送。输电网24可覆盖广阔的地理地区或多个地区,例如一个或多个市、州或国家。传输网24也可以是单相交流(AC)系统,但大多数一般可以是三相AC电流系统。如所描绘,输电网24可包含一系列的塔以支持以各种配置的一系列的高架电导线。例如,极高电压(EHV)导线可以以三导线束布置,对于三个相每个具有一根导线。输电网24可支持在110千伏(kV)到765千伏(kV)范围中的标称系统电压。在描绘的实施例中,输电网24可电耦合到分配系统(例如,配电子站26)。配电子站26可包含变压器以将输入功率的电压从传输电压(例如,765 kV、500 kV、345 kV或138 kV)变换到主要(例如,13.8 kV或4160 V)和次要(例如,480 V、230 V或120 V)分配电压。
高级计量基础设施计量器(例如,智能计量器30)可用来基于输送到商业消费者32和住宅消费者34的电功率而监测和传递功率有关信息。例如,智能计量器30可包含适合用于传递多种信息的与电网系统8和公用事业12的双向通信,各种信息包含功率使用、窃改(tampering)、停电通知、电力质量监测及诸如此类。智能计量器30可另外接收信息,例如,需求响应行动、使用时间定价信息、远程服务断开及诸如此类。
消费者32、34可操作各种耗电装置36,例如家用电器、工业机械、通信设备及诸如此类。在某些实施例中,耗电装置36可以以通信方式耦合到电网系统8、公用事业12和/或计量器30。例如,耗电装置36可包含可远程致动以打开/关闭装置36和/或改变耗电量(例如降低或升高供暖、通风和空调[HVAC]温度设置点)的开关。例如,通过家庭区域网(HAN)(对于住宅消费者34)、无线局域网(WAN)、输电线网络、局域网(LAN)、网状网络及诸如此类可以以通信方式耦合智能计量器30和耗电装置36。
如更早所提及的,风电系统10可用作基于风的动能的电功率源。由于风波动,经由风电系统10输送的电功率也可波动。例如,阵风条件可增大电功率,而低风或无风条件可降低经由风电系统10产生的电功率。如果风电系统10将会更准确地预报即将到来的功率生产,则电网系统8可更有效地操作。实际上,在一些权限(jurisdiction)中,经由调整系统42调节这种功率预报以例如在诸如每30分钟、每小时、每3小时、每8小时等等的某些时间段发生。也描绘了外部系统44,它可包含能量市场、能量信贷实体(energy credit entity)(例如,“绿色”信贷)、保险实体及诸如此类。用于风电系统10的改进功率生产预报可实现能量信贷的更准确地交易(trading),改进的能量的定价以及降低的保险费率。本文中描述的技术提供可更准确地预测用于风电系统10的即将到来的功率生产的系统和方法。通过更准确地预测将来的功率生产,电网系统8可以以更有效和及时方式来管理功率。
图2描绘以通信方式耦合到一个或多个风力涡轮机系统52的风电预报系统50的实施例的框图。更具体地说,每个风力涡轮机系统52可包含可直接或间接(例如,经由数据存储库或数据服务)以通信方式耦合到预报系统50的传感器54。传感器54可测量与风力涡轮机52有关的环境条件和/或天气数据,例如风速、风向、大气压、温度、湿度、在某个时间段内的降水量、大气条件(例如,经由云高计的云幂、水滴大小分布、可见度)或其组合。传感器54可另外或备选地包含适合用于测量与涡轮机系统52有关的参数(例如每分钟的叶片旋转、温度、振动、扭矩、使用的时长、电功率生产等等)的传感器。
还图示的是以通信方式耦合到预报系统50的数据存储库56。数据存储库56可存储例如经由传感器54捕捉的测量的数据,包含历史数据。数据存储库56也可存储涡轮机系统52信息,例如维护时间表、风力涡轮机类型、风力涡轮机硬件和/或软件配置、可用性、操作状态(例如,操作、部分操作、无效)等等。数据存储库56可另外存储一个或多个模型58、60、62、64、66、68、70、72。如下面更详细描述的,一个或多个模型58、60、62、64、66、68、70、72可包含适合用于预报一个或多个涡轮机系统52的电功率生产的预报模型。另外,数据仓库56可存储调整数据,例如用来输送预报数据的调整时间段。
预报系统50可包含一系列的子系统73、74、76、78、80。在一个实施例中,预报系统50和子系统73、74、76、78、80可实现为经由硬件处理器可运行并且存储在存储器中的软件系统或计算机指令。例如,系统73、74、76、78、80可实现为经由以通信方式耦合到一个或多个涡轮机系统10的控制器82(例如,可编程逻辑控制器[PLC])可运行的软件。控制器82可例如通过控制功率逆变器电路系统、电气过滤电路系统、电池充电电路系统等等来控制一个或多个风力涡轮机系统52的操作。控制器82可包含适合用于存储计算机指令和其它数据的存储器83和适合用于运行计算机指令的处理器85。系统73、74、76、78、80可另外或备选地由诸如工作站、个人计算机(PC)、膝上型计算机、笔记本、平板、蜂窝电话及诸如此类的其它计算装置存储和运行。此外,系统73、74、76、78、80可例如经由FPGA、定制芯片、IC及诸如此类而实现为硬件系统。
在使用中,来自传感器54的数据和来自数据仓库56的信息可传递到输入系统73。相应地,根据当前环境条件(例如,天气条件)、风力涡轮机操作条件和/或涡轮机系统52特定数据(例如,硬件/软件配置、可用性、操作状态、维护时间表、调整数据)或其组合可保持更新预报系统50。输入系统73随后可提供数据到数据质量和过滤系统74。数据质量和过滤系统74可例如通过移除无关数据点,添加某些缺失数据点及诸如此类来“清洁”且更普遍地改进输入数据的质量。数据质量和过滤系统74可另外选择数据子集供随后分析,因而改进数据处理速度和效率。
数据子集的选择可包含计及(account for)当前气象事件,例如风渐变事件(windramp event)。在风渐变事件期间,风条件可从微风时期改变成大风时期。相应地,胜于在风条件低时使用包含数据的更大数据集,数据质量和过滤系统62可选择主要包含风渐变数据的更小数据子集以增强准确度。在一个实施例中,准确度分析可用来选择例如可主要包含风渐变数据的作为数据子集的第一时间段数据。准确度分析可例如通过以当前数据(例如,时间T0数据)开始并且向后工作直至预测准确度衰减(例如,在时间TN)来选择第一时间段。相应地,第一时间段可包含从T0到TN的数据。另外或备选地可使用渐变计算。实际上,可应用渐变计算,这可推导风条件中从低到高或反之亦然的改变,并且随后挑选(cull)数据以计及新条件。
渐变计算可包含使用风斜率值、一阶导数等等以推导风何时从一种状态(例如,低风)改变成第二状态(例如,大风)或反之亦然。更高的斜率值或一阶导数可用来确定当前数据正变得与先前数据太不相同;因此,更短的数据集可用来增强预报准确度。可类似地使用诸如计算数据集的平均值的平均计算。例如,可将输入数据的时间系列用来计算时间系列的平均值,并且随后可将该平均值与先前时间系列数据的平均值进行比较以确定改变是否发生。随后,高于值的某个范围的斜率和/或平均值变化可导致使用的更小数据子集。
数据的子集的选择可另外包含计及某些维护事件。例如,如果一个或多个涡轮机系统52正经历维护,或者将很快经历维护(例如,在预测时期内),则预测的功率将是更低的,并且在预测中可不使用与正经历维护的特定涡轮机系统52的功率生产有关的另外数据。同样地,在涡轮机系统52返回联机(online)时,则可调整数据以包含例如来自现在联机的涡轮机系统52的历史数据。同样地,通过应用准确度分析、基于斜率的分析、基于平均值的分析、一阶导数或其组合,可选择数据的第二时间段。例如,准确度分析、基于斜率的分析、基于平均值的分析、一阶导数或其组合可检测到第一时间段数据何时不如第二时间段数据一样准确,其中,第二时间段数据例如与第一时间段数据相比,具有更多当前数据点。时间段可重叠。例如,第一时间段可在时间T0开始,并且在时间TN结束,而第二时间段可在时间TN-X开始,并且在时间TN+Y结束,其中,X、Y可等于0或正值。通过应用这个动态数据过滤或子集创建技术,可提供改进的预报准确度。
模型选择和重新配置系统76随后可选择一个或多个模型58、60、62、64、66、68、70、72以推导模型子集84。模型58可包含涡轮机级模型。这些涡轮机级模型58是涡轮机系统52特定模型,这些模型可对于风电系统10中的每个涡轮机系统52独立运行,并且适合用于个别预报由每个涡轮机系统52生成的功率。随后,可将对于每个涡轮机系统52生成的功率相加以生成用于风电系统10的预测总功率。涡轮机级模型58可包含风速预测模型60和/或风电预测模型62,两种模型均可用来直接预测由涡轮机系统52产生的功率(例如,电功率)。在一些实施例中,算法或规则(例如,专家系统规则、模糊逻辑规则、如果/则规则)可基于诸如风速测量的质量或可用性、涡轮机系统52类型、湍流强度(turbulence intensity)等接收的输入数据(例如,传感器54测量)中的模式(pattern),自动决定何时在风速模型60与风电模型62之间交换。如果风速值缺失,或者如果值显示太大的湍流,则一个示例规则可推导风电模型62的使用,并且否则可使用风速模型60。
基于风速的模型60包含使用由每个涡轮机系统52受到的风速作为输入的模型,并且随后可在不远的将来(例如,下一分钟、15分钟、30分钟、1小时、2小时、1天)输出预报风速。使用用于每个涡轮机系统52的功率曲线,可将因而获得的风速转换成涡轮机功率。功率曲线可提供详述涡轮机系统52将会基于给定风速产生多少功率的曲线或图形。例如,功率曲线的X轴可列出风速,并且Y轴可列出电功率。通过基于预报的风速(例如,X轴)查找在曲线中的点,可在Y轴中找到预测的风电。由于在涡轮机系统52处的风速测量可因例如风速计读数中的误差而不准确,传递函数可另外应用于风速以计及这类误差,并且结果随后可用来预测电功率。
风向预测模型64可包含适合用于预报风向的模型。这些预报例如能够与风速预报模型60组合以获得每涡轮机系统52产生的功率的改进估计。可用性预报模型66可使用当前涡轮机系统52可用性和/或涡轮机系统52的操作状态(例如,完全操作、部分操作、经历维护)以预报将来涡轮机系统52可用性(例如,“可使用”时间)。例如,在其中涡轮机系统52可被脱机(offline)放置或者将经历计划/未计划的维护的情况下,可用性预报能够用来向下改正功率预测以获得产生的实际功率的更现实估计。为了预测未计划的维护事件(例如,跳闸(trip)),统计方法通过自己(by themselves)可不够准确。在这些情况下,诸如环境温度测量数据、寿命预测曲线、故障树分析及诸如此类的来自其它传感器的数据可用来建立基于条件的监测CBM)模型68以预测未计划的维护事件,并且因此更准确地预报可用性。
也可使用实际功率曲线模型70。描述在风速与在给定时间点处对于每个涡轮机系统52产生的功率之间的关系的实际功率曲线可与公布的功率曲线不同。可构建适合用于计算在给定时间点处的实际功率曲线的若干模型。可用于模型70的一些模型类型包含下面更详细描述的基于持久性(persistence)的功率曲线模型、基于在风速与功率之间的逻辑函数而对功率曲线建模的模型以及使用制造商提供的功率曲线的高斯卷积来对功率曲线建模的模型。
也可提供农场级模型72,该模型能够应用到涡轮机功率系统10整体(与每个个别的涡轮机系统52相反),以便预报涡轮机功率系统10的农场功率。农场级模型72可在模型创建期间(例如,在经由获得的数据建立模型期间)有利地捕捉象可用性、缩减及诸如此类的因素,消除对用于这些因素显式建模的需要。与涡轮机级模型(例如,模型58)相比,农场级模型72也可在存在“有噪”数据情况下更鲁棒,因为农场级模型72可达到在对于个别涡轮机系统52的预测中形成的误差的平均数。农场级模型72也可计及在收集器系统中的功率损耗,这可以是大约1-4%的总农场功率,因而引起更准确的预报。
模型58、60、62、64、66、68、70和/或72可包含持久性模型,其中,数据(例如,在最后可用时间点看到的风速、功率、风向、可用性)被向前投射到(projected forward to)将来(例如,作为预测的风速、功率、风向、可用性)。模型58、60、62、64、66、68、70和/或72可另外或备选地包含自回归(AR)和/或基于自回归集成移动平均(ARIMA)的模型,这些模型包含利用在找到的先前时间间隔的值和误差(例如,在数据存储库56中存储的历史数据)以预测将来值。AR/ARIMA模型可假设固定性(例如,时间系列的概率分布不随时间改变)。模型58、60、62、64、66、68、70和/或72也可包含用于循环时间系列数据(ARCS)模型的自回归模型、自回归条件异方差(ARCH)模型、自回归移动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型和/或移动平均(MA)模型。模型58、60、62、64、66、68、70和/或72可包含基于搜索的模型,这些模型可搜索历史数据用于类似于当前出现模式的模式,并且使用那些模式生成预报。模型58、60、62、64、66、68、70和/或72也可包含可在训练数据中的时间系列值之间建立神经网络,并且使用神经网络生成预报的神经网络模型。
有利地,模型58、60、62、64、66、68、70和/或72到模型子集84的选择可提供在预报例如用于风电系统或农场10的功率预报方面更预测准确的模型子集。模型的选择可涉及通过模型类型选择(例如,选择模型类型58、60、62、64、66、68、70和/或72集的子集),从相同模型类型的一个或多个中选择(例如,选择模型类型58、60、62、64、66、68、70和/或72的任何一个或多个的多个模型)或其组合。要理解,模型子集84的选择可在连续的基础上进行,例如每秒、每分钟、每15分钟、每40分钟、每小时等等。模型子集84选择可另外是用户可配置的。也就是说,用户可通过选择一个或多个模型58、60、62、64、66、68、70和/或72(包含相同类型的一个或多个模型)来确定模型子集84。
除如下所述的那样通过改变用于训练的数据来演变模型58、60、62、64、66、68、70和/或72外或作为其备选方案,预报系统50也能够包含规则和/或算法以改变实际模型58、60、62、64、66、68、70和/或72本身。在一个示例中,在训练数据相对完整时,可使用诸如神经网络的多个数据密集模型,并且在缺失数据的情况下,可使用诸如AR/ARIMA模型的在使用缺失数据时更鲁棒的模型。也可实时对于准确度评估模型58、60、62、64、66、68、70和/或72,并且可使用自动基于“最佳”预报用来选择最佳模型58、60、62、64、66、68、70和/或72或其组合的算法。通过从所有模型58、60、62、64、66、68、70和/或72持续选择子集85,本文中描述的技术可提供更准确的子集84,其可提供增大的预测准确度。
在一个实施例中,例如通过应用由数据质量和过滤系统74输出的过滤的数据(例如,为实现改进准确度而选择的数据),可由训练系统78进一步训练模型58、60、62、64、66、68、70和/或72。取决于模型类型,训练可导致可改进预报准确度的模型系数。例如,ARIMA模型可包含系数p、d、q,其中,p是自回归模型(AR)的阶,d是差分的度,以及q是移动平均模型的阶。诸如季节性模型的其它ARIMA模型可包含系数(P, D, Q)m,其中,m指每个季节中时期的数量。神经网络模型可包含诸如相关系数、确定的系数、权重系数等的系数。实际上,本文中描述的模型可包含与可由训练系统78训练的模型的类型有关的某些系数。
预报引擎50可随后运行所训练模型以推导一个或多个预报86。预报86可包含用于一个或多个涡轮机系统52和/或用于风电系统10的预测电功率(例如,总功率生产、安培数、电压、频率)以及风向预报、风速预报、湍流预报及诸如此类。预报引擎50可以以通信方式耦合到各种电网系统8实体,例如调整实体42、公用事业12、外部系统44及诸如此类,并且可提供预报86到这些电网系统8实体。
预报86可满足调整要求,例如,诸如印度的可再生调整基金(RRF)度量的要求。印度的RRF度量可定义70%或更高的预测功率生产准确度。满足准确度目标可导致金钱激励,而如果未满足准确度目标,则可征收罚款处分。预报86可以以15分钟间隔每天8次(即,每24小时8次)来提供,最小预报间隔为1.5小时。也可提供其它间隔,包含定制间隔。
可另外在用于预报引擎50的反馈环路中提供预报86。例如,预报86和实际结果可由模型选择和重新配置系统76和/或由训练系统78应用以重新选择子集84和/或训练模型。例如,模型选择和重新配置系统76可基于反馈预测86和实际结果,确定改进的模型选择可包含模型的不同子集84,并且可因而推导新子集84。新模型子集随后可如上所述的那样经由训练系统86经历训练,并且随后可由预报引擎80运行以推导新预报86。通过在反馈环路中提供预报86(和实际结果),本文中描述的技术可更准确地推导风电系统10预报86。
现在转到图3,图描绘可由预报系统50运行的过程100的实施例。过程100可存储在存储器83中并且由控制器82的处理器85运行。在描绘的实施例中,过程100可收集(框102)风力涡轮机系统10数据和其它有关数据。例如,传感器54可用来收集当前数据,而数据存储库56可用来收集历史数据。如更早提及的,收集的数据可包含当前和历史环境条件、当前和历史风力涡轮机操作条件和/或当前和历史涡轮机系统52特定数据(例如,硬件/软件配置、可用性、操作状态、维护时间表、调整数据)或其组合。
过程100可随后“清洁”收集的数据,并且选择(框104)一个或多个数据子集106。例如,通过移除无关和/或有噪数据点,添加某些缺失数据点,使数据点平滑等等,可清洁收集的数据。可选择一个或多个数据子集106以计及诸如风渐变事件、风湍流事件、风向改变事件、风暴、低风事件、计划和未计划的涡轮机系统52维护事件等等的事件。数据子集106可包含被更优化以计及上述的事件的数据点的时间段(例如,最后一天、最后12小时、最后8小时、最后4小时、最后2小时、最后1小时、最后半小时、最后15分钟、最后10分钟、最后5分钟或更短)。斜率改变、平均值改变、一阶导数改变或其组合可用来确定数据子集106。
过程100可随后选择和重新配置(框108)一个或多个数据子集84。例如,可基于在某些时间段(例如,最后一天、最后12小时、最后8小时、最后4小时、最后2小时、最后1小时、最后半小时、最后15分钟、最后10分钟、最后5分钟或更短)期间模型的准确度,选择模型子集84。规则或算法也可用来推导模型子集84,例如在训练数据相对完整时向模型子集84添加诸如神经网络的数据密集模型和添加诸如ARM/ARIMA模型的在使用缺失数据时更鲁棒的模型的规则。
随后可训练模型子集84(框112)。例如,数据子集106可用来训练模型子集84以推导定制模型子集110到训练数据(例如,数据子集106)的一个或多个系数。训练可循环发生(例如,每天、每12小时、每8小时、每4小时、每2小时、每小时、每半小时、每15分钟,每10分别、每5分钟或更短)。训练(框112)也可在预报系统50的安装(例如,试运行)期间或在用户请求时发生。所训练模型子集114随后可被提供到预报引擎80,并且所训练模型子集114可在例如经由传感器54接收的数据时预报(框116)某些预测。预报86随后可用来更优化控制风电系统10,并且也可被提供到公用事业12、调整实体42和外部系统44。预报86也可在反馈环路中用来改进模型子集84的进一步选择和重新配置(框108)。
公开实施例的技术效果包含可改进将来电功率生产的预报的风电系统。数据质量和过滤系统可通过分析数据以提供更预测某些风条件和/或风力涡轮机系统条件的聚焦数据,将诸如风条件数据、风涡轮机系统数据或其组合的某些数据变换成数据子集。同样地,模型选择和重新配置系统可选择和/或重新配置一个或多个风电系统模型以更准确地预测例如在某些时间段期间由风电系统产生的电功率。选择的模型随后可用来推导由风电系统产生的预测的电功率的预报。预报随后可在反馈环路中用来进一步改进模型选择和/或重新配置。
本书面描述使用包含最佳模式的示例公开了本发明,并且也使本领域的任何技术人员实施本发明,包含制作和使用任何装置或系统并且执行任何包含的方法。本发明可取得专利的范围由权利要求书定义,并且可包含本领域技术人员想到的其它示例。如果这类其它示例具有与权利要求的文字语言完全相同的结构元素,或者如果它们包含具有与权利要求的文字语言的非实质差异的等效结构元素,则预计它们处于权利要求的范围之内。
Claims (10)
1.一种风力发电系统,包括:
存储器(83)或存储装置中的一个或两者,存储一个或多个处理器可运行的可运行例程;以及
一个或多个处理器(85),配置成运行所述一个或多个可运行例程(100),所述例程被运行时,促使执行包括以下的动作:
从感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收(102)天气数据、风力涡轮机系统数据或其组合;
将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成数据子集(106),其中所述数据子集包括第一时间段数据;
从多个模型(58,60,62,64,66,68,70,72)中选择(108)一个或多个风电系统模型(84);
至少部分基于所述数据子集(106),将所述一个或多个风电系统模型(84)变换成一个或多个所训练模型(112);以及
运行(116)所述一个或多个所训练模型以推导预报(86),其中所述预报(86)包括用于风电系统(10)的预测的电功率生产。
2.如权利要求1所述的系统,其中将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成所述数据子集(106)包括应用准确度分析到所述天气数据、所述风力涡轮机系统数据或所述其组合以选择所述第一时间段数据。
3.如权利要求1所述的系统,其中要执行的所述动作包括将所述第一时间段数据的第一斜率与第二时间段数据的第二斜率进行比较、将所述第一时间段数据的第一平均值与所述第二时间段数据的第二平均值进行比较、将所述第一时间段数据的第一一阶导数与所述第二时间段数据的第二一阶导数进行比较或其组合,以选择所述第一时间段数据,以及其中所述第二时间段数据包括与所述第一时间段不同的时间段。
4.如权利要求1所述的系统,其中选择所述一个或多个风电系统模型(84)包括基于在所述第一时间段数据上的所述一个或多个风电系统模型(84)的预测准确度,基于所述数据子集(106)中数据点的数量,基于所述数据子集(106)中的噪声量或其组合来选择所述一个或多个风电系统模型。
5.如权利要求1所述的系统,其中要执行的所述动作包括基于所述预报(86)更新(108)所述一个或多个风电系统模型至少一个。
6.如权利要求1所述的系统,其中所述一个或多个风电系统模型(84)包括风速预测模型(60)、风电预测模型(62)、风向预测模型(64)、可用性预报模型(66)、基于条件的监测(CBM)模型(68)、实际功率曲线模型(70)、农场级模型(72)或其组合。
7.如权利要求6所述的系统,其中所述风速预测模型(60)、所述风电预测模型(62)、所述风向预测模型(64)、所述可用性预报模型(66)、所述基于条件的监测(CBM)模型(68)、实际功率曲线模型(70)、农场级模型(72)或其组合或所述其组合包括自回归(AR)模型、自回归集成移动平均(ARIMA)模型、用于循环时间系列数据(ARCS)模型的自回归模型、自回归条件异方差(ARCH)模型、自回归移动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、移动平均(MA)模型、神经网络、基于搜索的模型或其组合。
8.如权利要求1所述的系统,其中所述预报(86)配置成满足可再生调整基金(RRF)度量、调整度量或其组合。
9.如权利要求1所述的系统,包括控制器(82),所述控制器包括所述一个或多个处理器(85)、所述存储器(83)或存储装置中的所述一个或两者或其组合,其中所述控制器(82)配置成控制所述风力涡轮机系统(10)。
10.一种方法,包括:
从感测风条件、风力涡轮机系统操作或其组合的一个或多个传感器接收(102)天气数据、风力涡轮机系统数据或其组合;
将所述天气数据、所述风力涡轮机系统数据或所述其组合变换成数据子集(106),其中所述数据子集(106)包括第一时间段数据;
从多个模型(58,60,62,64,66,68,70,72)中选择一个或多个风电系统模型(84);
至少部分基于所述数据子集(106),将所述一个或多个风电系统模型(84)变换成一个或多个所训练模型(114);以及
运行所述一个或多个所训练模型(114)以推导预报(86),其中所述预报(86)包括用于所述风电系统(10)的预测的电功率生产。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN3662/CHE/2015 | 2015-07-17 | ||
IN3662CH2015 | 2015-07-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106351793A true CN106351793A (zh) | 2017-01-25 |
CN106351793B CN106351793B (zh) | 2020-05-12 |
Family
ID=56551169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610557725.XA Active CN106351793B (zh) | 2015-07-17 | 2016-07-15 | 用于改进风力发电的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10443577B2 (zh) |
EP (1) | EP3118783A1 (zh) |
CN (1) | CN106351793B (zh) |
BR (1) | BR102016016424B1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108488038A (zh) * | 2018-03-27 | 2018-09-04 | 中南大学 | 一种风力发电机组的偏航控制方法 |
CN108846182A (zh) * | 2018-05-31 | 2018-11-20 | 西安交通大学 | 基于ar-garch回归的机械衰退数据质量改善方法 |
CN108930632A (zh) * | 2017-05-25 | 2018-12-04 | 株式会社日立制作所 | 适应性发电管理 |
CN111027229A (zh) * | 2019-12-26 | 2020-04-17 | 中南大学 | 基于稀疏异方差多样条回归的风功率曲线拟合的方法 |
CN112639286A (zh) * | 2018-09-10 | 2021-04-09 | 通用电气公司 | 用于风力涡轮功率系统的能源审核工具 |
CN112997201A (zh) * | 2018-11-06 | 2021-06-18 | 西门子歌美飒可再生能源服务股份有限公司 | 风电场能量参数值预测 |
CN113094997A (zh) * | 2021-04-19 | 2021-07-09 | 华北电力大学 | 一种风电机组运行模拟方法、装置、设备及存储介质 |
CN113874626A (zh) * | 2019-03-22 | 2021-12-31 | 通用电气公司 | 用于评估和验证风力涡轮和风场性能的系统及方法 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9881108B2 (en) | 2015-05-29 | 2018-01-30 | One Energy Enterprises Llc | Method of evaluation wind flow based on conservation of momentum and variation in terrain |
CN105069535B (zh) * | 2015-08-19 | 2020-07-24 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
WO2017108044A1 (en) * | 2015-12-23 | 2017-06-29 | Vestas Wind Systems A/S | Controlling wind turbines according to reliability estimates |
EP3203679A1 (en) * | 2016-02-04 | 2017-08-09 | ABB Schweiz AG | Machine learning based on homomorphic encryption |
EP3464895B1 (en) * | 2016-05-23 | 2021-10-13 | General Electric Company | System and method for forecasting power output of a wind farm |
US10391503B2 (en) * | 2016-08-25 | 2019-08-27 | Iowa State University Research Foundation, Inc. | System and method for predicting wind direction and speed to better control drift |
DE102016125953A1 (de) * | 2016-12-30 | 2018-07-05 | Wobben Properties Gmbh | Verfahren zum Betreiben eines Windparks |
US10598157B2 (en) | 2017-02-07 | 2020-03-24 | International Business Machines Corporation | Reducing curtailment of wind power generation |
US10330081B2 (en) | 2017-02-07 | 2019-06-25 | International Business Machines Corporation | Reducing curtailment of wind power generation |
CN106951997B (zh) | 2017-03-24 | 2020-11-10 | 新疆金风科技股份有限公司 | 预测风机的故障的方法和设备 |
EP3388910A1 (en) * | 2017-04-10 | 2018-10-17 | ABB Schweiz AG | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid |
US11733427B1 (en) * | 2017-04-11 | 2023-08-22 | DataInfoCom USA, Inc. | Short-term weather forecasting using hybrid data |
JP6917004B2 (ja) * | 2017-04-20 | 2021-08-11 | オムロン株式会社 | 評価装置、評価方法及びそのプログラム |
US10731630B2 (en) | 2018-01-03 | 2020-08-04 | General Electric Company | Extended reaction power for wind farms |
CN108664741B (zh) * | 2018-05-14 | 2022-02-08 | 平顶山学院 | 基于时间序列模型特征的变电站故障检测方法 |
US11579588B2 (en) * | 2018-07-30 | 2023-02-14 | Sap Se | Multivariate nonlinear autoregression for outlier detection |
CN110458341B (zh) * | 2019-07-25 | 2020-05-19 | 山东大学 | 一种考虑气象特性的超短期风电预测方法及系统 |
US11261846B2 (en) * | 2019-11-01 | 2022-03-01 | General Electric Company | System and method for designing and operating a wind turbine power system based on statistical analysis of operational and/or grid data thereof |
EP3859147A1 (en) * | 2020-02-03 | 2021-08-04 | Ventus Engineering GmbH | Wake monitoring, wake management and sensory arrangements to such |
US11060504B1 (en) | 2020-02-07 | 2021-07-13 | General Electric Company | Systems and methods for continuous machine learning based control of wind turbines |
CN111461496A (zh) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | 一种中长期负荷数据的季节性调整方法 |
US20220037884A1 (en) * | 2020-07-30 | 2022-02-03 | State Grid Gansu Electric Power Research Institute | Peak shaving control method for emergent source-grid coordination in case of faulty sending-end power grid |
CN112653199B (zh) * | 2020-12-17 | 2022-08-02 | 华中科技大学 | 多风电场联合出力预测方法和装置 |
CN113098390A (zh) * | 2021-01-18 | 2021-07-09 | 国家电网有限公司 | 基于模糊数学的新能源并网自动告警及可视化方法及装置 |
CN113255965A (zh) * | 2021-04-26 | 2021-08-13 | 大连海事大学 | 一种雷达发射机退化故障预后智能处理系统 |
CN114595858A (zh) * | 2021-11-18 | 2022-06-07 | 北京华能新锐控制技术有限公司 | 基于滚动时间序列和支持向量机的短期风速预测方法和系统 |
EP4322076A1 (en) * | 2022-08-11 | 2024-02-14 | Vito NV | A method and system for characterizing thermal energy distribution in thermal energy exchange systems |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
US20140025354A1 (en) * | 2012-07-20 | 2014-01-23 | Tata Consultancy Services Limited | Method and system for adaptive forecast of wind resources |
CN104021424A (zh) * | 2013-02-28 | 2014-09-03 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7035730B2 (en) * | 2004-08-31 | 2006-04-25 | General Motors Corporation | Method for diagnosing catalytic converter performance |
US20100274573A1 (en) * | 2006-03-09 | 2010-10-28 | Microsoft Corporation | Data relevation and pattern or event recognition |
EP2148225B1 (en) | 2008-07-22 | 2016-11-02 | Siemens Aktiengesellschaft | Method and arrangement for the forecast of wind-resources |
EP2531723B1 (en) | 2010-02-05 | 2016-04-27 | Vestas Wind Systems A/S | Method of operating a wind power plant |
CN102005760B (zh) | 2010-11-18 | 2012-12-26 | 西北电网有限公司 | 一种通用风电功率短期预报方法 |
CN102055188B (zh) | 2011-01-07 | 2012-12-26 | 西北电网有限公司 | 基于时间序列法的超短期风电功率预报方法 |
US8606418B1 (en) * | 2011-03-18 | 2013-12-10 | Rockwell Collins, Inc. | Wind prediction for wind farms through the use of weather radar |
CN102170130B (zh) | 2011-04-26 | 2013-03-06 | 华北电力大学 | 一种风电功率短期预测方法 |
CN102269124B (zh) | 2011-06-30 | 2013-04-03 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
CN102411729B (zh) | 2011-11-04 | 2013-10-09 | 国电南京自动化股份有限公司 | 基于自适应线性逻辑网络的风电功率预测方法 |
CN102521671B (zh) | 2011-11-29 | 2014-10-29 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN102545211B (zh) | 2011-12-21 | 2013-11-06 | 西安交通大学 | 一种通用的用于风电功率预测的数据预处理装置及方法 |
DK2807371T3 (en) * | 2012-01-25 | 2016-07-25 | Abb Research Ltd | Wind farm comprising a wind speed REAL TIME MEASUREMENTS |
CN102682207A (zh) | 2012-04-28 | 2012-09-19 | 中国科学院电工研究所 | 风电场风速超短期组合预测方法 |
CN102938093A (zh) | 2012-10-18 | 2013-02-20 | 安徽工程大学 | 一种风电功率预测的方法 |
US9460478B2 (en) * | 2012-12-17 | 2016-10-04 | Arizona Board Of Regents On Behalf Of Arizona State University | System and method for wind generation forecasting |
CN103440531A (zh) | 2013-08-16 | 2013-12-11 | 国家电网公司 | 计及风电场风机运行状态的风电场短期风电功率预测系统 |
CN103455716B (zh) | 2013-08-23 | 2018-08-31 | 国家电网公司 | 一种基于超短期风电功率预测的电力系统电压稳定裕度计算方法 |
US20150186904A1 (en) * | 2013-12-27 | 2015-07-02 | International Business Machines Corporation | System And Method For Managing And Forecasting Power From Renewable Energy Sources |
CN103714400A (zh) | 2014-01-20 | 2014-04-09 | 吉林省电力科学研究院有限公司 | 一种任意输入参数的风能预测系统和方法 |
CN103871002B (zh) | 2014-03-25 | 2017-01-18 | 上海电机学院 | 基于自适应蜂群算法的风电功率预测方法及装置 |
-
2016
- 2016-06-30 US US15/198,749 patent/US10443577B2/en active Active
- 2016-07-14 EP EP16179511.7A patent/EP3118783A1/en not_active Withdrawn
- 2016-07-15 CN CN201610557725.XA patent/CN106351793B/zh active Active
- 2016-07-15 BR BR102016016424-9A patent/BR102016016424B1/pt active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
US20140025354A1 (en) * | 2012-07-20 | 2014-01-23 | Tata Consultancy Services Limited | Method and system for adaptive forecast of wind resources |
CN104021424A (zh) * | 2013-02-28 | 2014-09-03 | 国际商业机器公司 | 用于预测风场中的风机的输出功率的方法和装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108930632A (zh) * | 2017-05-25 | 2018-12-04 | 株式会社日立制作所 | 适应性发电管理 |
TWI678677B (zh) * | 2017-05-25 | 2019-12-01 | 日商日立製作所股份有限公司 | 適應性發電管理 |
CN108930632B (zh) * | 2017-05-25 | 2020-10-27 | 株式会社日立制作所 | 适应性发电管理 |
CN108488038A (zh) * | 2018-03-27 | 2018-09-04 | 中南大学 | 一种风力发电机组的偏航控制方法 |
CN108846182A (zh) * | 2018-05-31 | 2018-11-20 | 西安交通大学 | 基于ar-garch回归的机械衰退数据质量改善方法 |
CN112639286A (zh) * | 2018-09-10 | 2021-04-09 | 通用电气公司 | 用于风力涡轮功率系统的能源审核工具 |
CN112997201A (zh) * | 2018-11-06 | 2021-06-18 | 西门子歌美飒可再生能源服务股份有限公司 | 风电场能量参数值预测 |
CN113874626A (zh) * | 2019-03-22 | 2021-12-31 | 通用电气公司 | 用于评估和验证风力涡轮和风场性能的系统及方法 |
CN111027229A (zh) * | 2019-12-26 | 2020-04-17 | 中南大学 | 基于稀疏异方差多样条回归的风功率曲线拟合的方法 |
CN111027229B (zh) * | 2019-12-26 | 2021-12-07 | 中南大学 | 基于稀疏异方差多样条回归的风功率曲线拟合的方法 |
CN113094997A (zh) * | 2021-04-19 | 2021-07-09 | 华北电力大学 | 一种风电机组运行模拟方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
BR102016016424A2 (pt) | 2017-01-24 |
US10443577B2 (en) | 2019-10-15 |
EP3118783A1 (en) | 2017-01-18 |
CN106351793B (zh) | 2020-05-12 |
BR102016016424B1 (pt) | 2022-10-11 |
US20170016430A1 (en) | 2017-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106351793A (zh) | 用于改进风力发电的系统和方法 | |
Chinmoy et al. | Modeling wind power investments, policies and social benefits for deregulated electricity market–A review | |
Sawle et al. | PV-wind hybrid system: A review with case study | |
CN102269124B (zh) | 超短期风电场发电功率预测系统 | |
AU2017368470B2 (en) | System and method for dynamic energy storage system control | |
Ding et al. | Rolling optimization of wind farm and energy storage system in electricity markets | |
Kang et al. | How to better share energy towards a carbon-neutral city? A review on application strategies of battery energy storage system in city | |
Wu et al. | A literature review of wind forecasting technology in the world | |
Wang et al. | Reliable-economical equilibrium based short-term scheduling towards hybrid hydro-photovoltaic generation systems: Case study from China | |
Murage et al. | Contribution of pumped hydro storage to integration of wind power in Kenya: An optimal control approach | |
Dorsey-Palmateer | Effects of wind power intermittency on generation and emissions | |
Santos et al. | Impacts of operational variability and uncertainty on distributed generation investment planning: A comprehensive sensitivity analysis | |
Bansal | Sizing and forecasting techniques in photovoltaic-wind based hybrid renewable energy system: A review | |
Mousavi et al. | Modelling, design, and experimental validation of a grid-connected farmhouse comprising a photovoltaic and a pumped hydro storage system | |
Ameli et al. | Economical load distribution in power networks that include hybrid solar power plants | |
Matijašević et al. | A systematic review of machine learning applications in the operation of smart distribution systems | |
Nengroo et al. | Optimal Scheduling of Energy Storage for Power System with Capability of Sensing Short-Term Future PV Power Production | |
Deng et al. | A Survey of the Researches on Grid-Connected Solar Power Generation Systems and Power Forecasting Methods Based on Ground-Based Cloud Atlas | |
Yan | Gestion énergétique sous incertitude: Application à la planification et à l'allocation de réserve dans un micro réseau électrique urbain comportant des générateurs photovoltaïques actifs et du stockage | |
Singh et al. | A systematic review on selected applications and approaches of wind energy forecasting and integration | |
Losi et al. | Distribution control center: New requirements and functionalities | |
Onaolapo | Reliability study under the smart grid paradigm using computational intelligent techniques and renewable energy sources. | |
EP4270711A1 (en) | Methods and systems for controlling a chp device in a microgrid | |
CN112801470B (zh) | 一种海上风电的全寿期管理系统及评价方法 | |
Krad et al. | Operational Impacts of Operating Reserve Demand Curves on Production Cost and Reliability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240108 Address after: Barcelona, Spain Patentee after: Ge renewable energy Spain Ltd. Address before: New York, United States Patentee before: General Electric Co. |