CN108520319A - 基于大数据的风电场微观选址研究方法 - Google Patents
基于大数据的风电场微观选址研究方法 Download PDFInfo
- Publication number
- CN108520319A CN108520319A CN201810284340.XA CN201810284340A CN108520319A CN 108520319 A CN108520319 A CN 108520319A CN 201810284340 A CN201810284340 A CN 201810284340A CN 108520319 A CN108520319 A CN 108520319A
- Authority
- CN
- China
- Prior art keywords
- wind
- power plant
- turbines
- speed
- wind turbines
- 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.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于大数据的风电场微观选址研究方法,能够实现对某一待建风电场进行微观选址的功能。本发明结合了大数据分析方法,检测和采集风机的运行数据、风场的运营数据等变量,基于风电机组之间的尾流效应以及遮挡面积原理,考虑了复杂地形对风速的影响,将其应用到风电机组的功率特性模型中,对风电场的输出功率进行计算。并且基于风电场输出总功率最大化的原则,对风电场进行微观选址研究,得到了风能利用率最优时的风电机组布置方案。
Description
技术领域
本发明涉及风电场中风电机组的建造位置的选择方法,具体为基于大数据的风电场微观选址研究方法。
背景技术
20世纪特别是70年代以来,随着世界经济的迅猛发展,人类对能源的需求成倍增长,能源工业也以前所未有的规模发展,同时化石能源带来的污染也日渐增长。加快发展新能源产业,可以从根本上优化能源结构、减少化石燃料消耗、促进节能减排、保护生态环境,保障经济社会的可持续发展。
对风电场进行基于大数据技术的研究,能够有效整合风场实时流场模型数据,风电场流场预测数据,风机与测风塔量测数据,除了做到更精准的预测,检测和采集风机的运转数据、风场的运营数据,还有利于风机制造商更好地改善风机的性能,风电场业主在追求风场效益最大化时也离不开大数据。
微观选址是在宏观选址中选定的小区域内,考虑由风场环境引发的自然风的变化及由风力机自身所引发的风扰动(即尾流)因素、山体地形等各种复杂因素,确定如何在区域内排列布置风力发电机组,使整个风力发电场的发电量最大,从而使整个风电场具有较好的经济效益。一般来说,风电场选址研究需要两年时间,其中现场测风应有至少一年以上的数据。国内外的经验教训表明,由于风电场选址的失误造成发电量损失和增加维修费用将远远大于对场址进行详细调查的费用。
由此可见,在建设初期对风电场进行详细的风速测量和地形调查,对风电场进行合理的微观选址规划,是提高电网风电利用率和提高风电场的经济效益的重要解决措施之一。
发明内容
本发明为了提高风电场的风能利用率,从经济性和安全性的角度出发,提出了一种基于大数据的风电场微观选址方案。本发明结合了大数据分析检测和采集风机的运转数据、风场的运营数据等变量,应用了Jensen尾流模型来代表风电机组之间的尾流效应,并且引入尾流遮挡面积的理论,确定上游风电机组的扫风面积对下游机组的影响。引入贝尔模型研究山体地形对风速的影响,采用网格分解的方法,生成备选的风电场微观选址方案,通过仿真计算得到风电场输出功率最优时的风电机排布方案。
本发明是采用如下的技术方案实现的:基于大数据的风电场微观选址研究方法,包括以下步骤:
S1:基于大数据方法统计风电场的历史风速,生成风电场的模拟风速数据:采用历史数据模拟风速的随机性,是通过采集待建风电场地区1年之内每L分钟之内的平均风速Vx,代入威布尔分布中计算,威布尔分布的概率密度函数为:通过平均风速和标准差法计算威布尔尺度参数c和形状参数k的值,从而将参数c和k代入到威布尔风速发生器Vi=c(-ln Xi)1/k中,生成每L分钟之内的随机风速作为风电场的输入风速,Xi为0-1随机数;
S2:生成风电场的风向数据:风电场的风向变化会造成风电机组之间的尾流遮挡面积变化,从而影响风电机组接收到的风速。通过统计待建风电场地区在一段时间的风向,得到风电场的历史风向数据,用分度法对风向角进行分类,将风向角分为m等份,即每个扇区基于历史风向数据得到每L分钟之内风向角在扇区出现的概率,将统计得到的概率值作为待建风电场地区的风向频率;
S3:采集风电场的地形数据,将待建风电场地区的地域划分为n×n的网格,并且对每个网格从1~n2进行编号,并且采集每个网格中心的对应位置的经纬度坐标以及海拔高度,得到每个网格中心位置的三维坐标数据,这些位置将作为风电机组的备选摆放位置;
S4:分析尾流效应对风电场选址的影响,已知上游风速的情况下下游风电机组WTGi风速的计算如下式:
式中,vki为被风电机组WTGk影响下风电机组WTGi的风速,v0k为风电机组WTGk在复杂地形下的输入风速,r为叶轮半径,x为两个风电机组间的距离,CT是风电机组的推力系数,K是尾流下降系数;
S5:分析复杂地形对风电场微观选址的影响,在风电场中,风速随着高度的变化有相应的增加,因此在复杂的山体地形中,不同海拔高度的风速也不同,进而影响整个风电场的风功率。风电机组WTGk在高度为h0k处的风速v0k的计算方法为:其中v0为风电机组WTGk在平坦地形的输入风速,h1为平坦地形的海拔高度,a为地面粗糙度,是一个常数;
S6:确定待建风电场的最终微观选址方案:在划分为n×n的网格中通过排列组合的方式随机放置风电机组,风电机组放置完成后,计算考虑了尾流效应、复杂地形和随机风向情况下,每台风电机组的输入风速,在不同风向下,每两台风电机组之间的尾流影响不同,尾流遮挡面积也不同,通过对遮挡面积AS的计算,计算下游第i台风电机组WTGi的每L分钟之内的输入风速式中,βk为遮挡系数,且βk=Ask/Ari,Ask是第i台风电机组WTGi被第k台风电机组WTGk遮挡的遮挡面积,Ari是风电机组WTGi的扫风面积,Ari=πr2;n是风电机组的总数;v0i为第i台风电机组WTGi在复杂地形下的风电场的输入风速;vki是被WTGk影响的WTGi的风速;确定每台风电机组的输入风速后,通过风电机组的功率特性计算每台风电机组的输出功率,从而得到该排布情况下风电场的输出功率,重新通过排列组合的方式选取另一种微观选址方案,通过上述方法计算新的微观选址方案下的风电场输出功率,通过循环选择不同的微观选址方案,并计算比较风电场输出功率最大时的方案,将其作为最终选定的微观选址方案。
本发明提供的基于大数据的风电场微观选址研究方法,考虑了多种因素对风电场输出功率的影响,具体为计及尾流、山体地形及随机风向下风电场输出功率的计算,并且确定了风电场的微观选址方案,使得考虑上述因素下能够使得风电场输出功率最大。本发明生成的微观选址方案提高了风能的利用率和风电场的经济性且提出了随机风向下的风电机组尾流遮挡模型,从而提高了本方法在实际工程实用中的可行性。
附图说明
图1为统计历史风向得到的风向玫瑰图。
图2为风电场的网格划分示意图。
图3为风电机组之间的尾流效应原理图。
图4为山体地形模型。
图5为平坦地形下尾流的部分遮挡示意图及剖面图。
图6为复杂地形下尾流的部分遮挡示意图及剖面图。
图7为风电场生成的最终的微观选址方案示意图。
具体实施方式
基于大数据的风电场微观选址研究方法,包括以下步骤:
S1:基于大数据统计风电场的历史风速,生成风电场的模拟风速数据。采用历史数据模拟风速的随机性,是通过采集1年之内每15分钟之内的平均风速,代入威布尔分布中计算。威布尔分布的概率密度函数为:
通过平均风速和标准差法计算威布尔尺度参数c和形状参数k的值,从而将参数c和k代入到威布尔风速发生器Vi=c(-lnXi)1/k,产生每15分钟之内的随机风速作为风电场的输入风速,Xi为0-1随机数。
S2:生成风电场的风向数据。通过统计待建风电场地区在一段时间的风向,得到风电场的历史风向数据,用十六分度法对风向角进行分类,将风向角分为16等份,即每个扇区22.5°,得到每15分钟之内风向角在每个扇区出现的概率,如图1所示,将统计得到的概率值作为待建风电场地区的风向频率。
S3:采集风电场的地形数据,将待建风电场地区的地域划分为n×n的网格,并且对每个网格从1~n2进行编号,如图2所示,并且采集每个网格中心的对应位置的经纬度坐标以及海拔高度,得到每个网格中心位置的三维坐标数据,这些位置将作为风电机组的备选摆放位置。
S4:分析尾流效应对风电场选址的影响,在风电场中上游风电机组会吸收一部分风能,从而使得下游风电机组接收的风能降低,从而影响下游风电机组的输出功率。上下游风电机组尾流影响造成的风速变化如图3,已知上游风速的情况下下游风电机组WTGi风速的计算如下式:
式中,vki为被风电机组WTGk影响的风电机组WTGi的风速,v0k为风电机组WTGk在复杂地形下的输入风速,r为叶轮半径;x为两个风电机组间的距离;CT是风电机组的推力系数,和机组结构及风速有关,一般取0.2;K是尾流下降系数。
在微观选址的仿真计算中,选择了微观选址的分布方案之后,在不考虑尾流效应的情况下,计算风电场的最终输出功率;在考虑尾流效应的情况下,计算考虑尾流效应时每台风电机组的输入风速,从而确定风电场的输出功率,即可分析尾流效应对风电场微观选址的影响。
S5:分析复杂地形对风电场微观选址的影响,在风电场中,风速随着高度的变化有相应的增加,因此在复杂的山体地形中,不同海拔高度的风速也不同,进而影响整个风电场的风功率,山体地形的模型见图4。风电机组WTGk在高度为h0k处的风速v0k的计算方法为:
其中v0为风电机组WTGk在平坦地形的输入风速,h1为平坦地形的海拔高度,a为地面粗糙度,是一个常数。
在微观选址的仿真计算中,选择了微观选址的分布方案之后,在平坦地形下,计算风电场的最终输出功率;在复杂地形的情况下,计算每台风电机组的输入风速,从而确定风电场的输出功率,即可分析尾流效应对风电场微观选址的影响。
S6:确定待建风电场的最终微观选址方案。在待建风电场中,通过网格分解法将风电场地区的地域划分为n×n的网格,在网格中通过排列组合的方式随机放置风电机组。
风电机组放置完成后,计算考虑了尾流效应、复杂地形和随机风向情况下,每台风电机组的输入风速。在不同风向下,每两台风电机组之间的尾流影响不同,尾流遮挡面积AS也不同。平坦地形和复杂地形下风电机组间的尾流遮挡模型分别见图5和图6,通过对遮挡面积AS的计算,计算下游风电机组的每15分钟之内的输入风速,如下式:
式中,βk为遮挡系数,且βk=Ask/Ari,Ask是第i台风电机组WTGi被第k台风电机组WTGk遮挡的遮挡面积,Ari是风电机组WTGi的扫风面积,Ari=πr2;n是风电机组的总数;v0i为第i台风电机组在复杂地形下的风电场的输入风速;vki是被风电机组WTGk影响的风电机组WTGi的风速。
确定每台风电机组的输入风速后,通过风电机组的功率特性计算每台风电机组的输出功率,从而得到该排布情况下风电场的输出功率。
重新通过排列组合的方式选取另一种微观选址方案,通过上述方法计算新的微观选址方案下的风电场输出功率。通过循环选择不同的微观选址方案,并计算比较风电场输出功率最大时的方案,将其作为最终选定的微观选址方案,如图7所示。
本发明提出了一种基于大数据的风电场微观选址方案并对其进行评估。包括步骤一:生成风电场的模拟风速数据;生成步骤二:生成风电场的风向数据;生成步骤三:采集风电场的地形数据;生成步骤四:分析尾流效应对风电场选址的影响;生成步骤五:分析复杂地形对风电场微观选址的影响;生成步骤六:确定待建风电场的最终微观选址方案。
本发明为了提高风电场的风能利用率,从功率最大化的角度出发,提出了一种基于大数据的风电场微观选址方案。通过大数据方法采集风机的运转数据和风场的运营数据,通过Weibull分布模拟随机风速值,并且通过风向的十六分度法对历史风向进行处理。确定风电场中每台风电机组的输入风速时,应用了Jensen尾流模型来代表风电机组之间的尾流效应,并且引入尾流遮挡面积的理论,计算上游风电机组的尾流对下游风电机组的影响。引入贝尔模型研究山体地形对风速的影响,并且运用风电机组的功率特性模型计算考虑尾流效应、山体地形和随机风向下的风电场输出功率。采用网格分解的方法,生成不同的风电场微观选址方案,并且通过仿真计算确定风电场输出功率最优时的风电机排布方案。
本发明确定的方案可以使得风电场在初期建设时提高电网对风能的利用率,减少风电场的风功率损失,是很有前景的一种风电场微观选址评估方法,为风电场的运行规划提供了建议和依据。
Claims (1)
1.基于大数据的风电场微观选址研究方法,其特征在于包括以下步骤:
S1:基于大数据方法统计风电场的历史风速,生成风电场的模拟风速数据:采用历史数据模拟风速的随机性,是通过采集待建风电场地区1年之内每L分钟之内的平均风速Vx,代入威布尔分布中计算,威布尔分布的概率密度函数为:通过平均风速和标准差法计算威布尔尺度参数c和形状参数k的值,从而将参数c和k代入到威布尔风速发生器Vi=c(-lnXi)1/k中,生成每L分钟之内的随机风速作为风电场的输入风速,Xi为0-1随机数;
S2:生成风电场的风向数据:风电场的风向变化会造成风电机组之间的尾流遮挡面积变化,从而影响风电机组接收到的风速。通过统计待建风电场地区在一段时间的风向,得到风电场的历史风向数据,用分度法对风向角进行分类,将风向角分为m等份,即每个扇区基于历史风向数据得到每L分钟之内风向角在扇区出现的概率,将统计得到的概率值作为待建风电场地区的风向频率;
S3:采集风电场的地形数据,将待建风电场地区的地域划分为n×n的网格,并且对每个网格从1~n2进行编号,并且采集每个网格中心的对应位置的经纬度坐标以及海拔高度,得到每个网格中心位置的三维坐标数据,这些位置将作为风电机组的备选摆放位置;
S4:分析尾流效应对风电场选址的影响,已知上游风速的情况下下游风电机组WTGi风速的计算如下式:式中,vki为被风电机组WTGk影响下风电机组WTGi的风速,v0k为风电机组WTGk在复杂地形下的输入风速,r为叶轮半径,x为两个风电机组间的距离,CT是风电机组的推力系数,K是尾流下降系数;
S5:分析复杂地形对风电场微观选址的影响,在风电场中,风速随着高度的变化有相应的增加,因此在复杂的山体地形中,不同海拔高度的风速也不同,进而影响整个风电场的风功率,风电机组WTGk在高度为h0k处的风速v0k的计算方法为:其中v0为风电机组WTGk在平坦地形的输入风速,h1为平坦地形的海拔高度,a为地面粗糙度;
S6:确定待建风电场的最终微观选址方案:在划分为n×n的网格中通过排列组合的方式随机放置风电机组,风电机组放置完成后,计算考虑了尾流效应、复杂地形和随机风向情况下,每台风电机组的输入风速,在不同风向下,每两台风电机组之间的尾流影响不同,尾流遮挡面积AS也不同,通过对遮挡面积AS的计算,计算下游第i台风电机组WTGi的每L分钟之内的输入风速式中,βk为遮挡系数,且βk=Ask/Ari,Ask是第i台风电机组WTGi被第k台风电机组WTGk遮挡的遮挡面积,Ari是风电机组WTGi的扫风面积,Ari=πr2;n是风电机组的总数;v0i为第i台风电机组WTGi在复杂地形下的风电场的输入风速;vki是被WTGk影响的WTGi的风速;确定每台风电机组的输入风速后,通过风电机组的功率特性计算每台风电机组的输出功率,从而得到该排布情况下风电场的输出功率,重新通过排列组合的方式选取另一种微观选址方案,通过上述方法计算新的微观选址方案下的风电场输出功率,通过循环选择不同的微观选址方案,并计算比较风电场输出功率最大时的方案,将其作为最终选定的微观选址方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284340.XA CN108520319A (zh) | 2018-04-02 | 2018-04-02 | 基于大数据的风电场微观选址研究方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284340.XA CN108520319A (zh) | 2018-04-02 | 2018-04-02 | 基于大数据的风电场微观选址研究方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108520319A true CN108520319A (zh) | 2018-09-11 |
Family
ID=63431577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810284340.XA Pending CN108520319A (zh) | 2018-04-02 | 2018-04-02 | 基于大数据的风电场微观选址研究方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520319A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427714A (zh) * | 2019-08-07 | 2019-11-08 | 国网山西省电力公司电力科学研究院 | 基于杆塔绕流效应风速模型对风电机组输出功率影响的研究方法 |
CN111677637A (zh) * | 2020-06-02 | 2020-09-18 | 华能盐城大丰新能源发电有限责任公司 | 一种适应在运风电场测试场地地形评估方法 |
CN112051362A (zh) * | 2020-09-01 | 2020-12-08 | 杭州壹丈科技有限公司 | 风玫瑰预判污染物变化模型 |
CN113269344A (zh) * | 2021-03-16 | 2021-08-17 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于高景卫星遥感信息和技术的风电场微观选址的智能方法 |
WO2022151890A1 (zh) * | 2021-01-13 | 2022-07-21 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
CN115564161A (zh) * | 2022-03-23 | 2023-01-03 | 师亚琦 | 一种智慧电网发电设施工程项目建设评估分析方法 |
WO2023087521A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于数学规划的风电场布局优化方法 |
CN116205079A (zh) * | 2023-03-23 | 2023-06-02 | 盛东如东海上风力发电有限责任公司 | 风电场重复设计方案筛选方法及系统 |
CN116596165A (zh) * | 2023-07-17 | 2023-08-15 | 国网山东省电力公司汶上县供电公司 | 一种风力发电功率预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949363A (zh) * | 2010-09-21 | 2011-01-19 | 山东科技大学 | 计及风电场输入风速和风向随机波动的风电机组分组方法 |
CN103745032A (zh) * | 2013-12-18 | 2014-04-23 | 华锐风电科技(集团)股份有限公司 | 风场湍流计算方法及风电场微观选址方法、装置 |
CN103996074A (zh) * | 2014-05-07 | 2014-08-20 | 河海大学 | 基于cfd和改进pso的复杂地形风电场微观选址方法 |
CN106407566A (zh) * | 2016-09-20 | 2017-02-15 | 河海大学 | 复杂地形风电场一体化优化方法 |
CN107784386A (zh) * | 2016-08-31 | 2018-03-09 | 中国电力科学研究院 | 一种基于风速衰减因子的风电场风机优化排布方法及系统 |
-
2018
- 2018-04-02 CN CN201810284340.XA patent/CN108520319A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949363A (zh) * | 2010-09-21 | 2011-01-19 | 山东科技大学 | 计及风电场输入风速和风向随机波动的风电机组分组方法 |
CN103745032A (zh) * | 2013-12-18 | 2014-04-23 | 华锐风电科技(集团)股份有限公司 | 风场湍流计算方法及风电场微观选址方法、装置 |
CN103996074A (zh) * | 2014-05-07 | 2014-08-20 | 河海大学 | 基于cfd和改进pso的复杂地形风电场微观选址方法 |
CN107784386A (zh) * | 2016-08-31 | 2018-03-09 | 中国电力科学研究院 | 一种基于风速衰减因子的风电场风机优化排布方法及系统 |
CN106407566A (zh) * | 2016-09-20 | 2017-02-15 | 河海大学 | 复杂地形风电场一体化优化方法 |
Non-Patent Citations (3)
Title |
---|
RA. SHAKOOR 等: "Wind Farm Layout Optimization by Using Definite Point Selection and Genetic Algorithm", 《2014 IEEE INTERNATIONAL CONFERENCE POWER & ENERGY (PECON)》 * |
万春秋 等: "基于威布尔分布的风电场微观选址优化", 《太阳能学报》 * |
许昌 等: "复杂地形风电场微观选址优化", 《中国电机工程学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427714A (zh) * | 2019-08-07 | 2019-11-08 | 国网山西省电力公司电力科学研究院 | 基于杆塔绕流效应风速模型对风电机组输出功率影响的研究方法 |
CN111677637A (zh) * | 2020-06-02 | 2020-09-18 | 华能盐城大丰新能源发电有限责任公司 | 一种适应在运风电场测试场地地形评估方法 |
CN112051362A (zh) * | 2020-09-01 | 2020-12-08 | 杭州壹丈科技有限公司 | 风玫瑰预判污染物变化模型 |
CN112051362B (zh) * | 2020-09-01 | 2022-06-24 | 杭州壹丈科技有限公司 | 风玫瑰预判污染物变化模型 |
WO2022151890A1 (zh) * | 2021-01-13 | 2022-07-21 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
CN113269344A (zh) * | 2021-03-16 | 2021-08-17 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于高景卫星遥感信息和技术的风电场微观选址的智能方法 |
WO2023087521A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于数学规划的风电场布局优化方法 |
CN115564161A (zh) * | 2022-03-23 | 2023-01-03 | 师亚琦 | 一种智慧电网发电设施工程项目建设评估分析方法 |
CN115564161B (zh) * | 2022-03-23 | 2023-11-17 | 甘肃电通电力工程设计咨询有限公司 | 一种智慧电网发电设施工程项目建设评估分析方法 |
CN116205079A (zh) * | 2023-03-23 | 2023-06-02 | 盛东如东海上风力发电有限责任公司 | 风电场重复设计方案筛选方法及系统 |
CN116596165A (zh) * | 2023-07-17 | 2023-08-15 | 国网山东省电力公司汶上县供电公司 | 一种风力发电功率预测方法及系统 |
CN116596165B (zh) * | 2023-07-17 | 2023-10-13 | 国网山东省电力公司汶上县供电公司 | 一种风力发电功率预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520319A (zh) | 基于大数据的风电场微观选址研究方法 | |
CN104699936B (zh) | 基于计算流体力学短期风速预测的风电场扇区管理方法 | |
Şişbot et al. | Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm | |
CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
CN103996074B (zh) | 基于cfd和改进pso的复杂地形风电场微观选址方法 | |
CN103401236B (zh) | 一种基于风电场流动相关性的风电场机组分组方法 | |
CN103514341A (zh) | 基于数值天气预报和计算流体动力学的风资源评估方法 | |
CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN106407566A (zh) | 复杂地形风电场一体化优化方法 | |
CN105048444A (zh) | 一种基于测风塔测风数据的风电场弃风电量确定方法 | |
CN101794996A (zh) | 风电场出力实时预测方法 | |
Wang et al. | Mesoscale simulations of a real onshore wind power base in complex terrain: Wind farm wake behavior and power production | |
CN104992250A (zh) | 一种高海拔山地风电场微观选址方法 | |
CN104133989B (zh) | 计及覆冰损失的风电场时序输出功率计算方法 | |
Shao et al. | A decision framework for tidal current power plant site selection based on GIS-MCDM: A case study in China | |
CN106682282A (zh) | 一种基于遗传算法嵌套粒子群算法的风电场多型号风力发电机排布优化方法 | |
CN104217077A (zh) | 一种反映风速变化特性的风力发电出力随机模型建模方法 | |
CN103248049B (zh) | 含dfig风电场电力系统电压稳定域切平面的获取方法 | |
CN106886833A (zh) | 一种适用于复杂约束条件的风力发电机选址选型优化方法 | |
CN106649987B (zh) | 一种测风塔设立方案的定量分析方法 | |
Abdraman et al. | Wind Resource Assessment in the City of N'djamena in Chad | |
CN108062722A (zh) | 基于风速变异系数的山地风电场模型风机机械功率计算方法 | |
CN109636019B (zh) | 基于神经网络算法的测风塔布置方案确定方法 | |
CN111666725A (zh) | 一种适应非复杂地形风电场的测风塔规划选址方法及系统 | |
CN106408446A (zh) | 一种近海风电场风能计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180911 |
|
WD01 | Invention patent application deemed withdrawn after publication |