CN109670645A - 预测风速模型的建立方法及装置 - Google Patents
预测风速模型的建立方法及装置 Download PDFInfo
- Publication number
- CN109670645A CN109670645A CN201811561966.7A CN201811561966A CN109670645A CN 109670645 A CN109670645 A CN 109670645A CN 201811561966 A CN201811561966 A CN 201811561966A CN 109670645 A CN109670645 A CN 109670645A
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- survey
- wind speed
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 241001269238 Data Species 0.000 claims abstract description 9
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明涉及风能发电技术领域，具体涉及一种预测风速模型的建立方法及装置，其实现过程为：获取风电场内所有风机的测风数据，计算不同测风数据之间的相关性，根据相关性对所有风机的测风数据进行分组，进而对分组后的测风数据进行主成分分析得到线性不相关的目标数据，依据目标数据分别对多个预设训练模型进行训练得到多个预测风速模型。由此可见，本方案通过获取大量的测风数据，并对该测风数据处理后分别对预设训练模型进行训练得到预测风速模型，使得得到的预测风速模型更加准确，之后对任一一点进行风速预测时得到的结果更加可靠，提高了风速预测的准确性。
Description
技术领域
本发明涉及风能发电技术领域，具体而言，涉及一种预测风速模型的建立方法及装置。
背景技术
目前通常在山上或平原等风力资源较好的地方设置风电场，进而在风电场上安装多台风机，通过风机采集风能，并将风能转换为电能以产生清洁能源。由于风机是将风能转换为电能，因此，实现对风速的检测以通过检测到的风速调节风机的偏航、转矩以及转矩角，以将更多的风能转换为电能是十分必要的。目前的检测风速的方法为，通过设置于风机叶片机舱内的风速计采集风速，由于风速计本身具有一定的偏差，同时叶片在转动的时候对风速将产生一定影响，将导致仅通过该风速计采集风速信息不准确。因此，提供一种更加准确的风速信息采集方法是十分必要的。
发明内容
本发明的目的在于提供一种预测风速模型的建立方法，以实现通过该预测风速模型更为准确地预测风速。
本发明的另一目的在于提供一种预测风速模型的建立装置，以实现通过该预测风速模型更为准确地预测风速。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种预测风速模型的建立方法，所述方法包括：获取风电场内所有风机的测风数据；计算不同风机的测风数据之间的相关性；根据所述相关性对所有风机的测风数据进行分组；对分组后的测风数据进行主成分分析得到线性不相关的目标数据；依据所述目标数据分别对多个预设训练模型进行训练得到多个预测风速模型。
第二方面，本发明实施例还提供了一种预测风速模型的建立装置，所述装置包括：第一获取模块，用于获取风电场内所有风机的测风数据；计算模块，用于计算不同风机的测风数据之间的相关性；分组模块，用于根据所述相关性对所有风机的测风数据进行分组；分析模块，用于对分组后的测风数据进行主成分分析得到线性不相关的目标数据；训练模块，用于依据所述目标数据分别对多个预设训练模型进行训练得到多个预测风速模型。
本发明实施例提供的一种预测风速模型的建立方法及装置，其实现过程为：获取风电场内所有风机的测风数据，计算不同测风数据之间的相关性，根据相关性对所有风机的测风数据进行分组，进而对分组后的测风数据进行主成分分析得到线性不相关的目标数据，依据目标数据分别对多个预设训练模型进行训练得到多个预测风速模型。由此可见，本方案通过获取大量的测风数据，并对该测风数据处理后分别对预设训练模型进行训练得到预测风速模型，使得得到的预测风速模型更加准确，之后对任一一点进行风速预测时得到的结果更加可靠，提高了风速预测的准确性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的一种预测风速模型的建立方法的流程示意图。
图2示出了本发明实施例提供的一种预测风速模型的建立装置的功能模块示意图。
图示：100-预测风速模型的建立装置；110-第一获取模块；120-计算模块；130-分组模块；140-提取模块；150-处理模块；160-分析模块；170-训练模块；180-第二获取模块；190-测试模块；200-加权模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本方案提供的一种预测风速模型的建立方法，事先通过采集风电场内所有风机的测风数据，并使用该测风数据对训练模型进行训练得到预测风速模型，进而通过该预测风速模型对任一一点的风机进行风速预测将得到更加准确的风速预测结果。进而，可根据该更加准确的风速预测结果调节风机的偏航、转矩以及转矩角等参数，以使得风机可利用更多风能产生更多电能，实现更高效率的发电效率。
请参照图1，是本发明实施例提供的一种预测风速模型的建立方法的流程示意图，该方法包括：
步骤S110，获取风电场内所有风机的测风数据。
具体为，该风电场用于风力发电，其一般选取山上或平原等风资源比较好的地方建立，该风电场上设置有多台风机，具体由每台风机将采集的风能转换为电能，以实现清洁发电。
该测风数据包括风速、风向以及风机所在的地理信息，该地理信息包括经度、纬度、海拔、地形，该地形又具体包括斜坡、平地、山脊或山顶等。其中，该风速和风向的数据来源有多种，其包括但不限于，每台风机上的风速计测得的风速和风向、设置于风电场内的测风塔测得的风速和风向、天气预报的数据以及设置于风电场内的激光雷达测得的风速和风向。需要说明的是，通常情况下一个风电场通常只设置一个测风塔或一个激光雷达，该测风塔或激光雷达测量整个风电场内的风速和风向，且使用该激光雷达的测量精度高于使用测风塔的测量精度。
此外，不同风机的测风数据并不是相互独立的，由于各个风机之间设置的地理位置原因或其他原因，导致风机之间的风速和风向相互影响，故也可通过其他风机的风速和风向对当前风机的风速和风向进行校正。
步骤S120，计算不同风机的测风数据之间的相关性。
具体为，分别计算两两风机之间的测风数据，其包括风速、风向以及风机所在的地理信息等数据的相关性，其具体的计算方式为，可通过矩阵的方式列举出多个测风数据，以通过矩阵运算计算出两个风机之间的相关性，该相关性为一个确定的数值。
步骤S130，根据所述相关性对所有风机的测风数据进行分组。
即是说，根据确定的相关性，将相关性相近的两个或多个风机对应的测风数据划分为一组，以得到多个组别的测风数据。
步骤S140，提取每组测风数据的时域特征以及频域特征。
具体为，首先，提取每组测风数据的时域特征，该时域特征包括最大值、最小值、峭度和裕度，进而提取每组测风数据的频域特征，具体可通过小波包分解，计算频带能量分布，使用希尔伯特-黄信号处理方法，提取频率特征。之所以对每组测风数据提取时域特征和频域特征是为了增加信息量，有时在采集到的数据里很难显性表达出时域特征和频域特征。
步骤S150，对所有组别的测风数据进行归一化处理。
即是说，由于每组的测风数据包括风速、风向以及地理信息等，其包含的数据种类较多，单位不一致，有的数值较大，有的数值较小，不便于数据处理，故需每组测风数据进行归一化处理，即消除量纲的影响，使得所有数据都同等重要。
步骤S160，对分组后的测风数据进行主成分分析得到线性不相关的目标数据。
具体为，由于每组测风数据含有多维数据，如该每组测风数据均包括风速、风向以及地理信息，该风速和风向信息又包括设置于风机内的风速计侧得到的风速和风向、测风塔测得的风速和风向以及激光雷达测得的风速和风向等，该地理信息又包括经度、纬度、海拔、地形等。此外，每组测风数据还包括时域特征和频域特征等。故需对该多维数据进行主成分分析，以得到线性不相关的目标数据，该线性不相关的目标数据为关联程度低、冗余程度低的数据，以便于后续用于模型训练。即是说，对多达几十位的数据进行主成分分析得到几维数据，该剩余的几维数据即为线性不相关的目标数据。
步骤S170，依据所述目标数据分别对多个预设训练模型进行训练得到多个预测风速模型。
亦即是说，同时选取多个预设训练模型，对该多个预设训练模型均使用该多组目标数据依次进行训练以得到预测风速模型。需要说明的是，该预设训练模型可以选取神经网络、支持向量机等方式。
此外，还将得到的多个预测风速模型依照预测精确程度进行排序，较优地，可以选取3到4个预设训练模型进行训练得到3到4个预测风速模型，并对该3到4个预测风速模型按照预测精确程度进行排序。
之后，若需要预测该风电场内任意一点风机的风速即可直接将该风机的风速、风向以及地理信息输入该预测风速模型，以预测出该点的风速，以便于根据预测出的风速进行风机状态的调节，以提高电能转化效率。容易理解的，该预测风速模型可根据实际需要，在间隔一段时间后又采集新的测风数据进行训练更新，以保证预测的准确度。
实际使用该预测风速模型进行风速预测的过程如下：
步骤S180，获取风电场内待测试的风机的实时测风数据。
具体为，获取风电场中任一一个待测试的风机的实时测风数据，该实时测风数据包括风速、风向以及地理信息，该风速和风向包括但不限于风速计测得的风速和风向、测风塔测得风速和风向以及激光雷达测得的风速和风向，但其单一测得的风速和风向并不准确。
步骤S190，将所述实时测风数据输入多个预测风速模型得到多个输出结果。
具体为，由于经过训练得到多个预测风速模型，故需将实时测风数据依次输入至不同的预测风速模型得到多个输出结果。
步骤S200，对所述多个输出结果进行加权平均得到所述待测试的风机的实时风速。
即是说，将多个输出结果进行加权平均得到的平均值作为待测试的风机的实时风速，通过结合多个预测风速模型的预测结果，以进一步提高了预测的风速的准确性。
请参照图2，是本发明实施例提供的一种预测风速模型的建立装置100的功能模块示意图，该装置包括第一获取模块110、计算模块120、分组模块130、提取模块140、处理模块150、分析模块160、训练模块170、第二获取模块180、测试模块190以及加权模块200。
第一获取模块110，用于获取风电场内所有风机的测风数据。
在本发明实施例中，步骤S110可以由第一获取模块110执行。
计算模块120，用于计算不同风机的测风数据之间的相关性。
在本发明实施例中，步骤S120可以由计算模块120执行。
分组模块130，用于根据所述相关性对所有风机的测风数据进行分组。
在本发明实施例中，步骤S130可以由分组模块130执行。
提取模块140，用于提取每组测风数据的时域特征以及频域特征。
在本发明实施例中，步骤S140可以由提取模块140执行。
处理模块150，用于对所有组别的测风数据进行归一化处理。
在本发明实施例中，步骤S150可以由处理模块150执行。
分析模块160，用于对分组后的测风数据进行主成分分析得到线性不相关的目标数据。
在本发明实施例中，步骤S160可以由分析模块160执行。
训练模块170，用于依据所述目标数据分别对多个预设训练模型进行训练得到多个预测风速模型。
在本发明实施例中，步骤S170可以由训练模块170执行。
第二获取模块180，用于获取风电场内待测试的风机的实时测风数据。
在本发明实施例中，步骤S180可以由第二获取模块180执行。
测试模块190，用于将所述实时测风数据输入多个预测风速模型得到多个输出结果。
在本发明实施例中，步骤S190可以由测试模块190执行。
加权模块200，用于对所述多个输出结果进行加权平均得到所述待测试的风机的实时风速。
在本发明实施例中，步骤S200可以由加权模块200执行。
由于在预测风速模型的建立方法部分已经详细描述，在此不再赘述。
综上所述，本发明实施例提供的一种预测风速模型的建立方法及装置，其实现过程为：获取风电场内所有风机的测风数据，计算不同测风数据之间的相关性，根据相关性对所有风机的测风数据进行分组，进而对分组后的测风数据进行主成分分析得到线性不相关的目标数据，依据目标数据分别对多个预设训练模型进行训练得到多个预测风速模型。由此可见，本方案通过获取大量的测风数据，并对该测风数据处理后分别对预设训练模型进行训练得到预测风速模型，使得得到的预测风速模型更加准确，之后对任一一点进行风速预测时得到的结果更加可靠，提高了风速预测的准确性。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
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所述以权利要求的保护范围为准。
Claims (10)
1.一种预测风速模型的建立方法，其特征在于，所述方法包括：
获取风电场内所有风机的测风数据；
计算不同风机的测风数据之间的相关性；
根据所述相关性对所有风机的测风数据进行分组；
对分组后的测风数据进行主成分分析得到线性不相关的目标数据；
依据所述目标数据分别对多个预设训练模型进行训练得到多个预测风速模型。
2.如权利要求1所述的方法，其特征在于，所述根据所述相关性对所有风机的测风数据进行分组之后还包括步骤：
提取每组测风数据的时域特征以及频域特征。
3.如权利要求1所述的方法，其特征在于，所述根据所述相关性对所有风机的测风数据进行分组之后还包括步骤:
对所有组别的测风数据进行归一化处理。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取风电场内待测试的风机的实时测风数据；
将所述实时测风数据输入多个预测风速模型得到多个输出结果；
对所述多个输出结果进行加权平均得到所述待测试的风机的实时风速。
5.如权利要求1所述的方法，其特征在于，所述测风数据包括设置于每台风机上的风速计测得的风速和风向、设置于所述风电场内的测风塔测得的风速和风向、天气预报的数据、设置于所述风电场内的激光雷达测得的风速和风向以及风机所在的地理信息。
6.一种预测风速模型的建立装置，其特征在于，所述装置包括：
第一获取模块，用于获取风电场内所有风机的测风数据；
计算模块，用于计算不同风机的测风数据之间的相关性；
分组模块，用于根据所述相关性对所有风机的测风数据进行分组；
分析模块，用于对分组后的测风数据进行主成分分析得到线性不相关的目标数据；
训练模块，用于依据所述目标数据分别对多个预设训练模型进行训练得到多个预测风速模型。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
提取模块，用于提取每组测风数据的时域特征以及频域特征。
8.如权利要求6所述的装置，其特征在于，所述装置还包括：
处理模块，用于对所有组别的测风数据进行归一化处理。
9.如权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取风电场内待测试的风机的实时测风数据；
测试模块，用于将所述实时测风数据输入多个预测风速模型得到多个输出结果；
加权模块，用于对所述多个输出结果进行加权平均得到所述待测试的风机的实时风速。
10.如权利要求6所述的装置，其特征在于，所述测风数据包括设置于每台风机上的风速计测得的风速和风向、设置于所述风电场内的测风塔测得的风速和风向、天气预报的数据、设置于所述风电场内的激光雷达测得的风速和风向以及风机所在的地理信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811561966.7A CN109670645A (zh) | 2018-12-20 | 2018-12-20 | 预测风速模型的建立方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811561966.7A CN109670645A (zh) | 2018-12-20 | 2018-12-20 | 预测风速模型的建立方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109670645A true CN109670645A (zh) | 2019-04-23 |
Family
ID=66144965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811561966.7A Pending CN109670645A (zh) | 2018-12-20 | 2018-12-20 | 预测风速模型的建立方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109670645A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110765640A (zh) * | 2019-11-05 | 2020-02-07 | 中国船舶重工集团海装风电股份有限公司 | 一种转子有效风速的计算方法、系统及设备 |
| CN113868935A (zh) * | 2020-06-30 | 2021-12-31 | 北京金风科创风电设备有限公司 | 湍流强度计算方法、模型训练方法、装置、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239964A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 |
-
2018
- 2018-12-20 CN CN201811561966.7A patent/CN109670645A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239964A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高小力: "大型风电场分组建模方法及其在功率预测中的应用", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技II辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110765640A (zh) * | 2019-11-05 | 2020-02-07 | 中国船舶重工集团海装风电股份有限公司 | 一种转子有效风速的计算方法、系统及设备 |
| CN110765640B (zh) * | 2019-11-05 | 2022-05-10 | 中国船舶重工集团海装风电股份有限公司 | 一种转子有效风速的计算方法、系统及设备 |
| CN113868935A (zh) * | 2020-06-30 | 2021-12-31 | 北京金风科创风电设备有限公司 | 湍流强度计算方法、模型训练方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cui et al. | Wind power ramp event forecasting using a stochastic scenario generation method | |
| Zhang et al. | Modulation of western North Pacific tropical cyclone activity by the Atlantic Meridional Mode | |
| Janssen et al. | Verification of the ECMWF wave forecasting system against buoy and altimeter data | |
| US20150160373A1 (en) | Computer-implemented data analysis methods and systems for wind energy assessments | |
| EP1851571A2 (en) | System and method for enhanced measure-correlate-predict for a wind farm location | |
| CN107193060B (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
| Li et al. | A model-based climatology analysis of wind power resources at 100-m height over the Bohai Sea and the Yellow Sea | |
| US20200264313A1 (en) | Lidar-based turbulence intensity error reduction | |
| Chen et al. | A statistical downscaling model for forecasting summer rainfall in China from DEMETER hindcast datasets | |
| Vigueras-Rodríguez et al. | Spectral coherence model for power fluctuations in a wind farm | |
| CN110187363B (zh) | 适用于大型风电基地的测风方法、系统、设备和存储介质 | |
| CN104615855A (zh) | 融合数值天气预报的日前风速多步预报方法 | |
| US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
| Srinivas et al. | Multi-site downscaling of maximum and minimum daily temperature using support vector machine | |
| Benestad et al. | A strategy to effectively make use of large volumes of climate data for climate change adaptation | |
| CN109670645A (zh) | 预测风速模型的建立方法及装置 | |
| Kulkarni et al. | Performance of the CORDEX regional climate models in simulating offshore wind and wind potential | |
| Katikas et al. | A stochastic simulation scheme for the long-term persistence, heavy-tailed and double periodic behavior of observational and reanalysis wind time-series | |
| Freedman et al. | The Wind Forecast Improvement Project (WFIP): A public/private partnership for improving short term wind energy forecasts and quantifying the benefits of utility operations. The Southern Study Area, Final Report | |
| Espinosa-Gavira et al. | Cloud motion estimation from small-scale irradiance sensor networks: General analysis and proposal of a new method | |
| CN117763353A (zh) | 一种适用于数字孪生系统的海上风力发电机模型训练方法 | |
| Zheng et al. | Dominant SST mode in the Southern Hemisphere extratropics and its influence on atmospheric circulation | |
| CN110019167A (zh) | 一种中长期新能源资源资料库构建方法及系统 | |
| CN114781749B (zh) | 一种小水电厂发电流量数据的预测方法及系统 | |
| Alves et al. | Time-series embeddings from language models: a tool for wind direction nowcasting |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |
|
| RJ01 | Rejection of invention patent application after publication |