CN109917422A - 风电场中风资源情况的预测方法及系统 - Google Patents
风电场中风资源情况的预测方法及系统 Download PDFInfo
- Publication number
- CN109917422A CN109917422A CN201910260611.2A CN201910260611A CN109917422A CN 109917422 A CN109917422 A CN 109917422A CN 201910260611 A CN201910260611 A CN 201910260611A CN 109917422 A CN109917422 A CN 109917422A
- Authority
- CN
- China
- Prior art keywords
- wind
- power plant
- resources
- wind power
- data
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种风电场中风资源情况的预测方法及系统,预测方法包括:获取风电场中的测风塔测得的测风数据;采用流体模型获取风电场在无尾流影响时的第一风资源数据;采用尾流模型获取风电场在有尾流影响时的第二风资源数据;建立用于获取风电场在有尾流影响时的风资源情况的预测代理模型;获取雷达设备测得的风电场的第三风资源数据;采用预测代理模型得到风电场的风资源预测数据。本发明能够快速、准确地预测整个风电场内的风资源情况,进而及时调整风机的偏航,以保证风机更加精准的对风,从而减少上游风机对下游风机的尾流影响,以实现风电场发电量的最大化;且大大地减少了雷达设备的使用数量,降低了设备成本。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种风电场中风资源情况的预测方法及系统。
背景技术
目前,激光雷达测风技术已经广泛应用在风电场的实时风速的测量中,主要是将激光雷达设备安装在每个风机的机舱顶部处,通过准确探测风机前方的风速情况,实现对风机的偏航控制,特别是对于尾流影响区,通过风速下降情况的判断实现对风机的偏航控制,减少尾流效应的影响,从而保证更加精准的对风,使得发电量的最大化。
但是,现有的基于激光雷达的测风技术仍然存在如下缺陷:
1)如果激光雷达设备安装在一台受尾流影响的风机上,则测得的数据并不能准确地反映风机处的风速和风向,因此风机无法据此准确对风,导致风机处的发电功率的损失,且增加了风机处的机械载荷;
2)雷达设备主要考虑风机处的上风向的尾流区的影响,并不能兼顾全场的综合尾流的影响;
3)由于每个风机上都需要安装一台激光雷达设备,且安装在高空的机舱处,存在设备总成本较高、运维不方便且运维费用也较高等问题。
发明内容
本发明要解决的技术问题是现有技术中基于激光雷达测风技术存在主要考虑风机处上风向的尾流区,不能兼顾全场的综合尾流影响,且设备总成本较高、运维不方便、运维费用也较高等缺陷,目的在于提供一种风电场中风资源情况的预测方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供一种风电场中风资源情况的预测方法,在风电场外布置多台雷达设备,所述预测方法包括:
获取所述风电场中的测风塔测得的测风数据;
采用流体模型对所述测风数据进行处理,以获取所述风电场在无尾流影响时的第一风资源数据;
采用尾流模型对所述第一风资源数据进行处理,以获取所述风电场在有尾流影响时的第二风资源数据;
根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型;
获取所述雷达设备测得的所述风电场外无尾流影响时的风资源的第三风资源数据;
采用所述预测代理模型根据所述第三风资源数据得到所述风电场外的风资源进入所述风电场后对应的风资源预测数据。
较佳地,所述采用流体模型对所述测风数据进行处理,以获取所述风电场在有尾流影响时的第二风资源数据的步骤包括:
采用CFD(Computational Fluid Dynamics,计算流体动力学)仿真软件对所述测风数据进行仿真处理,以获取所述风电场在有尾流影响时的第二风资源数据。
较佳地,所述尾流模型包括基于高斯分布的Jensen尾流模型(一种尾流模型)。
较佳地,所述根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型的步骤包括:
采用随机森林算法根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型。
较佳地,所述获取所述雷达设备测得的所述风电场外无尾流影响时的风资源的第三风资源数据的步骤包括:
分别获取多台所述雷达设备测得的所述风电场外无尾流影响时的风资源的初始风资源数据;
对多个所述初始风资源数据进行加权处理,获取所述第三风资源数据。
较佳地,所述雷达设备包括激光雷达或声雷达。
较佳地,多台所述雷达设备分别布置在所述风电场四周的地面上。
本发明还提供一种风电场中风资源情况的预测系统,在风电场外布置多台雷达设备,所述预测系统包括测风数据获取模块、第一风资源数据获取模块、第二风资源数据获取模块、预测代理模型获取模块、风资源数据获取模块和预测数据获取模块;
所述测风数据获取模块用于获取所述风电场中的测风塔测得的测风数据;
所述第一风资源数据获取模块用于采用流体模型对所述测风数据进行处理,以获取所述风电场在无尾流影响时的第一风资源数据;
所述第二风资源数据获取模块用于采用尾流模型对所述第一风资源数据进行处理,以获取所述风电场在有尾流影响时的第二风资源数据;
所述预测代理模型获取模块用于根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型;
所述风资源数据获取模块用于获取所述雷达设备测得的所述风电场外无尾流影响时的风资源的第三风资源数据;
所述预测数据获取模块用于采用所述预测代理模型根据所述第三风资源数据得到所述风电场外的风资源进入所述风电场后对应的风资源预测数据。
较佳地,所述第一风资源数据获取模块还用于采用CFD仿真软件对所述测风数据进行仿真处理,以获取所述风电场在无尾流影响时的第一风资源数据。
较佳地,所述尾流模型包括基于高斯分布的Jensen尾流模型。
较佳地,所述预测代理模型获取模块用于采用随机森林算法根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型。
较佳地,所述风资源数据获取模块包括初始数据获取单元和加权处理单元;
所述初始数据获取单元用于分别获取多台所述雷达设备测得的所述风电场外无尾流影响时的风资源的初始风资源数据;
所述加权处理单元用于对多个所述初始风资源数据进行加权处理,获取所述第三风资源数据。
较佳地,所述雷达设备包括激光雷达或声雷达。
较佳地,多台所述雷达设备分别布置在所述风电场四周的地面上。
本发明的积极进步效果在于:
本发明中,在兼顾全场的综合尾流的影响的情况下,建立风电场在有尾流影响时的风资源情况的预测代理模型,并通过将风电场外的雷达设备实时测得的风资源数据输入至预测代理模型快速、准确地预测整个风电场内的风资源情况,进而方便提前确定风机的偏航误差,及时调整风机的偏航,以保证风机更加精准的对风,从而减少上游风机对下游风机的尾流影响,以实现风电场发电量的最大化;且大大地减少了雷达设备的使用数量,降低了设备成本,节省了运维费用,减轻了风机的机械载荷,减少了风机的停机时间,提高了风机的发电效率。
附图说明
图1为本发明实施例1的风电场中风资源情况的预测方法的流程图。
图2为本发明实施例1的风电场中风资源情况的预测方法的雷达设备的分布示意图。
图3为本发明实施例2的风电场中风资源情况的预测方法的流程图。
图4为本发明实施例3的风电场中风资源情况的预测系统的模块示意图。
图5为本发明实施例4的风电场中风资源情况的预测系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例中,在风电场外布置多台雷达设备。
本实施例的风电场中风资源情况的预测方法包括:
S101、获取风电场中的测风塔测得的测风数据;
其中,测风塔的测风数据在风电场前期的选址过程中起到举足轻重的作用,实现对前期风能资源的评估,该过程中的测风塔的测风数据为无尾流影响(即自由流)的数据。
S102、采用流体模型对测风数据进行处理,以获取风电场在无尾流影响时的第一风资源数据;
S103、采用尾流模型对第一风资源数据进行处理,以获取风电场在有尾流影响时的第二风资源数据;
其中,尾流模型包括基于高斯分布的Jensen尾流模型,但不限于基于高斯分布的Jensen尾流模型,也可以采用其他的能够获取风电场在有尾流影响时的第二风资源数据的其他尾流模型。
采用高斯分布的Jensen尾流模型计算尾流时,考虑风机尾流区横截面上的速度亏损呈现高斯分布,而不是简单的线性关系,从而保证对风电场内的尾流区速度的准确预测。
S104、根据第二风资源数据建立用于获取风电场在有尾流影响时的风资源情况的预测代理模型;
S105、获取雷达设备测得的风电场外无尾流影响时的风资源的第三风资源数据;
其中,雷达设备包括激光雷达(如扫描式多普勒激光雷达)或声雷达,且多台雷达设备分别布置在风电场四周的地面上。设在风电场外的雷达设备实现对场外的风速进行实时测量。
雷达设备的布置位置需要综合考虑风电场的形状的复杂程度和地理位置等因素。例如,如图2所示,A区域表示风电场,a表示雷达设备,雷达设备a分别布置在风电场的四周,能够全面地检测整个风电场的外围的各个方向的风速信息。当然,为了提高检测准确度,也可以根据实际需求增加雷达设备。
S106、采用预测代理模型根据第三风资源数据得到风电场外的风资源进入风电场后对应的风资源预测数据。
本实施例中,在兼顾全场的综合尾流的影响的情况下,建立风电场在有尾流影响时的风资源情况的预测代理模型,并通过将风电场外的雷达设备实时测得的风资源数据输入至预测代理模型快速、准确地预测整个风电场内的风资源情况,进而方便提前确定风机的偏航误差,及时调整风机的偏航,以保证风机更加精准的对风,从而减少上游风机对下游风机的尾流影响,以实现风电场发电量的最大化;且大大地减少了雷达设备的使用数量,降低了设备成本,节省了运维费用,减轻了风机的机械载荷,减少了风机的停机时间,提高了风机的发电效率。
实施例2
如图3所示,本实施例的风电场中风资源情况的预测方法是对实施例1的进一步改进,具体地:
步骤S102包括:
S1021、采用CFD仿真软件对测风数据进行仿真处理,以获取风电场在无尾流影响时的第一风资源数据;
其中,CFD仿真软件包括CFX、FLUENT(CFX、FLUENT均为一种仿真软件)等。
步骤S104包括:
S1041、采用随机森林算法根据第二风资源数据建立用于获取风电场在有尾流影响时的风资源情况的预测代理模型。
另外,除了随机森林算法之外,也可以采用其他的可以根据第二风资源数据建立用于获取风电场在有尾流影响时的风资源情况的预测代理模型的机器学习算法。
其中,对不同风速对应的测风数据,分别采用流体模型先进行处理,得到在无尾流影响时的第一风资源数据;再采用尾流模型对第一风资源数据进行处理,以获取风电场在有尾流影响时的第二风资源数据,最终会得到若干组第二风资源数据;然后采用随机森林算法根据若干组第二风资源数据建立风电场在有尾流影响时的风资源情况的预测代理模型。
将雷达设备测得的风电场外无尾流影响时的风资源数据输入至该预测代理模型中,获取该风速对应的风电场在有尾流影响时的风资源情况:具体地,如根据该风资源数据对应的风速,通过该预测代理模型快速匹配出或者加权平均计算出该风速对应的风电场在有尾流影响时的风资源情况。步骤S105包括:
S1051、分别获取多台雷达设备测得的风电场外无尾流影响时的风资源的初始风资源数据;
S1052、对多个初始风资源数据进行加权处理,获取第三风资源数据。
本实施例的风电场中风资源情况的预测方法在平坦地形、复杂地形和海上风电场的测风与控制中均适用。
下面结合一个实例具体说明:
以已建成的陆上平坦地形的风电场为例(主要探测主风向方向的风速),在场外上风向距离风电场1000米左右的地方安装多台地面扫描式多普勒激光雷达设备,这多台雷达设备同时测量同一垂直面内的风速信息,然后对测得的结果进行加权修正以得到修正结果,将修正结果导入已建立的该风电场的代理模型,得到风电场全场的三维的风速情况。将该风速信息输入偏航控制系统中,通过对风速下降的情况确定风机的偏航误差,及时调整风机的偏航,以保证风机更加精准的对风,实现对风电场的尾流区内上下游风机的优化运行,不仅减少上游风机对下游风机的影响,也不会导致邻近风机进入尾流区,同时也将全场的速度损失降到最低,从而减少全场内尾流效应对该风机的综合影响,实现对风电场进行真正意义上的智能控制。
本实施例中,在兼顾全场的综合尾流的影响的情况下,建立风电场在有尾流影响时的风资源情况的预测代理模型,并通过将风电场外的雷达设备实时测得的风资源数据输入至预测代理模型快速、准确地预测整个风电场内的风资源情况,进而方便提前确定风机的偏航误差,及时调整风机的偏航,以保证风机更加精准的对风,从而减少上游风机对下游风机的尾流影响,以实现风电场发电量的最大化;且大大地减少了雷达设备的使用数量,降低了设备成本,节省了运维费用,减轻了风机的机械载荷,减少了风机的停机时间,提高了风机的发电效率。
实施例3
如图4所示,本实施例中,在风电场外布置多台雷达设备。
本实施例的风电场中风资源情况的预测系统包括测风数据获取模块1、第一风资源数据获取模块2、第二风资源数据获取模块3、预测代理模型获取模块4、风资源数据获取模块5和预测数据获取模块6。
测风数据获取模块1用于获取风电场中的测风塔测得的测风数据;
其中,测风塔的测风数据在风电场前期的选址过程中起到举足轻重的作用,实现对前期风能资源的评估,该过程中的测风塔的测风数据为无尾流影响(即自由流)的数据。
第一风资源数据获取模块2用于采用流体模型对测风数据进行处理,以获取风电场在无尾流影响时的第一风资源数据;
第二风资源数据获取模块3用于采用尾流模型对第一风资源数据进行处理,以获取风电场在有尾流影响时的第二风资源数据;
其中,尾流模型包括基于高斯分布的Jensen尾流模型,但不限于基于高斯分布的Jensen尾流模型,也可以采用其他的能够获取风电场在有尾流影响时的第二风资源数据的其他尾流模型。
采用高斯分布的Jensen尾流模型计算尾流时,考虑风机尾流区横截面上的速度亏损呈现高斯分布,而不是简单的线性关系,从而保证对风电场内的尾流区速度的准确预测。
预测代理模型获取模块4用于根据第二风资源数据建立用于获取风电场在有尾流影响时的风资源情况的预测代理模型;
风资源数据获取模块5用于获取雷达设备测得的风电场外无尾流影响时的风资源的第三风资源数据;
其中,雷达设备包括激光雷达(如扫描式多普勒激光雷达)或声雷达,且多台雷达设备分别布置在风电场四周的地面上。设在风电场外的雷达设备实现对场外的风速进行实时测量。
雷达设备的布置位置需要综合考虑风电场的形状的复杂程度和地理位置等因素。例如,如图2所示,A区域表示风电场,a表示雷达设备,雷达设备a分别布置在风电场的四周,能够全面地检测整个风电场的外围的各个方向的风速信息。当然,为了提高检测准确度,也可以根据实际需求增加雷达设备。预测数据获取模块6用于采用预测代理模型根据第三风资源数据得到风电场外的风资源进入风电场后对应的风资源预测数据。
本实施例中,在兼顾全场的综合尾流的影响的情况下,建立风电场在有尾流影响时的风资源情况的预测代理模型,并通过将风电场外的雷达设备实时测得的风资源数据输入至预测代理模型快速、准确地预测整个风电场内的风资源情况,进而方便提前确定风机的偏航误差,及时调整风机的偏航,以保证风机更加精准的对风,从而减少上游风机对下游风机的尾流影响,以实现风电场发电量的最大化;且大大地减少了雷达设备的使用数量,降低了设备成本,节省了运维费用,减轻了风机的机械载荷,减少了风机的停机时间,提高了风机的发电效率。
实施例4
如图5所示,本实施例的风电场中风资源情况的预测系统是对实施例3的进一步改进,具体地:
第一风资源数据获取模块2还用于采用CFD仿真软件对测风数据进行仿真处理,以获取风电场在无尾流影响时的第一风资源数据。
其中,CFD仿真软件包括CFX、FLUENT等。
预测代理模型获取模块4用于采用随机森林算法根据第二风资源数据建立用于获取风电场在有尾流影响时的风资源情况的预测代理模型。
另外,除了随机森林算法之外,也可以采用其他的可以根据第二风资源数据建立用于获取风电场在有尾流影响时的风资源情况的预测代理模型的机器学习算法。
其中,对不同风速对应的测风数据,分别采用流体模型先进行处理,得到在无尾流影响时的第一风资源数据;再采用尾流模型对第一风资源数据进行处理,以获取风电场在有尾流影响时的第二风资源数据,最终会得到若干组第二风资源数据;然后采用随机森林算法根据若干组第二风资源数据建立风电场在有尾流影响时的风资源情况的预测代理模型。
将雷达设备测得的风电场外无尾流影响时的风资源数据输入至该预测代理模型中,获取该风速对应的风电场在有尾流影响时的风资源情况:具体地,如根据该风资源数据对应的风速,通过该预测代理模型快速匹配出或者加权平均计算出该风速对应的风电场在有尾流影响时的风资源情况。
风资源数据获取模块5包括初始数据获取单元51和加权处理单元52;
初始数据获取单元51用于分别获取多台雷达设备测得的风电场外无尾流影响时的风资源的初始风资源数据;
加权处理单元52用于对多个初始风资源数据进行加权处理,获取第三风资源数据。
本实施例的风电场中风资源情况的预测系统在平坦地形、复杂地形和海上风电场的测风与控制中均适用。
下面结合一个实例具体说明:
以已建成的陆上平坦地形的风电场为例(主要探测主风向方向的风速),在场外上风向距离风电场1000米左右的地方安装多台地面扫描式多普勒激光雷达设备,这多台雷达设备同时测量同一垂直面内的风速信息,然后对测得的结果进行加权修正以得到修正结果,将修正结果导入已建立的该风电场的代理模型,得到风电场全场的三维的风速情况。将该风速信息输入偏航控制系统中,通过对风速下降的情况确定风机的偏航误差,及时调整风机的偏航,以保证风机更加精准的对风,实现对风电场的尾流区内上下游风机的优化运行,不仅减少上游风机对下游风机的影响,也不会导致邻近风机进入尾流区,同时也将全场的速度损失降到最低,从而减少全场内尾流效应对该风机的综合影响,实现对风电场进行真正意义上的智能控制。
本实施例中,在兼顾全场的综合尾流的影响的情况下,建立风电场在有尾流影响时的风资源情况的预测代理模型,并通过将风电场外的雷达设备实时测得的风资源数据输入至预测代理模型快速、准确地预测整个风电场内的风资源情况,进而方便提前确定风机的偏航误差,及时调整风机的偏航,以保证风机更加精准的对风,从而减少上游风机对下游风机的尾流影响,以实现风电场发电量的最大化;且大大地减少了雷达设备的使用数量,降低了设备成本,节省了运维费用,减轻了风机的机械载荷,减少了风机的停机时间,提高了风机的发电效率。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式作出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (14)
1.一种风电场中风资源情况的预测方法,其特征在于,在风电场外布置多台雷达设备,所述预测方法包括:
获取所述风电场中的测风塔测得的测风数据;
采用流体模型对所述测风数据进行处理,以获取所述风电场在无尾流影响时的第一风资源数据;
采用尾流模型对所述第一风资源数据进行处理,以获取所述风电场在有尾流影响时的第二风资源数据;
根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型;
获取所述雷达设备测得的所述风电场外无尾流影响时的风资源的第三风资源数据;
采用所述预测代理模型根据所述第三风资源数据得到所述风电场外的风资源进入所述风电场后对应的风资源预测数据。
2.如权利要求1所述的风电场中风资源情况的预测方法,其特征在于,
所述采用流体模型对所述测风数据进行处理,以获取所述风电场在有尾流影响时的第二风资源数据的步骤包括:
采用CFD仿真软件对所述测风数据进行仿真处理,以获取所述风电场在有尾流影响时的第二风资源数据。
3.如权利要求1所述的风电场中风资源情况的预测方法,其特征在于,所述尾流模型包括基于高斯分布的Jensen尾流模型。
4.如权利要求1所述的风电场中风资源情况的预测方法,其特征在于,所述根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型的步骤包括:
采用随机森林算法根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型。
5.如权利要求1所述的风电场中风资源情况的预测方法,其特征在于,所述获取所述雷达设备测得的所述风电场外无尾流影响时的风资源的第三风资源数据的步骤包括:
分别获取多台所述雷达设备测得的所述风电场外无尾流影响时的风资源的初始风资源数据;
对多个所述初始风资源数据进行加权处理,获取所述第三风资源数据。
6.如权利要求1所述的风电场中风资源情况的预测方法,其特征在于,所述雷达设备包括激光雷达或声雷达。
7.如权利要求1所述的风电场中风资源情况的预测方法,其特征在于,多台所述雷达设备分别布置在所述风电场四周的地面上。
8.一种风电场中风资源情况的预测系统,其特征在于,在风电场外布置多台雷达设备,所述预测系统包括测风数据获取模块、第一风资源数据获取模块、第二风资源数据获取模块、预测代理模型获取模块、风资源数据获取模块和预测数据获取模块;
所述测风数据获取模块用于获取所述风电场中的测风塔测得的测风数据;
所述第一风资源数据获取模块用于采用流体模型对所述测风数据进行处理,以获取所述风电场在无尾流影响时的第一风资源数据;
所述第二风资源数据获取模块用于采用尾流模型对所述第一风资源数据进行处理,以获取所述风电场在有尾流影响时的第二风资源数据;
所述预测代理模型获取模块用于根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型;
所述风资源数据获取模块用于获取所述雷达设备测得的所述风电场外无尾流影响时的风资源的第三风资源数据;
所述预测数据获取模块用于采用所述预测代理模型根据所述第三风资源数据得到所述风电场外的风资源进入所述风电场后对应的风资源预测数据。
9.如权利要求8所述的风电场中风资源情况的预测系统,其特征在于,所述第一风资源数据获取模块还用于采用CFD仿真软件对所述测风数据进行仿真处理,以获取所述风电场在无尾流影响时的第一风资源数据。
10.如权利要求8所述的风电场中风资源情况的预测系统,其特征在于,所述尾流模型包括基于高斯分布的Jensen尾流模型。
11.如权利要求8所述的风电场中风资源情况的预测系统,其特征在于,所述预测代理模型获取模块用于采用随机森林算法根据所述第二风资源数据建立用于获取所述风电场在有尾流影响时的风资源情况的预测代理模型。
12.如权利要求8所述的风电场中风资源情况的预测系统,其特征在于,所述风资源数据获取模块包括初始数据获取单元和加权处理单元;
所述初始数据获取单元用于分别获取多台所述雷达设备测得的所述风电场外无尾流影响时的风资源的初始风资源数据;
所述加权处理单元用于对多个所述初始风资源数据进行加权处理,获取所述第三风资源数据。
13.如权利要求8所述的风电场中风资源情况的预测系统,其特征在于,所述雷达设备包括激光雷达或声雷达。
14.如权利要求8所述的风电场中风资源情况的预测系统,其特征在于,多台所述雷达设备分别布置在所述风电场四周的地面上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260611.2A CN109917422B (zh) | 2019-04-02 | 2019-04-02 | 风电场中风资源情况的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260611.2A CN109917422B (zh) | 2019-04-02 | 2019-04-02 | 风电场中风资源情况的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109917422A true CN109917422A (zh) | 2019-06-21 |
CN109917422B CN109917422B (zh) | 2023-02-28 |
Family
ID=66968199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910260611.2A Active CN109917422B (zh) | 2019-04-02 | 2019-04-02 | 风电场中风资源情况的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109917422B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112459965A (zh) * | 2020-11-18 | 2021-03-09 | 上海电气风电集团股份有限公司 | 考虑风电场尾流的偏航优化控制方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140039843A1 (en) * | 2012-07-31 | 2014-02-06 | Universiti Brunei Darussalam | Wind farm layout in consideration of three-dimensional wake |
CN104331621A (zh) * | 2014-11-05 | 2015-02-04 | 中国大唐集团新能源股份有限公司 | 一种风资源计算方法 |
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN105005581A (zh) * | 2015-06-16 | 2015-10-28 | 深圳市联翼风电技术有限公司 | 一种风电场风资源数据处理方法及系统 |
CN105041572A (zh) * | 2014-04-29 | 2015-11-11 | 通用电气公司 | 用于优化风电场操作的系统和方法 |
CN108953060A (zh) * | 2018-03-30 | 2018-12-07 | 浙江大学 | 基于激光雷达测风仪的风电场场级偏航控制方法 |
CN109219782A (zh) * | 2016-06-07 | 2019-01-15 | 通用电气公司 | 用于控制动态系统的系统及方法 |
-
2019
- 2019-04-02 CN CN201910260611.2A patent/CN109917422B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140039843A1 (en) * | 2012-07-31 | 2014-02-06 | Universiti Brunei Darussalam | Wind farm layout in consideration of three-dimensional wake |
CN105041572A (zh) * | 2014-04-29 | 2015-11-11 | 通用电气公司 | 用于优化风电场操作的系统和方法 |
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN104331621A (zh) * | 2014-11-05 | 2015-02-04 | 中国大唐集团新能源股份有限公司 | 一种风资源计算方法 |
CN105005581A (zh) * | 2015-06-16 | 2015-10-28 | 深圳市联翼风电技术有限公司 | 一种风电场风资源数据处理方法及系统 |
CN109219782A (zh) * | 2016-06-07 | 2019-01-15 | 通用电气公司 | 用于控制动态系统的系统及方法 |
CN108953060A (zh) * | 2018-03-30 | 2018-12-07 | 浙江大学 | 基于激光雷达测风仪的风电场场级偏航控制方法 |
Non-Patent Citations (1)
Title |
---|
廖耀华: "基于随机森林算法的风电场出力预测研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112459965A (zh) * | 2020-11-18 | 2021-03-09 | 上海电气风电集团股份有限公司 | 考虑风电场尾流的偏航优化控制方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109917422B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhan et al. | LiDAR measurements for an onshore wind farm: Wake variability for different incoming wind speeds and atmospheric stability regimes | |
Zhang | Wind resource assessment and micro-siting: science and engineering | |
Li et al. | LiDAR technology for wind energy potential assessment: Demonstration and validation at a site around Lake Erie | |
Hirth et al. | Documenting wind speed and power deficits behind a utility-scale wind turbine | |
Zhang et al. | Three-dimensional spatiotemporal wind field reconstruction based on physics-informed deep learning | |
Suomi et al. | Methodology for obtaining wind gusts using Doppler lidar | |
JP2009138523A (ja) | 風力発電出力予測方法 | |
US20200264313A1 (en) | Lidar-based turbulence intensity error reduction | |
CN103116711A (zh) | 基于辐照度特征参数的天气类型辨识方法 | |
Sun et al. | Experimental study on wind speeds in a complex-terrain wind farm and analysis of wake effects | |
Theuer et al. | Minute-scale power forecast of offshore wind turbines using single-Doppler long-range lidar measurements | |
CN106845018A (zh) | 风电场对气象雷达降雨量影响的分析与定量化评估方法 | |
Gao et al. | Comparative experimental investigation into wake characteristics of turbines in three wind farms areas with varying terrain complexity from LiDAR measurements | |
CN105005581A (zh) | 一种风电场风资源数据处理方法及系统 | |
Böhme et al. | Wake effect measurement in complex terrain-A case study in Brazilian wind farms | |
CN107885964A (zh) | 一种顾及复杂地形的风能cfd模拟方法 | |
Newman et al. | An error reduction algorithm to improve lidar turbulence estimates for wind energy | |
Iungo et al. | Machine-learning identification of the variability of mean velocity and turbulence intensity for wakes generated by onshore wind turbines: Cluster analysis of wind LiDAR measurements | |
CN109917422A (zh) | 风电场中风资源情况的预测方法及系统 | |
CN110008583A (zh) | 风电场中风资源情况的预测方法及系统 | |
CN115951357A (zh) | 一种基于毫米波雷达的智能测风方法及系统 | |
Belu | Assessment and analysis of offshore wind energy potential | |
CN115693666A (zh) | 基于卫星反演的海上风电场发电量确定方法及系统 | |
Kollwitz | Defining the wake decay constant as a function of turbulence intensity to model wake losses in onshore wind farms | |
Almoghayer et al. | Validation of tidal turbine wake simulations using an open regional-scale 3D model against 1MW machine and site measurements |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 200233 Caobao Road, Xuhui District, Shanghai, No. 115 Applicant after: Shanghai Electric Wind Power Group Co.,Ltd. Address before: 200233 Caobao Road, Xuhui District, Shanghai, No. 115 Applicant before: SHANGHAI ELECTRIC WIND POWER GROUP Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |