CN109992889B - 风电场模型的建立方法及系统、尾流值计算方法及系统 - Google Patents

风电场模型的建立方法及系统、尾流值计算方法及系统 Download PDF

Info

Publication number
CN109992889B
CN109992889B CN201910260622.0A CN201910260622A CN109992889B CN 109992889 B CN109992889 B CN 109992889B CN 201910260622 A CN201910260622 A CN 201910260622A CN 109992889 B CN109992889 B CN 109992889B
Authority
CN
China
Prior art keywords
speed data
wind speed
wind
wake
model
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.)
Active
Application number
CN201910260622.0A
Other languages
English (en)
Other versions
CN109992889A (zh
Inventor
靳丽琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Wind Power Group Co Ltd
Original Assignee
Shanghai Electric Wind Power Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Wind Power Group Co Ltd filed Critical Shanghai Electric Wind Power Group Co Ltd
Priority to CN201910260622.0A priority Critical patent/CN109992889B/zh
Publication of CN109992889A publication Critical patent/CN109992889A/zh
Application granted granted Critical
Publication of CN109992889B publication Critical patent/CN109992889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电场模型的建立方法及系统、尾流值计算方法及系统。该建立方法包括：获取风电场计算域中若干检测位置的环境风速数据；根据环境风速数据计算所述风电场计算域中任一位置的未受尾流影响的来流风速数据；建立基于高斯分布的Jensen尾流模型；根据Jensen尾流模型对来流风速数据进行处理，以计算尾流风速数据；将来流风速数据和尾流风速数据作为训练样本训练机器学习模型，得到风电场模型；该风电场模型用于根据环境风速数据预测尾流风速数据。本发明实现了不同环境风速下的尾流速度的准确、快速预测，相比三维CFD模型，不需要划分叶轮处的网格，大幅降低网格数，降低计算时间，提高了计算效率。

Description

风电场模型的建立方法及系统、尾流值计算方法及系统
技术领域
本发明涉及风电场优化控制领域，特别涉及一种风电场模型的建立方法及系统、尾流值计算方法及系统。
背景技术
风电场的尾流效应会影响风机的排布，进而影响风场的发电量。目前，尾流效应的研究方法主要有两种：
使用一维Jensen(也称PARK，一种数学模型)尾流模型；然而，一维Jensen尾流模型是一种线性模型，与实际风轮后的涡旋结构不相符，计算误差大；
使用三维CFD(计算流体动力学)尾流模型；三维CFD尾流模型能较准确的预估尾流分布情况，但计算量非常大，计算效率得不到保证。
可见，现有技术的风电场尾流计算方法不能兼顾计算精度和技术效率。
发明内容
本发明要解决的技术问题是为了克服现有技术的风电场尾流计算方法不能兼顾计算精度和计算效率的缺陷，提供一种风电场模型的建立方法及系统、尾流值计算方法及系统。
本发明通过下述技术方案来解决上述技术问题：
一种风电场模型的建立方法，所述建立方法包括：
获取风电场计算域中若干检测位置的环境风速数据；
根据所述环境风速数据计算所述风电场计算域中任一位置的未受尾流影响的来流风速数据；
建立基于高斯分布的Jensen尾流模型；
根据所述Jensen尾流模型对所述来流风速数据进行处理，以计算尾流风速数据；
将所述来流风速数据和所述尾流风速数据作为训练样本训练机器学习模型，得到所述风电场模型；
所述风电场模型用于根据环境风速数据预测尾流风速数据。
较佳地，生成所述风电场计算域的步骤，具体包括：
获取目标区域的地理数据，并根据所述地理数据生成所述风电场计算域。
较佳地，计算所述风电场计算域中任一位置的未受尾流影响的来流风速数据的步骤，具体包括：
对所述环境风速数据进行CFD计算，以获取所述风电场计算域中任一位置的未受尾流影响的来流风速数据。
较佳地，所述机器学习模型为随机森林模型。
一种尾流值计算方法，所述尾流值计算方法包括：
利用上述任意一项所述的风电场模型的建立方法建立所述风电场模型；
获取目标位置的环境风速数据，并将所述环境风速数据输入所述风电场模型，以预测尾流风速数据。
一种风电场模型的建立系统，所述建立系统包括：
第一数据获取模块，用于获取风电场计算域中若干检测位置的环境风速数据；
计算模块，用于根据所述环境风速数据计算所述风电场计算域中任一位置的未受尾流影响的来流风速数据；
模型建立模块，用于建立基于高斯分布的Jensen尾流模型；
所述计算模块还用于根据所述Jensen尾流模型对所述来流风速数据进行处理，以计算尾流风速数据；
所述模型建立模块还用于将所述来流风速数据和所述尾流风速数据作为训练样本训练机器学习模型，得到所述风电场模型；
所述风电场模型用于根据环境风速数据预测尾流风速数据。
较佳地，所述建立系统还包括：
计算域生成模块，用于获取目标区域的地理数据，并根据所述地理数据生成所述风电场计算域。
较佳地，所述计算模块具体用于对所述环境风速数据进行CFD计算，以获取所述风电场计算域中任一位置的未受尾流影响的来流风速数据。
较佳地，所述机器学习模型为随机森林模型。
一种尾流值计算系统，所述尾流值模型系统包括：第二数据获取模块和利用上述任意一项所述的风电场模型的建立系统建立所述风电场模型；
所述第二数据获取模块获取目标位置的环境风速数据，并将所述环境风速数据输入所述风电场模型，以预测尾流风速数据。
本发明的积极进步效果在于：本发明使用改进的Jensen尾流模型与先进的机器学习技术结合建立风电场模型，实现不同环境风速下的尾流速度的准确、快速预测，相比三维CFD模型，不需要划分叶轮处的网格，大幅降低网格数，降低计算时间，提高了计算效率。
附图说明
图1为本发明实施例1的风电场模型的建立方法的流程图。
图2为本发明实施例2的尾流值计算方法的流程图。
图3为本发明实施例3的风电场模型的建立方法的流程图。
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
本实施例提供一种风电场模型的建立方法，如图1所示，该建立方法包括以下步骤：
步骤101、获取风电场计算域中若干检测位置的环境风速数据。
其中，环境风速数据包括以下参数中的至少一种：风速、风向和风频。环境风速数据的采集可以但不限于使用测风塔。
步骤102、根据环境风速数据计算风电场计算域中任一位置的未受尾流影响的来流风速数据。
本实施例中，步骤102采用CFD，获取来流风速数据。具体的，步骤102包括：
对步骤101获取的环境风速数据进行CFD计算，以获取风电场计算域中任一位置的未受尾流影响的来流风速数据。
其中，来流风速数据包括以下参数中的至少一种：风速、风向和风频。计算来流风速数据之前，需设定计算域入口处的平均湍流强度值、出口的压力条件(例如，为零梯度的压力条件)以及计算域的边界条件(例如，将计算域的表面设置为对称边界条件)。
本实施中，方法还包括生成风电场计算域的步骤，具体的，生成风电场计算域的步骤包括：获取目标区域的地理数据，并根据地理数据生成风电场计算域。
其中，地理数据包括地形等高线数据、粗糙度数据等。目标区域可以在平坦地形、复杂地形或海面等上选址。以陆上复杂地形的风电场为例，将获取的地理数据导入AnsysDesignModeler(一种建模工具)中，通过模型处理，即可生成相应的风电场计算域。
步骤103、建立基于高斯分布的Jensen尾流模型。
其中，该基于高斯分布的Jensen尾流模型假设风机后的尾流区呈线性扩张，尾流初始直径为风轮直径，尾流横截面上径向风速呈高斯对称分布，模型可以但不限于通过以下两步获得：
预测步：
Figure BDA0002015162310000041
修正步：
Figure BDA0002015162310000042
其中，a为轴向诱导因子，α为尾流衰减系数，v0为来流风速，v为风机下游处尾流区的风速，u为风轮平面上的尾流风速，r0为风机叶轮半径，rx为风机下游处的尾流半径，r为径向上距离风机轮毂中心的距离，x为风机下游某点到风机轮毂平面的水平距离。
步骤104、根据基于高斯分布的Jensen尾流模型对来流风速数据进行处理，以计算尾流风速数据。尾流风速数据也即计算域中受尾流影响后的风速数据。
其中，尾流风速数据包括以下参数中的至少一种：风速、风向和风频。
本实施例中，使用改进的Jensen模型(基于高斯分布的Jensen尾流模型)计算尾流风速数据，考虑了叶轮旋转的影响，风机尾流区横截面上的速度亏损呈现高斯分布，尾流区内的速度不再是简单的线性关系，大大提高了计算精度，且使用本实施例的基于高斯分布的Jensen尾流模型计算尾流风速数据，相比三维CFD模型，不需要划分叶轮处的网格，大幅降低网格数，降低计算时间，加快了模拟速度。
步骤105、将来流风速数据和尾流风速数据作为训练样本训练机器学习模型，得到风电场模型。
其中，风电场模型的输入参数包括至少一种以下参数：风速、风向和风频；输出参数包括至少一种以下参数：风速、风向和风频。
步骤105得到的模型即代表该目标区域的地形条件下的风电场模型，输入不同的风速条件，即可快速、准确地对其他风速下风机尾流场流动进行预测，整个过程能显著节约计算成本和时间，并实现多组典型风速下风电场模拟。
本实施例中，机器学习模型可以但不限于采用随机森林模型。将基于CFD模拟的来流风速数据与先进的机器学习技术结合得到的风电场模型，能准确预测不同环境风速下的尾流速度，避免了昂贵、耗时长的CFD计算，特别是不同风速下的重复模拟，节约了计算成本、提高了模拟效率。
实施例2
本实施例提供一种尾流值模型方法，如图2所示，该尾流值模型方法包括以下步骤：
步骤201、建立风电场模型。
具体的，步骤201中利用实施例1示出的风电场模型的建立方法建立风电场模型。
步骤202、获取目标位置的环境风速数据，并将环境风速数据输入风电场模型，以预测尾流风速数据。
其中，目标位置的环境风速数据可以但不限于使用测风塔获取。
本实施例中，使用将基于CFD模拟的来流风速数据与先进的机器学习技术结合得到的风电场模型预测不同环境风速下的尾流速度，避免了昂贵、耗时长的CFD计算，特别是不同风速下的重复模拟，节约了计算成本、提高了模拟效率。
实施例3
本实施例提供一种风电场模型的建立系统，如图3所示，该建立系统包括：第一数据获取模块1、模型建立模块2、计算模块3和计算域生成模块4。
计算域生成模块4用于获取目标区域的地理数据，并根据地理数据生成风电场计算域。其中，地理数据包括地形等高线数据、粗糙度数据等。目标区域可以在平坦地形、复杂地形或海面等上选址。以陆上复杂地形的风电场为例，将获取的地理数据导入AnsysDesignModeler(一种建模工具)中，通过模型处理，即可生成相应的风电场计算域。
第一数据获取模块1用于获取风电场计算域中若干检测位置的环境风速数据。其中，环境风速数据包括以下参数中的至少一种：风速、风向和风频。第一数据获取模块可以但不限于使用测风塔实现。
模型建立模块2用于建立基于高斯分布的Jensen尾流模型。
其中，基于高斯分布的Jensen尾流模型假设风机后的尾流区呈线性扩张，尾流初始直径为风轮直径，尾流横截面上径向风速呈高斯对称分布，模型可以但不限于通过以下两步获得：
预测步：
Figure BDA0002015162310000071
修正步：
Figure BDA0002015162310000072
其中，a为轴向诱导因子，α为尾流衰减系数，v0为来流风速，v为风机下游处尾流区的风速，u为风轮平面上的尾流风速，r0为风机叶轮半径，rx为风机下游处的尾流半径，r为径向上距离风机轮毂中心的距离，x为风机下游某点到风机轮毂平面的水平距离。
计算模块3用于根据环境风速数据计算风电场计算域中任一位置的未受尾流影响的来流风速数据，还用于根据基于高斯分布的Jensen尾流模型对来流风速数据进行处理，以计算尾流风速数据。尾流风速数据也即计算域中受尾流影响后的风速数据。其中，来流风速数据和尾流风速数据均包括以下参数中的至少一种：风速、风向和风频。
本实施例中，计算模块3具体通过CFD计算来流风速数据。计算来流风速数据之前，需设定计算域入口处的平均湍流强度值、出口的压力条件(例如，为零梯度的压力条件)以及计算域的边界条件(例如，将计算域的表面设置为对称边界条件)。
本实施例中，使用改进的Jensen模型(基于高斯分布的Jensen尾流模型)计算尾流风速数据，考虑了叶轮旋转的影响，风机尾流区横截面上的速度亏损呈现高斯分布，尾流区内的速度不再是简单的线性关系，大大提高了计算精度，且使用本实施例的基于高斯分布的Jensen尾流模型计算尾流风速数据，相比三维CFD模型，不需要划分叶轮处的网格，大幅降低网格数，降低计算时间，加快了模拟速度。
模型建立模块2还用于将来流风速数据和尾流风速数据作为训练样本训练机器学习模型，得到风电场模型。其中，风电场模型的输入参数包括至少一种以下参数：风速、风向和风频；输出参数包括至少一种以下参数：风速、风向和风频。
模型建立模块2建立的模型即代表该目标区域的地形条件下的风电场模型，输入不同的风速条件，即可快速、准确地对其他风速下风机尾流场流动进行预测，整个过程能显著节约计算成本和时间，并实现多组典型风速下风电场模拟。
本实施例中，机器学习模型可以但不限于采用随机森林模型。将基于CFD模拟的来流风速数据与先进的机器学习技术结合得到的风电场模型，能准确预测不同环境风速下的尾流速度，避免了昂贵、耗时长的CFD计算，特别是不同风速下的重复模拟，节约了计算成本、提高了模拟效率。
实施例4
本实施例提供一种尾流值计算系统，该尾流值模型系统包括：第二数据获取模块和利用实施例3示出的风电场模型的建立系统建立的风电场模型。
第二数据获取模块用于获取目标位置的环境风速数据，并将环境风速数据输入风电场模型，以预测尾流风速数据。其中，目标位置的环境风速数据可以但不限于使用测风塔获取。
本实施例中，使用将CFD模拟的来流风速数据与先进的机器学习技术结合得到的风电场模型预测不同环境风速下的尾流速度，避免了昂贵、耗时长的CFD计算，特别是不同风速下的重复模拟，节约了计算成本、提高了模拟效率。
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做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (8)

1.一种风电场模型的建立方法，其特征在于，所述建立方法包括：
获取风电场计算域中若干检测位置的环境风速数据；
根据所述环境风速数据计算所述风电场计算域中任一位置的未受尾流影响的来流风速数据；
计算所述风电场计算域中任一位置的未受尾流影响的来流风速数据的步骤，具体包括：
对所述环境风速数据进行CFD计算，以获取所述风电场计算域中任一位置的未受尾流影响的来流风速数据；
建立基于高斯分布的Jensen尾流模型；
根据所述Jensen尾流模型对所述来流风速数据进行处理，以计算尾流风速数据；
将所述来流风速数据和所述尾流风速数据作为训练样本训练机器学习模型，得到所述风电场模型；
所述风电场模型用于根据环境风速数据预测尾流风速数据。
2.如权利要求1所述的风电场模型的建立方法，其特征在于，生成所述风电场计算域的步骤，具体包括：
获取目标区域的地理数据，并根据所述地理数据生成所述风电场计算域。
3.如权利要求1所述的风电场模型的建立方法，其特征在于，所述机器学习模型为随机森林模型。
4.一种尾流值计算方法，其特征在于，所述尾流值计算方法包括：
利用权利要求1-3中任意一项所述的风电场模型的建立方法建立所述风电场模型；
获取目标位置的环境风速数据，并将所述环境风速数据输入所述风电场模型，以预测尾流风速数据。
5.一种风电场模型的建立系统，其特征在于，所述建立系统包括：
第一数据获取模块，用于获取风电场计算域中若干检测位置的环境风速数据；
计算模块，用于根据所述环境风速数据计算所述风电场计算域中任一位置的未受尾流影响的来流风速数据；
所述计算模块具体用于对所述环境风速数据进行CFD计算，以获取所述风电场计算域中任一位置的未受尾流影响的来流风速数据；
模型建立模块，用于建立基于高斯分布的Jensen尾流模型；
所述计算模块还用于根据所述Jensen尾流模型对所述来流风速数据进行处理，以计算尾流风速数据；
所述模型建立模块还用于将所述来流风速数据和所述尾流风速数据作为训练样本训练机器学习模型，得到所述风电场模型；
所述风电场模型用于根据环境风速数据预测尾流风速数据。
6.如权利要求5所述的风电场模型的建立系统，其特征在于，所述建立系统还包括：
计算域生成模块，用于获取目标区域的地理数据，并根据所述地理数据生成所述风电场计算域。
7.如权利要求5所述的风电场模型的建立系统，其特征在于，所述机器学习模型为随机森林模型。
8.一种尾流值计算系统，其特征在于，所述尾流值计算系统包括：第二数据获取模块和利用权利要求5-7中任意一项所述的风电场模型的建立系统建立所述风电场模型；
所述第二数据获取模块获取目标位置的环境风速数据，并将所述环境风速数据输入所述风电场模型，以预测尾流风速数据。
CN201910260622.0A 2019-04-02 2019-04-02 风电场模型的建立方法及系统、尾流值计算方法及系统 Active CN109992889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910260622.0A CN109992889B (zh) 2019-04-02 2019-04-02 风电场模型的建立方法及系统、尾流值计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910260622.0A CN109992889B (zh) 2019-04-02 2019-04-02 风电场模型的建立方法及系统、尾流值计算方法及系统

Publications (2)

Publication Number Publication Date
CN109992889A CN109992889A (zh) 2019-07-09
CN109992889B true CN109992889B (zh) 2023-06-27

Family

ID=67131283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910260622.0A Active CN109992889B (zh) 2019-04-02 2019-04-02 风电场模型的建立方法及系统、尾流值计算方法及系统

Country Status (1)

Country Link
CN (1) CN109992889B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110925147B (zh) * 2019-11-21 2020-12-22 上海海事大学 一种风力发电机尾流追踪方法
CN111753415B (zh) * 2020-06-16 2024-06-25 上海电气风电集团股份有限公司 风电场的流场重构方法、装置及可读存储介质
CN112163338B (zh) * 2020-09-28 2023-11-21 中国三峡新能源(集团)股份有限公司 一种多风电场交互影响下的风速计算方法及装置
CN112818590A (zh) * 2021-01-13 2021-05-18 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
CN114091377B (zh) * 2022-01-21 2022-05-13 南京理工大学 基于空间变化的动态双高斯风力机尾流风速的计算方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108108562A (zh) * 2017-12-27 2018-06-01 华北电力大学 一种基于高斯分布的风电机组尾流的解析建模方法
US20190072075A1 (en) * 2016-05-12 2019-03-07 Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. Method and device for detecting equivalent load of wind turbine

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20190072075A1 (en) * 2016-05-12 2019-03-07 Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. Method and device for detecting equivalent load of wind turbine
CN108108562A (zh) * 2017-12-27 2018-06-01 华北电力大学 一种基于高斯分布的风电机组尾流的解析建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Park-Gauss模型的风场尾流数值模拟;杨祥生等;《太阳能学报》;20160928(第09期);第1-6页 *

Also Published As

Publication number Publication date
CN109992889A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109992889B (zh) 风电场模型的建立方法及系统、尾流值计算方法及系统
Gebraad et al. Wind plant power optimization through yaw control using a parametric model for wake effects—a CFD simulation study
Annoni et al. Evaluating wake models for wind farm control
Wu et al. Modeling turbine wakes and power losses within a wind farm using LES: An application to the Horns Rev offshore wind farm
CN109086534B (zh) 一种基于cfd流体力学模型的风电场尾流订正方法及系统
CN109376389B (zh) 一种基于2D_k Jensen模型的三维尾流数值模拟方法
Allaerts et al. Sensitivity and feedback of wind-farm-induced gravity waves
WO2023010812A1 (zh) 一种基于双变量高斯函数的尾流计算方法、装置及存储介质
Churchfield et al. On the effects of wind turbine wake skew caused by wind veer
Deng et al. Whole flow field performance prediction by impeller parameters of centrifugal pumps using support vector regression
CN108509718B (zh) 一种基于质量守恒的远场尾流二维解析模型
Ghadirian et al. Considering induction factor using BEM method in wind farm layout optimization
Li et al. Numerical simulation of wind turbine wake based on extended k‐epsilon turbulence model coupling with actuator disc considering nacelle and tower
CN114091377A (zh) 基于空间变化的动态双高斯风力机尾流风速的计算方法
CN115062563A (zh) 基于空间变化的风力机三维尾流风速计算方法
CN114707437A (zh) 一种水平轴风力机三维全尾流模型的建立方法
CN106919730B (zh) 一种采用风速衰减因子的风电场尾流确定方法
CN102339349A (zh) 一种液力变矩器优化设计方法
Feng et al. Componentwise influence of upstream turbulence on the far-wake dynamics of wind turbines
CN108536907A (zh) 一种基于简化动量定理的风电机组远场尾流解析建模方法
CN106886666A (zh) 一种不同攻角下水下滑翔机升阻比的边界层网格求解方法
Abdelghafar et al. Optimum geometry of seashell-shaped wind turbine rotor: Maximizing output power and minimizing thrust
CN109766611B (zh) 一种考虑地形坡度的风电场功率简化预测方法
CN116245039A (zh) 海上风力发电场群的尾流评估方法及系统
Keck et al. A pragmatic approach to wind farm simulations using the dynamic wake meandering model

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