CN110008583B - 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
- CN110008583B CN110008583B CN201910260607.6A CN201910260607A CN110008583B CN 110008583 B CN110008583 B CN 110008583B CN 201910260607 A CN201910260607 A CN 201910260607A CN 110008583 B CN110008583 B CN 110008583B
- Authority
- CN
- China
- Prior art keywords
- wind
- power plant
- wind power
- wake
- 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.)
- Active
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (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,激光雷达测风技术广泛应用于风电场实时风速的测量中,实现风机的偏航校正、降低风机的机械载荷,从而延长风机的使用寿命。具体地,通过在机舱顶部安装雷达测风系统(如2光束的雷达测风系统),检测设定区域内光束方向上的风向和风速,风向和风速通过两个光束的分量推导得出并输入至风机的偏航控制系统中,进而实现对风机的偏航控制,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;
其中,风电场的尾流形成原因主要是由邻近的风机造成的,尾流效应给风机的机械载荷以及风电场的发电量等带来影响;
2)这一过程主要考虑风机上风向风机的尾流影响,无法兼顾其他方向的尾流影响,即并没有考虑全场综合的尾流效应(即还包括侧方位的风机的尾流影响)。
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若激光雷达设备安装在受尾流影响的风机时会使得风机无法准确对风;且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,在风电场的风机机舱上设有雷达设备,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,所述雷达设备包括激光雷达或声雷达。
本发明还提供一种风电场中风资源情况的预测系统,在风电场的风机机舱上设有雷达设备,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。
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,所述雷达设备包括激光雷达或声雷达。
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,并通过将风电场中雷达设备实时测得的风资源数据输入预测代理模型快速、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2的风电场中风资源情况的预测方法的流程图。
图3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。
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,本实施例的风电场的风机机舱上设有雷达设备,雷达设备包括激光雷达或声雷达。
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的第三风资源数据;
S106、采用预测代理模型根据第三风资源数据得到风电场的风资源预测数据。
本实施例中,在兼顾全场的综合尾流(即上风向和侧方位的风机尾流) 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,并通过将风电场中雷达设备实时测得的风资源数据输入预测代理模型快速、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,减少风机的停机时间,提高了风机的发电效率。
实施例2
如图1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。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:
在已建成的风电场的风机机舱上安装雷达设备,对风机前方50m的风进行测量。假设其中一个风机受到130度方位风机的影响,由雷达设备可以得到10分钟时间序列的风速信息,并将该风速信息导入已建立该风电场在有尾流影响时的风资源情况的预测代理模型,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。
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,并通过将风电场中雷达设备实时测得的风资源数据输入预测代理模型快速、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,减少风机的停机时间,提高了风机的发电效率。
实施例3
如图3所示,本实施例的风电场的风机机舱上设有雷达设备,雷达设备包括激光雷达或声雷达。
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的第三风资源数据;
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的风资源预测数据。
本实施例中,在兼顾全场的综合尾流(即上风向和侧方位的风机尾流) 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,并通过将风电场中雷达设备实时测得的风资源数据输入预测代理模型快速、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,减少风机的停机时间,提高了风机的发电效率。
实施例4
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,以获取风电场在有尾流影响时的第二风资源数据。
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。
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:
在已建成的风电场的风机机舱上安装雷达设备,对风机前方50m的风进行测量。假设其中一个风机受到130度方位风机的影响,由雷达设备可以得到10分钟时间序列的风速信息,并将该风速信息导入已建立该风电场在有尾流影响时的风资源情况的预测代理模型,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。
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,并通过将风电场中雷达设备实时测得的风资源数据输入预测代理模型快速、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 (8)
1.一种风电场中风资源情况的预测方法,在风电场的风机机舱上设有雷达设备,其特征在于,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的风资源预测数据;
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。
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,所述雷达设备包括激光雷达或声雷达。
5.一种风电场中风资源情况的预测系统,在风电场的风机机舱上设有雷达设备,其特征在于,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的风资源预测数据;
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。
6.如权利要求5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。
7.如权利要求5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。
8.如权利要求5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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910260607.6A CN110008583B (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 |
---|---|---|---|
CN201910260607.6A CN110008583B (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 |
---|---|
CN110008583A CN110008583A (zh) | 2019-07-12 |
CN110008583B true CN110008583B (zh) | 2023-04-28 |
Family
ID=67169604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910260607.6A Active CN110008583B (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) | CN110008583B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111980857A (zh) * | 2020-08-26 | 2020-11-24 | 上海电气风电集团股份有限公司 | 风电场的闭环控制方法及其装置及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105221356A (zh) * | 2014-05-30 | 2016-01-06 | 通用电气公司 | 用于风力涡轮机机舱位置再校准和风向估计的系统及方法 |
CN105512820A (zh) * | 2015-12-11 | 2016-04-20 | 樊莉 | 风电场风能资源监测与机组运行状态评估方法 |
-
2019
- 2019-04-02 CN CN201910260607.6A patent/CN110008583B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105221356A (zh) * | 2014-05-30 | 2016-01-06 | 通用电气公司 | 用于风力涡轮机机舱位置再校准和风向估计的系统及方法 |
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 |
CN105512820A (zh) * | 2015-12-11 | 2016-04-20 | 樊莉 | 风电场风能资源监测与机组运行状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110008583A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3559448B1 (en) | Wind turbine farm level loads management control | |
Gebraad et al. | Wind plant power optimization through yaw control using a parametric model for wake effects—a CFD simulation study | |
CN110761947B (zh) | 一种风电机组偏航校准方法及系统 | |
Bromm et al. | Field investigation on the influence of yaw misalignment on the propagation of wind turbine wakes | |
US11585323B2 (en) | Method and apparatus for cooperative controlling wind turbines of a wind farm | |
Doubrawa et al. | Load response of a floating wind turbine to turbulent atmospheric flow | |
Marathe et al. | Characterizing power performance and wake of a wind turbine under yaw and blade pitch | |
US11460003B2 (en) | Wind turbine damage detection system using machine learning | |
CN203374430U (zh) | 风力发电厂及其风轮机 | |
JP7194868B1 (ja) | 風に対するヨーの異常を検出するための方法および装置、並びにそれらのデバイスおよび記憶媒体 | |
St Martin et al. | Atmospheric turbulence affects wind turbine nacelle transfer functions | |
CN102797631A (zh) | 一种风电机组的最优增益在线自校正方法、系统及其装置 | |
EP3771822A1 (en) | A method for computer-implemented determination of a vertical speed wind profile of a wind field | |
Solomin et al. | Horizontal axis wind turbine yaw differential error reduction approach | |
CN105279384A (zh) | 一种基于风力机机舱风速的来流风速计算方法及装置 | |
Barber et al. | Development of a wireless, non-intrusive, MEMS-based pressure and acoustic measurement system for large-scale operating wind turbine blades | |
Hong et al. | Snow-powered research on utility-scale wind turbine flows | |
CN110008583B (zh) | 风电场中风资源情况的预测方法及系统 | |
TWI729349B (zh) | 風力發電裝置及風力發電系統 | |
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 | |
CN115186861A (zh) | 基于数字孪生的风电场动态扇区管理优化方法及系统 | |
CN117242259A (zh) | 风力涡轮机集群的控制方案 | |
Shaler et al. | Loads assessment of a fixed‐bottom offshore wind farm with wake steering | |
CN109917422B (zh) | 风电场中风资源情况的预测方法及系统 | |
EP3771819A1 (en) | A method for computer-implemented determination of a wind speed profile information of a wind field |
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 |