CN111324936B - 风机风速预测方法、计算机可读存储介质和计算装置 - Google Patents
风机风速预测方法、计算机可读存储介质和计算装置 Download PDFInfo
- Publication number
- CN111324936B CN111324936B CN201811441336.6A CN201811441336A CN111324936B CN 111324936 B CN111324936 B CN 111324936B CN 201811441336 A CN201811441336 A CN 201811441336A CN 111324936 B CN111324936 B CN 111324936B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- fan
- inflow
- wrf
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
提供了一种风机风速预测方法、计算机可读存储介质和计算装置,所述方法包括:获取风电场的多个风机的位置信息、风电场的地形数据以及风电场的WRF历史风速预报数据和WRF实时风速预报数据;确定入流风速范围和入流风速集合矩阵;确定风电场的CFD计算网格,将入流风速集合矩阵作为CFD入流边界条件,并进行大涡模拟CFD计算以获得每个计算网格点的风速;确定距离每个风机最近的计算网格点作为每个风机的风机点位,确定每个风机的风机点位平均风速以获得多个风机的风机点位的平均风速的数据集合;确定WRF实时风况与入流风况之间的距离,并确定所述多个风机的加权平均预测风速值。
Description
技术领域
本发明涉及风电场领域,更具体地,涉及一种风机风速预测方法、计算机可读存储介质和计算装置。
背景技术
在风电场功率预测中,准确的风速预测是关键的一环。在目前现有的技术中,风速预测主要是通过中尺度数值天气预报模式以及统计方法来进行的。中尺度数值天气预报模式,例如,天气搜索和预报(WRF)模式是通过对大范围天气状况进行模拟预测,从而得到风电场所在区域的风速分布情况,其空间分辨率一般在1km~10km量级,因此无法精确到每台风机位置的精细化风场分布。统计方法一般是通过对风电场历史风速进行统计分析,训练统计模型,根据近期风电场实况风速来预测未来风速。统计方法在几小时内预测效果较好,对更长的时间段则预测效果不如数值预报的结果,并且统计方法需要长时间的实测数据进行训练,适用范围较小。
此外,计算流体力学(CFD)模拟方法是进行精细化风速模拟的主要方法,这是由于CFD模拟可以采用较高的分辨率(例如,几米至几十米)来运行。CFD对湍流的计算包括雷诺平均(RANS)和大涡模拟(LES)两种方法。RANS方法是对NS方程进行时间平均,将非定常的湍流问题转化为定常的问题。大涡模拟是对NS方程进行空间过滤,只计算大尺度湍流,因此理论上比雷诺平均法更准确和精细,能够计算得到更准确的湍流特征以及流场在时间上的波动特性。
然而,现有技术不能得到准确、高分辨率的风场分布特征和湍流特性,对精细化风场的计算不够准确,并且无法优化实际预测风况下的单风机风速。
发明内容
根据本发明的示例性实施例的一方面,提供了一种风机风速预测方法,其特征在于,包括:获取风电场的多个风机的位置信息、风电场的地形数据以及风电场的WRF历史风速预报数据和WRF实时风速预报数据;使用WRF历史风速预报数据确定入流风速范围,使用入流风速范围确定入流风速集合矩阵;使用所述多个风机的位置信息和风电场的地形数据确定风电场的CFD计算网格,将入流风速集合矩阵作为CFD入流边界条件,将CFD计算网格和CFD入流边界条件导入CFD计算模型来进行大涡模拟CFD计算,以获得每个计算网格点的风速;根据所述多个风机的位置信息确定距离每个风机最近的计算网格点作为每个风机的风机点位,确定每个风机的风机点位的平均风速,从而获得所述多个风机的风机点位的平均风速的数据集合;使用WRF实时风速预报数据和入流风速集合矩阵确定WRF实时风况与入流风况之间的距离,使用所述距离作为所述多个风机的风机点位的平均风速的数据集合的加权值来确定所述多个风机的加权平均预测风速值。
获取风电场的WRF历史风速预报数据的步骤可包括:获取风电场的WRF历史风速的U和V分量的时间序列数据UHt和VHt,其中,t=1、…、Nht,t表示时刻,Nht表示WRF历史风速预报数据的总样本数;获取风电场的WRF实时风速预报数据的步骤可包括:获取风电场的WRF实时风速的U和V分量的时间序列数据UFt和VFt,其中,t=1、…、Nft,t表示时刻,Nft表示WRF实时风速预报数据的样本数。
使用WRF历史风速预报数据确定入流风速范围的步骤可包括:确定入流U分量风速范围为[UHmin,UHmax],入流V分量风速范围为[VHmin,VHmax],其中,UHmin表示的UHt最小值,UHmax表示的UHt最大值,VHmin表示的VHt最小值,VHmax表示的VHt最大值。
使用入流风速范围确定入流风速集合矩阵的步骤可包括:在确定的入流U分量风速范围和入流V分量风速范围中,将U和V分量分别从0开始增加和减少入流风速间隔ΔU的整数倍直到入流U分量风速范围和入流V分量风速范围的边界为止,以获得预计算入流UV分量风速集合矩阵UVPi,j=(UPi,j,VPi,j)=(i×ΔU,j×ΔU),其中,UPi,j表示U分量Ui,j的预计算入流U分量风速,VPi,j表示V分量Vi,j的预计算入流V分量风速,i和j为整数,并且UHmin≤i×ΔU≤UHmax,VHmin≤j×ΔU≤VHmax,其中,可基于UHmin≤i×ΔU≤UHmax和VHmin≤j×ΔU≤VHmax确定i的最大值Imax和最小值Imin以及j的最大值Jmax和最小值Jmin。
CFD计算网格可覆盖整个风电场并在风电场周围预留预定网格空间,CFD计算网格的分辨率可根据风电场地形的复杂度而被确定。
获得每个计算网格点的风速的步骤可包括:获得每个计算网格点在每个预定时间步长的风速U分量US(x,y,h,t)和V分量VS(x,y,h,t),其中,x表示风电场的经度坐标,y表示风电场的纬度坐标,h表示CFD计算网格距离地表的高度,t表示时刻。
确定每个风机的风机点位的平均风速的步骤可包括:通过以下等式来确定每个风机的风机点位的平均风速,
其中,k表示第k个风机点位,k和N为正整数。
获得所述多个风机的风机点位的平均风速的数据集合的步骤可包括:将i、j、k作为联合查询条件的所述多个风机的风机点位的平均风速WSi,j,k的集合作为所述多个风机的风机点位的平均风速的数据集合。
使用WRF实时风速预报数据和入流风速集合矩阵确定WRF实时风况与入流风况之间的距离的步骤可包括:通过以下等式来确定WRF实时风况与入流风况之间的距离,
使用所述距离作为所述多个风机的风机点位的平均风速的数据集合的加权值来确定所述多个风机的加权平均预测风速值的步骤可包括:通过以下等式来确定所述多个风机的风机点位的加权平均预测风速值,
其中,WSFk,t表示t时刻第k个风机点位的加权平均预测风速值,p表示插值指数并且为正整数。
根据本发明的示例性实施例的一方面,提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有当被处理器执行时使得处理器执行如上所述的风机风速预测方法的程序指令。
根据本发明的示例性实施例的一方面,提供了一种计算装置,其特征在于,包括:处理器;存储器,存储有当被处理器执行时使得处理器执行如上所述的风机风速预测方法的程序指令。
根据本发明的示例性实施例,通过结合WRF模式和CFD计算模型,能够综合WRF模式和CFD模型的优点,在提供风电场风速短期预测结果的同时,显著地提升WRF中尺度预测的分辨率,达到10m的量级;通过采用大涡模拟CFD计算,能够更精细化地计算流场中湍流的变化;通过采用反距离加权平均算法,能够综合多个预计算的CFD风场,得到更加准确的单风机风速预测结果。
附图说明
通过下面结合附图进行的详细描述,本发明的上述和其它目的和特点将会变得更加清楚,其中:
图1是示出根据本发明示例性实施例的风机风速预测方法的流程图。
具体实施方式
现在,详细描述本发明的示例性实施例,其示例在附图中表示,其中,相同的标号始终表示相同的部件。
图1是示出根据本发明示例性实施例的风机风速预测方法的流程图。
如图1所示,在步骤S110,可获取风电场的多个风机的位置信息、风电场的地形数据以及风电场的WRF历史风速预报数据和WRF实时风速预报数据。这里,仅作为示例,多个风机的位置信息可以是多个风机的经纬度坐标,风电场的地形数据可以是以风电场为中心获取的周边特定范围(例如,100x100km)的地形高程数据和地表粗糙度数据,空间分辨率可以在例如30m以上。此外,仅作为示例,获取风电场的WRF特定历史风速预报数据的步骤可包括获取风电场的WRF历史风速的U和V分量的时间序列数据UHt和VHt,其中,t=1、…、Nht,t表示时刻,Nht表示WRF历史风速预报数据的总样本数,历史风速可以任意设置,诸如,一年的历史风速。此外,仅作为示例,获取风电场的WRF实时风速预报数据的步骤可包括获取风电场的WRF实时风速的U和V分量的时间序列数据UFt和VFt,其中,t=1、…、Nft,t表示时刻,Nft表示WRF实时风速预报数据的样本数。此外,仅作为示例,这里的风速可以是风机轮毂高度风速。
在步骤S120,可使用WRF历史风速预报数据确定入流风速范围,使用入流风速范围确定入流风速集合矩阵。这里,更具体地,可设置UHmax=max(UHt)、UHmin=min(UHt)、VHmax=max(VHt)并且VHmin=min(VHt),使用WRF历史风速预报数据确定入流风速范围的步骤可包括确定入流U分量风速范围为[UHmin,UHmax],入流V分量风速范围为[VHmin,VHmax],其中,UHmin表示的UHt最小值,UHmax表示的UHt最大值,VHmin表示的VHt最小值,VHmax表示的VHt最大值。此外,使用入流风速范围确定入流风速集合矩阵的步骤可包括:在确定的入流U分量风速范围和入流V分量风速范围中,将U和V分量分别从0开始增加和减少入流风速间隔ΔU的整数倍直到入流U分量风速范围和入流V分量风速范围的边界为止,以获得预计算入流UV分量风速集合矩阵UVPi,j=(UPi,j,VPi,j)=(i×ΔU,j×ΔU),其中,UPi,j表示U分量Ui,j的预计算入流U分量风速,VPi,j表示V分量Vi,j的预计算入流V分量风速,i和j为整数,并且UHmin≤i×ΔU≤UHmax,VHmin≤j×ΔU≤VHmax,其中,可基于UHmin≤i×ΔU≤UHmax和VHmin≤j×ΔU≤VHmax确定i的最大值Imax和最小值Imin以及j的最大值Jmax和最小值Jmin。
在步骤S130,可使用所述多个风机的位置信息和风电场的地形数据确定风电场的CFD计算网格,将入流风速集合矩阵作为CFD入流边界条件,将CFD计算网格和CFD入流边界条件导入CFD计算模型来进行大涡模拟CFD计算,以获得每个计算网格点的风速。这里,仅作为示例,CFD计算网格可覆盖整个风电场并在风电场周围预留预定网格空间,并且CFD计算网格的分辨率可根据风电场地形的复杂度而被确定,复杂地形下水平分辨率可相应地增加。此外,更具体地,获得每个计算网格点的风速的步骤可包括设置预定模拟时长进行大涡模拟CFD计算,以获得在入流U、V风速(UPi,j,VPi,j)条件下的每个计算网格点在每个预定时间步长(例如,几秒钟或几分钟)的风速U分量US(x,y,h,t)和V分量VS(x,y,h,t),其中,x表示风电场的经度坐标,y表示风电场的纬度坐标,h表示CFD计算网格距离地表的高度,t表示时刻。此外,应该了解,还可采用其他方式计算网格点的风速,例如,使用雷诺平均(RANS)CFD计算模型进行模拟。
在步骤S140,可根据所述多个风机的位置信息确定距离每个风机最近的计算网格点作为每个风机的风机点位,确定与每个风机的风机点位相应的风速,并使用与每个风机的风机点位相应的风速来确定每个风机的风机点位的平均风速,从而获得所述多个风机的风机点位的平均风速的数据集合。这里,更具体地,可根据所述多个风机的经纬度来确定CFD计算网格中距离最近的网格坐标(xi,yi)。此外,仅作为示例,可通过以下等式1来确定每个风机的风机点位的平均风速。
[等式1]
其中,k表示第k个风机点位,k和N为正整数。
此外,仅作为示例,可将i、j、k作为联合查询条件的所述多个风机的风机点位的平均风速WSi,j,k的集合作为所述多个风机的风机点位的平均风速的数据集合,并产生风机风速数据库,其中,风机风速数据库的键(key)和值(value)如下:
key:入流UV分量风速条件编号和风机编号(i,j,k);
value:在入流UV分量风速条件编号为(i,j)的情况下,第k个风机点位(xk,yk)对应的平均风速WSi,j,k。
在步骤S150,可使用WRF实时风速预报数据和入流风速集合矩阵确定WRF实时风况与入流风况之间的距离,并根据反距离加权平均算法,使用WRF实时风况与入流风况之间的距离作为所述多个风机的风机点位的平均风速的数据集合的加权值来确定所述多个风机的加权平均预测风速值。这里,仅作为示例,可通过以下等式2来确定WRF实时风况与入流风况之间的距离。
[等式2]
此外,仅作为示例,可通过以下等式3来确定所述多个风机的风机点位的加权平均预测风速值。
[等式3]
其中,WSFk,t表示t时刻第k个风机点位的加权平均预测风速值,p表示插值指数并且为正整数,p通常可取值2。
根据本发明的示例性实施例,通过结合WRF模式和CFD计算模型,能够综合WRF模式和CFD模型的优点,在提供风电场风速短期预测结果的同时,显著地提升WRF中尺度预测的分辨率,达到10m的量级;通过采用大涡模拟CFD计算,能够更精细化地计算流场中湍流的变化;通过采用反距离加权平均算法,能够综合多个预计算的CFD风场,得到更加准确的单风机风速预测结果。
根据本发明的示例实施例,图1描述的方法的各个步骤可被编写为程序或软件。可基于附图中示出的框图和流程图以及说明书中的对应描述,使用任何编程语言来编写程序或软件。在一个示例中,程序或软件可包括被一个或多个处理器或计算机直接执行的机器代码,诸如,由编译器产生的机器代码。在另一个示例中,程序或软件包括被一个或多个处理器或计算机使用解释器执行的更高级代码。程序或软件可被记录、存储或固定在一个或多个非暂时性计算机可读存储介质中。在一个示例中,程序或软件或一个或多个非暂时性计算机可读存储介质可被分布在计算机系统上。
根据本发明构思的示例实施例,图1描述的方法的各个步骤可被实现在包括处理器和存储器的计算装置上。存储器存储有用于控制处理器实现如上所述的各个单元的操作的程序指令。
虽然上面参照图1已经详细描述了本发明的特定示例实施例,但是在不脱离本发明构思的精神和范围的情况下,可以以各种形式对本发明进行修改。如果描述的技术以不同的顺序被执行,和/或如果描述的系统、架构、或装置中的组件以不同的方式组合,和/或被其他组件或它们的等同物代替或补充,则可实现合适的结果。因此,本公开的范围不是通过具体实施方式所限定,而是由权利要求和它们的等同物限定,并且在权利要求和它们的等同物的范围内的所有变化将被解释为被包括在本公开中。
虽然已经参照特定示例性实施例示出和描述了本发明,但是本领域的技术人员将理解,在不脱离范围由权利要求及其等同物限定的本发明的精神和范围的情况下可作出形式和细节上的各种改变。
Claims (10)
1.一种风机风速预测方法,其特征在于,包括:
获取风电场的多个风机的位置信息、风电场的地形数据以及风电场的WRF历史风速预报数据和WRF实时风速预报数据;
使用WRF历史风速预报数据确定入流风速范围,使用入流风速范围确定入流风速集合矩阵;
使用所述多个风机的位置信息和风电场的地形数据确定风电场的CFD计算网格,将入流风速集合矩阵作为CFD入流边界条件,将CFD计算网格和CFD入流边界条件导入CFD计算模型来进行大涡模拟CFD计算,以获得每个计算网格点的风速;
根据所述多个风机的位置信息确定距离每个风机最近的计算网格点作为每个风机的风机点位,确定每个风机的风机点位的平均风速,从而获得所述多个风机的风机点位的平均风速的数据集合;
使用WRF实时风速预报数据和入流风速集合矩阵确定WRF实时风况与入流风况之间的距离,使用所述距离作为所述多个风机的风机点位的平均风速的数据集合的加权值来确定所述多个风机的加权平均预测风速值;
其中,使用WRF实时风速预报数据和入流风速集合矩阵确定WRF实时风况与入流风况之间的距离的步骤包括:
通过以下等式来确定WRF实时风况与入流风况之间的距离:
其中,UFt为风电场的WRF实时风速的U分量的时间序列数据,VFt为风电场的WRF实时风速的V分量的时间序列数据,UPi,j为U分量Ui,j的预计算入流U分量风速,VPi,j为V分量Vi,j的预计算入流V分量风速,i和j为整数,t表示时刻;
其中,使用所述距离作为所述多个风机的风机点位的平均风速的数据集合的加权值来确定所述多个风机的加权平均预测风速值的步骤包括:
通过以下等式来确定所述多个风机的风机点位的加权平均预测风速值:
其中,WSFk,t表示t时刻第k个风机点位的加权平均预测风速值,p表示插值指数并且为正整数,Imax和Imin分别表示i的最大值和最小值,Jmax和Jmin分别表示j的最大值和最小值,WSi,j,k表示将i、j、k作为联合查询条件的所述多个风机的风机点位的平均风速。
2.如权利要求1所述的风机风速预测方法,其中,获取风电场的WRF历史风速预报数据的步骤包括:获取风电场的WRF历史风速的U和V分量的时间序列数据UHt和VHt,其中,t=1、…、Nht,Nht表示WRF历史风速预报数据的总样本数,
其中,获取风电场的WRF实时风速预报数据的步骤包括:获取风电场的WRF实时风速的U和V分量的时间序列数据UFt和VFt,其中,t=1、…、Nft,Nft表示WRF实时风速预报数据的样本数。
3.如权利要求2所述的风机风速预测方法,其中,使用WRF历史风速预报数据确定入流风速范围的步骤包括:
确定入流U分量风速范围为[UHmin,UHmax],入流V分量风速范围为[VHmin,VHmax],其中,UHmin表示的UHt最小值,UHmax表示的UHt最大值,VHmin表示的VHt最小值,VHmax表示的VHt最大值。
4.如权利要求3所述的风机风速预测方法,其中,使用入流风速范围确定入流风速集合矩阵的步骤包括:
在确定的入流U分量风速范围和入流V分量风速范围中,将U和V分量分别从0开始增加和减少入流风速间隔ΔU的整数倍直到入流U分量风速范围和入流V分量风速范围的边界为止,以获得预计算入流UV分量风速集合矩阵。
5.如权利要求4所述的风机风速预测方法,其中,CFD计算网格覆盖整个风电场并在风电场周围预留预定网格空间,CFD计算网格的分辨率根据风电场地形的复杂度而被确定。
6.如权利要求5所述的风机风速预测方法,其中,获得每个计算网格点的风速的步骤包括:
获得每个计算网格点在每个预定时间步长的风速U分量US(x,y,h,t)和V分量VS(x,y,h,t),其中,x表示风电场的经度坐标,y表示风电场的纬度坐标,h表示CFD计算网格距离地表的高度。
7.如权利要求6所述的风机风速预测方法,其中,确定每个风机的风机点位的平均风速的步骤包括:
通过以下等式来确定每个风机的风机点位的平均风速,
其中,k和N为正整数。
8.如权利要求7所述的风机风速预测方法,其中,获得所述多个风机的风机点位的平均风速的数据集合的步骤包括:
将i、j、k作为联合查询条件的所述多个风机的风机点位的平均风速WSi,j,k的集合作为所述多个风机的风机点位的平均风速的数据集合。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有当被处理器执行时使得处理器执行权利要求1至8中的任一项所述的风机风速预测方法的程序指令。
10.一种计算装置,其特征在于,包括:
处理器;
存储器,存储有当被处理器执行时使得处理器执行权利要求1至8中的任一项所述的风机风速预测方法的程序指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811441336.6A CN111324936B (zh) | 2018-11-29 | 2018-11-29 | 风机风速预测方法、计算机可读存储介质和计算装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811441336.6A CN111324936B (zh) | 2018-11-29 | 2018-11-29 | 风机风速预测方法、计算机可读存储介质和计算装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111324936A CN111324936A (zh) | 2020-06-23 |
CN111324936B true CN111324936B (zh) | 2024-02-13 |
Family
ID=71166564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811441336.6A Active CN111324936B (zh) | 2018-11-29 | 2018-11-29 | 风机风速预测方法、计算机可读存储介质和计算装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111324936B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417734B (zh) * | 2020-11-25 | 2024-03-15 | 国能日新科技股份有限公司 | 一种基于风电场地理信息的风速订正方法及装置 |
CN113297728A (zh) * | 2021-04-30 | 2021-08-24 | 东方电气风电有限公司 | 一种基于风场风速关联的单风机虚拟风速计算方法及系统 |
CN113239646B (zh) * | 2021-05-25 | 2023-08-22 | 华能新能源股份有限公司 | 一种基于等效粗糙度风电场建模方法、介质和设备 |
CN113884705A (zh) * | 2021-09-28 | 2022-01-04 | 上海电气风电集团股份有限公司 | 簇群风机风速计的监测方法及其系统及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930177A (zh) * | 2012-11-23 | 2013-02-13 | 南京信息工程大学 | 一种基于精细边界层模式的复杂地形风电场风速预测方法 |
CN103389388A (zh) * | 2012-05-08 | 2013-11-13 | 华锐风电科技(集团)股份有限公司 | 风电场风速预测方法及其装置和功率预测方法及其系统 |
CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
CN106779201A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种考虑高原山区风机位置的风速建模方法 |
CN106875037A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 风力预测方法及装置 |
WO2017156562A1 (de) * | 2016-03-16 | 2017-09-21 | Uptime Holding Gmbh | Verfahren zur bestimmung der windgeschwindigkeit sowie anlage zur durchführung desselben |
CN107194097A (zh) * | 2017-05-27 | 2017-09-22 | 中国大唐集团科学技术研究院有限公司 | 基于风电场气动模拟和风速风向数据的分析方法 |
CN107451691A (zh) * | 2017-07-31 | 2017-12-08 | 国网湖南省电力公司 | 基于下垫面情况的冬季输电线路高度风速预报方法及系统 |
CN108808671A (zh) * | 2018-07-03 | 2018-11-13 | 南京信息工程大学 | 一种风电场短期风速集合预报方法 |
-
2018
- 2018-11-29 CN CN201811441336.6A patent/CN111324936B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389388A (zh) * | 2012-05-08 | 2013-11-13 | 华锐风电科技(集团)股份有限公司 | 风电场风速预测方法及其装置和功率预测方法及其系统 |
CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
CN102930177A (zh) * | 2012-11-23 | 2013-02-13 | 南京信息工程大学 | 一种基于精细边界层模式的复杂地形风电场风速预测方法 |
WO2017156562A1 (de) * | 2016-03-16 | 2017-09-21 | Uptime Holding Gmbh | Verfahren zur bestimmung der windgeschwindigkeit sowie anlage zur durchführung desselben |
CN106779201A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种考虑高原山区风机位置的风速建模方法 |
CN106875037A (zh) * | 2016-12-30 | 2017-06-20 | 东软集团股份有限公司 | 风力预测方法及装置 |
CN107194097A (zh) * | 2017-05-27 | 2017-09-22 | 中国大唐集团科学技术研究院有限公司 | 基于风电场气动模拟和风速风向数据的分析方法 |
CN107451691A (zh) * | 2017-07-31 | 2017-12-08 | 国网湖南省电力公司 | 基于下垫面情况的冬季输电线路高度风速预报方法及系统 |
CN108808671A (zh) * | 2018-07-03 | 2018-11-13 | 南京信息工程大学 | 一种风电场短期风速集合预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111324936A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111324936B (zh) | 风机风速预测方法、计算机可读存储介质和计算装置 | |
Elsner | Continental-scale assessment of the African offshore wind energy potential: Spatial analysis of an under-appreciated renewable energy resource | |
AU2017352549B2 (en) | Method and device for calculating power generation of wind farm | |
US11300619B2 (en) | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing sensor and database data | |
Hu et al. | A hybrid approach based on the Gaussian process with t-observation model for short-term wind speed forecasts | |
CN104021424B (zh) | 用于预测风场中的风机的输出功率的方法和装置 | |
WO2019114160A1 (zh) | 结冰预测方法、装置、模型生成方法及装置 | |
Al-Yahyai et al. | Nested ensemble NWP approach for wind energy assessment | |
CN110009037B (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
CN110705115B (zh) | 一种基于深度置信网络的气象预报方法和系统 | |
Bhaskar et al. | Wind speed forecasting: Present status | |
CN113988359A (zh) | 基于非对称Laplace分布的风功率预测方法和系统 | |
Chen et al. | Short-Term Wind Power Forecasting Using Gaussian Processes. | |
CN109190161B (zh) | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 | |
Li et al. | Aggregated wind power generation probabilistic forecasting based on particle filter | |
CN116745653A (zh) | 使用生成式神经网络的临近预报 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
Shi et al. | Estimation of wind energy potential and prediction of wind power | |
CN112613633A (zh) | 风电场的气象要素预测方法和装置 | |
CN107330538B (zh) | 一种气候变化条件下水库适应性调度规则编制的方法 | |
Chen et al. | Short-term wind speed forecasting study and its application using a hybrid model optimized by cuckoo search | |
CN102236746B (zh) | 无测风记录区风资源模拟推算方法 | |
CN113593006A (zh) | 一种基于深度学习的气象数据空间插值精细化方法及系统 | |
CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 | |
Özkan et al. | A data mining-based wind power forecasting method: results for wind power plants in turkey |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |