CN112818590A - 一种风电场发电量评估及微观选址模型建立方法 - Google Patents

一种风电场发电量评估及微观选址模型建立方法 Download PDF

Info

Publication number
CN112818590A
CN112818590A CN202110045045.0A CN202110045045A CN112818590A CN 112818590 A CN112818590 A CN 112818590A CN 202110045045 A CN202110045045 A CN 202110045045A CN 112818590 A CN112818590 A CN 112818590A
Authority
CN
China
Prior art keywords
model
wind
power plant
wind power
micro
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.)
Withdrawn
Application number
CN202110045045.0A
Other languages
English (en)
Inventor
易侃
张皓
张子良
王浩
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.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
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 China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202110045045.0A priority Critical patent/CN112818590A/zh
Publication of CN112818590A publication Critical patent/CN112818590A/zh
Priority to PCT/CN2021/137870 priority patent/WO2022151890A1/zh
Withdrawn legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

一种风电场发电量评估及微观选址模型建立方法，它包括：步骤1：收集风电场运行案例及相关数据信息,建立包含一定范围的空间网格，步骤2：将单个风力发电机作为样本并根据划分的空间网格建立对应的风机排布矩阵，将各风机的位置在矩阵中通过不同的数字标签进行区分，步骤3：确定输入输出样本集，采用训练样本集对机器学习模型进行迭代训练，训练完成后采用测试数据集进行模型测试，步骤4：将训练好的机器学习模型作为风电场发电量评估及微观选址模型，对待估计风机处相应的发电量进行计算等步骤；本发明的目的是为了解决现有的计算流体动力学模型计算量大、计算耗费时间长，难以满足工程应用要求的技术问题。

Description

一种风电场发电量评估及微观选址模型建立方法
技术领域
本发明涉及新能源发电领域，具体涉及一种风电场发电量评估及微观选址模型建立方法，可应用于海上风电场或平坦地形风电场的前期规划、发电量计算、经济效益评价、机组排布优化等工作中。
背景技术
在风电场开发的规划设计中，微观选址是其中十分重要的环节，影响着整个风电场的发电效益。合理的微观选址方案需要对风电场规划区域内对不同位置的风力发电机预期发电量进行准确的评估，在此基础上对整个风力发电机组进行优化排布从而达到整场发电效益的最优。对于海上风电场和平坦地形风电场，由于下垫面地势平坦，风电场规划区域内的自由来流在空间分布上较为均一，可通过在风电场内建立测风塔或放置其它观测设备进行观测获得场区内的风能资源情况。因此，对风机间的尾流相互作用进行准确评估成为了决定风电场微观选址和发电量评估计算合理性的最重要因素。
目前而言，风电场尾流评估模型主要包含计算流体动力学(CFD)模型及解析模型。其中，CFD模型通过对控制风场流场的三维纳维斯托克斯方程进行数值求解，能够获得流场内精确地流动细节，因此对风场尾流的模拟能够获得较为准确的结果。
申请公布号为CN109086534A的专利文献公开了一种基于CFD的风电场尾流订正方法和系统，采用风向旋转模型计算风场尾流流场，同时考虑了各个风向的风频进行加权，使得尾流区域更加符合真实流场。然而，由于采用了精细的网格来解决边界层问题，对一个包含多台风机的风电场直接进行CFD模拟对计算机的硬件要求较高，而且其计算耗费的巨大时间成本往往是工程应用上所不能接受的。解析模型是目前海上风电场或平坦地形风电场微观选址阶段使用最多的尾流评估方法，其在推导时通常假定尾流区的速度满足自相似性，尾流区截面上的速度分布一般呈均一分布或是高斯分布，速度损失最大值由风电机组推力系数决定。例如最为广泛应用的Jensen模型，其假设尾流区呈线性扩张，尾流区速度仅与下游距离相关，风速在径向呈常数分布。尾流区的膨胀速度则与大气湍流、尾流区内剪切层产生的附加湍流以及机组自身产生的机械湍流有关。
另外，申请公布号为CN109376389A的专利文献公开了一种基于2D_k Jensen模型的三维尾流数值模拟方法，它在Jensen模型的基础上，综合考虑风速和湍流强度在垂直高度的分布特性及其对尾流的影响，提出了一种新型的三维尾流模型。工程尾流模型结构简单、计算代价较小，但是模型的计算精度严重依赖模型中经验参数在不同工况下的调整，此外模型推导过程中采用了大量假设和简化，这使得模型无法准确地反映风电场尾流影响的复杂特性，导致发电量计算结果存在较大的不确定性。
随着风电的不断发展，越来越多的风电场建成并投入运行，有效地利用已建成的风电场实际运行数据进行建模分析，能够有效地解决现有建模方法中存在的诸多不足，对后续的风电场开发具有重要的指导和应用价值。
发明内容
本发明的目的是为了解决现有的计算流体动力学模型计算量大、计算耗费时间长，难以满足工程应用的要求，且解析模型精确度严重依赖经验参数选取，推导过程需要运用大量假设，计算结果存在较大不确定性，这样会影响风电场发电评估及微观选址效率及准确度的技术问题。
为解决上述技术问题，本发明所采用的技术方案是：
一种风电场发电量评估及微观选址模型建立方法，它包括以下步骤：
步骤1：收集风电场运行案例及相关数据信息；
步骤2：划分包含一定范围的空间网格，使收集到的每个风电场中风机排布的相对位置信息能够对应到不同的网格点上；
步骤3：使数据集中的单个风力发电机作为样本，根据划分的空间网格建立相应的风电场排布矩阵，将样本风机和风电场内其他风机的相对位置在矩阵中通过不同的数字标签进行区分；
步骤4：确定自由来流风速风向数据、风机参数、风电场排布矩阵作为模型的输入样本集，确定待估计风机处的风速数据或发电量数据y作为模型的输出样本集，并按照一定比例划分为训练数据集X与测试数据集X’；
步骤5：将预处理后的训练数据集X输入机器学习模型，并对该机器学习模型中的参数进行优化；
步骤6：采用测试数据集X’对已训练网络进行测试，若模型误差达到预先设定条件，网络训练完成，否则重新对模型进行训练；
步骤7：将训练好的机器学习模型作为风电场发电量评估及微观选址模型，在海上风电场或陆上平坦地形风电场微观选址阶段，通过输入测风塔观测的风速风向数据、风机参数和拟采用的风机排布矩阵可计算得待估计风机处相应的发电量。
在步骤1中，收集的相关数据信息包括自由来流测风数据、风机参数、风机排布位置、风机机舱风速、风机运行状态及发电量其中的一种或多种。
在步骤1中，针对收集到的风电场数据进行数据清洗，剔除单个或多个风机由于故障、停机等因素不能正常运行以及数据监测出现异常时段的风电场整体数据，保证所使用的风电场数据集中所有风机正常运行且数据监测无异常。
在步骤2中，所述空间范围大于所有单个风电场的规划范围。
在步骤2中，所述空间网格具有高分辨率。
在步骤2中，空间网格具有米级分辨率。
在步骤5中，机器学习模型为采用神经网络构建的机器学习模型，该神经网络构建的机器学习模型由输入层、隐含层及输出层组成，采用梯度下降算法对模型参数进行迭代优化，代价函数选取均方误差函数，当迭代达到一定次数或者误差达到一定取值后模型停止训练；并采用测试数据集X’对已训练网络进行测试，模型误差达到预先设定条件，模型训练完成。
在步骤5中，所述均方误差函数如式(1)所示：
ess＝1/2(y*-y)2 (1)
上式中：y为第i个输出变量的实际值，y*为第i个输出变量的模型计算值；ess为均方误差代价函数；
在步骤7中，风电场发电量评估及微观选址模型可结合启发式算法，对各风机排布方案进行寻优，以获得整场发电量的最优值。
上述元启发式算法为遗传算法或粒子群优化算法或模拟退火算法。
与现有技术相比，本发明具有如下技术效果：
1)本发明能有效提高现有流体动力学模型的计算效率、并降低计算耗时，使之满足苛刻的工程应用要求；
2)采用机器学习方法建立风电场发电量评估及微观选址模型，可用于海上风电场或平坦地形风电场的前期规划、发电量计算、经济效益评价、机组排布优化等工作中；
3)本发明采用机器学习方法建立风电场发电量评估及微观选址模型，该模型具有强大的自学习能力，能够高效地利用现有的风电场实际运行数据进行建模分析，切实解决了现有物理模型计算复杂或经验模型准确性不足的问题，使风电场发电量计算及微观选址设计更加高效准确。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的流程图；
图2为本发明中风电场风机排布空间网格图；
图3为实施例中机器学习模型的结构图。
具体实施方式
如图1所示，一种风电场发电量评估及微观选址模型建立方法，它包括以下步骤：
步骤1：收集尽可能多的风电场运行案例及相关数据信息，包括但不限于自由来流风速风向数据(如测风塔观测数据)、风机参数、风机排布位置、风机机舱风速、风机运行状态及发电量等；
针对收集到的风电场数据进行数据清洗，剔除单个或多个风机由于故障、停机等因素不能正常运行以及数据监测出现异常时段的风电场整体数据，保证所使用的风电场数据集中所有风机正常运行且数据监测无异常；
步骤2：参照计算流体力学建模方法，划分一个包含一定范围(空间范围需大于所有单个风电场的规划范围)且具有较高分辨率(建议使用米级分辨率)的空间网格，使收集到的每个风电场中风机排布的相对位置信息能够对应到不同的网格点上，如图2中所示；
步骤3：将数据集中的单个风力发电机作为样本，根据划分的空间网格建立相应的风电场排布矩阵，将样本风机和风电场内其他风机的相对位置在矩阵中通过不同的数字标签进行区分；
步骤4：确定自由来流风速风向数据、风机参数、风电场排布矩阵作为模型的输入样本集，确定待估计风机处的风速数据或发电量数据y作为模型的输出样本集，并按照一定比例划分为训练数据集X与测试数据集X’；
步骤5：将预处理后的训练数据集X输入图3中所示的采用神经网络构建的机器学习模型，该模型由输入层、隐含层及输出层组成。并采用梯度下降算法对模型参数进行迭代优化，代价函数选取为公式(1)中所示的均方误差函数，当迭代达到一定次数或者ess达到一定取值后网络停止训练：
ess＝1/2(y*-y)2 (1)
上式中：y为第i个输出变量的实际值；y*为第i个输出变量的模型计算值；ess为均方误差代价函数。
步骤6：采用测试数据集X’对已训练网络进行测试，若模型误差达到预先设定条件，网络训练完成，否则重新对模型进行训练；
步骤7：将训练好的机器学习模型作为风电场发电量评估及微观选址模型，在海上风电场或陆上平坦地形风电场微观选址阶段，通过输入测风塔观测的风速风向数据、风机参数和拟采用的风机排布矩阵可计算得相应的发电量；
步骤8：本模型可结合元启发式算法(遗传算法、粒子群优化算法、模拟退火算法等)对各风机排布方案进行寻优，以获得整场发电量的最优值。

Claims (10)

1.一种风电场发电量评估及微观选址模型建立方法，其特征在于，它包括以下步骤:
步骤1：收集风电场运行案例及相关数据信息；
步骤2：划分包含一定范围的空间网格，使收集到的每个风电场中风机排布的相对位置信息能够对应到不同的网格点上；
步骤3：使数据集中的单个风力发电机作为样本，根据划分的空间网格建立相应的风电场排布矩阵，将样本风机和风电场内其他风机的相对位置在矩阵中通过不同的数字标签进行区分；
步骤4：确定自由来流风速风向数据、风机参数、风电场排布矩阵作为模型的输入样本集，确定待估计风机处的风速数据或发电量数据y作为模型的输出样本集，并按照一定比例划分为训练数据集X与测试数据集X’；
步骤5：将预处理后的训练数据集X输入机器学习模型，并对该机器学习模型中的参数进行迭代优化；
步骤6：采用测试数据集X’对已训练网络进行测试，若模型误差达到预先设定条件，网络训练完成，否则重新对模型进行训练；
步骤7：将训练好的机器学习模型作为风电场发电量评估及微观选址模型，在海上风电场或陆上平坦地形风电场微观选址阶段，通过输入测风塔观测的风速风向数据、风机参数和拟采用的风机排布矩阵可计算得待估计风机处相应的发电量。
2.根据权利要求1所述的风电场发电量评估及微观选址模型建立方法，其特征在于：在步骤1中，收集的相关数据信息包括自由来流测风数据、风机参数、风机排布位置、风机机舱风速、风机运行状态及发电量其中的一种或多种。
3.根据权利要求2所述的风电场发电量评估及微观选址模型建立方法，其特征在于：在步骤1中，针对收集到的风电场数据进行数据清洗，剔除单个或多个风机由于故障、停机等因素不能正常运行以及数据监测出现异常时段的风电场整体数据，保证所使用的风电场数据集中所有风机正常运行且数据监测无异常。
4.根据权利要求1所述的风电场发电量评估及微观选址模型建立方法，其特征在于，在步骤2中，所述空间范围大于所有单个风电场的规划范围。
5.根据权利要求1或4所述的风电场发电量评估及微观选址模型建立方法，其特征在于，在步骤2中，所述空间网格具有高分辨率。
6.根据权利要求5所述的风电场发电量评估及微观选址模型建立方法，其特征在于，在步骤2中，空间网格具有米级分辨率。
7.根据权利要求1所述的风电场发电量评估及微观选址模型建立方法，其特征在于，在步骤5中，机器学习模型为采用神经网络构建的机器学习模型，该神经网络构建的机器学习模型由输入层、隐含层及输出层组成，采用梯度下降算法对模型参数进行迭代优化，代价函数选取均方误差函数，当迭代达到一定次数或者误差达到一定取值后模型停止训练；并采用测试数据集X’对已训练网络进行测试，模型误差达到预先设定条件，模型训练完成。
8.根据权利要求7所述的风电场发电量评估及微观选址模型建立方法，其特征在于：在步骤5中，所述均方误差函数如式(1)所示：
ess＝1/2(y*-y)2 (1)
上式中：y为第i个输出变量的实际值。
9.根据权利要求1所述的风电场发电量评估及微观选址模型建立方法，其特征在于，在步骤7中，风电场发电量评估及微观选址模型可结合启发式算法，对各风机排布方案进行寻优，以获得整场发电量的最优值。
10.根据权利要求9所述的风电场发电量评估及微观选址模型建立方法，其特征在于，所述元启发式算法为遗传算法或粒子群优化算法或模拟退火算法。
CN202110045045.0A 2021-01-13 2021-01-13 一种风电场发电量评估及微观选址模型建立方法 Withdrawn CN112818590A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110045045.0A CN112818590A (zh) 2021-01-13 2021-01-13 一种风电场发电量评估及微观选址模型建立方法
PCT/CN2021/137870 WO2022151890A1 (zh) 2021-01-13 2021-12-14 一种风电场发电量评估及微观选址模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110045045.0A CN112818590A (zh) 2021-01-13 2021-01-13 一种风电场发电量评估及微观选址模型建立方法

Publications (1)

Publication Number Publication Date
CN112818590A true CN112818590A (zh) 2021-05-18

Family

ID=75869174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110045045.0A Withdrawn CN112818590A (zh) 2021-01-13 2021-01-13 一种风电场发电量评估及微观选址模型建立方法

Country Status (2)

Country Link
CN (1) CN112818590A (zh)
WO (1) WO2022151890A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705093A (zh) * 2021-08-25 2021-11-26 广东电网有限责任公司广州供电局 一种杆塔力学响应预测方法、装置、设备和介质
CN113919606A (zh) * 2021-12-14 2022-01-11 山东建筑大学 一种分布式光伏电站智能选址方法及系统
WO2022151890A1 (zh) * 2021-01-13 2022-07-21 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
CN116169727A (zh) * 2023-02-14 2023-05-26 中节能风力发电股份有限公司 无测风数据的老旧风电场重建项目发电量评估方法及系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115013261B (zh) * 2022-08-08 2022-12-06 国网浙江省电力有限公司舟山供电公司 一种用于海上风电场的状态监测方法及系统
CN115422209B (zh) * 2022-11-07 2023-02-03 东方电气风电股份有限公司 一种风电案例数据处理系统及方法
CN116771596A (zh) * 2023-06-30 2023-09-19 渤海石油航务建筑工程有限责任公司 海上风电场尾流转向控制方法及相关设备
CN116596165B (zh) * 2023-07-17 2023-10-13 国网山东省电力公司汶上县供电公司 一种风力发电功率预测方法及系统
CN117078116B (zh) * 2023-10-17 2024-02-27 华能(浙江)能源开发有限公司清洁能源分公司 风电场选址对海洋生物群落影响的鲁棒性分析方法及系统
CN117152372B (zh) * 2023-10-30 2024-01-30 四川电力设计咨询有限责任公司 一种风电工程三维数字化地理信息服务平台
CN117151352B (zh) * 2023-11-01 2024-01-30 北京大学长沙计算与数字经济研究院 风资源评估方法、系统及计算机存储介质和终端设备
CN117217099B (zh) * 2023-11-08 2024-03-26 云南滇能智慧能源有限公司 一种续建风电机的机位确定方法、装置、设备及存储介质
CN117371299B (zh) * 2023-12-08 2024-02-27 安徽大学 一种托卡马克新经典环向粘滞力矩的机器学习方法
CN117454805B (zh) * 2023-12-22 2024-03-19 浙江远算科技有限公司 基于流体降阶仿真的风机尾流影响计算方法和系统
CN117556713B (zh) * 2024-01-11 2024-04-02 中国空气动力研究与发展中心计算空气动力研究所 一种cfd多可信度高维相关流场的不确定度量化方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150278405A1 (en) * 2014-03-31 2015-10-01 Vestas Wind Systems A/S Method for evaluating a performance prediction for a wind farm
CN108520319A (zh) * 2018-04-02 2018-09-11 太原理工大学 基于大数据的风电场微观选址研究方法
CN109992889B (zh) * 2019-04-02 2023-06-27 上海电气风电集团股份有限公司 风电场模型的建立方法及系统、尾流值计算方法及系统
CN111967205A (zh) * 2020-08-14 2020-11-20 中国华能集团清洁能源技术研究院有限公司 一种基于风加速因子的测风塔微观选址方法
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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022151890A1 (zh) * 2021-01-13 2022-07-21 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
CN113705093A (zh) * 2021-08-25 2021-11-26 广东电网有限责任公司广州供电局 一种杆塔力学响应预测方法、装置、设备和介质
CN113705093B (zh) * 2021-08-25 2024-03-01 广东电网有限责任公司广州供电局 一种杆塔力学响应预测方法、装置、设备和介质
CN113919606A (zh) * 2021-12-14 2022-01-11 山东建筑大学 一种分布式光伏电站智能选址方法及系统
CN116169727A (zh) * 2023-02-14 2023-05-26 中节能风力发电股份有限公司 无测风数据的老旧风电场重建项目发电量评估方法及系统
CN116169727B (zh) * 2023-02-14 2023-11-17 中节能风力发电股份有限公司 无测风数据的老旧风电场重建项目发电量评估方法及系统

Also Published As

Publication number Publication date
WO2022151890A1 (zh) 2022-07-21

Similar Documents

Publication Publication Date Title
CN112818590A (zh) 一种风电场发电量评估及微观选址模型建立方法
EP3791060B1 (en) Wind turbine control method
CN104699936A (zh) 基于cfd短期风速预测风电场的扇区管理方法
Şişbot et al. Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm
Liu et al. Wind power plant prediction by using neural networks
CN102663251B (zh) 基于计算流体力学模型的风电场功率物理预测方法
CN107194097B (zh) 基于风电场气动模拟和风速风向数据的分析方法
CN110543649B (zh) 基于快速评估流体模型和尾流模型的风机排布方法和装置
EP3545193B1 (en) Improving annual energy production of wind turbine sites
CN101684774A (zh) 一种风力发电系统及风力发电机的测风方法
CN101794996A (zh) 风电场出力实时预测方法
Nigussie et al. Design, modeling, and CFD analysis of a micro hydro Pelton turbine runner: for the case of selected site in Ethiopia
CN113205210B (zh) 复杂地形风电场风速与功率预测方法、系统、设备及存储介质
Ahmad et al. Field implementation and trial of coordinated control of wind farms
Badoe et al. Robust validation of a generalised actuator disk CFD model for tidal turbine analysis using the FloWave ocean energy research facility
CN113994087B (zh) 经由机器学习通过选择控制器来控制风力涡轮机的量的方法和系统
EP3771822A1 (en) A method for computer-implemented determination of a vertical speed wind profile of a wind field
CN105023099A (zh) 一种考虑湍流强度的风力发电机出力评估方法
Poushpas Wind farm simulation modelling and control
CN117195449A (zh) 一种风电场排布优化方法、装置、设备及介质
CN109766611B (zh) 一种考虑地形坡度的风电场功率简化预测方法
Peeringa Comparison of extreme load extrapolations using measured and calculated loads of a MW wind turbine
CN115713029A (zh) 一种考虑迟延的风电场随机模型预测优化控制方法
CN112926212A (zh) 一种内陆平原风能资源评估方法、系统及风机选址方法
Kirchner-Bossi et al. Wind farm power density optimization according to the area size using a novel self-adaptive genetic algorithm

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210518

WW01 Invention patent application withdrawn after publication