CN112868157A - 用于将电功率馈送到供电网中的方法和风电场 - Google Patents

用于将电功率馈送到供电网中的方法和风电场 Download PDF

Info

Publication number
CN112868157A
CN112868157A CN201980068075.4A CN201980068075A CN112868157A CN 112868157 A CN112868157 A CN 112868157A CN 201980068075 A CN201980068075 A CN 201980068075A CN 112868157 A CN112868157 A CN 112868157A
Authority
CN
China
Prior art keywords
power
wind
expected
wind farm
variable
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.)
Pending
Application number
CN201980068075.4A
Other languages
English (en)
Inventor
约翰内斯·布龙巴赫
马库斯·莱泽尔
斯旺特耶·阿梅尔斯贝格
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.)
Wobben Properties GmbH
Original Assignee
Wobben Properties GmbH
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 Wobben Properties GmbH filed Critical Wobben Properties GmbH
Publication of CN112868157A publication Critical patent/CN112868157A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F03D7/0284—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power in relation to the state of the electric grid
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F05B2260/8211—Parameter estimation or prediction of the weather
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/103—Purpose of the control system to affect the output of the engine
    • F05B2270/1033—Power (if explicitly mentioned)
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/335—Output power or torque
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种用于将电功率借助于至少一个具有多个风能设施的风电场馈送到供电网中的方法，其中风电场在电网连接点处将电功率馈送到供电网中，并且对于预定的馈送时间段确定预期功率(PF)，其中预期功率说明功率的值或功率的时间变化曲线，由其预期，其为至少一个风电场在预定的馈送时间段中作为风中的功率提供，尤其作为风电场的全部风能设施的全部转子功率的总和和/或作为风电场的可馈送的功率，并且其中对预期功率确定预期精度，所述预期精度是代表功率在馈送时间段中以何种精度达到预期功率的度量，和/或其中为了确定预期功率(PF)，借助于气象预测来确定至少一个代表应预期的风速的风预期值(PMO )，附加地借助于校正规则与本地气象数据和/或风电场的运行数据相关地来确定或验证出自气象预测的风预期变量，其中期望功率(PF)基于风预期变量(PMO)来确定。

Description

用于将电功率馈送到供电网中的方法和风电场
技术领域
本发明涉及一种用于将电功率借助于至少一个具有多个风能设施的风电场馈送到供电网中的方法。本发明也涉及一种对应的风电场。
背景技术
用于将电功率借助于组合多个风能设施的风电场馈送到供电网中的方法是普遍已知的。除了用于消耗器供电的纯功率馈电之外，这种风电场也越来越多地面临在电网系统服务的领域中的任务以及或包含支持任务直至电网重建的任务或者甚至直至准备或执行所谓的黑启动。这些任务对于风电场而言部分难以满足，尤其因为其初级能量、即风不仅会强烈地波动，而且也会难以预测。
在此尤其成问题的是，常规的气象预测虽然是相对准确和可良好获得的，但是对于与风电场的相对小的地理空间相比较大的地理空间而言规律地存在。在大型风电场中，附加地或替代于此地可能存在如下问题，风电场特别是在其风强方面在风电场的地理区域中不是均匀的。即在风电场的一个地点可能存在与在风电场的其他地点不同的风速并且所述情形可能不断发生变化。
另一方面，可能对于风电场或甚至区域性地对于风电场本地分辨地完成本地的气象预测，所述本地的气象预测对此然而具有小的精度。
因此仍然存在如下基本问题，对于风速从而对于风电场的功率的可预测性是非常不精确的。由此使对于可能的功率馈送的可规划性变得困难。这特别是在如下情况下对于电网重建或甚至黑启动可能是成问题的：这需要如下功率变化曲线，所述功率变化曲线要馈入但是可能由于风扰动不能实现或只能不充分地实现的。
德国专利商标局在本申请的优先权申请中检索到如下现有技术：DE 10 2017 129299 A1，US 9 690 884 B2，US 2014/0 195 159 A1，EP 3 432 091 A1和CA 2 770 637 A1。
发明内容
本发明因此基于如下目的，解决上述问题中的至少一个问题。尤其地，要改进用于风电场的可用功率的可规划性。至少要对迄今为止已知的解决方案提出一种替选的解决方案。
根据本发明，提出根据权利要求1所述的方法。因此，以一种用于将电功率借助于至少一个风电场馈送到供电网中的方法为出发点。这种风电场具有多个风能设施，至少一个风能设施经由共同的电网连接点馈送到供电网中。因此，风电场在电网连接点处将电功率馈送到供电网中。
此外提出，确定在预定的馈送时间段中的预期功率。预期功率说明如下功率的值或如下功率的时间变化曲线，由所述功率应预期，所述功率供至少一个风电场在预定的馈送时间段中作为出自风的功率使用。这首先一般性地理解成，所述风功率存在并且也至少理论上可以由风电场接收和转换。这首先能够忽视技术界限。
尤其地，预期功率能够理解成风电场的全部风能设施的全部转子功率的总和。在每个风能设施处存在风，所述风作用于风能设施的转子并且就此而言对于转子可作为功率提供，这称作为转子功率。风电场的预期功率于是是风电场的全部风能设施或风电场的全部所观察的风能设施的全部所述转子功率的总和。
但是预期功率也能够理解成风电场的可馈送的功率。风电场的这种可馈送的功率与全部转子功率的总和可以不同在于，也可以称作为馈送功率的可馈送的功率能够将功率损耗和功率限制一起考虑，因此那么通常小于全部转子功率的总和。
现在附加地提出，对于预期功率确定预期精度，所述预期精度是代表功率在馈送时间段中以何种精度达到预期功率的度量。因此，预期精度就此而言是代表功率预估的品质的度量。在此已特别认识到，不仅重要的是，尽可能精确地确定预期功率，而且对于良好的可规划性也重要的是，可以估计，如果达到预估的馈送时间段，那么随后功率实际以何种程度偏离预期功率。对此存在给出预期精度的不同建议，这在下文中还予以详细说明。量化预期精度的可能性给出P90值，所述P90值描述至少以90％的概率出现的风电场功率。因此，借此量化的功率或更高的功率以90％的概率出现。P90值因此能够根据一个变型方案形成预期精度。
此外或替选地提出，为了确定预期功率，借助于气象预测来预确定至少一个代表要应预期的风速的风预期变量(PMO )，并且附加地借助于校正规则与本地气象数据和/或风电场的运行数据相关地确定或验证出自气象预测的风预期变量，其中基于风预期变量(PMO)来确定预期功率(PF)。
气象预测、即尤其针对比风电场所占据的空间更大的地理区域创建的气象预测能够在风电场处具有偏差或错误。对此已知的是，当将本地的气象数据和/或风电场的运行数据用于改进时，这种偏差或错误能够至少被减小。本地的气象数据和风电场的运行数据也能够称作为本地的风电场数据。其可以包括在风电场或其周围环境中的气象数据，如风速、风向、温度、降水和气压，但是还有具体的运行数据，如产生的或输出的功率。本地的气象数据或其中的一些也能够在风电场中检测，如例如风速和风向。风向也可以从风能设施的方位角位置中推导出。
所述本地的风电场数据于是可以用于修正气象预测，以便获得对于确定风预期变量的更好的基础。风预期变量因此作为预估确定并且能够通过校正规则获得高的精度。
风预期变量本身可以是风速或也可以是风速的变化曲线，所述变化曲线因此尽可能地描绘应预期的风速。但是其也可以是其他代表性的变量，如例如归一化的值，所述值例如可以对额定风速归一化。但是也考虑，在此已经可能基于如下功率，例如转子功率，即所述功率可能借助应预期的风速产生。
也可考虑，风预期变量特别是根据风电场的运行数据来验证。特别是对变型方案提出，风预期变量本身是功率并且与实际功率相比较。一个可能性在于，风预期变量是功率变化曲线，所述功率变化曲线在预定的预估时间段中已创建。预估时间段的起始点可以对应于当前的时刻并且其余的预估时间段因此位于未来。那么可以将在预估时间段的起始点的风预期变量、即其功率值与风电场的当前的功率值、类似的功率比较。如果这两个功率值例如相差偏差因数，例如预估的功率值低于风电场的当前的功率值20％，那么能够将预估以20％、即偏差因数修正。这表示，在整个预估时间段中以所述偏差因数修正风预期变量。所述偏差因数于是是校正规则。
该原理在如下情况下类似地也可应用于风预期值：所述风预期值是预估的风速并且与测量的风速比较，称作另一实例。这也可以应用于其他情况，如例如风向，其中风向可以特别考虑作为用于风速的边界条件。但是特别是对于考虑电场效应，风向可以是重要变量。就此而言，风预期变量可以包括多个变量，即根据一个实施方式为风速和风向。
最后，基于风预期变量来确定预期功率。风预期变量就此而言仍与风电场的具体数据，如电场中的技术可用性或阴影效应基本上无关，并且基本上是对风的预估，相反地预期功率具体地涉及电场随后可以馈送或产生的功率。在一个实施方式中，预期功率可以对应于风预期变量。
根据一个实施方式提出，气象预测在预测时间段中创建，并且风预期变量和/或预期功率作为短期预估在预估时间段中创建，其中预测时间段是预估时间段的至少十倍大，优选至少五十倍大，尤其至少一百倍大。这特别是表示，气象预测与短期预测相比也伸展到将来更远。在此特别是已认识到，短的预估时间段对于电网重建或黑启动是足够的，并从而短的、精确的预测与长的、不精确的预测相比对此是更好的。
特别地，在此因此基于技术目的，而不是经济目的。确定风预期变量、即特别是短时预估并不用于计算电费或者根据电费控制风电场的运行，而是短时预估由此能够实现使风电场也承担对于供电网的可规划的支持任务。短时预估的预估时间段特别是处于至多一个小时的范围中，尤其处于至多半小时的范围中，相反地气象预测的预测时间段处于高于数小时的范围中，特别高于半天，或者甚至高于数天。
优选地，可以提出在10分钟至30分钟的范围中的短期预估，尤其大约15分钟。预测时间段特别是可以包括3个日历天，即当日、下一日和再下一个日并且从而根据一个实例不是72小时的意义。优选地添加，每6小时进行一次更新，例如由提供气象预测的气象服务进行。根据多久未进行更新，借助也可以作为在存储器中保存的预估的气象预测因此可以根据日间时间对未来的48至72小时进行预估。这形成用于对此改进的短期预估的基础。但是原则上也考虑，替代日历天考虑整日，使得于是存在对于72小时的气象预测。但是原则上也可以考虑其他预测时间段，但是所述其他预测时间段对于气象预测通常为至少一个完整天。
预估时间段因此明显短于预测时间段。风预期变量和预期功率通常具有相同的时间横坐标和从而具有相同的预估时间段，使得二者于是优选地都设为短时预估。
此外或替选地提出，反复地或连续地分别在比较时间段中预确定风预期变量。所述比较时间段原则上可以对应于馈送时间段，但是优选地为自身的较短的时间段，所述时间段也对应地被反复重新限定或者在连续预确定的情况下也能够是滑动的比较时间段。
对此提出，在已预确定风预期变量的每个比较时间段中执行预测比较。在所述预测比较中，将预测变量与当前的风变量比较，所述当前的风变量代表相应的比较时间段的当前的风速。预测变量例如可以是风预期变量，但是所述风预期变量例如也可以是预期功率。也考虑，这特别是在风预期变量的情况下是风速或风速的变化曲线。这于是与当前的风变量比较，所述当前的风变量代表相应的比较时间段的当前的风速。
特别地，在此当然也比较相同单元的变量，即例如两个功率或两个风速，或者两个标称变量。对应地，当前的风变量也可以是风速或者例如也可以是功率，即所述功率在瞬时代表当前的风速。例如对此考虑，使用随后实际产生的电场功率。必要时，这在如下情况下还以计算机的方式改变：例如电场中的风能设施故障，中央控制单元能够知道这。
如果在该情况下风电场达到其额定功率并从而随后被限制，那么可能例如从其他主要数据、例如转子叶片位置中计算出更大可用功率。
就此而言，因此在预估的值和实际值之间执行比较，所述比较可以称作为预测比较。从所述预测比较中确定至少一个匹配规则，以便借助于至少一个匹配规则来改进预期功率。作为改进尤其考虑，改进用于从风预期变量中计算预期功率的计算规则。此外或替选地，可以借助于匹配规则来改进校正规则。
在最简单的情况下，为了对此进行说明，匹配规则可以是因数，例如1.2或0.8，计算规则、校正规则和/或其他规则与所述匹配相乘，因为因此在预测比较中找出，预期功率比实际功率低20％或高20％。所述匹配规则尤其也可以在比较时间段中是有利的并且在理想情况下应用于任意馈送时间段。
但是也考虑，匹配规则直接应用于风预期变量或预期功率。但是也考虑除了仅阶乘匹配的匹配，这也随后还予以阐述。特别是也考虑，借助匹配规则来修正时间偏移。这也能够直接执行，或者经由计算规则、校正规则和/或其他规则执行。
在此，尤其基于如下构思，即气象预测是非常精确的，但是在地点信息方面不完全精确。类似于云，但是风速也继续前进并这样已认识到，本地的不精确性通常会是时间上的不精确性，即预估的风速，或还有预估的风向在该风电场处略晚于预测才出现，或略早地出现。因此可行的是，例如风预估预测在特定的时间段中的特定的风轮廓并且所述风轮廓因此实际也类似地在该风电场出现，然而略晚或略早。这也能够在预测比较中识别并且对应地确定匹配规则。
在任何情况下，最后基于风预期变量和匹配规则来确定预期功率，其中后者直接地或间接地具有如在上文中已描述的影响。
优选地，利用功率估计器来确定预期功率。在此情况下特别提出，从估计的风速或估计的风速变化曲线中经由功率估计器来确定预期功率。这种功率估计器能够构成为状态观察器，所述状态观察器模仿风能设施或风电场和其如何获得风速连同风向作为输入变量并且随后作为模型，风能设施或风电场如何表现并且对应地也输出功率作为系统变量。
此外或替选地，预期功率可以附加地在考虑边界条件的情况下确定。在此，可以考虑一个或多个在下文中阐述的边界条件。特别是，可以考虑风电场的风能设施的技术可用性。这在最简单的情况下表示，考虑风电场的风能设施中的哪些风能设施处于运行中或者一个或多个风能设施是否故障，因为其例如必须暂时被维护。
但是也考虑，电场的一个风能设施或多个风能设施减少地运行。也考虑对功率极限的达到。这种功率极限可以是额定功率，但是这种功率极限也可以是人为预设的极限，如例如出于噪声防护的原因预设的极限，仅称作一个实例。这种限于是可能仅涉及电场的一个或个别风能设施。其他极限功率也可以通过风电场所馈送的供电网的电网运营商预设。
关于可用的可控制的负载的信息也可以是边界条件。在此特别考虑，这种负载，例如通过风电场运行的冷库可能在功率隘口的情况下在其功率吸收中至少暂时退后。由此，可能潜在地激活功率。这尤其在如下情况下是有意义的，即当应避免低于最小功率时。
作为其他边界条件考虑，考虑关于可用于馈送电功率的存储器的信息。这种可用的存储器可以在特定的时间段中提供功率并从而克服过强的功率骤降。这尤其也适合于，避免馈送的功率的过强的下降。
特别是，在上文中提到的边界条件也可以考虑用于确定预期精度。因此，小的存储器容量或还有可控消耗器的小的功率吸收已经可以提高保证的最小功率和从而提高对最小功率的对应的预测。低于最小功率的问题因此通常在于，这由于罕见的理想持久的风仅短时和可能也仅罕见地发生。于是在此为了改进风电场的总功率平衡，即尤其绕开罕见的骤降，这种小的功率或在存储器方面小的能量有时可能就足够了，因为其余的时间通常可以弃用这种支持。
另一边界条件是关于风电场中的跟随效应的信息。在此特别是已认识到，并非仅仅各个风能设施的功率特征曲线连同风预测允许具有高的精度的功率预估。更确切地说已认识到，电场群中的风能设施的功率可以小于在风能设施作为单独存在的风能设施运行的情况。对此，一方面通常假设，在风电场中风场相对于开阔空间减弱。
但是也能够考虑，具体的跟随效应影响各个风能设施的功率。如果一个风能设施处于另一风能设施之后，即关于主导风向处于另一风能设施之后，那么所述处于后方的风能设施会获得明显较少的风并从而产生对应较少的功率。然而这非常强地与风向相关并且风向的小程度的变化已经会引起，所述之前处于前面的风能设施之后的后方的风能设施不再与所述跟随效应有关。这能够考虑为边界条件。
替选地或附加地提出，预期功率附加地在单独考虑风电场的风能设施的条件下确定。对此特别是提出，对于风电场在表格中为每个风能设施保存其技术性能。附加地对此提出，表格针对每个风能设施与其方位角方向相关地或与风向相关地和可选地与日间时间相关地分别保存预测的技术性能。附加地或替选地，性能能够根据风速来存储。对此，可以设有多维表格。此外，于是连同预测的风速一起，能够确定或改进预期功率。优选地，可以为预期精度提出不同的变型方案，据此于是预期精度包含或形成在下文中阐述的信息。预期精度在此也能够包含多个或全部在下文中阐述的信息。
一个优选的变型形式在此为，预期精度说明第一功率极限，所述第一功率极限就其而言说明功率或功率变化曲线，以预定的实现概率在预定的馈送时间段中不低于所述功率或功率变化曲线。因此例如能够说明恒定的功率值，或者关于时间、即关于馈送时间段的风轮廓，例如以95％的概率在预定的馈送时间段中不低于所述风轮廓，即并非唯一一次低于。
借助这种说明，于是能够进行非常好地规划。如果可容忍所述例如提到的95％的概率，所述概率在此因此表示预定的实现概率，即如果可容忍剩余的5％可能出现，那么特别如此。在此也应考虑，通常多个风电场能够以相同的方式和方法工作。只要仅以5％预期短时低于在风电场中所预测的预期功率，不一定的是，其余的以类似的方式工作的风电场刚好在同一瞬时具有所述功率骤降，所述功率骤降仅以例如提到的5％预期。换言之，预定的实现概率不一定要处于1，即处于100％。
根据一个实施方式，预期精度可以附加地或替选地说明第二功率极限，所述第二功率极限就其而言说明如下功率或功率变化曲线，在中期平均值中不允许低于所述功率或功率变化曲线。因此允许非常短期地低于功率变化曲线，但是不允许长期地低于功率变化曲线。这种中期平均值特别是在10-60秒的时间段中确定的平均值。因此如果功率在5秒中骤降到低于第二功率极限，然而在此之前和在此之后明显高于其，那么中期平均值整体上不低于第二功率极限。在此也又有意义的是，特别是对于电网运营商而言，风电场的单功率与多个馈送到其电网中的风电场的总功率相比不那么重要。因此，只要在中期平均值中不低于第二功率极限，那么可以假设，短期的低于几乎不被供电网所觉察，因为各式各样的其他进行馈送的风电场——如果终归存在——不在同一瞬时具有功率骤降。
同样地，根据另一实施方式附加地或替选地提出，预期精度说明第三功率极限，所述第三功率极限就其而言说明如下功率或功率变化曲线，在短期平均值中不允许低于所述功率或功率变化曲线。这种第三功率极限在此通常低于第二功率极限，因为短期平均值比中期平均值更强地波动并从而也会具有更低的值。作为短期平均值，在此特别假设在5-10秒的时间段中的平均值。总功率在此对于电网运营商而言也是重要的，所述总功率在多个风电场的预期精度相同地确定和作用方式相同的情况下通过所述多个风电场馈送。
根据另一实施方式提出，气象预测或用于创建气象预测的气象数据由外部的气象服务定期地传输给至少一个风电场。风电场就此而言对于气象预测不进行自身的测量，而是特别也利用一般性可供使用的气象预测。这种气象预测也可定期地准备，使得风电场中的过程计算机能够对其进行处理。
对此此外提出，风电场至少暂时存储分别传输的气象预测。这以预见的方式针对外部的气象服务的可能的中断而设想。在对于外部的气象服务的中断的情况下，于是因此基于至少一个所存储的气象预测来估计预期功率。于是因此直观地说，存在与如果没有对于外部的气象服务的中断时在那个时刻可用的气象预测相比更老的气象预测。
对于所述情况于是特别提出，在考虑本地的当前的气象测量值的条件下调整所存储的气象预测，特别是，借助于校正规则与本地的风电场数据相关地改进所述气象预测。在此特别是基于如下构思，例如气象预测已经预测从16点的4m/秒到17点的8m/秒的升高的风速。但是本地的当前的气象测量值例如在16:20才识别出，风速从4m/秒开始升高。那么，连同存储的气象预测一起可以假设，直至17:20，风速升高到8m/秒。
在所述简化的实例中，因此甚至更老的气象预测已经能够预测风速的升高，本地的测量在此能够有助于使所述预测精确，在简化的实例中即仅关于风速升高的开始点。就此而言已找到解决方案以使预测非常精确地匹配于风电场。所描述的原理此外也可以用于如下情况，在所述情况中不必存储气象预测。但是对于必须存储气象预测的情况，由此可以始终还实现对于具体风电场的非常好的预测质量。
在此也已认识到，能够基于长期的气象预测以良好的精度创建风预期值的短时预估。长期的气象预测能够从气象服务也较长时间事先被获取。短时预估特别是设为用于黑启动或电网重建。如果出现这种情况，那么与气象服务的数据连接会中断。但是仍存在较老的气象预测，风电场较早前已经存储了所述气象预测。所述较老的气象预测于是能够基于本地的风电场数据改进。对于本地的风电场数据或者至少其一部分，不需要与气象服务的数据连接，所述数据连接即可能中断。但是通过使用之前存储的气象预测，至少短时预估至少还能够追溯较老的气象预测，并且通过本地的风电场数据改进预测质量。
根据另一实施方式提出，基于预期功率规划黑启动和/或电网重建。黑启动是如下情形，在所述情形中，无需任何外部辅助启动馈电器、在此即风电场、供电网或其电网部段。所述电网部段因此是无电压的并且风电场必须在对应的频率下构建对应的电压并且在此将功率提供给与电网部段连接的第一消耗器。
接着之后可以是电网重建，在所述电网重建中，无电压的或至少彼此分离的其他电网部段再次连接并且随后具有带有共同的电网频率的电网电压并且能够传输功率。但是也能够规划不具有之前的黑启动或者至少不具有通过风电场的黑启动的电网重建。
对于这种规划，了解可用的功率是非常重要的。所述了解至少对于如下时间段必需，在所述时间段中，电网运营商在黑启动和/或电网重建期间还能够反应或者自动的电网调节器能够反应。原因是，完全可以接受，风电场由于在15分钟的时间段中即将到来的风力不足而降低馈送功率，只要电网运营商知道该情况并且能够对应地起动其他风电场或发电厂。但是在此也应一起考虑和规划在黑启动或电网重建之后的时间段，其方式为：启动的或重建的电网也必须设立在稳定的工作点中。就此而言，必须已知可用功率的所述时间段能够是相对长的，例如四分之一小时或者甚至半个小时。对此短时预估在时间上仍是足够的。
此外或替选地提出，电网连接点连接于供电网的电网部段，并且在此将预期功率传输给运行所述电网部段的电网运营商，即作为关于预期功率的信息。就此而言，电网运营商能够借助风电场的功率规划。尤其地，这在电网构建情形的情况下也是有帮助的，在所述电网构建情形中，至少所述电网部段故障。该电网运营商于是能够使用向其报告为可用的功率并且基于此协调电网构建。
可选地，除了传输预期功率之外，也能够传输预期精度。由此，电网运营商还能够更好地进行规划，因为其还清楚地知道，其在何种范围中可以信任这。对此也适用的是，所述效应特别是可以通过如下方式引起，即多个风电场同样地工作，尤其使得全部所述信息可以是自动化的，电网运营商因此可以将所述信息在过程计算机中汇总。
预期精度在此也可以如在上文中阐述的那样涉及不同的变型形式。此外，预期精度也可以至少部分地在气象预测的情况下被一起传输。所述预期精度因此能够至少部分地是风电场从外部气象服务获得的信息，尤其以计算机可处理的形式获得。
此外或替选地提出，考虑精度期望值，所述精度期望值说明，应以何种预期精度来提供预期功率，其中精度期望值优选地从外部、尤其从电网运营商接收。因此提出，替代精度量化创建的预估，或者对此附加地，使预估面向预设的精度。
已认识到，根据情形，特别是供电网的状态，能够要求较高的精度，这可以引起对应较小的所确保的功率。也能够要求较小的精度，那么具有可能较高的功率。通过传输这种精度期望值，电网运营商能够与情形相关地在预估时间段中、尤其例如在15分钟中影响可提供的功率，其方式为：所述电网运营商关于精度期望值要求改变的精度。在电网重建开始时，要求的精度可以是最大的，但是如果在系统中的安全性是足够的，尤其当其不精确性可以补偿的其他风电场足够可供使用时，可以供应更多负载，其方式为：降低精度期望值。
根据一个实施方式提出，气象预测包括应预期的风速的至少一个时间变化曲线。此外或替选地，气象预测能够在预定的重复区间中输出应预期的风速的值。换言之，可以使用应预期的风速的连续的或近似连续的时间变化曲线。如果气象预测在预定的重复区间中输出应预期的风速的值，那么这尤其能够位于1-5分钟的范围中。因此，每1分钟或每5分钟或在其之间的范围中确定和输出一值，使得得出几乎连续的变化曲线。所述值应与更新率不同，借助所述更新率更新存在的气象预测或者对此的气象数据，这可以位于6小时的范围中。
从气象预测中于是确定预期功率并且此外或替选地确定预期功率的最小值作为时间功率变化曲线。这尤其能够借助于功率估计器进行。从风速的连续的或近似连续的时间变化曲线中因此确定预期功率作为变化曲线，即作为关于时间的变化曲线。
针对所述功率变化曲线于是提出，将其借助于匹配规则移动、拉伸和/或压缩。这特别是涉及功率变化曲线的幅值，使得其近似高地或向下移动或压缩。优选地或附加地也可能的是，涉及其时间扩展。功率变化曲线因此能够在时间上前移或回移或拉伸或压缩。
基于如下知识，气象预测原则上假设为是正确的且可靠的。尤其假设，从气象预测中计算的功率变化曲线在其基本轮廓中基本上是适用的。然而已认识到，这种功率变化曲线可以在具体的风电场处例如比从气象预测中已获取的功率变化曲线可能略早地或略晚地出现。原因特别会在于，气象预测更全局地、即对于更大的区域创建。根据风电场刚好在所述更大的区域中所处的位置，例如刚好在其中部，所预测的气象变化曲线、尤其从中推导出的功率变化曲线在风电场中略早地或略晚地出现。这能够通过对应的移动来补偿。也可能的是，在达到风电场时变化曲线略微延迟并从而是拉伸的，这可以通过压缩补偿。类似地，也考虑压缩，所述压缩可以通过拉伸补偿。
类似内容对于幅值也可以适用，因为在达到风电场时幅值可能在较长的路径中可能增大或减小。同样内容适用于较短的路径，即特别是关于较大的区域的中点，对于所述较大的区域已创建所述气象预测。这种幅值变化也可以调整。借此，改进气象预测和从中推导出的功率变化曲线，而原则上不必询问气象预测或功率变化曲线。气象预测由此能够以简单的方式和方法匹配于风电场的具体地点。这种或其他匹配也能够称作为再拟合。可能地，风电场或其较近的周围环境也具有特定的形貌，所述形貌例如能够使风减速，使得在风电场中原则上假定减小的功率变化曲线。这能够对应地通过控制幅值来补偿。根据一个实施方式提出，为了确定校正规则和/或匹配规则，记录在风电场中的和/或在风电场的地点附近的对风电场的气象测量值。借此，可以对应地改进气象预测，特别由此所述气象预测可以匹配于当前的地点值，或者根据所述值来调整。
提出作为气象测量数据，记录风速，附加地或替选地记录风向，附加地或替选地记录温度，附加地或替选地记录空气密度以及附加地或替选地记录日光照射。借助所述值特别是也可以与气象预测进行比较，并且从中例如可以推导出，在风电场处所预测的气候变化曲线是否在时间上位于气象预测之后，或者位于其之前。对应地，可以确定校正规则。这原则上能够在每次比较所述气象测量值时执行，但是特别是与相应的变量如何重要相关。
但是匹配规则也能够与如下内容相关地确定，即何时将所述测量值中的至少一个、尤其风速与预估比较。这些值、例如风向也能够考虑为边界条件。
此外或替选地提出，为了确定校正规则和/或匹配规则，能够使用风电场的风能设施的测量值和/或运行值。尤其提出，从测量值和/或运行值中估计可用的功率。在此，特别基于如下构思，风能设施本身已经由于其运行性能至少允许关于主导的风况的结论。特别属于此的是，从功率、转速和叶片位置和方位角位置和当然还有风能设施的特征变量中可以推导出风速。从在风能设施中通常也明确已知的方位角位置中，可以对应地推导出风向。全部这些也能够用于比较，特别是用于预测比较，以便确定匹配规则。
校正规则也能够借助于风电场的值中的至少一个值确定，其方式例如为：风电场的所估计的可用功率允许推断出气象数据，以便从中完成对气象预测的校正。
根据另一实施方式提出，在风电场的风电场计算单元上执行风电场的预期功率的确定。因此在本地现场进行计算并且计算尤其具有如下优点，风能设施的或风电场的可能的设施值能够以简单的方式和方法一起评估，而对此不需要耗费的传输。
尤其地在此提出，风电场计算单元设有不间断的电流供应装置，并且风电场计算单元在供电网的电网故障的情况下在使用不间断的电流供应装置的情况下继续确定预期功率并且将其传输给电网运营商或所述电网运营商。在此特别是基于如下构思，通过提出的方法，风电场能够，也在电网故障的情况下可以尽可能精确地估计当前的气象情形并从而具有如下信息，多少功率可能提供用于风电场的再启动并且从而可供用于支持或重建供电网或其一部分。所述信息能够传输给电网运营商并且所述电网运营商可以借此进行规划。
不间断的电流供应装置也能够用于，控制和/或执行记录本地的气象数据和/或风电场的运行数据或者提供对此所需要的供应电流。对于具有在其上存储有较老的气象预测的数据存储器的计算单元，尤其风电场计算单元，不间断的电流供应装置能够提供供应电流。
根据一个实施方式提出，在预测比较时作为预测变量将预确定的风预期变量或预期功率与当前的风变量进行比较。预期功率特别是对应于输出功率，风电场最终将所述输出功率馈送到供电网中并且能够将所述输出功率与当前的风变量比较，所述当前的风变量于是对应地是风电场的当前的输出功率。
但是也能够将中间变量用于比较。预确定的风预期变量对应于这种中间值，所述中间值例如能够说明如下功率，所述功率还大于实际馈送的功率，因为例如还考虑电场中的效应，例如跟随效应。风预期变量也能够是风速，所述风速已被预测并且与在风电场中的或在风电场的附近的代表性的测量值比较。
根据一个实施方式提出，风预期变量借助于气象模型从气象预测中、尤其从气象预测的气象数据中确定。气象模型可以包含校正规则，或者校正规则连接在气象模型下游。可选地，理想化的馈送功率借助于风功率模型从风预期变量中确定。如果确定理想化的馈送功率，那么预期功率借助于可用模型从理想化的馈送功率确定。对于所述情况，所述方法因此包括至少三个步骤，即从气象预测中确定风预期变量，从中确定理想化的馈送功率，并且从中确定预期功率。
替选地考虑，预期功率借助于风电场模型从风预期变量中确定。预期功率就此而言无需中间步骤经由理想化的馈送功率从风预期变量中确定。
尤其提出，预期功率利用功率估计器或所述功率估计器确定，其中功率估计器包括至少一个下述模型或者下述模型之一，即气象模型、风功率模型、可用性模型或风电场模型。
四个单独模型在上文中详细阐述并且在此尤其基于如下建议，即所述模型可以组合在功率估计器中。可能也考虑，仅所述模型中的一些模型组合在功率估计器中。于是特别是气象预测或在此确定的变量可以形成用于功率估计器的输入，其中可以添加其他输入变量。结果、即功率估计器的输出变量于是是预期功率，基于对应的输入数据。以所述方式和方法也可以将上述步骤结合在功率估计器中。对此例如分别使用的模型可以依次连接。
根据一个实施方式提出，气象模型借助于气象模型调整来调整。气象模型调整在此可以视作为匹配规则或至少一个匹配规则中的一个。同样地，附加地或替选地，风功率模型能够借助于风功率模型调整来调整。在此于是风功率模型调整是所述匹配规则或所述匹配规则之一。
优选地，校正规则借助于至少一个匹配规则之一来调整。根据一个变型形式，如果校正规则是气象模型的一部分，这也能够包含在气象模型的调整中。
同样地，此外或替选地，可用性模型可以借助于可用性模型调整来调整。在此于是能够将可用性模型调整视作为至少一个匹配规则之一。
此外或替选地提出，风电场模型借助于风电场模型调整来调整。对应地，于是风电场模型调整能够视作为匹配规则。
因此，根据一个实施方式提出，对所述四个模型中的每个模型进行调整。所述调整特别是可以进行成，使得相应的模型的结果与对应的测量值或至少与从当前值中求取的当前值比较并且将该比较用于调整相应的模型。
优选地，功率估计器特别是当其用于确定理想化的馈送功率或期望功率时构成为神经网络。对此提出，神经网络在离线方法中被训练。尤其地，所述神经网络借助风电场的气象测量数据来训练。附加地于是提出，为了确定理想化的馈送功率或预期功率，使用经训练的神经网络。
尤其地，这种神经网络的使用和训练是实现调整的可行性。使用神经网络特别具有如下优点，功率估计器应分别应尽可能基于的结构上的关联关系在使用这种神经网络时必须不那么精确地知悉，只要仅神经网络的结构、包括平面足够大地选择。
特别是，在此也基于如下构思，特别临界的情况仅在电网重建的极少情况下或甚至在黑启动时出现，在所述特别临界的情况下应尽可能精确地预测功率。在正常情况下，就此而言可以训练神经网络。只要结果不用于控制风电场，那么在其中也考虑离线方法，因为在此求取的值并不直接包含到调节中，而是被存储。由此，神经网络和从而特别是功率估计器在运行进行时始终得以进一步改进。
当必须执行这种电网重建或黑启动并且在此与提供气象预测的气象服务的连接中断时，那么尤其可以使用所述结果。于是因此优选地追溯所有更老的所存储的预测，所述预测对应地可以需要对风电场的高的匹配。
根据本发明也提出一种风电场。所述风电场设为用于将电功率馈送到供电网中，并且提出，风电场连接于电网连接点，以便将电功率馈送到供电网中。此外，所述风电场具有估计装置，以便确定在预确定的馈送时间段中的预期功率。所述估计装置能够作为设备实现，但是也能够作为实现的程序在控制计算机中、尤其在中央电场计算机中实现。
在此提出，预期功率说明如下功率的值或如下功率的时间变化曲线，由所述功率预期，所述功率为至少一个风电场在预确定的馈送时间段中作为来自风中的功率可供使用，尤其作为风电场的全部风能设施的全部转子功率的总和和/或作为风电场的可馈送的功率。预期功率的不同的可能的意义已经结合用于馈送的方法阐述并且在那里说明的阐述在此也适用。
此外提出一种评估装置，以便为预期功率确定预期精度，所述预期精度是代表功率在馈送时间段中以何种精度达到预期功率的度量。所述评估装置也可以设作为设备或作为程序实现。
此外或替选地提出，用于确定预期功率的评估装置
-包括风预期估计器，所述风预期估计器配置用于，借助于气象预测来确定或验证至少一个代表应预期的风速的风预期变量，和
-包括校正单元，所述校正单元配置用于，基于气象预测附加地借助于校正规则与风电场的本地的气象数据和/或运行数据相关地确定风预期变量，其中
-估计装置配置用于，基于风预期变量确定预期功率。借此风电场配置用于，确定预期功率，如在上文中结合用于馈送电功率的方法的方面所阐述的那样。风预期估计器、校正单元和/或估计装置能够单独地或组合地设作为设备或作为在过程计算机中实现的解决方案。
此外或替选地提出，风预期估计器配置用于，反复地或连续地借助于气象预测分别在比较时间段中预确定风预期变量。风预期估计器因此使用气象预测，以便始终对此重建，尤其连续地或近似连续地预确定风预期变量。
风预期变量代表应预期的风速并从而能够分别包括风速值。但是也考虑归一化的值，或者还有功率值，其同样可以代表应预期的风速。功率值在如下情况下特别是代表风速：所述功率至基于如下假设，所述功率值分别说明能够借助风能设施或风电场与风速相关地产生的功率。
此外提出一种比较单元，以便对预确定风预期变量的每个比较时间段执行预测比较，其中将预测变量与当前风变量比较，所述风变量代表相应的比较时间段的当前的风速。比较单元也能够构成为设备或实现的程序。
此外提出一种匹配单元，以便从预测比较中确定至少一个匹配规则，以便借助至少一个匹配规则来改进预期功率。匹配单元因此确定匹配规则。这也在上文中结合用于馈送电功率的方法阐述并且在此类似地适用。因此确定匹配规则的匹配单元就其而言也能够设作为设备或程序的实现。
估计装置于是配置用于，基于风预期变量和匹配规则来确定预期功率。
因此尤其提出，风电场配置用于，执行根据至少一个上述实施方式的方法。尤其地，方法对此在利用描述的装置和单元的条件下也可以在中央电场计算机中实现。
附图说明
现在在下文中示例性地参照所附的附图详细阐述本发明。
图1示出风能设施的立体图。
图2示出风电场的示意图。
图3示出用于示意地描述根据至少一个实施方式的方法的结构。
图4图解说明地示出具有不确定性漏斗的图表。
图5图解说明地示出分布曲线。
具体实施方式
图1示出具有塔102和吊舱104的风能设施100。在吊舱104上设置有具有整流罩110和三个转子叶片108的转子106。转子106在运行中通过风置于转动运动并从而驱动吊舱104中的发电机。
图2示出示例性地具有三个风能设施100的风电场112，所述风能设施能够是相同的或不同的。三个风能设施100因此原则上代表风电场112的任意数量的风能设施。风能设施100经由电场电网114提供其功率，即尤其产生的电流。在此，将各个风能设施100的分别产生的电流或功率相加并且通常设有变压器116，所述变压器将电厂中的电压升压变换，以便随后在馈送点118处馈送到供应网120中，所述馈送点也一般性地称作为PCC。图2仅是风电场112的简化图，所述风电场例如没有示出控制装置，尽管自然是存在控制装置。电场电网114例如也能够以其他方式构成，例如通过在每个风能设施100的输出端处也存在变压器，仅称作另一实施例。
此外，风电场112具有中央电厂计算机130，所述中央电厂计算机能够同义地、不仅针对图2的实施方式称作为风电场计算单元。所述中央电厂计算机130特别设为用于，与每个风能设施100通信，尤其传递所述控制指令和/或信息，但是也从风能设施100接收信息。属于所述信息的能够有运行值如当前产生的功率和还有测量值如检测到的风速或测量到的温度。
中央电厂计算机130也能够与气象服务132耦联，以便从那里接收气象预测。但是也考虑，风电场将信息提供给气象服务，这通过双箭头表明。在中央电厂计算机130和气象服务132之间的连接134部分虚线地示出，以便表明，气象服务在地点上可以远离风电场112分开地设置。
此外表明电网运营商136，风电场112同样借助于中央电厂计算机130与所述电网运营商通信。在此也设有电网运营商连接138，所述电网运营商连接通过双箭头表明地能够实现相互通信。电网运营商连接138也部分虚线地示出，以便表明可能的地点距离。
图3示出结构图350，所述结构图图解说明用于实现地点上尽可能精确的风预估或功率预估的方法。对此首先假设，气象服务532提供气象数据，如例如对于一个区域提供对于气压、温度、风和降水的各种分布值，仅称作一些实例，并且此外或替选地可以由一个或多个气象卫星提供气象数据。
这随后输入到预测框352中。在预测框中，例如能够保存数字气象模型或其至少一部分，借助于其和借助于输入的气象数据能够创建气象预测。附加地，在预测框352中实现校正规则，所述校正规则能够与风电场的运行数据和/或本地气象数据相关地改进气象预测，即可以具体地匹配于风电场。就此而言，校正规则可以关于风电场修正、至少改进气象预测，其因此能够针对风电场再拟合气象预测。校正规则也能够作为气象模型的一部分实现。特别地，风速对于当前目的而言是重要的并且从而预测框352尤其输出风预期变量PMO。
所述风预期变量PMO能够是风速或者风速的变化曲线，也就是所述变化曲线在位于未来的比较时间段中预期。特别是，风预期值设为短时预估。因为对于风电场而言关于电功率的信息是特别重要的，在此也可以提出，风预期变量PMO是功率，所述功率代表风速，同样内容于是也适用于风速变化曲线。在此特别是可以将转子功率用作为风预期变量，一个值关于在风能设施的转子上存在的值进行说明。这种值也可以推断出重要的、在此研究的风电场。风预期变量PMO因此可以是在所观察的比较时间段中所有应预期的转子功率的总和。
然而这仍然理解为如下变量，所述变量代表风速并且就此而言在下文中仍不将作为主题的电厂问题或电厂效应或风能设施效应考虑在内。因此在此如果总和基于转子功率，那么这最初是虚拟变量。
风预期变量PMO随后输入到风功率框354中。风功率框354包含风功率模块，借助所述风功率模块从风预期变量PMO中确定理想化的馈送功率Pi。风功率框354能够借助于神经网络模拟风功率模型。风功率框354能够对此从参数框356中获得神经网络的特征。参数框356在此也可以在对应的学习过程之后传送神经网络的整个结构，包括参数化在内。
但是，神经网络的使用仅是一个实例并且也考虑用于风功率模型的其他调控实现方案，所述实现方案同样能够从参数框356中获得对应的参数化，可能结构和/或初始值。也考虑，首先或附加地在风功率框中应用校正规则。这特别是设为用于如下情况，即风预期变量形成功率预估并且在风功率框354中借助于校正规则验证所述功率预估。在风功率框354中的所述校正也能够与风预期变量的其他变化组合。
风功率框354的结果是理想化的馈送功率Pi，当预测、即特别是风预期变量PMO正确并且电场中的全部风能设施也完全可供使用时，所研究的风电场理论上会产生所述理想化的馈送功率。于是预期功率对应于经验证的风预期变量。在此，也一起考虑风向。理想化的馈送功率Pi能够视作为经验证的风预期变量并且其尤其也与风电场中的电厂效应相关。属于此的是地区的一般形貌，风电场位于所述地区中并且所述地区包围风电场，但是风能设施彼此间相互影响。这一方面通常包含风场被风电场减弱，但是另一方面也会涉及上游的风能设施相对于下游的、即刚好处于背风面的风能设施的具体影响。全部这些关联关系在风功率模型中予以考虑，风功率框354应用所述风功率模型。
理想化的馈送功率Pi随后输入到可用性框358中。可用性框358考虑风电场的每个单独设施的技术可用性。可用性框从数据框360中获得对此的数据。在数据框360中因此收集风电场的风能设施的全部可用性数据并且持续地更新。特别是在其中包含，风能设施例如何时故障。但是也考虑，风能设施仅允许降低地运行，因为这例如预设噪声防护规则。全部这种信息对于电厂的每个风能设施存储在数据框360中并且传递给可用性框358。在此，必要时也可以传递相关的风能设施的常规数据，如例如其额定功率，如果这种数据没有已经在可用性框358中固定存储。
在任何情况下，可用性框358能够从理想化的馈送功率Pi中确定风电场的预期功率PF。所述预期功率PF是预测的功率，尤其作为短时预估，所述短时预估于是在理想情况下对应于实际上在风电场中全部检测到的功率，所述功率也能够是由风电场馈送的功率。但是在此也能够使用风当量，即会引起这种功率的风速。
对应地，从象征性示出的风电场312检测所测量的风电场功率PM，或者所述风当量。
不仅预期功率PF而且测量到的风电场功率PM于是被输入到比较框362中并且比较。在此情况下当然使用相同的比较时间段的相应的值或变化曲线。因此如果在例如处于未来半小时的时间段中执行预测，从中求取的预期功率PF对应地与测量到的风电场功率PM比较，所述风电场功率对应地晚了提到的半小时被测量到。就此而言，比较框362也能够是对应复杂的并且尤其也具有用于多个预期功率的存储器。
特别是，比较框362于是也执行评估，其中对此也可以使用单独的框，即匹配单元，所述匹配单元执行所述评估并且创建匹配规则。在图3的实施方式中，这一起集成在比较框362中。
作为结果，在图3的实施方式中不仅得出用于风功率框354的匹配规则和从而得出在那里实现的风功率模型，而且也得出用于预测框352的匹配规则和从而得出一个在那里使用的气象模型或多个在那里使用的气象模型。匹配规则称作为AV1或AV2。
但是也考虑，仅使用这两个所述匹配规则中的一个AV1或AV2，或者也使用其他匹配规则。匹配规则AV2也能够用于校正规则的匹配，所述校正规则在预测框352中实现。
特别是已认识到，在电网重建情形等中，不再有当前的、即新计算的预估可用于再生发电厂，尤其风电场，因为特别是计算中心是离线的或者不再具有数据连接。
尤其在电网重建中需要预估，在那里在停电数小时之后，已经计算的预估已经能够具有与实际可用的功率的明显偏差。预估也应在风电场层面中存在并且此外甚至在风电场层面上计算。对于配电网的主动电网运行控制或者在核算电网管理(Bilanzkreisbewirtschaftung)的情况下以经由电网运营商接口提供的方式使用短期预估。
一个构思是，借助于在风电场层面上对老的预估再拟合来提供所述预估。因此，使用老的预估或气象预测并且匹配于具体的风电场。
特别是，超高在中压变电站处和在高压和压层面上的风电场。
由此，特别能够实现在临界的电网情形中改进的运行控制。
因此特别是提出，调整预估、特别是全部预估或老的气象预测，以便创建风电场专注(windparkscharf)的馈送预估，以便借此再次创建用于主动运行控制的短期预估。
根据至少一个实施方式：
-提出用于在风电场层面维持和提供短期预估的设备，所述设备包括如下功能：
-以规律的间隔例如通过预估服务提供者、如气象服务接收预估，所述预估在此尤其代表气象预测，
-在风电场存储器中、尤其在中央电厂计算机中保存预估，
-确定和提供短期预估，例如经由电网运营商接口提供，经由所述电网运营商接口能够建立风电场与电网运营商的连接，
-通过可用的本地测量值来再拟合、即调整所保存的预估，并且本地测量值可以是当前的和之前的测量值，
并且提供改进的预估，特别是作为风预期变量和/或预期功率。
对于本地测量值可以使用：
-在风电场的风能设施上的测风仪，特别是吊舱风速计，
-附近的风电场，尤其是其风速计或关于馈送功率的对应的信息，
-测风杆，所述测风杆能够经由Meteo DB或直接接合，和/或
-本地气象站。
所提出的至少根据一个实施方式的方法包括如下内容或其一部分：
-基于外部的数字气象预测和SCADA数据特别通过空间时间回归法来创建风电场专注的馈送预估，和
-快速更新周期，即对所检测的和/或预估的值借助内部气象预测模型执行快速更新，和在此
-将实时SCADA数据用于数据同化。
可控的本地负载和可用的存储器，即对此至少一个存储器加载状态和/或可用的功率在预估中或为了最小化不可靠性予以考虑。
一个目标是，通过将组合文件预测变成风电场专注的预估，提高风电场功率的预测精度。
对此将预测模型分成单个模型，所述单个模型可以单独地验证，即尤其是气象模型、风功率模型和可用性模型。
已认识到，与模糊地或融合地在一个模型中描绘整个不确定性链、尤其风预测、方位稳定性、跟随模型、技术可用性和电损耗的并且优化成组合文件、即针对酬劳而较少地针对具体的和本地的值的模型相比，各个对于风电场优化的模型的互连引起更精确的风电场专注的预估。
提出，在预测链中，即特别从出自预测框532的气象数据直至特定的预期功率，嵌入有一个校正循环或者多个校正循环，所述校正循环对模型预测统计学地、特别是经由改进或校正手段：平滑、线性回归、滑动平均值、动态加权、偏差校正借助测量到的数据来修正。根据可用的数据源，使用SCADA功率数据(例如也出自相邻风电场)、吊舱风速计数据、状态码或气象测量站。对应地，将关于风数据的校正应用于气象模型，在功率数据的情况下应用于风电场模型，所述风电场模型特别可以是神经网络。
根据一个方面特别是一起考虑预估的精度。这基于如下构思。
在电网重建情形中，此外不再有当前的、即重新计算的预估可供再生发电厂、如风电场使用，因为例如计算中心是离线的或者不再具有数据连接。在停电数小时之后，已经计算的预估已经具有与实际可用的功率的明显偏差或明显不确定性。然而电网运营商在临界电网情形中除了预估之外也需要不确定性的定量分析，以便将其在调控风电场中一起考虑。预估和预估的不确定性必然也在风电场层面上存在并且此外甚至在风电场层面上计算。
但是也对于配电网的主动电网运行控制或在核算电网管理中能够使用经由电网运营商接口提供的包括不确定性的短期预估。
所述构思特别是，执行对预估不精确性的定量分析。
这特别涉及中压变电站、高压和超高压的风电场。
特别是，在临界电网情形中也应实现改进的运行控制。
也能够视作为目的的是，根据电网情形和可容许的预估偏差，始终提供最大可能的功率。
特别是提出用于在风电场层面上维持和提供包括预估不确定性的预估的设备或方法。对此提出如下步骤或方式：
-在规律的间隔中例如通过预估服务提供者接收预估，特别是具有概率分布，
-将预估保存在风电场存储器中，
-根据气象情形、可用的设施、预估的老旧程度和/或可用的测量传感器的数据来计算可能的预估偏差或概率分布。
替选地：根据预设的最小可靠性(例如95％)来计算和交流可靠的最小功率。
作为实例能够阐述如下内容：
电网运营商可以经由电网运营商接口例如预设，电网运营商以何种可用性需要最小可用的功率和(短期)预估，或者其能够直接询问不确定性并从而在调控中对其本身进行考虑。
作为附加的可行性提出：
通过考虑多个风电场降低不确定性。在计算不确定性时考虑可用的可控负载和存储器。这例如能够表示如下内容：在存储器的半满的加载状态中，存储器容量的一半可用于补偿预估不确定性。
初步研究已经表明，借助多模型方式，通过附加的信息和关于风能设施和风电场的制造商专门技术能够降低每个单独模型的不确定性，这不具有外部的预测公司/交易者。风电场转移模型的预期的不确定性能够为-2.5％(根据质量和可供使用的历史功率数据)，所述风电场转移模型借助于神经网络创建。
关于风能设施技术的内部专业知识将用于预估的技术涡轮机可用性的不确定性降低到1％。最大的不确定性在于气象预测。这能够通过不同的数字气象模型的智能加权和通过基于风电场环境中的各种测量数据的统计学修正来降低。因此有利的是，将这些方面组合。
预测的不确定性漏斗一方面能够通过借助测量数据的短期校正被减小，并且补充地或替选地借助风电场中的耦联的存储器解决方案被减小。在电网运营商接口上运行的多个风电场的组合同样能够降低不确定性。
全部三个措施支持为了预测将明显更高的P90值提供给电网运营商的可能性，所述P90值描述以90％的概率出现的风电场功率。这在图5中图解说明，在假设大概正态分布的情况下针对不同的匹配示出概率分布。纵坐标示出概率密度并且横坐标示出对于研究的结果的值的归一化的标度。所述标度在此可以假设为风电场功率、特别是转子功率的归一化的说明，例如关于最大转子功率或全部转子功率的最大总和，即例如不考虑限于额定功率。在此用50表示的值是预测的功率。所述值例如也能够代表绝对值，如50MW。在该图中，特别涉及多个预估曲线的基本对照。
在此，特别是通过校正规则进行的匹配对于1小时预估(1h拟合)、对于3小时预估(3h拟合)和对于6小时预估(6h拟合)执行或仿真并且对此对应地示出1小时分布501、3小时分布503和6小时分布506。P1、P10、P50、P90和P99位也针对3小时预估标记。特别是可认识到，在短期预估匹配时和从而在短期预估时的精度提高。对于1小时预估，此外P90值作为“P90(1h)”标明。P90值说明风电场功率，所述风电场功率至少以90％的概率出现。这因此对应于关于在曲线下方的整个面，在P90值右边在相应的曲线下方的面的面积。
在P90值左边的面对应地具有10％的面积并且这种面对于3小时预估作为剩余面510绘出。所述剩余面借助较短的预测改进，这在1小时预估的处于50的高值处可见。但是这也引起，曲线变细长并且10％剩余面更靠右终止，使得P90值也更靠右和从而更靠近预测的功率。
基于图3可以图解说明，气象服务532的气象预测的不确定性可以处于大约6至8％。描述风电场的可以借助参数框356图解说明或借助随后在其中进行计算的风功率框354图解说明的模型的不确定性可以位于大约2.5％。可以通过数据框36或可用性框图解说明的技术可用性位于大约1％。
图4阐述所谓的不确定性漏斗。对此，图4示出不确定性图表400，在所述不确定性图表中，预测值作为关于时间的预测曲线连同其不确定性示出。
时间轴对此分成三个区域。第一时间区域40还不处于未来，使得预估值对应于测量值，使得不存在不确定性。
第二时间区域402处于未来从而存在不确定性，所述不确定性随着时间增大。实际值因此可以处于示出的不确定性区域中并且对应地偏离预测曲线404。
第三时间区域403还继续处于未来并且现在可以在风电场不确定性曲线405和气象不确定性曲线406之间区别出明显不同。风电场不确定性曲线405描述由于风电场不精确性和测量不确定性造成的不确定性，而气象不确定性曲线406描述由于气象预测造成的不确定性。风电场不确定性曲线405在此形成比气象不确定性曲线406明显更小的漏斗。

Claims (17)

1.一种用于借助于至少一个风电场将电功率馈送到供电网中的方法，所述风电场具有多个风能设施，其中
-所述风电场在电网络连接点处将电功率馈送到所述供电网中，和
-对于预定的馈送时间段确定预期功率(PF)，其中
-所述预期功率说明如下功率的值或如下功率的时间变化曲线，由所述功率预期，所述功率作为出自风的功率在所述预定的馈送时间段中提供给至少一个风电场，尤其作为所述风电场的全部风能设施的全部转子功率的总和和/或作为所述风电场的可馈送的功率，并且其中
-对于所述预期功率确定预期精度，所述预期精度是代表功率在所述馈送时间段中以何种精度达到所述预期功率的度量，和/或其中
-为了确定所述预期功率(PF)，
-借助于气象预测来确定至少一个代表应预期的风速的风预期变量(PMO )，和
-附加地借助于校正规则与本地气象数据和/或所述风电场的运行数据相关地确定或验证出自所述气象预测的风预期变量，其中
-基于所述风预期变量(PMO)来确定所述预期功率(PF)。
2.根据权利要求1所述的方法，
其特征在于，
-在预测时间段中创建气象预测，和
-在预估时间段中作为短期预测创建风预期变量和/或预期功率，其中
-所述预测时间段是所述预估时间段的至少十倍、尤其至少一百倍长。
3.根据权利要求1或2所述的方法，
其特征在于，
-分别对于比较时间段反复地或连续地预确定所述风预期变量(PMO)，和
-对已预确定所述风预期变量(PMO)的每个比较时间段执行预测比较，其中将预测变量(PMO，PF，Pi)与当前风变量(PM)进行比较，所述当前风变量代表相应的比较时间段的当前风速，和
-从所述预测比较中确定至少一个匹配规则，以便借助于至少一个匹配规则改善所述预期功率(PF)。
4.根据上述权利要求中任一项所述的方法，
其特征在于，
所述预期功率(PF)
-利用功率估计器来确定，和/或
-附加地在考虑边界条件的情况下确定所述预期功率(PF)，其中所述边界条件尤其选自下述列表：
-所述风电场的所述风能设施的技术可用性，
-关于可用的可控负载的信息，
-关于可用于馈送电功率的存储器的信息，和
-关于在风电场中的跟随效应的信息，和/或
-附加地在单独考虑风电场的风能设施的条件下来确定预期功率(PF)，其中尤其
-对于风电场在表格中为每个风能设施保存其技术性能，其中
-所述表格为每个风能设施根据其方位角方向或根据风向和可选地根据日间时间分别存储预测的技术性能。
5.根据上述权利要求中任一项所述的方法，
其特征在于，
所述预期精度包括如下列表中的至少一个信息：
-第一功率极限，所述第一功率极限说明如下的功率或功率变化曲线，在预确定的馈送时间段中以预确定的实现概率不超过所述功率或功率变化曲线，
-第二功率极限，所述第二功率极限说明如下的功率或功率特征曲线，在中期平均值中不允许超过所述功率或功率特征曲线，所述中期平均值尤其在10秒至60秒的时间段中形成，
-第三功率极限，所述第三功率极限说明如下的功率或功率变化曲线，在短期平均值中不允许超过所述功率或功率变化曲线，所述短期平均值尤其在5秒至10秒的时间段中形成。
6.根据上述权利要求中任一项所述的方法，
其特征在于，
-所述气象预测由外部气象服务定期地传输给至少一个所述风电场，
-所述风电场至少暂时存储分别被传递的气象预测，
-在与外部气象服务中断的情况下，基于至少一个所存储的气象预测来估计所述预期功率，使得
-在考虑本地的当前的气象测量值的条件下调整所存储的气象预测。
7.根据上述权利要求中任一项所述的方法，
其特征在于，
-基于所述预期功率来规划黑启动和/或电网重建，和/或
-所述电网连接点连接于所述供电网的电网部段，
-所述预期功率(PF)传输给运行所述电网部段的电网运营商，尤其在电网构建情形的情况下，在所述电网构建情形中至少所述电网部段故障，和可选地
-除了传输所述预期功率(PF)之外，传输所述预期精度，和/或
-考虑精度期望值，所述精度期望值说明，应借助何种预期精度来提供预期功率，其中所述预期精度优选地从外部、尤其从电网运营商接收。
8.根据上述权利要求中任一项所述的方法，
其特征在于，
-所述气象预测包括应预期的风速的至少一个时间变化曲线，和/或所述气象预测在尤其位于5分钟至30分钟的范围中的预确定的重复区间中输出应预期的风速的值，
-尤其借助于功率估计器从所述气象预测中确定预期功率和/或预期功率的最小值作为时间功率变化曲线，和
-借助于校正规则移动、拉伸和/或压缩所述功率变化曲线，尤其在其幅值和/或在其时间扩展上。
9.根据上述权利要求中任一项所述的方法，
其特征在于，
-为了确定所述校正规则和/或所述匹配规则，记录在风电场中和/或在风电场的地点附近的风电场的气象测量值，和
-所述气象测量值包括一个、多个或全部出自如下列表的变量：
-风速，
-风向，
-温度，
-空气密度，和
-日光照射，和/或
-为了确定所述校正规则和/或所述匹配规则，使用所述风电场的风能设施的测量值和/或运行值，尤其从所述测量值和/或运行值中估计可用功率。
10.根据上述权利要求中任一项所述的方法，
其特征在于，
-在所述风电场的风电场计算单元上执行确定所述风电场的预期功率(PF)，其中尤其地，
-所述风电场计算单元设有不间断的电流供应装置，并且所述风电场计算单元在供电网的电网故障的情况下利用不间断的电流供应装置继续所述预期功率的确定，并且将其传输给电网运营商或所述电网运营商。
11.根据上述权利要求中任一项所述的方法，
其特征在于，
在预测比较时作为预测变量，将
-预确定的风评估变量(PMO)，或
-所述预期功率(PF)，
-与当前风变量(PM)进行比较。
12.根据上述权利要求中任一项所述的方法，
其特征在于，
-所述风评估变量(PMO)借助于气象模型从气象预测中确定，并且可选地
-借助于风功率模型从所述风预期变量中确定理想化的馈送功率(Pi)，和
-如果确定理想化的馈送功率(Pi)，则借助于可用性模型从理想化的馈送功率(Pi)中确定所述预期功率(PF)，而在其他情况下
-借助于风电场模型从所述风预期变量中确定所述预期功率(PF)，其中尤其地
-利用功率估计器或所述功率估计器来确定所述预期功率(PF)，并且所述功率估计器是至少一个模型或者包括出自如下列表的模型：
-气象模型，
-风功率模型，
-可用性模型，和
-风电场模型。
13.根据权利要求12所述的方法，
其特征在于，
-所述气象模型借助于气象模型调整作为至少一个匹配规则之一调整，
-可选地所述风功率模型借助于风功率模型调整作为所述至少一个匹配规则之一调整，
-可选地所述可用性模块借助于可用性模型调整作为所述至少一个匹配规则之一调整，和/或
-可选地所述风电场模型借助于风电场模型调整作为所述至少一个匹配规则之一调整。
14.根据上述权利要求中任一项所述的方法，
其特征在于，
-功率估计器，尤其为了确定理想化的馈送功率或预期功率构成为神经网络，其中
-所述神经网络在离线方法中训练，尤其使得
-所述神经网络借助风电场的气象测量数据训练，和
-为了确定理想化的馈送功率或预期功率使用经训练的神经网络。
15.一种用于将电功率馈送到供电网中的风电场，其中所述风电场
-连接于电网连接点，以便将电功率馈送到所述供电网中，和
-具有估计装置，以便对于预确定的馈送时间段确定预期功率(PF)，其中
-所述预期功率说明如下功率的值或如下功率的时间变化曲线，由所述功率预期，所述功率作为出自风的功率在所述预确定的馈送时间段中提供给至少一个所述风电场，尤其作为所述风电场的全部风能设施的全部转子功率的总和和/或作为所述风电场的可馈送的功率，并且其中
-设有评估装置，以便对预期功率确定预期精度，所述预期精度是代表所述功率在所述馈送时间段中以何种精度达到所述预期功率的度量，和/或其中
-所述估计装置为了确定所述预期功率(PF)
-包括风预期估计器，所述风预期估计器配置用于，借助于气象预测来确定或验证至少一个代表应预期的风速的风预期变量(PMO)，和
-包括校正单元，所述校正单元配置用于，附加地借助于校正规则与所述风电场的运行数据和/或本地气象数据相关地确定出自所述气象预测的风预期变量，其中
-所述估计装置配置用于，基于所述风预期变量(PMO)来确定所述预期功率(PF)。
16.根据权利要求15所述的风电场，
其特征在于，
-所述风预期估计器配置用于，分别对于比较时间段借助于气象预测反复地或连续地预确定所述风预期变量(PMO)，并且其中
-所述风电场具有比较单元，以便对预确定所述风预期变量(PMO)的每个比较时间段执行预测比较，其中将预测变量(PMO，PF，Pi)与当前风变量(PM)进行比较，所述当前风变量代表相应的比较时间段的当前风速，和其中
-设有匹配单元，以便从所述预测比较中确定至少一个匹配规则，以便借助于所述至少一个匹配规则改进所述预期功率(PF)。
17.根据权利要求15或16所述的风电场，
其特征在于，
-所述风电场配置用于，执行至少一个根据权利要求1至14中任一项所述的方法，尤其
-设有中央的电厂计算机，用于执行所述方法，尤其是使得在所述电厂计算机上实现至少一个所述方法。
CN201980068075.4A 2018-10-15 2019-10-15 用于将电功率馈送到供电网中的方法和风电场 Pending CN112868157A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102018125465.2A DE102018125465A1 (de) 2018-10-15 2018-10-15 Verfahren und Windpark zum Einspeisen elektrischer Leistung in ein elektrisches Versorgungsnetz
DE102018125465.2 2018-10-15
PCT/EP2019/077974 WO2020079000A1 (de) 2018-10-15 2019-10-15 Verfahren und windpark zum einspeisen elektrischer leistung in ein elektrisches versorgungsnetz

Publications (1)

Publication Number Publication Date
CN112868157A true CN112868157A (zh) 2021-05-28

Family

ID=68281452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980068075.4A Pending CN112868157A (zh) 2018-10-15 2019-10-15 用于将电功率馈送到供电网中的方法和风电场

Country Status (5)

Country Link
US (1) US20210388814A1 (zh)
EP (1) EP3867990A1 (zh)
CN (1) CN112868157A (zh)
DE (1) DE102018125465A1 (zh)
WO (1) WO2020079000A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3761472A1 (en) * 2019-07-05 2021-01-06 Siemens Gamesa Renewable Energy A/S Black start of a wind farm
EP3832131A1 (de) 2019-12-04 2021-06-09 Wobben Properties GmbH Verfahren zum erstellen einer leistungsprognose für eine windenergieanlage
CN111950764B (zh) * 2020-07-03 2024-03-22 国网冀北电力有限公司 一种极端天气条件电网风电功率预测修正方法
CN111861023B (zh) * 2020-07-28 2024-02-09 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置
CN114493050B (zh) * 2022-04-08 2022-07-29 南方电网数字电网研究院有限公司 多维度融合的新能源功率并联预测方法和装置
CN114444820B (zh) * 2022-04-11 2022-10-18 南方电网数字电网研究院有限公司 基于气象-功率特性的新能源功率预测限电数据识别方法
CN115907233B (zh) * 2023-01-06 2023-05-09 北京科技大学 基于机器心智模型和自注意力的风力发电分位数预测方法
CN116316915B (zh) * 2023-05-12 2023-08-08 武汉中元华电科技股份有限公司 计及功率预测误差的风电场有功出力优化控制方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706335A (zh) * 2009-11-11 2010-05-12 华南理工大学 一种基于遗传算法优化bp神经网络的风电功率预测方法
CA2770637A1 (en) * 2011-03-10 2012-09-10 Sinovel Wind Group Co., Ltd. Wind power prediction method of single wind turbine generator
US20130046492A1 (en) * 2010-04-08 2013-02-21 Carsten Hein Westergaard Method and system for forecasting wind energy
CN103023065A (zh) * 2012-11-20 2013-04-03 广东工业大学 一种基于相对误差熵值法的风电短期功率预测方法
US20140195159A1 (en) * 2013-01-09 2014-07-10 Iteris, Inc. Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility
CN104021424A (zh) * 2013-02-28 2014-09-03 国际商业机器公司 用于预测风场中的风机的输出功率的方法和装置
CN107732962A (zh) * 2017-09-29 2018-02-23 国网辽宁省电力有限公司 一种基于超短期弃风曲线预测的弃风减量方法
CN108235717A (zh) * 2015-01-30 2018-06-29 艾德温股份有限公司 在没有电网连接的情况下操作风力涡轮机的方法以及风力涡轮机

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9690884B2 (en) * 2013-06-05 2017-06-27 WindLogics Inc. Wind farm prediction of potential and actual power generation
EP3432091A1 (de) * 2017-07-19 2019-01-23 Siemens Aktiengesellschaft Verfahren und steuereinrichtung zum steuern eines technischen systems
DE102017129299B4 (de) * 2017-12-08 2022-12-08 Institut Für Luft- Und Kältetechnik Gemeinnützige Gmbh Verfahren zur lokalen Wetterprognose

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706335A (zh) * 2009-11-11 2010-05-12 华南理工大学 一种基于遗传算法优化bp神经网络的风电功率预测方法
US20130046492A1 (en) * 2010-04-08 2013-02-21 Carsten Hein Westergaard Method and system for forecasting wind energy
CA2770637A1 (en) * 2011-03-10 2012-09-10 Sinovel Wind Group Co., Ltd. Wind power prediction method of single wind turbine generator
CN103023065A (zh) * 2012-11-20 2013-04-03 广东工业大学 一种基于相对误差熵值法的风电短期功率预测方法
US20140195159A1 (en) * 2013-01-09 2014-07-10 Iteris, Inc. Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility
CN104021424A (zh) * 2013-02-28 2014-09-03 国际商业机器公司 用于预测风场中的风机的输出功率的方法和装置
CN108235717A (zh) * 2015-01-30 2018-06-29 艾德温股份有限公司 在没有电网连接的情况下操作风力涡轮机的方法以及风力涡轮机
CN107732962A (zh) * 2017-09-29 2018-02-23 国网辽宁省电力有限公司 一种基于超短期弃风曲线预测的弃风减量方法

Also Published As

Publication number Publication date
US20210388814A1 (en) 2021-12-16
DE102018125465A1 (de) 2020-04-16
EP3867990A1 (de) 2021-08-25
WO2020079000A1 (de) 2020-04-23

Similar Documents

Publication Publication Date Title
CN112868157A (zh) 用于将电功率馈送到供电网中的方法和风电场
US10975844B2 (en) Methods and systems for generating wind turbine control schedules
US10928816B2 (en) Methods and systems for generating wind turbine control schedules
EP2721291B1 (en) Selective droop response control for a wind turbine power plant
US9020650B2 (en) Utility grid, controller, and method for controlling the power generation in a utility grid
US10907611B2 (en) Methods and systems for generating wind turbine control schedules
CN107810324B (zh) 用于生成风力涡轮机控制时间表的方法和系统
US20160211664A1 (en) Dispatch Controller for an Energy System
CN107810323B (zh) 用于生成风力涡轮机控制安排的方法和系统
KR100964297B1 (ko) 자동발전제어 및 발전계획시스템
US10746160B2 (en) Methods and systems for generating wind turbine control schedules
WO2017000951A1 (en) Methods and systems for generating wind turbine control schedules
WO2017000952A1 (en) Methods and systems for generating wind turbine control schedules
KR101785344B1 (ko) 전력 공급 제어방법 및 시스템
KR102324783B1 (ko) 심층 신경망 기반 전력 수요 예측 장치 및 방법
MX2013008634A (es) Metodo para determinar energia perdida.
US11365719B2 (en) Power production forecasting for a wind turbine
US11949239B2 (en) Technologies for solar power system performance model tuning
CN109378857B (zh) 一种负荷尖峰时刻风电预测可信度风险计算方法
US20220329069A1 (en) Method for operating an electrical storage station
US20230193874A1 (en) Power production forecast based wind turbine control
KR102254624B1 (ko) 무효 전력 제어 장치 및 무효 전력 제어 방법

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