CN114320770A - 风电机组的有效风速测量方法及装置 - Google Patents
风电机组的有效风速测量方法及装置 Download PDFInfo
- Publication number
- CN114320770A CN114320770A CN202111335695.5A CN202111335695A CN114320770A CN 114320770 A CN114320770 A CN 114320770A CN 202111335695 A CN202111335695 A CN 202111335695A CN 114320770 A CN114320770 A CN 114320770A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- data
- sampling
- effective
- 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
Links
Images
Landscapes
- Wind Motors (AREA)
Abstract
本公开提供一种风电机组的有效风速测量方法及装置。包括:获取风电机组预设时间段内的机前测量数据;根据测量数据,生成风向玫瑰图;根据测量数据,对风电机组进行滑动平均二次采样,获得不同采样尺度的机前有效风速数据;在不同采样尺度下,建立输入变量和输出变量之间的非线性映射模型;根据建模误差,筛选满足不确定度要求的对应采样尺度及其模型,作为机前有效风速估计的标准模型;对各采样尺度下标准模型的有效风速估计结果进行合成,获得机前有效风速估计结果,根据建模误差评估有效风速估计性能;重复上述过程,直至满足设定的有效风速估计精度要求,得到风电机组机前有效风速估计综合模型。能够大大降低有效风速测量成本。
Description
技术领域
本公开属于风电机组技术领域,具体涉及一种风电机组的有效风速测量方法及装置。
背景技术
风电机组入流风速测量是机组风速-功率曲线评估测试的关键因素,因而获得广泛关注。由于入流风速是三维空气流场经过风轮扫掠面后的等效标量风速,依据IEC61400-12标准,需在风轮转子不同高度处安装测风仪才能相对准确的估计机前等效入流风速。此方法适用于单台风电机组的有效风速估计,推广应用于风电场大批量风电机组时成本高昂且执行效率低。此外,有研究基于风电机组机理模型,通过状态估计方法迭代计算机前有效风速,然而,由于缺乏有效风速测量真值,难以判定状态估计所得有效风速的可靠性,且该方法依赖于准确的机理模型,易受模型参数摄动干扰。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一,提供一种风电机组的有效风速测量方法及装置。
本公开的一方面,提供一种风电机组的有效风速测量方法,所述方法包括:
设定采样周期,获取风电机组预设时间段内的机前测量数据,所述测量数据包括风向测量数据和风速测量数据;
根据所述预设时间段内的测量数据,生成风向玫瑰图,所述风向玫瑰图被划分成若干风向扇区;
选取风电机组的预设运行状态量参数以及其所处环境的预设环境量参数作为输入变量,选取机前风速为输出变量;
根据所述预设时间段内的测量数据,按照所述采样周期的整数倍对所述风电机组进行滑动平均二次采样,获得不同采样尺度的机前有效风速数据;
采用机器学习算法,在所述不同采样尺度下,基于所述二次采样数据及随机抽样,建立所述输入变量和所述输出变量之间的非线性映射模型;
根据建模误差,设定不确定度,评估各所述采样尺度下所建模型的不确定度,筛选满足不确定度要求的对应采样尺度及其模型,作为机前有效风速估计的标准模型;
对各采样尺度下标准模型的有效风速估计结果进行合成,获得机前有效风速估计结果,根据建模误差评估有效风速估计性能;
重复上述过程,直至满足设定的有效风速估计精度要求,得到风电机组机前有效风速估计综合模型,以利用所述有效风速估计综合模型得到所述风电机组的有效风速。
在一些实施方式中,所述根据所述预设时间段内的测量数据,生成风向玫瑰图,包括:
根据计算得到的风向频率数据,生成所述风向玫瑰图。
在一些实施方式中,所述对所述风电机组进行滑动平均二次采样,包括:
连续取N个采样值看成一个循环序列,队列的长度固定为N,每次采样到一个新数据放入队尾,并扔掉原来队首的一个数据,滤波器每次输出的数据总是当前队列中的N个数据的算术平均值,得到滑动平均数据;其一般表达式为:
其中,{fk}为较平滑的测量结果,{yk}为动态测试数据2n+1=m,m为每个小区间内相邻数据的个数;
根据所述滑动平均数据,得到对随机误差或噪声的估计,即取其残差为:
ek=yk-fk k=n+1,n+2,…,N-n;
其中,ek为随机误差。
在一些实施方式中,所述运行状态量参数包括风轮转速Ω、桨距角β和发电功率P,所述环境量参数包括环境温度T、空气密度ρ、机舱风速v,所述建立所述输入变量和所述输出变量之间的非线性映射模型,包括:
根据风轮转速Ω、发电机功率P、桨距角β、环境温度T、空气密度ρ、机舱风速v,得到有效风速Vw的模型,如下述关系式所示:
Vw=f(Ω,P,β,T,ρ,v)。
本公开的另一方面,提供一种风电机组的有效风速测量装置,所述装置包括:
获取模块,用于设定采样周期,获取风电机组预设时间段内的机前测量数据,所述测量数据包括风向测量数据和风速测量数据;
生成模块,用于根据所述预设时间段内的测量数据,生成风向玫瑰图,所述风向玫瑰图被划分成若干风向扇区;
选取模块,用于选取风电机组的预设运行状态量参数以及其所处环境的预设环境量参数作为输入变量,选取机前风速为输出变量;
采样模块,用于根据所述预设时间段内的测量数据,按照所述采样周期的整数倍对所述风电机组进行滑动平均二次采样,获得不同采样尺度的机前有效风速数据;
建立模块,用于采用机器学习算法,在所述不同采样尺度下,基于所述二次采样数据及随机抽样,建立所述输入变量和所述输出变量之间的非线性映射模型;
评估模块,用于根据建模误差,设定不确定度,评估各所述采样尺度下所建模型的不确定度,筛选满足不确定度要求的对应采样尺度及其模型,作为机前有效风速估计的标准模型;
合成模块,用于对各采样尺度下标准模型的有效风速估计结果进行合成,获得机前有效风速估计结果,根据建模误差评估有效风速估计性能;
重复上述过程,直至满足设定的有效风速估计精度要求,得到风电机组机前有效风速估计综合模型,以利用所述有效风速估计综合模型得到所述风电机组的有效风速。
在一些实施方式中,所述生成模块,具体还用于:
根据计算得到的风向频率数据,生成所述风向玫瑰图。
在一些实施方式中,所述采样模块,具体还用于:
连续取N个采样值看成一个循环序列,队列的长度固定为N,每次采样到一个新数据放入队尾,并扔掉原来队首的一个数据,滤波器每次输出的数据总是当前队列中的N个数据的算术平均值,得到滑动平均数据;其一般表达式为:
其中,{fk}为较平滑的测量结果,{yk}为动态测试数据2n+1=m,m为每个小区间内相邻数据的个数;
根据所述滑动平均数据,得到对随机误差或噪声的估计,即取其残差为:
ek=yk-fk k=n+1,n+2,…,N-n;
其中,ek为随机误差。
在一些实施方式中,所述运行状态量参数包括风轮转速Ω、桨距角β和发电功率P,所述环境量参数包括环境温度T、空气密度ρ、机舱风速v;所述建立模块,具体还用于:
根据风轮转速Ω、发电机功率P、桨距角β、环境温度T、空气密度ρ、机舱风速v,得到有效风速Vw的模型,如下述关系式所示:
Vw=f(Ω,P,β,T,ρ,v)。
本公开的另一方面,提供一种电子设备,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
本公开的风电机组的有效风速测量方法及装置,通过风电机组机前有效风速估计综合模型,能够通过一两台测风塔的数据得到所有布机处的有效风速,大大降低了成本。
附图说明
图1为本公开一实施例的风电机组的有效风速测量方法的流程图;
图2为本公开另一实施例的风向玫瑰图;
图3为本公开另一实施例的风电机组的有效风速测量装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案,下面结合附图和具体实施方式对本公开作进一步详细描述。
本实施例的一方面,如图1所示,涉及一种风电机组的有效风速测量方法S100,所述方法S100包括:
S110、设定采样周期,获取风电机组预设时间段内的机前测量数据,所述测量数据包括风向测量数据和风速测量数据。
具体地,在本步骤中,可以采用机载或地面激光雷达系统测量风电机组轮毂高度处自由入流风速,遍历不同风向扇区、全风速区间,设定采样周期,获取预设时间段内的机前风向、风速测量数据,满足数据量采集需求。
在本步骤中,预设时间段可以是以季度划分的时间段,例如,某年的一月到四月,采样周期可以为10分钟/点,记录当前的风向数据。当然,除此以外,预设时间段还可以是其它一些时间段,采样周期也可以设置为其它采样频率的采样周期,本实施例对此并不限制。
S120、根据所述预设时间段内的测量数据,生成风向玫瑰图,所述风向玫瑰图被划分成若干风向扇区。
S130、选取风电机组的预设运行状态量参数以及其所处环境的预设环境量参数作为输入变量,选取机前风速为输出变量。
具体地,在本步骤中,基于风电机组运行机理分析,可以选取环境温度、空气密度、机舱风速等环境量,以及风轮转速、桨距角、发电功率等运行状态量作为输入变量,选取激光雷达所测的机前风速为输出变量。当然,除此以外,本领域技术人员还可以根据实际需要,设计选择其它一些环境量和状态量,本实施例对此并不限制。
S140、根据所述预设时间段内的测量数据,按照所述采样周期的整数倍对所述风电机组进行滑动平均二次采样,获得不同采样尺度的机前有效风速数据。
具体地,在本步骤中,根据预设时间段内的采集数据,按照激光雷达数据采样周期的整数倍对其进行滑动平均二次采样。动态测试数据由确定性成分和随机性成分组成,且前者为所需的测量结果或有效信号,后者即随机起伏的测试误差或噪声,经离散化采样后,可相应地将动态测试数据写成:yj=fj+ej,j=1,2,…,N,为了更精确地表示测量结果,抑制随机误差{ej}的影响,常对动态测试数据{yj}作平滑和滤波处理。具体地说,就是对非平稳的数据{yj},在适当的小区间上视为接近平稳的,而作某种局部平均,以减小{ej}所造成的随机起伏。这样沿全长N个数据逐一小区间上进行不断的局部平均,即可得出较平滑的测量结果{fj},而滤掉频繁起伏的随机误差。从而获得不同采样尺度的机前有效风速数据。
更为具体地,滑动平均采样的步骤包括:在连续取N个采样值看成一个循环序列,队列的长度固定为N,每次采样到一个新数据放入队尾,并扔掉原来队首的一个数据,滤波器每次输出的数据总是当前队列中的N个数据的算术平均值,得到滑动平均数据;其一般表达式为:
其中,{fk}为较平滑的测量结果,{yk}为动态测试数据2n+1=m,m为每个小区间内相邻数据的个数;显然,这样所得到的数据的随机起伏因平均作用而比原来的数据减少了,即更加平滑了,故称之为平滑数据。由此,也可得出对随机误差或噪声的估计,即取其残差为:
ek=yk-fk k=n+1,n+2,…,N-n。
其中,ek为随机误差。
上述动态测试数据的平滑与滤波方法就称为滑动平均。通过滑动平均后,可滤掉数据中频繁随机起伏,显示出平滑的变化规律,同时还可得出随机误差的变化过程。
在本步骤中,对于非线性系统,滤波器输出的表达式如下:
式中,y(t)是滤波器的输出,f(x)是滤波器的输入,T0是滑动滤波长度。
S150、采用机器学习算法,在所述不同采样尺度下,基于所述二次采样数据及随机抽样,建立所述输入变量和所述输出变量之间的非线性映射模型。
具体地,在本步骤中,采用机器学习算法,在不同采样尺度下,基于二次采样数据及随机抽样,对同一时刻的不同值进行平均处理,然后进行评价,最后针对不同采样程度的数据建立上述输入变量、输出变量之间的非线性映射模型。
更具体地,在本步骤中,所述采用的机器学习算法为最小二乘支持向量机(LS-SVM),其基本思想为通过非线性变换将输入空间变换为一个高维空间。在高维空间中求取最优线性分类超平面,而这个非线性变换是通过内积核函数实现的。分类面不但能够将所有训练样本正确分类,而且使训练样本中离分类面最近的点到分类面的间隔最大。通过使间隔最大化来控制分类器的复杂度,进而实现较好的推广能力。在线性不可分的情况,有所谓的广义最优分类面问题,即在追求最大化分类间隔的同时最小化错分样本的数目。
若训练样本集为(xi,yi),i=1,2,…,n,x∈Ri,y∈{1,-1},则上述问题可以表示为:
其中,C为常数,用于控制对错分样本惩罚的程度,实现在错分样本数与模型复杂性之间的折衷。
要解决非线性问题,可以通过非线性变换转化为另一个空间中的线性问题,在这个变换空间求最优分类面。分析上述SVM问题,只要用满足Mercer条件的核函数K(xi,xj)代替式(1)中的内积,就可实现非线性SVM,而这里并不需要直接进行非线性变换,计算复杂度没有增加。常用的核函数包括多项式核、径向基核以及二层神经网,核形式的判别函数为:
SVM算法复杂度依赖于样本数据的个数,样本数据越大,求解相应的二次规划问题越复杂,计算速度越慢。最小二乘支持向量机对估计函数进行分段估计,然后再组合到一起以减少算法复杂度;构建新的核函数,使之降低优化问题的维数。最小二乘支持向量机是支持向量机在二次损失函数下的一种形式,通过构造损失函数将原支持向量机中算法的二次寻优变为求解线性方程,求解速度快。
示例性的,在本步骤中,建立所述输入变量和所述输出变量之间的非线性映射模型包括:根据风轮转速Ω、发电机功率P、桨距角β、环境温度T、空气密度ρ、机舱风速v,得到有效风速Vw的模型,如下述关系式所示:
Vw=f(Ω,P,β,T,ρ,v)。
有效风速软测量的二次变量为风力机转速、发电机功率和桨距角,主导变量为有效风速。支持向量机软测量的基本结构如图所示,其中部分离线分析计算值或大采样间隔的测量值(如分析仪输出)用于模型参数的离线辨识,也用于软测量模型的在线自校正。在软测量器中,可测变量、控制输入及可测输出变量作为软测量器的输入变量,被估计变量的最优估计为输出,用支持最小二乘支持向量机实现输入输出的非线性函数关系。
式中ai,i=1,Λ,l,是拉格朗日乘子。
根据优化条件:
优化问题可转换为求解线性方程组:
得到非线性模型为:
S160、根据建模误差,设定不确定度,评估各所述采样尺度下所建模型的不确定度,筛选满足不确定度要求的对应采样尺度及其模型,作为机前有效风速估计的标准模型。
具体地,在本步骤中,根据建模误差,设定不确定度,不确定度的公式为U=|x-x0|max,其中x为测量值,x0为真值。评估各采样尺度下所建模型的不确定度,筛选满足不确定度要求的对应采样尺度及其模型,作为机前有效风速估计的标准模型。
S170、对各采样尺度下标准模型的有效风速估计结果进行合成,获得机前有效风速估计结果,根据建模误差评估有效风速估计性能。
具体地,在本步骤中,当有多个值时采用算术平均,算术平均数是表征数据集中趋势的一个统计指标,其公式为:
当只有单值时采用直接插值,插值方法有很多种,比如:代数插值、泰勒插值、拉格朗日插值等等。这里采用代数插值,即所求插值函数为多项式函数:
pn(x)=a0+a1x+a2x2+…+anxn
显然,系数a0,a1,…,an为所求。如果已知n+1个条件,则需要n+1个方程组如下:
这时,便可使用待定系数法求解a0,a1,…,an。
获得机前有效风速估计结果后,根据建模误差评估有效风速估计性能。
S180、重复上述过程,直至满足设定的有效风速估计精度要求,得到风电机组机前有效风速估计综合模型,以利用所述有效风速估计综合模型得到所述风电机组的有效风速。
本实施例的风电机组的有效风速测量方法,通过风电机组机前有效风速估计综合模型,能够通过一两台测风塔的数据得到所有布机处的有效风速,大大降低了成本。
有效风速的精确估计可以提高风力发电机组的控制性能,由于风力机处于三维时变的风场环境中,风速在整个风力机旋转平面上分布不同,风速计测量得到的风速和整个风力机旋转平面所受到的有效风速有很大差别,因此,有效风速是不能直接测量的。但是,通过本实施例的风电机组的有效风速测量方法就能解决这个问题,因为能够从其他能测量的数据中间接求出风机的有效风速。
本公开的另一方面,如图3所示,提供一种风电机组的有效风速测量装置100,该装置100可以适用于前文记载的方法,具体可以参考前文相关记载,在此不作赘述。所述装置100包括:
获取模块110,用于设定采样周期,获取风电机组预设时间段内的机前测量数据,所述测量数据包括风向测量数据和风速测量数据;
生成模块120,用于根据所述预设时间段内的测量数据,生成风向玫瑰图,所述风向玫瑰图被划分成若干风向扇区;
选取模块130,用于选取风电机组的预设运行状态量参数以及其所处环境的预设环境量参数作为输入变量,选取机前风速为输出变量;
采样模块140,用于根据所述预设时间段内的测量数据,按照所述采样周期的整数倍对所述风电机组进行滑动平均二次采样,获得不同采样尺度的机前有效风速数据;
建立模块150,用于采用机器学习算法,在所述不同采样尺度下,基于所述二次采样数据及随机抽样,建立所述输入变量和所述输出变量之间的非线性映射模型;
评估模块160,用于根据建模误差,设定不确定度,评估各所述采样尺度下所建模型的不确定度,筛选满足不确定度要求的对应采样尺度及其模型,作为机前有效风速估计的标准模型;
合成模块170,用于对各采样尺度下标准模型的有效风速估计结果进行合成,获得机前有效风速估计结果,根据建模误差评估有效风速估计性能;
重复上述过程,直至满足设定的有效风速估计精度要求,得到风电机组机前有效风速估计综合模型,以利用所述有效风速估计综合模型得到所述风电机组的有效风速。
本实施例的风电机组的有效风速测量装置,通过风电机组机前有效风速估计综合模型,能够通过一两台测风塔的数据得到所有布机处的有效风速,大大降低了成本。
在一些实施方式中,所述生成模块120,具体还用于:
根据计算得到的风向频率数据,生成所述风向玫瑰图。
在一些实施方式中,所述采样模块140,具体还用于:
连续取N个采样值看成一个循环序列,队列的长度固定为N,每次采样到一个新数据放入队尾,并扔掉原来队首的一个数据,滤波器每次输出的数据总是当前队列中的N个数据的算术平均值,得到滑动平均数据;其一般表达式为:
其中,{fk}为较平滑的测量结果,{yk}为动态测试数据2n+1=m,m为每个小区间内相邻数据的个数;
根据所述滑动平均数据,得到对随机误差或噪声的估计,即取其残差为:
ek=yk-fk k=n+1,n+2,…,N-n;
其中,ek为随机误差。
在一些实施方式中,所述运行状态量参数包括风轮转速Ω、桨距角β和发电功率P,所述环境量参数包括环境温度T、空气密度ρ、机舱风速v;所述建立模块150,具体还用于:
根据风轮转速Ω、发电机功率P、桨距角β、环境温度T、空气密度ρ、机舱风速v,得到有效风速Vw的模型,如下述关系式所示:
Vw=f(Ω,P,β,T,ρ,v)。
本公开的另一方面,提供一种电子设备,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
其中,计算机可读介质可以是本公开的装置、设备、系统中所包含的,也可以是单独存在。
其中,计算机可读存储介质可是任何包含或存储程序的有形介质,其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备,更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件,或它们任意合适的组合。
其中,计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码,其具体的例子包括但不限于电磁信号、光信号,或它们任意合适的组合。
可以理解的是,以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式,然而本公开并不局限于此。对于本领域内的普通技术人员而言,在不脱离本公开的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本公开的保护范围。
Claims (10)
1.一种风电机组的有效风速测量方法,其特征在于,所述方法包括:
设定采样周期,获取风电机组预设时间段内的机前测量数据,所述测量数据包括风向测量数据和风速测量数据;
根据所述预设时间段内的测量数据,生成风向玫瑰图,所述风向玫瑰图被划分成若干风向扇区;
选取风电机组的预设运行状态量参数以及其所处环境的预设环境量参数作为输入变量,选取机前风速为输出变量;
根据所述预设时间段内的测量数据,按照所述采样周期的整数倍对所述风电机组进行滑动平均二次采样,获得不同采样尺度的机前有效风速数据;
采用机器学习算法,在所述不同采样尺度下,基于所述二次采样数据及随机抽样,建立所述输入变量和所述输出变量之间的非线性映射模型;
根据建模误差,设定不确定度,评估各所述采样尺度下所建模型的不确定度,筛选满足不确定度要求的对应采样尺度及其模型,作为机前有效风速估计的标准模型;
对各采样尺度下标准模型的有效风速估计结果进行合成,获得机前有效风速估计结果,根据建模误差评估有效风速估计性能;
重复上述过程,直至满足设定的有效风速估计精度要求,得到风电机组机前有效风速估计综合模型,以利用所述有效风速估计综合模型得到所述风电机组的有效风速。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述运行状态量参数包括风轮转速Ω、桨距角β和发电功率P,所述环境量参数包括环境温度T、空气密度ρ、机舱风速v,所述建立所述输入变量和所述输出变量之间的非线性映射模型,包括:
根据风轮转速Ω、发电机功率P、桨距角β、环境温度T、空气密度ρ、机舱风速v,得到有效风速Vw的模型,如下述关系式所示:
Vw=f(Ω,P,β,T,ρ,v)。
5.一种风电机组的有效风速测量装置,其特征在于,所述装置包括:
获取模块,用于设定采样周期,获取风电机组预设时间段内的机前测量数据,所述测量数据包括风向测量数据和风速测量数据;
生成模块,用于根据所述预设时间段内的测量数据,生成风向玫瑰图,所述风向玫瑰图被划分成若干风向扇区;
选取模块,用于选取风电机组的预设运行状态量参数以及其所处环境的预设环境量参数作为输入变量,选取机前风速为输出变量;
采样模块,用于根据所述预设时间段内的测量数据,按照所述采样周期的整数倍对所述风电机组进行滑动平均二次采样,获得不同采样尺度的机前有效风速数据;
建立模块,用于采用机器学习算法,在所述不同采样尺度下,基于所述二次采样数据及随机抽样,建立所述输入变量和所述输出变量之间的非线性映射模型;
评估模块,用于根据建模误差,设定不确定度,评估各所述采样尺度下所建模型的不确定度,筛选满足不确定度要求的对应采样尺度及其模型,作为机前有效风速估计的标准模型;
合成模块,用于对各采样尺度下标准模型的有效风速估计结果进行合成,获得机前有效风速估计结果,根据建模误差评估有效风速估计性能;
重复上述过程,直至满足设定的有效风速估计精度要求,得到风电机组机前有效风速估计综合模型,以利用所述有效风速估计综合模型得到所述风电机组的有效风速。
8.根据权利要求5至7任一项所述的装置,其特征在于,所述运行状态量参数包括风轮转速Ω、桨距角β和发电功率P,所述环境量参数包括环境温度T、空气密度ρ、机舱风速v;所述建立模块,具体还用于:
根据风轮转速Ω、发电机功率P、桨距角β、环境温度T、空气密度ρ、机舱风速v,得到有效风速Vw的模型,如下述关系式所示:
Vw=f(Ω,P,β,T,ρ,v)。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时能实现根据权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335695.5A CN114320770A (zh) | 2021-11-11 | 2021-11-11 | 风电机组的有效风速测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335695.5A CN114320770A (zh) | 2021-11-11 | 2021-11-11 | 风电机组的有效风速测量方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114320770A true CN114320770A (zh) | 2022-04-12 |
Family
ID=81045450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111335695.5A Pending CN114320770A (zh) | 2021-11-11 | 2021-11-11 | 风电机组的有效风速测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114320770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029202A (zh) * | 2022-12-28 | 2023-04-28 | 沃杰(北京)科技有限公司 | 太阳能板光通量估计模型构建方法、系统和介质 |
-
2021
- 2021-11-11 CN CN202111335695.5A patent/CN114320770A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029202A (zh) * | 2022-12-28 | 2023-04-28 | 沃杰(北京)科技有限公司 | 太阳能板光通量估计模型构建方法、系统和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sohoni et al. | A critical review on wind turbine power curve modelling techniques and their applications in wind based energy systems | |
CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
US20160215759A1 (en) | Methods and systems for wind plant power optimization | |
Kusiak et al. | Analysis of wind turbine vibrations based on SCADA data | |
Zehtabiyan-Rezaie et al. | Data-driven fluid mechanics of wind farms: A review | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN106875037A (zh) | 风力预测方法及装置 | |
CN115013258B (zh) | 一种风电机组机前风速智能软测量方法 | |
Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
Singh et al. | Analysis of wind turbine dataset and machine learning based forecasting in SCADA-system | |
Piotrowski et al. | Baczy nski | |
Sood et al. | Comparison of large eddy simulations against measurements from the Lillgrund offshore wind farm | |
Wang et al. | Short-term wind speed forecasting using variational mode decomposition and support vector regression | |
CN114320770A (zh) | 风电机组的有效风速测量方法及装置 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
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 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
Botha et al. | Forecasting wind speed using support vector regression and feature selection | |
CN117150705A (zh) | 一种基于特征解构的海上风电场短期风速预测方法 | |
Zhu et al. | Multi-resolution spatio-temporal prediction with application to wind power generation | |
Liu et al. | A novel stochastic modeling method of wind power time series considering the fluctuation process characteristics | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
CN108537372A (zh) | 一种风向预测方法及风力发电机组的偏航控制方法 |
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 |