CN115345003A - 一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法 - Google Patents
一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法 Download PDFInfo
- Publication number
- CN115345003A CN115345003A CN202210979066.4A CN202210979066A CN115345003A CN 115345003 A CN115345003 A CN 115345003A CN 202210979066 A CN202210979066 A CN 202210979066A CN 115345003 A CN115345003 A CN 115345003A
- Authority
- CN
- China
- Prior art keywords
- wake
- yaw
- velocity
- profile
- wake flow
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
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)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明提出一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法。本发明所述方法通过将尾流剖面进行分解,能更具物理意义的考虑偏航导致的尾流速度亏损剖面不对称性。且可以直接通过改进已有的尾流分析模型建立新的偏航叶轮尾流分析模型,从而提高其预测精度,改善风电场偏航控制效益。
Description
技术领域
本发明属于风力机尾流模型技术和风场数据分析技术交叉领域,特别是涉及一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法。
背景技术
风力机叶轮尾流偏航控制是风电场实时优化控制方法中最有效也是最直接的控制方式之一。如何快速准确的预测不同偏航状态下风力机叶轮尾流的速度场对于风电场中风力机叶轮尾流的实时控制具有重要影响。传统的尾流分析模型(analytical model)能够快速准确的对尾流速度场进行预测,但传统的尾流分析模型都是基于非偏航工况下的风力机叶轮尾流所建立。而偏航状态下风力机叶轮尾流与非偏航风力机叶轮尾流并不相同,偏航状态下风力机叶轮尾流不仅在流向方向上向一侧发生偏移,尾流同时还发生畸变。
此外,现有的偏航风力机叶轮尾流分析模型都是在传统风力机尾流模型的基础上改进得到。虽然绝大部分偏航叶轮尾流分析模型都能很好的对尾流偏移进行预测,但大部分偏航叶轮尾流分析模型都假设偏航叶轮尾流速度亏损展向分布形式与非偏航状态相同,都近似为高斯分布。即其忽略了偏航状态下叶轮推力在横风方向的非零分量所导致的速度亏损展向分布的不对称。尽管有少量研究考虑了偏航导致的尾流不对称,但其尾流速度亏损展向分布函数是通过对已有数据根据经验拟合得到,这使得尾流速度亏损剖面形式非常复杂。
发明内容
本发明目的是为了解决现有的偏航叶轮尾流分析模型的不足的缺陷问题,提出了一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法。该方法所得到的尾流速度亏损剖面不仅形式简单,且能够直观的得到偏航叶轮尾流速度亏损剖面与偏航角之间的关系。
本发明是通过以下技术方案实现的,本发明提出一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法,所述方法具体包括:
步骤一:将尾流速度亏损剖面分为左右两部分,并分别得到左右两侧归一化速度亏损剖面分布形式;
步骤二:获得两侧归一化的速度亏损剖面分布形式与偏航角之间的关系,该过程需要结合已有实测或模拟数据;
步骤三:获得系数a,b与偏航角之间的关系;利用已有的经验公式计算速度亏损特征值Us,尾流整体宽度以及尾流中心位置Cu的流向发展函数,通过引入一非对称性系数来描述左右两侧特征宽度的占比,来考虑偏航导致的尾流速度亏损剖面的不对称,且当得到Au与偏航角之间的关系后,结合δ能够直接得到左右两侧速度亏损剖面特征宽度和在不同偏航状态下的流向发展函数。
进一步地,所述步骤一具体为:首先确定速度亏损剖面中心位置,并从中心位置处将速度亏损剖面分为左右两部分,然后分别定义左右两侧速度亏损剖面特征值,最后分别用各自的特征值对左右两侧速度亏损剖面进行归一化处理,得到左右两侧归一化的速度亏损剖面。
进一步地,所述步骤二具体为:定义一个分布函数来描述速度亏损剖面,所述分布函数形式为exp(-aη2-bη4),其中η为归一化展向位置坐标,a和b为考虑偏航影响所引入的两个系数,然后通过建立系数a,b与偏航角之间的关系来考虑偏航对归一化速度亏损剖面的影响。
进一步地,通过尾流分解将尾流速度剖面分为左右两个部分,所得到的尾流速度剖面分布形式如下:
其中
进一步地,通过尾流分解,将偏航导致的尾流速度亏损剖面不对称性分为两部分来考虑,即归一化速度亏损剖面的变化和左右两侧特征宽度比值的变化;其中偏航对归一化速度亏损剖面的影响通过a,b两个系数来描述,a,b两个系数与偏航角之间的关系为:
a=kaθ+a0,
b=kbθ+b0,
其中a0与b0通过现有传统模型得到,ka,kb需要通过已有数据确定。
进一步地,左右两侧特征宽度比值Au流向发展斜率具有如下形式:
其中θcri为偏航角临界值,其值与风力机叶尖速比λ的关系为sinθ=2U∞/(ΩD)=1/λ,kθ需要通过已有数据确定,叶尖速比定义为λ=0.5ΩD/U∞,其中Ω为叶轮转速;D为叶轮直径;U∞为来流速度。
进一步地,所述速度亏损剖面中心位置定义为速度亏损最大值所在位置。
进一步地,所述速度亏损剖面特征值包括速度亏损特征值和尾流宽度特征值。
本发明提出一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法的步骤。
本发明提出一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现所述一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法的步骤。
本发明至少具有如下优点:本发明设计合理、形式简单。通过将尾流剖面进行分解,能更具物理意义的考虑偏航导致的尾流速度亏损剖面不对称性。且可以直接通过改进已有的尾流分析模型建立新的偏航叶轮尾流分析模型,从而提高其预测精度,改善风电场偏航控制效益。
附图说明
图1为建立尾流速度亏损剖面预测方法的流程图;
图2为偏航工况下风力机示意图;
图3为尾流剖面分解及左右两侧特征值定义示意图;
图4为风洞实测数据所得到的归一化左右两侧速度亏损剖面示意图;
图5为归一化速度亏损分布函数系数与偏航角线性拟合图;
图6为不对称性系数Au线性拟合图;
图7为不对称性系数Au斜率与偏航角关系图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
本发明目的是更具物理意义的结合已有尾流数据使得偏航叶轮尾流分析模型预测更准确,且形式更简单从而更适用于工程领域。
本发明提出一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法,所述方法具体包括:
步骤一:将尾流速度亏损剖面分为左右两部分,并分别得到左右两侧归一化速度亏损剖面分布形式;
所述步骤一具体为:首先确定速度亏损剖面中心位置,并从中心位置处将速度亏损剖面分为左右两部分,然后分别定义左右两侧速度亏损剖面特征值,最后分别用各自的特征值对左右两侧速度亏损剖面进行归一化处理,得到左右两侧归一化的速度亏损剖面。所述速度亏损剖面中心位置定义为速度亏损最大值所在位置。所述速度亏损剖面特征值包括速度亏损特征值和尾流宽度特征值。
步骤二:获得两侧归一化的速度亏损剖面分布形式与偏航角之间的关系,该过程需要结合已有实测或模拟数据;
所述步骤二具体为:定义一个分布函数来描述速度亏损剖面,此处,考虑到该分布函数可以向下兼容非偏航叶轮尾流速度亏损剖面,可以在高斯分布函数的基础上进行建立,因此所述分布函数形式为exp(-aη2-bη4),其中η为归一化展向位置坐标,a和b为考虑偏航影响所引入的两个系数,然后通过建立系数a,b与偏航角之间的关系来考虑偏航对归一化速度亏损剖面的影响。
步骤三:获得系数a,b与偏航角之间的关系;利用已有的经验公式计算速度亏损特征值Us,尾流整体宽度以及尾流中心位置Cu的流向发展函数,通过引入一非对称性系数来描述左右两侧特征宽度的占比,来考虑偏航导致的尾流速度亏损剖面的不对称,且当得到Au与偏航角之间的关系后,结合δ能够直接得到左右两侧速度亏损剖面特征宽度和在不同偏航状态下的流向发展函数。
通过尾流分解将尾流速度剖面分为左右两个部分,所得到的尾流速度剖面分布形式如下:
其中
通过尾流分解,将偏航导致的尾流速度亏损剖面不对称性分为两部分来考虑,即归一化速度亏损剖面的变化和左右两侧特征宽度比值的变化;其中偏航对归一化速度亏损剖面的影响通过a,b两个系数来描述,a,b两个系数与偏航角之间的关系为:
a=kaθ+a0,
b=kbθ+b0,
其中a0与b0通过现有传统模型得到,ka,kb需要通过已有数据确定。
左右两侧特征宽度比值Au流向发展斜率具有如下形式:
其中θcri为偏航角临界值,其值与风力机叶尖速比λ的关系为sinθ=2U∞/(ΩD)=1/λ,kθ需要通过已有数据确定,叶尖速比定义为λ=0.5ΩD/U∞,其中Ω为叶轮转速;D为叶轮直径;U∞为来流速度。
本发明提出了一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法。考虑到现有大部分偏航叶轮尾流模型都假设偏航叶轮尾流速度亏损展向分布形式与非偏航状态相同,都近似为高斯分布。即其忽略了偏航状态下叶轮推力在横风方向的非零分量所导致的速度亏损展向分布的不对称。尽管有少量研究考虑了偏航导致的尾流不对称,但其尾流速度亏损展向分布函数是通过对已有数据根据经验拟合得到,这使得尾流速度亏损剖面形式非常复杂。因此,考虑现阶段偏航叶轮尾流模型的不足,本发明提出一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法,其得到的尾流速度亏损剖面分布函数形式更为简单,且其能够直观的得到偏航叶轮尾流速度亏损剖面与偏航角之间的关系。从功能角度来讲,本发明可以更方便直接的考虑偏航导致的尾流速度亏损剖面的不对称,实现更准确的尾流速度场预测。从使用角度来讲,本发明通过最少两种不同偏航工况下的尾流测量数据就可以获得任意偏航工况下的速度亏损剖面分布形式。尾流测量数据可以是风洞实验测量数据,数值模拟数据或者现场实测数据。此外,本发明所建立的偏航叶轮尾流分布形式具有形式简单的特点,更适用于工程使用。
实施例二:
参见如图1所示的建立尾流速度亏损剖面预测方法的流程图,采用尾流分解的方法对尾流速度剖面进行分解重构,包括以下步骤:
步骤一:对于任一偏航工况下风力机叶轮尾流,如图2所示。定义其偏航角为θ,在尾流偏航平面xoy内,将速度亏损剖面分为左右两个部分,并分别定义各自的特征值,如图3所示;
步骤二:将实测所得尾流速度亏损<u>的剖面分为两部分,并用图3中定义的特征值对其左右两侧分别进行归一化,归一化的速度亏损剖面如图4所示。可以看出,对于归一化的速度亏损剖面,偏航影响主要体现在左侧部分(y<Cu部分,其中Cu为速度亏损剖面中心位置,定义为速度亏损最大值所在位置)。
步骤三:通过拟合,得到不同偏航状态下分布函数exp(-aη2-bη4)中系数a和b的值。并通过线性拟合建立系数a和b与偏航角θ之间的关系,如图5所示。
步骤五:最后通过尾流重构方法,获得不同偏航状态下尾流速度亏损剖面分布函数如下所示:
a=kaθ+a0,
b=kbθ+b0,
其中θcri为偏航角临界值,其值与风力机叶尖速比λ的关系为
叶尖速比定义为λ=0.5ΩD/U∞,其中Ω为叶轮转速;D为叶轮直径;U∞为来流速度,通常取其值为机舱高度处来流风速。上述方程中关于尾流特征宽度δ,特征速度Us及尾流中心偏移距离Cu可以采用现有传统尾流模型中的经验关系式,且a0与b0也可以通过现有传统模型得到。从而此处只需要通过已有数据确定ka,kb及kθ。
从功能角度来讲,本发明可以更方便直接的考虑偏航导致的尾流速度亏损剖面的不对称,实现更准确的尾流速度场预测。
从使用角度来讲,本发明通过最少两种不同偏航工况下的尾流测量数据就可以获得任意偏航工况下的速度亏损剖面分布形式。尾流测量数据可以是风洞实验测量数据,数值模拟数据或者现场实测数据。此外,本发明所建立的偏航叶轮尾流分布形式具有形式简单的特点,更适用于工程使用。
本发明提出一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法的步骤。
本发明提出一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现所述一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法的步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM,DR RAM)。应注意,本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disc,SSD))等。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
以上对本发明所提出的一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于尾流分解方法的偏航风力机尾流速度亏损剖面预测方法,其特征在于,所述方法具体包括:
步骤一:将尾流速度亏损剖面分为左右两部分,并分别得到左右两侧归一化速度亏损剖面分布形式;
步骤二:获得两侧归一化的速度亏损剖面分布形式与偏航角之间的关系,该过程需要结合已有实测或模拟数据;
2.根据权利要求1所述的方法,其特征在于,所述步骤一具体为:首先确定速度亏损剖面中心位置,并从中心位置处将速度亏损剖面分为左右两部分,然后分别定义左右两侧速度亏损剖面特征值,最后分别用各自的特征值对左右两侧速度亏损剖面进行归一化处理,得到左右两侧归一化的速度亏损剖面。
3.根据权利要求1所述的方法,其特征在于,所述步骤二具体为:定义一个分布函数来描述速度亏损剖面,所述分布函数形式为exp(-aη2-bη4),其中η为归一化展向位置坐标,a和b为考虑偏航影响所引入的两个系数,然后通过建立系数a,b与偏航角之间的关系来考虑偏航对归一化速度亏损剖面的影响。
5.根据权利要求4所述的方法,其特征在于,通过尾流分解,将偏航导致的尾流速度亏损剖面不对称性分为两部分来考虑,即归一化速度亏损剖面的变化和左右两侧特征宽度比值的变化;其中偏航对归一化速度亏损剖面的影响通过a,b两个系数来描述,a,b两个系数与偏航角之间的关系为:
a=kaθ+a0,
b=kbθ+b0,
其中a0与b0通过现有传统模型得到,ka,kb需要通过已有数据确定。
7.根据权利要求2所述的方法,其特征在于,所述速度亏损剖面中心位置定义为速度亏损最大值所在位置。
8.根据权利要求2所述的方法,其特征在于,所述速度亏损剖面特征值包括速度亏损特征值和尾流宽度特征值。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。
10.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979066.4A CN115345003B (zh) | 2022-08-16 | 2022-08-16 | 一种偏航风力机尾流速度亏损剖面预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979066.4A CN115345003B (zh) | 2022-08-16 | 2022-08-16 | 一种偏航风力机尾流速度亏损剖面预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115345003A true CN115345003A (zh) | 2022-11-15 |
CN115345003B CN115345003B (zh) | 2023-04-18 |
Family
ID=83951548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210979066.4A Active CN115345003B (zh) | 2022-08-16 | 2022-08-16 | 一种偏航风力机尾流速度亏损剖面预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345003B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130166082A1 (en) * | 2011-12-23 | 2013-06-27 | General Electric Company | Methods and Systems for Optimizing Farm-level Metrics in a Wind Farm |
CN112966454A (zh) * | 2021-03-29 | 2021-06-15 | 华中科技大学 | 一种风电场风机尾流动态耦合模拟方法 |
CN113536487A (zh) * | 2021-08-02 | 2021-10-22 | 华能新能源股份有限公司 | 一种基于双变量高斯函数的尾流计算方法、装置及存储介质 |
CN113864112A (zh) * | 2020-06-30 | 2021-12-31 | 北京金风科创风电设备有限公司 | 风力发电机组的尾流流场的确定方法、装置及系统 |
-
2022
- 2022-08-16 CN CN202210979066.4A patent/CN115345003B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130166082A1 (en) * | 2011-12-23 | 2013-06-27 | General Electric Company | Methods and Systems for Optimizing Farm-level Metrics in a Wind Farm |
CN113864112A (zh) * | 2020-06-30 | 2021-12-31 | 北京金风科创风电设备有限公司 | 风力发电机组的尾流流场的确定方法、装置及系统 |
CN112966454A (zh) * | 2021-03-29 | 2021-06-15 | 华中科技大学 | 一种风电场风机尾流动态耦合模拟方法 |
CN113536487A (zh) * | 2021-08-02 | 2021-10-22 | 华能新能源股份有限公司 | 一种基于双变量高斯函数的尾流计算方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115345003B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schreiber et al. | Brief communication: A double-Gaussian wake model | |
WO2022110938A1 (zh) | 一种考虑风电场局地环境因素的尾流计算方法 | |
Bay et al. | Addressing deep array effects and impacts to wake steering with the cumulative-curl wake model | |
Howland et al. | Optimal closed-loop wake steering, part 2: Diurnal cycle atmospheric boundary layer conditions | |
van der Laan et al. | Rossby number similarity of an atmospheric RANS model using limited-length-scale turbulence closures extended to unstable stratification | |
Liu et al. | An adaptive RBF-HDMR modeling approach under limited computational budget | |
CN115062563B (zh) | 基于空间变化的风力机三维尾流风速计算方法 | |
CN102542126A (zh) | 基于半监督学习的软测量方法 | |
CN115345003B (zh) | 一种偏航风力机尾流速度亏损剖面预测方法 | |
Nasery et al. | Yaw-adjusted wind power curve modeling: A local regression approach | |
Bortolotti et al. | Performance of non-intrusive uncertainty quantification in the aeroservoelastic simulation of wind turbines | |
CN114707437A (zh) | 一种水平轴风力机三维全尾流模型的建立方法 | |
Vimalakanthan et al. | Computational fluid dynamics (CFD) modeling of actual eroded wind turbine blades | |
Zhao et al. | Scalar flux–gradient relationships under unstable conditions over water in coastal regions | |
CN115310388B (zh) | 空间变化的风力机三维不对称双高斯尾流风速计算方法 | |
CN116415421A (zh) | 一种风力机尾流区域流场建模的方法和装置 | |
CN114861571B (zh) | 一种河道型水库动态边界计算方法、装置及存储介质 | |
Sorensen et al. | Toward improved rotor-only axial fans—part II: Design optimization for maximum efficiency | |
CN113848726B (zh) | 系统控制器的设计方法、装置及电子设备 | |
CN115169089A (zh) | 基于核密度估计和copula的风电功率概率预测方法和装置 | |
CN116776464B (zh) | 一种特定航线江海直达集装箱船型线谱系生成方法及系统 | |
Sebastiani et al. | A method to correct for the effect of blockage and wakes on power performance measurements | |
CN115577651A (zh) | 一种涡轮导叶平均气膜冷却效率预测方法及系统 | |
CN117633491B (zh) | 气动数据不确定度量化评估方法、电子设备及存储介质 | |
WO2022110115A1 (zh) | 工业过程智能控制方法和系统 |
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 |