CN115470731A - 一种基于微气象的风场风电功率预测方法及系统 - Google Patents
一种基于微气象的风场风电功率预测方法及系统 Download PDFInfo
- Publication number
- CN115470731A CN115470731A CN202211202443.XA CN202211202443A CN115470731A CN 115470731 A CN115470731 A CN 115470731A CN 202211202443 A CN202211202443 A CN 202211202443A CN 115470731 A CN115470731 A CN 115470731A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind power
- power plant
- mesoscale
- 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.)
- Pending
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
-
- 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
-
- 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
Abstract
本发明涉及一种基于微气象的风电场风电功率预测方法,包括以下步骤:建立中尺度WRF模型,获取目标区域的微气象再分析数据作为背景场数据,对目标区域的背景场数据进行计算,获得中尺度气象分析数据;构建微尺度CFD模型,基于中尺度气象分析数据提取风速、风向和湍动能信息,作为入流边界条件输入至微尺度CFD模型进行数值模拟,得到风电场微尺度风场分布基础数据库;根据中尺度数值天气预报,在微尺度风场分布基础数据库中选择对应的风场分布,计算风电场中每台风电机组的风向和风速数据,并根据计算出的风电机组的风向和风速数据和功率曲线计算对应风电机组的发电功率,确定当前运行的风电机组,统计得到目标风电场的风电功率预测值。
Description
技术领域
本发明涉及一种基于微气象的风场风电功率预测方法及系统,属于风场风电功率预测技术领域。
背景技术
风电作为技术成熟、环保、绿色、可再生能源,成为构建以新能源为主体的新型电力系统重要组成部分。当前风力发电成本相对较高背景下,提升风力发电的经济性是保证风电产业可持续发展的重要基础。由于风电的发电成本很大程度上取决风电场的风资源情况,因此风电场风速以及风功率的预测是能使电网提前调度计划、发电企业调整运维任务,是降低风电发电成本和保证电力系统安全稳定运行的有效途径。但是由于受气象条件以及地理环境等因素的影响,风速具有较大的间歇性、波动性、随机性等特点,如何达到更准确的预测风速以及风功率是目前研究中的重要任务。
现有的方案,按照预测过程所用具体模型原理的不同分类,主要有物理方法、统计方法和组合方法。NWP模型是典型的物理方法。首先利用NWP模型(numericalweatherprediction中尺度数值天气预报)判定未来时间段气象信息,然后结合风机周围的地理信息计算得到风电机组轮毅高度处的风速和风向等信息最后通过原始功率曲线的映射关系得出风机输出功率,物理方法需要高精度的气象预报数据。统计方法基于历史风电场数据,按照模型识别、参数估计和模型验证等过程建立历史数据和预测值之间的映射关系完成预测,或者通过机器学习方法,通过对数据关系的学习和训练而建立的非线性模型完成预测。组合方法是目前风速及风功率预测研究的主要方向。随着计算机水平的发展,基于数值离散求解的计算流体力学CFD方法被越来越多应用求解微尺度流动问题,可以实现对复杂地形的风电场流动以及运行特性的精细化模拟,更好地探究复杂地形的风电场内部的气体流动细节。因此,基于NWP模型的组合预测方法是目前风力发电预测系统发展的方向,采用物理降尺度等方法对气象部门提供的数值天气预报进行处理以获得风电场微尺度环境下的预测气象信息,并结合统计方法将该信息转化为风电场的功率预测值,指导风电场运营管理。
但是风电场工况复杂,风电机组大多都安装在高山、荒野、海滩、海岛等相对恶劣的环境中,地形和地表特征复杂导致近地层风场时空变化大,要实现风电场风电功率的准确预报,难度较大。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种基于微气象的风电场风电功率预测方法。
本发明的技术方案如下:
一方面,本发明提出一种基于微气象的风电场风电功率预测方法,包括以下步骤:
建立中尺度WRF模型,获取包含目标风电场区域的目标区域的微气象再分析数据作为背景场数据,采用中尺度WRF模型对目标区域的背景场数据进行计算,获得中尺度气象分析数据;
构建微尺度CFD模型,基于中尺度气象分析数据提取风速、风向和湍动能信息,作为微尺度CFD模型的入流边界条件;
将入流边界条件输入至微尺度CFD模型进行数值模拟,得到风电场微尺度风场分布基础数据库;
根据中尺度数值天气预报,在微尺度风场分布基础数据库中选择对应的风场分布,基于选择的风场分布计算风电场中每台风电机组的风向和风速数据,并根据计算出的风电机组的风向和风速数据和功率曲线计算对应风电机组的发电功率,根据风电场运行策略,确定当前运行的风电机组,统计所有当前运行的风电机组的发电功率得到目标风电场的风电功率预测值。
作为优选实施方式,所述中尺度WRF模型采用中尺度大气模拟系统AMP;
在采用中尺度WRF模型对目标区域的背景场数据进行计算时,设定了大气边界层和地表边界层参数,其中,地表边界层的参数设定架构基于Monin-Obuk-Hov模拟理论;大气边界层的参数设定架构基于湍流动能的TKE类型架构或基于对理查森数的K-廓线类型。
作为优选实施方式,所述构建微尺度CFD模型的步骤具体为:
采用CFD仿真软件,按风向等角度划分为至少36个入流风向进行CFD仿真计算;
采用雷诺平均方程作为风电场大气边界层流动的控制方程;采用有限体积法对风电场计算域进行离散化,形成结构化网格表示风电场内的各个节点;
对结构化网格进行求解,获取风电场内各个节点相对于微尺度CFD模型入口处风加速因子。
另一方面,本发明还提出一种基于微气象的风电场风电功率预测系统,包括:
中尺度模型建立模块,用于建立中尺度WRF模型,获取包含目标风电场区域的目标区域的微气象再分析数据作为背景场数据,采用中尺度WRF模型对目标区域的背景场数据进行计算,获得中尺度气象分析数据;
微尺度模型建立模块,用于构建微尺度CFD模型,基于中尺度气象分析数据提取风速、风向和湍动能信息,作为微尺度CFD模型的入流边界条件;
基础数据库建立模块,用于将入流边界条件输入至微尺度CFD模型进行数值模拟,得到风电场微尺度风场分布基础数据库;
风电功率预测模块,用于根据中尺度数值天气预报,在微尺度风场分布基础数据库中选择对应的风场分布,基于选择的风场分布计算风电场中每台风电机组的风向和风速数据,并根据计算出的风电机组的风向和风速数据和功率曲线计算对应风电机组的发电功率,根据风电场运行策略,确定当前运行的风电机组,统计所有当前运行的风电机组的发电功率得到目标风电场的风电功率预测值。
作为优选实施方式,所述中尺度WRF模型采用中尺度大气模拟系统AMP;
在采用中尺度WRF模型对目标区域的背景场数据进行计算时,设定了大气边界层和地表边界层参数,其中,地表边界层的参数设定架构基于Monin-Obuk-Hov模拟理论;大气边界层的参数设定架构基于湍流动能的TKE类型架构或基于对理查森数的K-廓线类型。
作为优选实施方式,所述构建微尺度CFD模型的步骤具体为:
采用CFD仿真软件,按风向等角度划分为至少36个入流风向进行CFD仿真计算;
采用雷诺平均方程作为风电场大气边界层流动的控制方程;采用有限体积法对风电场计算域进行离散化,形成结构化网格表示风电场内的各个节点;
对结构化网格进行求解,获取风电场内各个节点相对于微尺度CFD模型入口处风加速因子。
再一方面,本发明还提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的基于微气象的风电场风电功率预测方法。
再一方面,本发明还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的基于微气象的风电场风电功率预测方法。
本发明具有如下有益效果:
本发明一种基于微气象的风电场风电功率预测方法,通过建立中尺度WRF模型和微尺度CFD模型并进行嵌套,得到风电场微尺度风场分布基础数据库,然后直接根据中尺度数值天气预报,实现在线快速降尺度的复杂地形风电场风速预报和功率预报。
附图说明
图1为本发明实施例的方法流程示意图。
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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
参见图1,本实施例提出一种基于微气象的风电场风电功率预测方法,本实施例基于全球模式的再分析数据,进行中尺度气象模型的建模;所得中尺度数据结果用于微尺度的流体力学模拟过程中进行嵌套计算;最后计算结果用于风电场复杂地形风资源评估。天气的运动可采用中尺度的数值模式进行预报,由于风电场地形是稳定不变的,通过采用微尺度CFD模型事先模拟出各种中尺度气象背景条件下的风场分布,建立风电场微尺度风场分布基础数据库,然后直接根据中尺度数值天气预报,通过选择对应的风场分布,实现在线快速降尺度的复杂地形风电场风速预报和功率预报,以满足风电场风功率预测的时效要求;具体包括以下步骤:
S100、建立中尺度WRF(WeatherResearchandForecast天气研究与预测)模型,获取包含目标风电场区域的目标区域的微气象再分析数据作为背景场数据,采用中尺度WRF模型对目标区域的背景场数据进行计算,获得水平分辨率为1~3km的中尺度气象分析数据;
S200、构建微尺度CFD(ComputationalFluidDynamics计算流体动力学)模型,基于中尺度气象分析数据提取微尺度建模计算边界附近的风速、风向、湍动能等信息,作为微尺度CFD模型的入流边界条件;
S300、将入流边界条件输入至微尺度CFD模型,驱动CFD模型进行数值模拟,建立各种中尺度气象背景条件下风电场微尺度风场分布基础数据库;
S400、根据中尺度数值天气预报,在微尺度风场分布基础数据库中选择对应的风场分布,降尺度后获取风电场全场的风速和风向偏差分布,基于选择的风场分布计算风电场中每台风电机组的风向和风速数据,并根据计算出的风电机组的风向和风速数据和功率曲线计算对应风电机组的发电功率,根据风电场运行策略,确定当前运行的风电机组,统计所有当前运行的风电机组的发电功率得到目标风电场的风电功率预测值。
作为本实施例的优选实施方式,所述中尺度WRF模型采用中尺度大气模拟系统AMP;WRF是一个被广泛使用的气象模型,许多组织和研究机构在此基础上又进一步研究,并建立了一系列的衍生模型。通过大量实际项目及相关工程经验表明相对于ARPEGE、ALADIN或LMDZ模型,WRF模型更体现了其自身的高效性与准确性。同时,该模型也避免了因使用非弹性假设(例如Meso-NH)而导致的在垂直速度矢量和压力扰动传播上的一些不准确性。
在采用中尺度WRF模型对目标区域的背景场数据进行计算时,还需要考虑包括大气边界层(ABL)和地表边界层(RSL)等参数设定,其中,地表边界层(RSL)的参数设定架构基于Monin-Obuk-Hov模拟理论;对于大气边界层(ABL)来说,有两类架构可选择:基于湍流动能的TKE类型架构,以及基于对于定义边界层扩展非常重要的理查森数的K-廓线类型,在这两种情况中,所提供的架构都已得到各种不同情况的广泛测试和有效性验证。
作为本实施例的优选实施方式,所述构建微尺度CFD模型的步骤具体为:
微尺度模型的建立需要符合复杂地形上对风流场模拟准确性的要求,采用CFD仿真软件,按风向等角度划分为至少36个入流风向进行CFD仿真计算;
采用雷诺平均方程作为风电场大气边界层流动的控制方程,具体如下:
采用有限体积法对风电场计算域进行离散化,形成结构化网格表示风电场内的各个节点;与大气模式常用的基于控制方程在网格点泰勒展开的有限差分法不同,基于计算流体力学技术的微尺度建模采用有限体积法进行控制方程的离散化。在有限体积法中将所计算的区域划分成一系列控制体积,每个控制体积都有一个节点作代表,通过将守恒型的控制方程对控制体积作积分来导出离散方程。在导出过程中,需要对界面上的被求函数本身及其一阶导数的构成做出假定,这种构成的方式就是有限体积法中的离散格式。用有限体积法导出的离散方程可以保证具有守恒特性,而且离散方程系数的物理意义明确。采用有限体积法可以建立非正交甚至非结构化网格,能够更好地适应复杂地形网格划分和求解中对不规则区域刻画的需求,从而为精细化数值提供技术上的可能。微尺度风场基础数据库描述在各种大气稳定度和风向的情况下风电场微尺度风速和风向偏差分布的相对关系。对于复杂地形风电场,风速分布与来流风向和大气稳定度密切相关,在指定大气稳定度和风向条件下,建立风电场区域的计算流体力学模型。
对结构化网格进行求解,获取风电场内各个节点相对于微尺度CFD模型入口处风加速因子,风电场区域内风加速因子
Vh,0(X,Y,Z)是风向(d)和大气稳定度(s)的函数,表示为:
Vh,0(X,Y,Z)=f(d,s)。
实施例二:
本发明还提出一种基于微气象的风电场风电功率预测系统,包括:
中尺度模型建立模块,用于建立中尺度WRF模型,获取包含目标风电场区域的目标区域的微气象再分析数据作为背景场数据,采用中尺度WRF模型对目标区域的背景场数据进行计算,获得中尺度气象分析数据;该模块用于实现如上述实施例一中步骤S100的功能,在此不再赘述;
微尺度模型建立模块,用于构建微尺度CFD模型,基于中尺度气象分析数据提取风速、风向和湍动能信息,作为微尺度CFD模型的入流边界条件;该模块用于实现如上述实施例一中步骤S200的功能,在此不再赘述;
基础数据库建立模块,用于将入流边界条件输入至微尺度CFD模型进行数值模拟,得到风电场微尺度风场分布基础数据库;该模块用于实现如上述实施例一中步骤S300的功能,在此不再赘述;
风电功率预测模块,用于根据中尺度数值天气预报,在微尺度风场分布基础数据库中选择对应的风场分布,基于选择的风场分布计算风电场中每台风电机组的风向和风速数据,并根据计算出的风电机组的风向和风速数据和功率曲线计算对应风电机组的发电功率,根据风电场运行策略,确定当前运行的风电机组,统计所有当前运行的风电机组的发电功率得到目标风电场的风电功率预测值;该模块用于实现如上述实施例一中步骤S400的功能,在此不再赘述。
作为本实施例的优选实施方式,所述中尺度WRF模型采用中尺度大气模拟系统AMP;
在采用中尺度WRF模型对目标区域的背景场数据进行计算时,设定了大气边界层和地表边界层参数,其中,地表边界层的参数设定架构基于Monin-Obuk-Hov模拟理论;大气边界层的参数设定架构基于湍流动能的TKE类型架构或基于对理查森数的K-廓线类型。
作为本实施例的优选实施方式,所述构建微尺度CFD模型的步骤具体为:
采用CFD仿真软件,按风向等角度划分为至少36个入流风向进行CFD仿真计算;
采用雷诺平均方程作为风电场大气边界层流动的控制方程;采用有限体积法对风电场计算域进行离散化,形成结构化网格表示风电场内的各个节点;
对结构化网格进行求解,获取风电场内各个节点相对于微尺度CFD模型入口处风加速因子。
实施例三:
本实施例提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的基于微气象的风电场风电功率预测方法。
实施例四:
本实施例提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的基于微气象的风电场风电功率预测方法。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于微气象的风电场风电功率预测方法,其特征在于,包括以下步骤:
建立中尺度WRF模型,获取包含目标风电场区域的目标区域的微气象再分析数据作为背景场数据,采用中尺度WRF模型对目标区域的背景场数据进行计算,获得中尺度气象分析数据;
构建微尺度CFD模型,基于中尺度气象分析数据提取风速、风向和湍动能信息,作为微尺度CFD模型的入流边界条件;
将入流边界条件输入至微尺度CFD模型进行数值模拟,得到风电场微尺度风场分布基础数据库;
根据中尺度数值天气预报,在微尺度风场分布基础数据库中选择对应的风场分布,基于选择的风场分布计算风电场中每台风电机组的风向和风速数据,并根据计算出的风电机组的风向和风速数据和功率曲线计算对应风电机组的发电功率,根据风电场运行策略,确定当前运行的风电机组,统计所有当前运行的风电机组的发电功率得到目标风电场的风电功率预测值。
2.根据权利要求1所述的一种基于微气象的风电场风电功率预测方法,其特征在于:
所述中尺度WRF模型采用中尺度大气模拟系统AMP;
在采用中尺度WRF模型对目标区域的背景场数据进行计算时,设定了大气边界层和地表边界层参数,其中,地表边界层的参数设定架构基于Monin-Obuk-Hov模拟理论;大气边界层的参数设定架构基于湍流动能的TKE类型架构或基于对理查森数的K-廓线类型。
3.根据权利要求1所述的一种基于微气象的风电场风电功率预测方法,其特征在于,所述构建微尺度CFD模型的步骤具体为:
采用CFD仿真软件,按风向等角度划分为至少36个入流风向进行CFD仿真计算;
采用雷诺平均方程作为风电场大气边界层流动的控制方程;采用有限体积法对风电场计算域进行离散化,形成结构化网格表示风电场内的各个节点;
对结构化网格进行求解,获取风电场内各个节点相对于微尺度CFD模型入口处风加速因子。
4.一种基于微气象的风电场风电功率预测系统,其特征在于,包括:
中尺度模型建立模块,用于建立中尺度WRF模型,获取包含目标风电场区域的目标区域的微气象再分析数据作为背景场数据,采用中尺度WRF模型对目标区域的背景场数据进行计算,获得中尺度气象分析数据;
微尺度模型建立模块,用于构建微尺度CFD模型,基于中尺度气象分析数据提取风速、风向和湍动能信息,作为微尺度CFD模型的入流边界条件;
基础数据库建立模块,用于将入流边界条件输入至微尺度CFD模型进行数值模拟,得到风电场微尺度风场分布基础数据库;
风电功率预测模块,用于根据中尺度数值天气预报,在微尺度风场分布基础数据库中选择对应的风场分布,基于选择的风场分布计算风电场中每台风电机组的风向和风速数据,并根据计算出的风电机组的风向和风速数据和功率曲线计算对应风电机组的发电功率,根据风电场运行策略,确定当前运行的风电机组,统计所有当前运行的风电机组的发电功率得到目标风电场的风电功率预测值。
5.根据权利要求4所述的一种基于微气象的风电场风电功率预测系统,其特征在于:
所述中尺度WRF模型采用中尺度大气模拟系统AMP;
在采用中尺度WRF模型对目标区域的背景场数据进行计算时,设定了大气边界层和地表边界层参数,其中,地表边界层的参数设定架构基于Monin-Obuk-Hov模拟理论;大气边界层的参数设定架构基于湍流动能的TKE类型架构或基于对理查森数的K-廓线类型。
6.根据权利要求4所述的一种基于微气象的风电场风电功率预测系统,其特征在于,所述构建微尺度CFD模型的步骤具体为:
采用CFD仿真软件,按风向等角度划分为至少36个入流风向进行CFD仿真计算;
采用雷诺平均方程作为风电场大气边界层流动的控制方程;采用有限体积法对风电场计算域进行离散化,形成结构化网格表示风电场内的各个节点;
对结构化网格进行求解,获取风电场内各个节点相对于微尺度CFD模型入口处风加速因子。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述的基于微气象的风电场风电功率预测方法。
8.一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,该程序被处理器执行时实现如权利要求1至3任一项所述的基于微气象的风电场风电功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202443.XA CN115470731A (zh) | 2022-09-29 | 2022-09-29 | 一种基于微气象的风场风电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202443.XA CN115470731A (zh) | 2022-09-29 | 2022-09-29 | 一种基于微气象的风场风电功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115470731A true CN115470731A (zh) | 2022-12-13 |
Family
ID=84335474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211202443.XA Pending CN115470731A (zh) | 2022-09-29 | 2022-09-29 | 一种基于微气象的风场风电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115470731A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307282A (zh) * | 2023-05-19 | 2023-06-23 | 济南作为科技有限公司 | 一种基于机理模型和数据驱动的风电功率预测方法及系统 |
CN116760028A (zh) * | 2023-08-14 | 2023-09-15 | 长江三峡集团实业发展(北京)有限公司 | 一种风光联合功率预测方法、装置、计算机设备及介质 |
CN117521282A (zh) * | 2023-11-07 | 2024-02-06 | 国家气候中心 | 用于风电场气候特征模拟的密度依赖型风机参数化方法 |
-
2022
- 2022-09-29 CN CN202211202443.XA patent/CN115470731A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307282A (zh) * | 2023-05-19 | 2023-06-23 | 济南作为科技有限公司 | 一种基于机理模型和数据驱动的风电功率预测方法及系统 |
CN116760028A (zh) * | 2023-08-14 | 2023-09-15 | 长江三峡集团实业发展(北京)有限公司 | 一种风光联合功率预测方法、装置、计算机设备及介质 |
CN117521282A (zh) * | 2023-11-07 | 2024-02-06 | 国家气候中心 | 用于风电场气候特征模拟的密度依赖型风机参数化方法 |
CN117521282B (zh) * | 2023-11-07 | 2024-04-12 | 国家气候中心 | 用于风电场气候特征模拟的密度依赖型风机参数化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115470731A (zh) | 一种基于微气象的风场风电功率预测方法及系统 | |
CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
Kataoka et al. | Numerical flow computation around aeroelastic 3D square cylinder using inflow turbulence | |
CN108563867A (zh) | 一种基于OpenFOAM实现WRF和CFD耦合模拟风场的方法 | |
CN105718634B (zh) | 一种基于非概率区间分析模型的翼型鲁棒优化设计方法 | |
Allaerts et al. | Sensitivity and feedback of wind-farm-induced gravity waves | |
CN107292022A (zh) | 一种基于时变温度响应的桥梁结构概率基准有限元模型构建方法 | |
CN104657584A (zh) | 一种基于Lorenz系统的风速预测方法 | |
Weerasuriya et al. | A Gaussian Process-Based emulator for modeling pedestrian-level wind field | |
CN110162895A (zh) | 一种两阶段的高能效船型优化设计方法 | |
Haupt et al. | Second year report of the atmosphere to electrons mesoscale to microscale coupling project: Nonstationary modeling techniques and assessment | |
CN116502775B (zh) | 一种水文序列增强及预测方法 | |
KR102537488B1 (ko) | 유입 풍속과 도시 형태 매개 변수를 이용한 도시 풍속 분석 시스템 및 이를 이용한 분석 방법 | |
CN114925624A (zh) | 一种天然河道三维水流数值模拟方法 | |
Jafari et al. | Terrain effects on wind flow: Simulations with an immersed boundary method | |
KR101562863B1 (ko) | 래티스 볼츠만 이론을 이용한 유체 유동 시뮬레이션 방법 및 이를 실현하기 위한 기록 매체 | |
Culley et al. | A surrogate-model assisted approach for optimising the size of tidal turbine arrays | |
Guo | A simple method to downscale daily wind statistics to hourly wind data | |
Rasheed et al. | Wind farm modeling in a realistic environment using a multiscale approach | |
Zhao et al. | Multiscale modelling of planetary boundary layer flow over complex terrain: implementation under near-neutral conditions | |
Nappi | Development and Application of a Discontinuous Galerkin-based Wave Prediction Model. | |
Onel et al. | Short-Term Numerical Forecasting of Near-Ground Wind Fields Using OpenFOAM Coupled With WRF | |
CN117454720B (zh) | 一种极端天气海上风电场冲刷风险仿真预测方法和设备 | |
JP7467369B2 (ja) | 予測方法、予想プログラム、および予測装置 | |
Botta et al. | Asymptotic analysis of a dry atmosphere |
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 |