CN115879286A - 用于风机的风功率的预测方法、处理器、装置及存储介质 - Google Patents
用于风机的风功率的预测方法、处理器、装置及存储介质 Download PDFInfo
- Publication number
- CN115879286A CN115879286A CN202211493198.2A CN202211493198A CN115879286A CN 115879286 A CN115879286 A CN 115879286A CN 202211493198 A CN202211493198 A CN 202211493198A CN 115879286 A CN115879286 A CN 115879286A
- Authority
- CN
- China
- Prior art keywords
- wind
- predicted
- wind speed
- current
- angle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 81
- 230000006870 function Effects 0.000 claims description 88
- 238000012360 testing method Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims 2
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000011217 control strategy Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Wind Motors (AREA)
Abstract
本申请涉及风力发电技术领域,公开了一种用于风机的风功率的预测方法、处理器、装置及存储介质。包括获取待预测风机在历史时段内的运行数据、在当前时刻的当前风速和当前风向;根据历史时段内的运行数据确定待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数;根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角;根据当前风速和预测桨距角确定第一校正系数;根据预测对风角确定第二校正系数;根据当前风速和当前风向确定待预测风机在当前时刻的预测风功率;根据上述校正系数对预测风功率进行校正,以得到最终的预测风功率。
Description
技术领域
本申请涉及风力发电技术领域,具体涉及一种用于风机的风功率的预测方法、处理器、装置及存储介质。
背景技术
随着风力发电技术的成熟,风力发电机的发电量占比也逐步提高。但是风力发电受风力大小的影响有波动性、随机性以及间歇性的特点,因而电网系统要根据风机的风功率,进行调度控制。
现有技术中,通常是根据风力发电机处的风速大小,确定风机发电机的发电功率,进而针对电网进行调度控制,维护电网稳定。但是,风机在不同的风速、风向下,会自动进行变桨、偏航以及制动等风机控制策略操作。若不考虑风机的上述控制策略,会导致预测的风功率与实际的风功率之间相差较大。
发明内容
本申请实施例的目的是提供一种用于风机的风功率的预测方法、处理器、装置及存储介质。
为了实现上述目的,本申请第一方面提供一种用于风机的风功率的预测方法,包括:
获取待预测风机在历史时段内的运行数据、待预测风机在当前时刻的当前风速和当前风向,其中,运行数据包括待预测风机在历史时段内的历史桨距角、历史对风角、历史风速和历史风向;
根据历史桨距角、历史对风角、历史风速和历史风向确定待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数;
根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角;
根据当前风速和预测桨距角确定第一校正系数coefβ;
根据预测对风角确定第二校正系数coefθ;
根据当前风速和当前风向确定待预测风机在当前时刻的预测风功率P;
根据第一校正系数和第二校正系数对预测风功率进行校正,以得到最终的预测风功率Padj。
在本申请实施例中,根据公式(1)确定第二校正系数coefθ;
在本申请实施例中,根据当前风速和预测桨距角确定第一校正系数coefβ包括:根据多个风速下桨距角与风功率的关系曲线确定在每个风速下的每个桨距角对风功率校正系数;根据当前风速和预测桨距角确定第一校正系数coefβ。
在本申请实施例中,根据公式(2)确定最终的预测风功率Padj;
Padj=P×coefβ×coefθ (2);
其中,P为当前时刻的预测风功率,coefβ为第一校正系数,coefθ为第二校正系数。
在本申请实施例中,根据公式(3)确定桨距角β在预设风速和预设风向下的第一条件概率密度函数;
其中,为第一条件概率密度函数,u为预设风速和预设风向在纬向的风速分量,v为预设风速和预设风向在经向的风速分量,hβ、hu、hv分别为预测桨距角、纬向风和经向风的带宽,kβ、ku、kv分别为桨距角、纬向风和经向风的单元核函数,β为根据数值模式确定在预设风速和预设风向下的预估桨距角,βi为第i次测试的历史桨距角,ui为第i次测试的历史风速纬向风速分量,vi为第i次测试的历史风速经向风速分量,n为预设测试次数。
在本申请实施例中,根据公式(4)确定对风角θ在预设风速和预设风向下的第二条件概率密度函数;
其中,为第二条件概率密度函数,u为预设风速和预设风向在纬向的风速分量,v为预设风速和预设风向在经向的风速分量,hθ、hu、hv分别为预测对风角、纬向风和经向风的带宽,kθ、ku、kv分别为对风角、纬向风和经向风的单元核函数,θ为根据数值模式确定在预设风速和预设风向下的预估对风角,θi为第i次测试的历史对风角,ui为第i次测试的历史风速纬向风速分量,vi为第i次测试的历史风速经向风速分量,n为预设测试次数。
在本申请实施例中,根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角包括:根据公式(3)确定预测桨距角公式(5);根据公式(5)确定预测桨距角;
本申请第二方面提供一种处理器,被配置成执行上述的方法。
本申请第三方面提供一种用于风机的风功率的预测装置,包括:数据收集模块,用于获取待预测风机在历史时段内的运行数据、待预测风机在当前时刻的当前风速和当前风向,其中,运行数据包括待预测风机在历史时段内的历史桨距角、历史对风角、历史风速和历史风向;风机调整策略预测模块,用于根据历史桨距角、历史对风角、历史风速和历史风向确定待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数;根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角;校正系数计算模块,用于根据当前风速和预测桨距角确定第一校正系数;根据预测对风角确定第二校正系数;风功率预测模块,用于根据当前风速和当前风向确定待预测风机在当前时刻的预测风功率;校正风功率计算模块,用于根据第一校正系数和第二校正系数对预测风功率进行校正,以得到最终的预测风功率。
本申请第四方面提供一种可编程存储介质,该可编程存储介质上存储有指令,该指令在被处理器执行时使处理器被配置成执行上述任意一项的方法。
上述技术方案,通过确定在当前时刻的桨距角和对风角,以及在当前风速和风向下桨距角和对风角对风机的校正系数,对风机的预测风功率进行校正,以得到最终的预测风功率。最终的预测风功率根据风机的控制策略进行了校正,相对于通过数值模式计算得到的风功率,预测结果更为接近实际的风功率。电网调度人员可以根据校正后的风功率电网进行调度控制,保障了电网平稳运行,降低了电网波动造成的损害。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的用于风机的风功率的预测方法的流程示意图;
图2示意性示出了根据本申请实施例的用于风机的风功率的预测装置的结构框图;
图3示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1示意性示出了根据本申请实施例的用于风机的风功率的预测方法的流程示意图。如图1所示,在本申请一实施例中,提供了一种用于风机的风功率的预测方法,包括以下步骤:
S102,获取待预测风机在历史时段内的运行数据、待预测风机在当前时刻的当前风速和当前风向,其中,运行数据包括待预测风机在历史时段内的历史桨距角、历史对风角、历史风速和历史风向。
S104,根据历史桨距角、历史对风角、历史风速和历史风向确定待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数。
S106,根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角。
S108,根据当前风速和预测桨距角确定第一校正系数coefβ。
S110,根据预测对风角确定第二校正系数coefθ。
S112,根据当前风速和当前风向确定待预测风机在当前时刻的预测风功率P。
S114,根据第一校正系数和第二校正系数对预测风功率进行校正,以得到最终的预测风功率Padj。
桨距角是指风机叶片与风机叶片最顶端的截面之间的夹角,在额定桨距角下,可以捕获最大风能。对风角是指风速与风机叶片最顶端的截面的垂线之间夹角,也就是说,在风正对风轮经过的情况下,对风角为0度,对风角的取值范围为-180°~180°。在对风角为0度的情况下,可以捕获最大风能。在不同的风速和风向下,风机会调节自身的桨距角和对风角,以使风机发电稳定。例如,在对风角都为0度时,在当前风速为额定风速的情况下,风机的桨距角处于额定桨距角。对风角和桨距角会根据当前的风速,调整自身的桨距角与对风角。例如,某一风机在当前风速大于额定风速的情况下,风机调节桨距角以使捕捉到的风速减小,防止风机的风功率过高。在当前风速小于额定风速的情况下,风机的桨距角为额定桨距角,以使风机可以最大程度捕捉风能。同理,风机会根据当前的风速和风向调节风机的对风角。
在本申请中,处理器可以根据历史时间段的风速和风向、以及对应的桨距角和对风角,确定当前风速和风向下的桨距角和对风角,根据当前的风速与风向,以及当前的桨距角和对风角,针对风功率进行校正。
首先,处理器获取待预测风机在历史时段内的运行数据、待预测风机在当前时刻的当前风速和当前风向,其中,运行数据包括待预测风机在历史时段内的历史桨距角、历史对风角、历史风速和历史风向。处理器根据历史桨距角、历史对风角、历史风速和历史风向确定待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数。根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角。第一条件概率密度函数是指待预测风机在根据历史风速、历史风向以及对应的历史桨距角确定的桨距角与风速、风向之间的关系式。第二条件概率密度函数是指待预测风机在根据历史风速、历史风向以及对应的历史对风角确定的对风角与风速、风向之间的关系式。处理器可以获取历史时间段内的多组运行数据,以通过分析不同风速与风向的情况下风机的桨距角和对风角的概率密度函数,进而确定待预测风机在当前风速和风向下的预测桨距角和预测对风角。
在处理器获取到待预测风机的预测桨距角和预测对风角之后,处理器可以根据当前风速和预测预测桨距角确定第一校正系数coefβ,根据预测对风角确定第二校正系数coefθ。处理器还可以根据当前的风速和风向,确定待预测风机的预测风功率P,此预测风功率可以是通过将风机处风速和风向导入数值模式计算得到的。处理器随后根据预测风功率P、第一校正系数coefβ以及第二校正系数coefθ确定最终的预测风功率Padj。
例如,处理器获取待预测风机历史一个月内的运行数据和当前时刻的当前风速和当前风向。处理器可以根据历史一个月内的运行数据确定待预测风机的第一条件概率密度函数和第二条件概率密度函数。处理器根据当前风速和当前风向确定对应的预测桨距角和预测对风角,进而确定预测桨距角和预测对风角对应的第一校正系数和第二校正系数。处理器通过数值模式可以确定当前风速和当前风向下的预测风功率,此时的预测风功率,没有考虑风机在不同风速和风向下,会调整桨距角和对风角。因此,处理器根据确定到的第一校正系数和第二校正系数,对预测风功率进行校正,以得到最终的预测风功率。
上述方法,通过确定在当前时刻的桨距角和对风角,以及在当前风速和风向下桨距角和对风角对风机的校正系数,对风机的预测风功率进行校正,以得到最终的预测风功率。最终的预测风功率根据风机的控制策略进行了校正,相对于通过数值模式计算得到的风功率,预测结果更为接近实际的风功率。电网调度人员可以根据校正后的风功率电网进行调度控制,保障了电网平稳运行,降低了电网波动造成的损害。
在一个实施例中,根据公式(1)确定第二校正系数coefθ;
在一个实施例中,根据当前风速和预测桨距角确定第一校正系数coefβ包括:根据多个风速下桨距角与风功率的关系曲线确定在每个风速下的每个桨距角对风功率校正系数;根据当前风速和预测桨距角确定第一校正系数coefβ。风机在不同的风速下,会自动调整风机的桨距角,以防止风机在风速过大的情况下,风功率过载,或者风速低的情况下,风功率过低。在不同的风速和不同的桨距角下,风机的风功率不同,处理器可以获取多个风速下,桨距角与风功率的关系曲线,该曲线可以通过实际测试得到。根据该曲线处理器可以确定当前风速和当前桨距角对应的风功率与额定风速和额定桨距角对应的风功率之间的关系,进而处理器可以确定预测桨距角确定第一校正系数coefβ。
在一个实施例中,根据公式(2)确定最终的预测风功率Padj;
Padj=P×coefβ×coefθ (2);
其中,P为当前时刻的预测风功率,coefβ为第一校正系数,coefθ为第二校正系数。处理器在确定待预测风机当前时刻的预测风功率P、第一校正系数coefβ以及第二校正系数coefθ之后,可以通过公式(2)确定最终预测风功率。
在一个实施例中,根据公式(3)确定桨距角β在预设风速和预设风向下的第一条件概率密度函数;
其中,为第一条件概率密度函数,u为预设风速和预设风向在纬向的风速分量,v为预设风速和预设风向在经向的风速分量,hβ、hu、hv分别为预测桨距角、纬向风和经向风的带宽,kβ、ku、kv分别为桨距角、纬向风和经向风的单元核函数,β为根据数值模式确定在预设风速和预设风向下的预估桨距角,βi为第i次测试的历史桨距角,ui为第i次测试的历史风速纬向风速分量,vi为第i次测试的历史风速经向风速分量,n为预设测试次数。处理器根据待预测风机在历史时间段内的风速、风向以及对应的桨距角,可以根据公式(3)的条件概率密度函数,确定预设风速下的桨距角的第一条件概率密度函数。
在一个实施例中,根据公式(4)确定对风角θ在预设风速和预设风向下的第二条件概率密度函数;
其中,为第二条件概率密度函数,u为预设风速和预设风向在纬向的风速分量,v为预设风速和预设风向在经向的风速分量,hθ、hu、hv分别为预测对风角、纬向风和经向风的带宽,kθ、ku、kv分别为对风角、纬向风和经向风的单元核函数,θ为根据数值模式确定在预设风速和预设风向下的预估对风角,θj为第i次测试的历史对风角,ui为第i次测试的历史风速纬向风速分量,vi为第i次测试的历史风速经向风速分量,n为预设测试次数。处理器根据待预测风机在历史时间段内的风速、风向以及对应的对风角,可以根据公式(4)的条件概率密度函数,确定预设风速下的对风角的第一条件概率密度函数。
在一个实施例中,根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角包括:根据公式(3)确定预测桨距角公式(5);根据公式(5)确定预测桨距角;
处理器在确定第一条件概率函数和第二条件概率函数之后,可以将第一条件改路函数和第二条件概率函数进行变换,得到预测桨距角和预测对风角的概率关系式,将当前的风速和风向带入至上述概率关系式,处理器可以确定预测桨距角和预测对风角的数值。
在一个具体的实施例中,处理器获取待预测风机在历史时段内的运行数据、待预测风机在当前时刻的当前风速和当前风向,其中,运行数据包括待预测风机在历史时段内的历史桨距角、历史对风角、历史风速和历史风向。处理器根据历史桨距角、历史对风角、历史风速和历史风向确定待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数。其中,第一条件概率密度函数如上述公式(3),第二条件概率密度函数如上述公式(4)。根据第一条件概率密度函数、第二条件概率密度函数进行变换,可以确定桨距角和对风角的概率关系式,如上述公式(5)和公式(6)所示。处理器根据当前风速以及当前风向,带入公式(5)和公式(6),可以确定待预测风机在当前时刻的预测桨距角和预测对风角。处理器可以根据预测桨距角和预测对风角分别确定第一校正系数coefβ和第二校正系数coefθ。通过将当前风速和当前风向带入至数值模式计算中,确定当前的预测风功率P。处理器根据上述确定的第一校正系数coefβ、第二校正系数coefθ以及预测风功率P确定最终的预测风功率Padj。
上述方法,通过确定在当前时刻的桨距角和对风角,以及在当前风速和风向下桨距角和对风角对风机的校正系数,对风机的预测风功率进行校正,以得到最终的预测风功率。最终的预测风功率根据风机的控制策略进行了校正,相对于通过数值模式计算得到的风功率,预测结果更为接近实际的风功率。电网调度人员可以根据校正后的风功率电网进行调度控制,保障了电网平稳运行,降低了电网波动造成的损害。
图1为一个实施例中用于风机的风功率的预测方法的流程示意图。应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种用于风机的风功率的预测装置200,包括数据收集模块201、风机调整策略预测模块202、校正系数计算模块203、风功率预测模块204以及校正风功率计算模块205,其中:
数据收集模块201,用于获取待预测风机在历史时段内的运行数据、待预测风机在当前时刻的当前风速和当前风向,其中,运行数据包括待预测风机在历史时段内的历史桨距角、历史对风角、历史风速和历史风向。
风机调整策略预测模块202,用于根据历史桨距角、历史对风角、历史风速和历史风向确定待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角。
校正系数计算模块203,用于根据当前风速和预测桨距角确定第一校正系数;根据预测对风角确定第二校正系数。
风功率预测模块204,用于根据当前风速和当前风向确定待预测风机在当前时刻的预测风功率。
校正风功率计算模块205,用于根据第一校正系数和第二校正系数对预测风功率进行校正,以得到最终的预测风功率。
用于风机的风功率的预测装置200包括处理器和存储器,上述数据收集模块201、风机调整策略预测模块202、校正系数计算模块203、风功率预测模块204以及校正风功率计算模块205等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序模块中实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对用于风机的风功率的预测方法。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述用于风机的风功率的预测方法。
本申请实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述用于风机的风功率的预测方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于风机的风功率的预测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:
获取待预测风机在历史时段内的运行数据、待预测风机在当前时刻的当前风速和当前风向,其中,运行数据包括待预测风机在历史时段内的历史桨距角、历史对风角、历史风速和历史风向;根据历史桨距角、历史对风角、历史风速和历史风向确定待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数;根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角;根据当前风速和预测桨距角确定第一校正系数;根据预测对风角确定第二校正系数;根据当前风速和当前风向确定待预测风机在当前时刻的预测风功率P;根据第一校正系数和第二校正系数对预测风功率进行校正,以得到最终的预测风功率Padi。
在一个实施例中,根据公式(1)确定第二校正系数coefθ;
在一个实施例中,根据当前风速和预测桨距角确定第一校正系数包括:根据多个风速下桨距角与风功率的关系曲线确定在每个风速下的每个桨距角对风功率校正系数;根据当前风速和预测桨距角确定第一校正系数coefβ。
在一个实施例中,根据公式(2)确定最终的预测风功率Padj;
Padj=P×coefβ×coefθ (2);
其中,P为当前时刻的预测风功率,coefβ为第一校正系数,coefθ为第二校正系数。
在一个实施例中,根据公式(3)确定桨距角β在预设风速和预设风向下的第一条件概率密度函数;
其中,为第一条件概率密度函数,u为预设风速和预设风向在纬向的风速分量,v为预设风速和预设风向在经向的风速分量,hβ、hu、hv分别为预测桨距角、纬向风和经向风的带宽,kβ、ku、kv分别为桨距角、纬向风和经向风的单元核函数,β为根据数值模式确定在预设风速和预设风向下的预估桨距角,βi为第i次测试的历史桨距角,ui为第i次测试的历史风速纬向风速分量,vi为第i次测试的历史风速经向风速分量,n为预设测试次数。
在一个实施例中,根据公式(4)确定对风角θ在预设风速和预设风向下的第二条件概率密度函数;
其中,为第二条件概率密度函数,u为预设风速和预设风向在纬向的风速分量,v为预设风速和预设风向在经向的风速分量,hθ、hu、hv分别为预测对风角、纬向风和经向风的带宽,kθ、ku、kv分别为对风角、纬向风和经向风的单元核函数,θ为根据数值模式确定在预设风速和预设风向下的预估对风角,θj为第i次测试的历史对风角,ui为第i次测试的历史风速纬向风速分量,vi为第i次测试的历史风速经向风速分量,n为预设测试次数。
在一个实施例中,根据第一条件概率密度函数、第二条件概率密度函数、当前风速以及当前风向确定待预测风机在当前时刻的预测桨距角和预测对风角包括:根据公式(3)确定预测桨距角公式(5);根据公式(5)确定预测桨距角;
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于风机的风功率的预测方法,其特征在于,所述预测方法包括:
获取待预测风机在历史时段内的运行数据、所述待预测风机在当前时刻的当前风速和当前风向,其中,所述运行数据包括所述待预测风机在历史时段内的历史桨距角、历史对风角、历史风速和历史风向;
根据所述历史桨距角、所述历史对风角、所述历史风速和所述历史风向确定所述待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数;
根据所述第一条件概率密度函数、所述第二条件概率密度函数、所述当前风速以及所述当前风向确定所述待预测风机在所述当前时刻的预测桨距角和预测对风角;
根据所述当前风速和所述预测桨距角确定第一校正系数coefβ;
根据所述预测对风角确定第二校正系数coefθ;
根据所述当前风速和所述当前风向确定所述待预测风机在所述当前时刻的预测风功率P;
根据所述第一校正系数和所述第二校正系数对所述预测风功率进行校正,以得到最终的预测风功率Padj。
3.根据权利要求1所述的方法,其特征在于,所述根据所述当前风速和所述预测桨距角确定第一校正系数coefβ包括:
根据多个风速下桨距角与风功率的关系曲线确定在每个风速下的每个桨距角对风功率校正系数;
根据所述当前风速和所述预测桨距角确定所述第一校正系数coefβ。
4.根据权利要求1所述的方法,其特征在于,根据公式(2)确定所述最终的预测风功率Padj;
Padj=P×coefβ×coefθ (2);
其中,P为所述当前时刻的预测风功率,coefβ为所述第一校正系数,coefθ为所述第二校正系数。
8.一种处理器,其特征在于,被配置成执行根据权利要求1至7中任意一项所述的方法。
9.一种用于风机的风功率的预测装置,其特征在于,包括:
数据收集模块,用于获取待预测风机在历史时段内的运行数据、所述待预测风机在当前时刻的当前风速和当前风向,其中,所述运行数据包括所述待预测风机在历史时段内的历史桨距角、历史对风角、历史风速和历史风向;
风机调整策略预测模块,用于根据所述历史桨距角、所述历史对风角、所述历史风速和所述历史风向确定所述待预测风机的桨距角和对风角在预设风速和预设风向下的第一条件概率密度函数和第二条件概率密度函数;根据所述第一条件概率密度函数、所述第二条件概率密度函数、所述当前风速以及所述当前风向确定所述待预测风机在所述当前时刻的预测桨距角和预测对风角;
校正系数计算模块,用于根据所述当前风速和所述预测桨距角确定第一校正系数;根据所述预测对风角确定所述第二校正系数;
风功率预测模块,用于根据所述当前风速和所述当前风向确定所述待预测风机在所述当前时刻的预测风功率;
校正风功率计算模块,用于根据所述第一校正系数和所述第二校正系数对所述预测风功率进行校正,以得到最终的预测风功率。
10.一种可编程存储介质,该可编程存储介质上存储有指令,其特征在于,该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211493198.2A CN115879286A (zh) | 2022-11-25 | 2022-11-25 | 用于风机的风功率的预测方法、处理器、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211493198.2A CN115879286A (zh) | 2022-11-25 | 2022-11-25 | 用于风机的风功率的预测方法、处理器、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879286A true CN115879286A (zh) | 2023-03-31 |
Family
ID=85764069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211493198.2A Pending CN115879286A (zh) | 2022-11-25 | 2022-11-25 | 用于风机的风功率的预测方法、处理器、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879286A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663935A (zh) * | 2023-07-24 | 2023-08-29 | 长江三峡集团实业发展(北京)有限公司 | 风力机发电量计算方法、装置、计算机设备及存储介质 |
-
2022
- 2022-11-25 CN CN202211493198.2A patent/CN115879286A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663935A (zh) * | 2023-07-24 | 2023-08-29 | 长江三峡集团实业发展(北京)有限公司 | 风力机发电量计算方法、装置、计算机设备及存储介质 |
CN116663935B (zh) * | 2023-07-24 | 2023-10-20 | 长江三峡集团实业发展(北京)有限公司 | 风力机发电量计算方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111794909B (zh) | 面向扇区调控的风电场级偏航动态优化方法和系统 | |
CN109253056B (zh) | 一种风电数据分析方法及系统 | |
CN115879286A (zh) | 用于风机的风功率的预测方法、处理器、装置及存储介质 | |
US11493023B2 (en) | Wind turbine control method and device, controller, and control system | |
CN116707035B (zh) | 一种依赖低风速动态规划的有功功率控制方法 | |
CN110365053A (zh) | 基于延迟优化策略的短期风电功率预测方法 | |
CN110284980B (zh) | 一种基于主喷角度的油量修正方法及装置 | |
CN116760009A (zh) | 风电覆冰停机脱网风险的预测方法、装置及处理器 | |
CN113839416B (zh) | 基于频率响应模型的风电最大接入比例确定方法及装置 | |
CN116481601A (zh) | 稀释风流量计算方法、装置及电子设备 | |
CN110380423A (zh) | 一种风电场群无功调节对象优先级确定方法及装置 | |
CN114238856A (zh) | 风光资源未来预测误差求解方法、装置、设备及存储介质 | |
CN114614507A (zh) | 风电优化调度方法、设备及计算机可读存储介质 | |
CN114928120A (zh) | 风电场svg、风电机组及固定无功设备的协调控制方法 | |
CN115579887B (zh) | 一种传输线路动态增容方法、系统及介质 | |
CN116663935B (zh) | 风力机发电量计算方法、装置、计算机设备及存储介质 | |
CN115800362B (zh) | 用于确定风电场仿真参数的方法、装置及处理器 | |
CN115496002B (zh) | 一种多维特征交互的线路动态增容方法、系统及介质 | |
CN115438591B (zh) | 一种平衡多连接线路损耗的动态增容方法、系统及介质 | |
CN116608087A (zh) | 机组偏航误差的控制方法、系统、设备及存储介质 | |
CN111092454B (zh) | 一种基于特征调度点的机组组合快速计算方法 | |
CN116491293A (zh) | 用于收获机的控制方法、装置、存储介质及处理器 | |
CN115587549A (zh) | 用于预测山地风机风速的方法、处理器、装置及存储介质 | |
CN118211172A (zh) | 一种电站功率预测系统运行场景的多维分类方法及系统 | |
CN117572536A (zh) | 确定在气温累积效应下的气象指标的方法、处理器及装置 |
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 |