CN116245032B - 一种考虑时空相关性的风电场模拟发电量订正方法及系统 - Google Patents
一种考虑时空相关性的风电场模拟发电量订正方法及系统 Download PDFInfo
- Publication number
- CN116245032B CN116245032B CN202310519311.8A CN202310519311A CN116245032B CN 116245032 B CN116245032 B CN 116245032B CN 202310519311 A CN202310519311 A CN 202310519311A CN 116245032 B CN116245032 B CN 116245032B
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- power plant
- preset
- wind power
- 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.)
- Active
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑时空相关性的风电场模拟发电量订正方法及系统,方法包括:获取目标风电场前期规划的测风塔观测数据及对应再分析资料并对其处理后,对预设第一机器学习模型进行训练得到训练好的单点风速风向订正模型;将目标风电场资源信息与单点风速风向订正模型订正好的数据输入预设风力发电量模型进行数据模拟获得各风机位置处的模拟结果,利用该模拟结果与预设测风装置获得的目标风电场各风机观测数据,对预设第二机器学习模型进行训练得到训练好的考虑时空相关性的风速风向时空订正模型,并对模拟结果进行订正后结合资源信息实现模拟发电量的订正。本发明提高了理论发电量精度,为风电场前期规划工作和后期运营管理监测提供了有效手段。
Description
技术领域
本发明涉及风电场理论发电量的精细化模拟技术领域,具体涉及一种考虑时空相关性的风电场模拟发电量订正方法及系统。
背景技术
风电场理论发电量的精细化模拟不仅在风电项目前期规划工作中的风能资源评估中起着重要作用,同时在风电项目建设完成后的运营管理监测工作中也扮演着极其重要的角色。
首先,风电项目前期规划过程中需对目标区域内的风速、风向和气象条件等风能资源情况进行预测和评估。实际工作开展过程中,该步骤主要通过在目标区域处选定一个具有代表性的点位,在该点位设立测风塔并持续观测该点位的自由来流情况,达一个完整周年时长,并对该观测完整年的测风塔观测数据进行代表年订正后,通过代入预设风力发电量模型从而对目标区域内的风能情况进行数值模拟,并以此为依据调整风机排布方案和优化风机机组选型以达到最大化风力发电量的目的。
其次,在对已建成并投运的风电场进行运营管理监测的工作中,风电场的理论发电量与其实际发电量产出的比较是评价风电场运营情况的重要指标之一。通过比较理论和实际发电量,投资方可判断该风电场是否达到了预设受益目标,管理方可定位低效机位点并基于此来规划相应的风机技术改良方案。
基于以上原因,无论是风电场前期规划工作中,或是对已建风电场进行运营管理监测时,细化到各个机位点的精确理论发电量模拟工作尤为重要,而该问题的解决则建立在一个准确的风力发电量模型之上。然而,目前业界中常用的预设风力发电量模型在准确模拟风场情况和尾流影响方面均存在巨大困难,难以反映其在风电场内部的真实时空分布特征。此外,由于此前所设立的测风塔一般被建设完成后的风电场场址范围所包括或位于其周边位置,受已建风机的尾流影响,该测风塔所观测的风速、风向无法再被认定为自由来流,故无法再将其代入预设风力发电量模型从而模拟已建风电场的理论发电量。上述问题严重影响了整个风电场的前期规划工作和后期经济收益评估和运营改良等项目后评估工作。
发明内容
因此,本发明提供了一种考虑时空相关性的风电场模拟发电量订正方法及系统,克服了业界中常用预设风力发电量模型难以准确模拟风场和尾流情况在风电场内部真实时空分布特征的困难,提高了风电场前期规划工作准确性、改善了风电场后期经济收益评估工作和运营改良方案制定的有效性,以解决上述背景中提出的技术问题。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供一种考虑时空相关性的风电场模拟发电量订正方法,包括:
获取目标风电场前期规划时预设时间周期的测风塔观测的风速和风向数据以及对应预设时间周期的再分析资料;
利用对再分析资料进行处理后的数据与测风塔观测的风速和风向数据,对预设第一机器学习模型进行训练,得到训练好的单点风速风向订正模型;
获取目标风电场建成投运后多个预设时间周期的再分析资料,对其处理后基于单点风速风向订正模型进行订正,得到对应预设时间周期的订正好的风速和风向时间序列;
将目标风电场资源信息与订正好的风速和风向时间序列数据输入预设风力发电量模型进行数据模拟,获得目标风电场各风机位置处的风速和风向时间序列模拟结果,并利用模拟结果与预设测风装置获得的目标风电场各风机的风速和风向观测数据,对预设第二机器学习模型进行训练,得到训练好的考虑时空相关性的风速风向时空订正模型;
基于风速风向时空订正模型,对预设风力发电量模型的各风机位置处的模拟结果进行订正,并将订正后的结果结合目标风电场资源信息,实现对目标风电场模拟发电量的订正。
优选地,对再分析资料进行处理的过程,包括:根据测风塔观测的空间分布范围以及再分析资料的空间分辨率,采用预设中尺度气象模式对再分析资料进行动力降尺度处理,预设中尺度气象模式包括:WRF气象模式或MM5气象模式。
优选地,目标风电场资源信息包括:目标风电场及其预设周边区域的地形资料以及目标风电场的风机排布位置信息、各风机的推力系数曲线和功率曲线信息。
优选地,对目标风电场模拟发电量订正的过程,包括:基于训练好的考虑时空相关性的风速风向时空订正模型,对预设风力发电量模型所得的各风机位置处的风速和风向时间序列模拟结果进行订正,并将订正后的结果代入各风机的功率曲线,得到目标风电场所有风机订正后的模拟发电量。
优选地,预设第一机器学习模型包括:随机森林、支持向量机和神经网络中的任一种或多种。
优选地,预设第二机器学习模型包含考虑风电场各风机空间相关性的卷积神经网络以及考虑风电场风速和风向数据的时间相关性的双向门控循环单元网络或长短期记忆网络。
优选地,预设测风装置,包括:激光雷达测风装置、脉冲多普勒雷达测风装置和声雷达测风装置。
第二方面,本发明实施例提供一种考虑时空相关性的风电场模拟发电量订正系统,包括:
数据获取模块,用于获取目标风电场前期规划时预设时间周期的测风塔观测的风速和风向数据以及对应预设时间周期的再分析资料;
单点风向风速订正模型构建模块,用于利用对再分析资料进行处理后的数据与测风塔观测的风速和风向数据,对预设第一机器学习模型进行训练,得到训练好的单点风速风向订正模型;
数据单点订正模块,用于获取目标风电场建成投运后多个预设时间周期的再分析资料,对其处理后基于单点风速风向订正模型进行订正,得到对应预设时间周期的订正好的风速和风向时间序列;
时空相关性风向风速订正模型构建模块,用于将目标风电场资源信息与订正好的风速和风向时间序列数据输入预设风力发电量模型进行数据模拟,获得目标风电场各风机位置处的风速和风向时间序列模拟结果,并利用模拟结果与预设测风装置获得的目标风电场各风机的风速和风向观测数据,对预设第二机器学习模型进行训练,得到训练好的考虑时空相关性的风速风向时空订正模型;
风电场模拟量订正模块,用于基于风速风向时空订正模型,对预设风力发电量模型的各风机位置处的模拟结果进行订正,并将订正后的结果结合目标风电场资源信息,实现对目标风电场模拟发电量的订正。
第三方面,本发明实施例提供一种计算机设备,包括:至少一个处理器,以及与至少一个处理器通信连接的存储器,其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行本发明实施例第一方面的一种考虑时空相关性的风电场模拟发电量订正方法。
第四方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使计算机执行本发明实施例第一方面的一种考虑时空相关性的风电场模拟发电量订正方法。
本发明技术方案,具有如下优点:
本发明提供的一种考虑时空相关性的风电场模拟发电量订正方法及系统,方法包括:根据目标风电场前期规划时的测风塔观测的自由来流的风速和风向数据,建立针对中尺度气象模式对再分析资料降尺度处理后的模拟结果与测风塔观测的风速和风向数据,在测风塔位置处的训练好的单点风速风向订正模型;根据目标风电场建成投运后各风机位置处安放的测风装置观测所得的风速和风向时间序列,建立针对由预设风力发电量模型模拟所得的整个风电场各风机位置处的模拟结果与测风装置获得的各风机的风速和风向观测数据,考虑了时空相关性的训练好的风速风向时空订正模型,并基于所述风速风向时空订正模型对预设风力发电量模型的模拟结果进行订正后结合目标风电场的资源信息实现对风电场模拟发电量的订正。本发明提供的订正方法及系统,能够克服业界中常用预设风力发电量模型难以准确模拟风场和尾流情况在风电场内部真实时空分布特征的困难,提高了风电场前期规划工作准确性、改善了风电场后期经济收益评估工作和运营改良方案制定的有效性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1本发明实施例中提供的考虑时空相关性的风电场模拟发电量订正方法的流程示意图;
图2本发明实施例中提供的考虑时空相关性的风电场模拟发电量订正系统的模块组成图;
图3本发明实施例中提供的计算机设备一个具体示例的组成图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅是本发明一部分的实施例,不是全部的实施例,而并非要限制本发明公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要的混淆本发明公开的概念。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,都应当属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供考虑时空相关性的风电场模拟发电量订正方法,如图1所示,该方法包括:
步骤S1:获取目标风电场前期规划时预设时间周期的测风塔观测的风速和风向数据以及对应预设时间周期的再分析资料。
在本实施例中,所述预设时间周期以年为单位,至少包含一个完整年(8760个小时)。实际应用中,在风电场建设之前,即风电场的前期规划时,一般会收集测风塔立塔观测自由来流风场的一完整年时间的风速和风向数据,仅作为举例说明,不以此为限制。
在本实施例中,再分析资料包括:ERA5再分析资料数据集和MERRA-2再分析资料数据集。具体地,所收集的再分析资料中应包括地表资料和高空资料,收集的再分析资料中地表资料所含空间范围应以目标风电场为中心点向外辐射几十到数百公里,仅作为举例说明,不以此为限。
步骤S2:利用对再分析资料进行处理后的数据与测风塔观测的风速和风向数据,对预设第一机器学习模型进行训练,得到训练好的单点风速风向订正模型。
需要说明的是,业界现有的再分析资料的空间分辨率一般为几十千米,而测风塔观测的空间分布范围为几千米,故后续对两者的订正训练需要统一空间分辨率,即需要对再分析资料进行降尺度处理,过程包括:根据测风塔观测的空间分布范围以及再分析资料的空间分辨率,采用预设中尺度气象模式对再分析资料进行动力降尺度处理。其中,预设中尺度气象模式包括:WRF气象模式或MM5气象模式。具体地,利用WRF气象模式对几十千米的再分析资料进行降尺度处理,得到精细到一千米的再分析资料,仅作为举例说明,依据实际应用需求适应性调整。
在本实施例中,预设第一机器学习模型包括:随机森林、支持向量机和神经网络中的任一种或多种,仅作为举例说明,依据实际应用场景确定。
步骤S3:获取目标风电场建成投运后多个预设时间周期的再分析资料,对其处理后基于单点风速风向订正模型进行订正,得到对应预设时间周期的订正好的风速和风向时间序列。
需要说明的是,在风电场建设之前,由于测风塔周边没有安装风机,即没有施工建设,故认为测风塔观测的数据为自由来流风速和风向数据。而对于在役风电场,即已经投入运营的风电场,风机已经建设完成,这时测风塔就会受到周边风机的尾流影响,导致该测风塔所观测的风速和风向数据无法再被认定为自由来流,故无法再将其代入预设风力发电量模型从而模拟已建风电场的理论发电量。为了得到风电场建成后的测风塔的自由来流数据,根据单点风速风向订正模型,可以获得已建风电场处自由来流的情况,从而对已建风电场亦能够使用预设风力发电量模型进行理论发电量模拟,为风电项目后评估工作提供了便利。
在本实施例中,收集目标风电场建成投运后的任一目标年份的多个气象再分析资料,并将所收集的多个目标年份的气象再分析资料代入中尺度气象模式进行降尺度处理后,利用单点风速风向订正模型对其进行订正,得到订正好的风向和风速时间序列在目标年份的结果。
步骤S4:将目标风电场资源信息与订正好的风速和风向时间序列数据输入预设风力发电量模型进行数据模拟,获得目标风电场各风机位置处的风速和风向时间序列模拟结果,并利用模拟结果与预设测风装置获得的目标风电场各风机的风速和风向观测数据,对预设第二机器学习模型进行训练,得到训练好的考虑时空相关性的风速风向时空订正模型。
在本实施例中,目标风电场资源信息包括:目标风电场及其预设周边区域的地形资料以及目标风电场的风机排布位置信息、各风机的推力系数曲线和功率曲线信息,仅作为举例说明,不以此为限制。
需要说明的是,本实施例中预设风力发电量模型均为领域内的成熟模型,如Meteodyn WT模型和Openwind模型,在此不做具体限制,依据实际应用需求确定。
在本实施例中,预设第二机器学习模型包含考虑风电场各风机空间相关性的卷积神经网络以及考虑风电场风速和风向数据的时间相关性的双向门控循环单元网络或长短期记忆网络。需要说明的是,本实施例的时空订正模型,不仅考虑了测风装置观测的风速和风向的时间序列(时间依赖信息),还考虑到目标风电场中各风机的排布位置(空间特征信息),重点在于时空订正模型构思的提出,因而采用了现有的处理空间特征信息比较常用的卷积神经网络,以及处理时间相关性的双向门控循环单元网络或长短期记忆网络进行融合,用于构建该时空订正模型,采用的上述模型仅作为举例说明,依据实际需求适应性调整。
在本实施例中,预设测风装置,包括:激光雷达测风装置、脉冲多普勒雷达测风装置和声雷达测风装置,仅作为举例说明,依据实际应用需求确定。需要说明的是,预设测风装置的安装台数和观测时间,可以根据具体项目需求确定。以激光雷达测风装置为例,实际应用中无需对目标风电场内所有风机都安装激光雷达,亦无需维持激光雷达进行永久观测,只需为风速风向时空订正模型提供合适数量的观测数据进行训练后即完成目的,大大减轻了项目所需的投资金额,以较小的投入获得目标风电场的高精准度风速风向时空订正模型。若实际应用中,追求风速风向时空订正模型的超高精度,忽略投资成本,则可对目标风电场内所有风机都安装激光雷达,仅作为举例说明,不以此为限制。
步骤S5:基于风速风向时空订正模型,对预设风力发电量模型的各风机位置处的模拟结果进行订正,并将订正后的结果结合目标风电场资源信息,实现对目标风电场模拟发电量的订正。
在本实施例中,基于训练好的考虑时空相关性的风速风向时空订正模型,对预设风力发电量模型所得的各风机位置处的风速和风向时间序列模拟结果进行订正,并将订正后的结果代入各风机的功率曲线,得到目标风电场所有风机订正后的模拟发电量。
一具体实施例中,采用激光雷达测风装置获得的目标风电场各风机的面朝来流方向的风速和风向观测数据。假设目标风电场设有100台风机,通过Meteodyn WT风力发电量模型进行数据模拟,得到一年(8760个小时)的目标风电场各风机位置处的风速和风向时间序列模拟结果,共计100×8760个风速和风向时间序列模拟结果;基于激光雷达测风装置观测得到目标风电场各风机位置处一年的观测数据,共计100×8760个风速和风向时间序列观测结果。通过对比风速和风向时间序列模拟结果和观测结果并训练机器学习模型,得到训练好的考虑时空相关性的时空订正模型,用于订正目标风电场中各风机点位处风速和风向的模拟结果,即用于修正预设风力发电量模型给出的模拟发电量,未来有需求计算目标风电场的理论发电量时,只需要用预设发电量模型进行一次模拟后利用该时空订正模型修正模拟结果,结合各风机的功率曲线就可以得到整个风电场各个风机和整个风电场的理论发电量。相比业界常用的预设风力发电量模型给出的结果,本实施例的订正方法能够精确模拟风电场(特别是大型风电场)内部的尾流情况和真实的空气流场分布情况,使得风电场理论发电量的结果更加精细和准确。
本发明实施例提供的考虑时空相关性的风电场模拟发电量订正方法,不仅能够保障风电场运营监测管理工作的顺利开展,方便在役风电场的经济收益评估和运营改良工作;同时,还可应用于与目标风电场处在类似地理环境或有相似气象条件下待规划风电场的前期工作中,大大提高了尾流模拟的精确度,为整个风电场的前期规划工作和后期经济收益评估及运营改良等项目后评估工作提供了有效手段。
实施例2
本发明实施例提供一种考虑时空相关性的风电场模拟发电量订正系统,如图2所示,包括:
数据获取模块,用于获取目标风电场前期规划时预设时间周期的测风塔观测的风速和风向数据以及对应预设时间周期的再分析资料;此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
单点风向风速订正模型构建模块,用于利用对再分析资料进行处理后的数据与测风塔观测的风速和风向数据,对预设第一机器学习模型进行训练,得到训练好的单点风速风向订正模型;此模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
数据单点订正模块,用于获取目标风电场建成投运后多个预设时间周期的再分析资料,对其处理后基于单点风速风向订正模型进行订正,得到对应预设时间周期的订正好的风速和风向时间序列;此模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
时空相关性风向风速订正模型构建模块,用于将目标风电场资源信息与订正好的风速和风向时间序列数据输入预设风力发电量模型进行数据模拟,获得目标风电场各风机位置处的风速和风向时间序列模拟结果,并利用模拟结果与预设测风装置获得的目标风电场各风机的风速和风向观测数据,对预设第二机器学习模型进行训练,得到训练好的考虑时空相关性的风速风向时空订正模型;此模块执行实施例1中的步骤S4所描述的方法,在此不再赘述。
风电场模拟量订正模块,用于基于风速风向时空订正模型,对预设风力发电量模型的各风机位置处的模拟结果进行订正,并将订正后的结果结合目标风电场资源信息,实现对目标风电场模拟发电量的订正;此模块执行实施例1中的步骤S5所描述的方法,在此不再赘述。
本发明实施例提供的考虑时空相关性的风电场模拟发电量订正系统,能够应用于精准预测未来任一风场条件下目标风电场或具有相似条件的待建风电场的理论发电量和尾流情况,为电力系统交易和风电场保供方案提供决策辅助。
实施例3
本发明实施例提供一种计算机设备,如图3所示,包括:至少一个处理器301,至少一个通信接口303,存储器304和至少一个通信总线302。其中,通信总线302用于实现这些组件之间的连接通信,通信接口303可以包括显示屏和键盘,可选通信接口303还可以包括标准的有线接口、无线接口。存储器304可以是高速易挥发性随机存取存储器,也可以是非不稳定的存储器,还可以是至少一个位于远离前述处理器301的存储装置。其中处理器301可以执行实施例1的考虑时空相关性的风电场模拟发电量订正方法。存储器304中存储一组程序代码,且处理器301调用存储器304中存储的程序代码,以用于执行实施例1的考虑时空相关性的风电场模拟发电量订正方法。
其中,通信总线302可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。通信总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器304可以包括易失性存储器(Volatile Memory),例如随机存取存储器(Random Access Memory,简称RAM);存储器也可以包括非易失性存储器(Non-volatileMemory),例如快闪存储器(Flash Memory),硬盘(Hard Disk Drive,简称HDD)或固态硬盘(Solid-state Drive,简称SSD);存储器304还可以包括上述种类的存储器的组合。
其中,处理器301可以是中央处理器(Central Processing Unit,简称CPU),网络处理器(Network Processor,简称NP)或者CPU和NP的组合。
其中,处理器301还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(Application-Specific Integrated Circuit,简称ASIC),可编程逻辑器件(Programmable Logic Device,简称PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(Complex Programmable Logic Device,简称CPLD)、现场可编程逻辑门阵列(FieldProgrammable Gate Array,简称FPGA)、通用阵列逻辑(Generic Array Logic,简称GAL)或其任意组合。
可选地,存储器304还用于存储程序指令。处理器301可以调用程序指令,实现如本发明执行实施例1中的考虑时空相关性的风电场模拟发电量订正方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行实施例1的考虑时空相关性的风电场模拟发电量订正方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory,简称ROM)、随机存储记忆体(Random Access Memory,简称RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,简称HDD)或固态硬盘(Solid State Drive,简称SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种考虑时空相关性的风电场模拟发电量订正方法,其特征在于,包括:
获取目标风电场前期规划时预设时间周期的测风塔观测的风速和风向数据以及对应预设时间周期的再分析资料,所述再分析资料中包括地表资料和高空资料;
利用对再分析资料进行处理后的数据与所述测风塔观测的风速和风向数据,对预设第一机器学习模型进行训练,得到训练好的单点风速风向订正模型;
获取目标风电场建成投运后多个预设时间周期的再分析资料,对其处理后基于所述单点风速风向订正模型进行订正,得到对应预设时间周期的订正好的风速和风向时间序列;
将目标风电场资源信息与所述订正好的风速和风向时间序列数据输入预设风力发电量模型进行数据模拟,获得目标风电场各风机位置处的风速和风向时间序列模拟结果,并利用所述模拟结果与预设测风装置获得的目标风电场各风机的风速和风向观测数据,对预设第二机器学习模型进行训练,得到训练好的考虑时空相关性的风速风向时空订正模型,所述目标风电场资源信息包括:目标风电场及其预设周边区域的地形资料以及目标风电场的风机排布位置信息、各风机的推力系数曲线和功率曲线信息;
基于训练好的考虑时空相关性的风速风向时空订正模型,对预设风力发电量模型所得的各风机位置处的风速和风向时间序列模拟结果进行订正,并将订正后的结果代入各风机的功率曲线,得到目标风电场所有风机订正后的模拟发电量。
2.根据权利要求1所述的考虑时空相关性的风电场模拟发电量订正方法,其特征在于,所述对再分析资料进行处理的过程,包括:根据测风塔观测的空间分布范围以及再分析资料的空间分辨率,采用预设中尺度气象模式对再分析资料进行动力降尺度处理,所述预设中尺度气象模式包括:WRF气象模式或MM5气象模式。
3.根据权利要求1所述的考虑时空相关性的风电场模拟发电量订正方法,其特征在于,所述预设第一机器学习模型包括:随机森林、支持向量机和神经网络中的任一种或多种。
4.根据权利要求1所述的考虑时空相关性的风电场模拟发电量订正方法,其特征在于,所述预设第二机器学习模型包含考虑风电场各风机空间相关性的卷积神经网络以及考虑风电场风速和风向数据的时间相关性的双向门控循环单元网络或长短期记忆网络。
5.根据权利要求1所述的考虑时空相关性的风电场模拟发电量订正方法,其特征在于,所述预设测风装置,包括:激光雷达测风装置、脉冲多普勒雷达测风装置和声雷达测风装置。
6.一种考虑时空相关性的风电场模拟发电量订正系统,其特征在于,包括:
数据获取模块,用于获取目标风电场前期规划时预设时间周期的测风塔观测的风速和风向数据以及对应预设时间周期的再分析资料,所述再分析资料中包括地表资料和高空资料;
单点风向风速订正模型构建模块,用于利用对再分析资料进行处理后的数据与所述测风塔观测的风速和风向数据,对预设第一机器学习模型进行训练,得到训练好的单点风速风向订正模型;
数据单点订正模块,用于获取目标风电场建成投运后多个预设时间周期的再分析资料,对其处理后基于所述单点风速风向订正模型进行订正,得到对应预设时间周期的订正好的风速和风向时间序列;
时空相关性风向风速订正模型构建模块,用于将目标风电场资源信息与所述订正好的风速和风向时间序列数据输入预设风力发电量模型进行数据模拟,获得目标风电场各风机位置处的风速和风向时间序列模拟结果,并利用所述模拟结果与预设测风装置获得的目标风电场各风机的风速和风向观测数据,对预设第二机器学习模型进行训练,得到训练好的考虑时空相关性的风速风向时空订正模型,所述目标风电场资源信息包括:目标风电场及其预设周边区域的地形资料以及目标风电场的风机排布位置信息、各风机的推力系数曲线和功率曲线信息;
风电场模拟量订正模块,用于基于训练好的考虑时空相关性的风速风向时空订正模型,对预设风力发电量模型所得的各风机位置处的风速和风向时间序列模拟结果进行订正,并将订正后的结果代入各风机的功率曲线,得到目标风电场所有风机订正后的模拟发电量。
7.一种计算机设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-5中任一所述的考虑时空相关性的风电场模拟发电量订正方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-5中任一所述的考虑时空相关性的风电场模拟发电量订正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310519311.8A CN116245032B (zh) | 2023-05-10 | 2023-05-10 | 一种考虑时空相关性的风电场模拟发电量订正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310519311.8A CN116245032B (zh) | 2023-05-10 | 2023-05-10 | 一种考虑时空相关性的风电场模拟发电量订正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245032A CN116245032A (zh) | 2023-06-09 |
CN116245032B true CN116245032B (zh) | 2023-07-14 |
Family
ID=86631692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310519311.8A Active CN116245032B (zh) | 2023-05-10 | 2023-05-10 | 一种考虑时空相关性的风电场模拟发电量订正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245032B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345076A (zh) * | 2022-08-19 | 2022-11-15 | 清华大学 | 一种风速订正处理方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105978037B (zh) * | 2016-08-03 | 2018-08-28 | 河海大学 | 基于风速预测的多时段电气互联系统最优潮流计算方法 |
EP3533997A1 (en) * | 2018-02-28 | 2019-09-04 | Siemens Gamesa Renewable Energy A/S | Estimating free-stream inflow at a wind turbine |
EP3536948A1 (en) * | 2018-03-08 | 2019-09-11 | Siemens Gamesa Renewable Energy A/S | Determining control settings for a wind turbine |
CN112633544A (zh) * | 2019-11-28 | 2021-04-09 | 北京金风慧能技术有限公司 | 预测风速订正方法及其装置 |
CN112883665B (zh) * | 2021-02-26 | 2022-08-30 | 中国长江三峡集团有限公司 | 一种气象站历史风场观测资料订正方法 |
-
2023
- 2023-05-10 CN CN202310519311.8A patent/CN116245032B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115345076A (zh) * | 2022-08-19 | 2022-11-15 | 清华大学 | 一种风速订正处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116245032A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10253758B2 (en) | System and method for optimizing wind farm performance | |
US20200264313A1 (en) | Lidar-based turbulence intensity error reduction | |
CN109472283B (zh) | 一种基于多重增量回归树模型的危险天气预测方法和装置 | |
CN110390343B (zh) | 一种空间气象数据的订正方法及系统 | |
CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
Phan et al. | Short-term solar power forecasting using xgboost with numerical weather prediction | |
CN116224473B (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
CN107330233B (zh) | 一种输电塔设计风速分析方法和装置 | |
CN110187363B (zh) | 适用于大型风电基地的测风方法、系统、设备和存储介质 | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
Freedman et al. | The Wind Forecast Improvement Project (WFIP): A public/private partnership for improving short term wind energy forecasts and quantifying the benefits of utility operations. The Southern Study Area, Final Report | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN112613633A (zh) | 风电场的气象要素预测方法和装置 | |
CN116245032B (zh) | 一种考虑时空相关性的风电场模拟发电量订正方法及系统 | |
CN111090932B (zh) | 一种适应中等复杂地形的在运风电场场地标定方法 | |
CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
CN116976227A (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
CN114398842A (zh) | 一种在运行风电场发电量评估方法 | |
Indasi et al. | WAsP model performance verification using lidar data | |
Ziter et al. | Predicting hub-height wind speed for small wind turbine performance evaluation using tower-mounted cup anemometers | |
CN116260140B (zh) | 一种在役风电场理论净发电量的快速估算方法及系统 | |
CN116307307B (zh) | 一种风电场的超短期功率预测方法及系统 | |
CN116822658B (zh) | 一种风光资源的预警方法、装置、计算机设备及存储介质 | |
Zhang | Estimation of Probabilistic Extreme Wind Load Effect with Consideration of Directionality and Uncertainty |
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 |