CN116260140B - 一种在役风电场理论净发电量的快速估算方法及系统 - Google Patents
一种在役风电场理论净发电量的快速估算方法及系统 Download PDFInfo
- Publication number
- CN116260140B CN116260140B CN202310531882.3A CN202310531882A CN116260140B CN 116260140 B CN116260140 B CN 116260140B CN 202310531882 A CN202310531882 A CN 202310531882A CN 116260140 B CN116260140 B CN 116260140B
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- power generation
- wind field
- field
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004088 simulation Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000002093 peripheral effect Effects 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108010047303 von Willebrand Factor Proteins 0.000 description 1
Classifications
-
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种在役风电场理论净发电量的快速估算方法及系统，方法包括：获取目标风电场及其预设周边区域地形资料、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以及风场资料；对风场资料进行处理得到风场时间序列数据集，对其计算得到风场特征参数；将地形资料、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及风场时间序列数据集输入预设风力发电量模型计算得到净发电量模拟结果，并与风场特征参数一同送入预设机器学习算法中进行模型训练得到净发电量估算模型；将待监测风电场的风场特征参数送入净发电量估算模型得到对应风电场理论净发电量。本发明提供的风电场理论净发电量的估算方法及系统具有成本低和效率高的优势。
Description
技术领域
本发明涉及风电场运营监测技术领域，具体涉及一种在役风电场理论净发电量的快速估算方法及系统。
背景技术
风电场建设项目完成后，其运营管理监测工作需频繁估算风电场的理论净发电量，包括：整场的理论净发电量和单机的理论净发电量。风电场理论净发电量与其实际发电量的比较是评价风电场运营优良情况的重要指标，能够评价整场发电量是否达到了预设目标和定位低效机位点，并以此作为标准之一来判断项目的实际经济收益情况以及规划相应的风电场运营改良方案。然而，在实际工作中，风电场理论净发电量的估算需求均由具备风力发电量模型建模能力的专业人员实现，在建模工作中所必须的地形勘测和风资源处理，使得风电场建模工作要求大量的人力、物力投入；同时风力发电量模型的模拟工作也需消耗大量的数值计算资源。由于目前各地风电基地的快速建设和投入运行，大量的理论净发电量的估算需求逐步显现，使得风电场运营监测工作受到人力物力、时间以及数值计算资源的制约，从而严重影响了整个风电场的经济收益评估和运营改良工作。
发明内容
因此，本发明提供了一种在役风电场理论净发电量的快速估算方法及系统，能够更为高效地估算目标风电场的理论净发电量，避免多次重复调用风力发电量模型，使得相关从业人员在不具备实现风力发电量模拟条件的情况下亦能快速得到目标风电场的理论净发电量，节省大量人力和时间成本，从而保障风电场运营监测管理工作的顺利开展，方便风电场的经济收益评估和运营改良工作，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在役风电场理论净发电量的快速估算方法，包括：
获取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；
获取目标风电场的风场资料；
对获取的风场资料进行处理，得到风场时间序列数据集，并对其计算得到对应的风场特征参数；
将目标风电场的地形资料、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以及风场时间序列数据集输入预设风力发电量模型进行计算，得到对应的净发电量模拟结果；
将风场特征参数及对应的净发电量模拟结果送入预设机器学习算法中进行模型训练，得到训练好的净发电量估算模型；
将待监测风电场的风场特征参数送入训练好的净发电量估算模型进行计算，得到对应风电场的理论净发电量。
优选地，获取目标风电场的风场资料的过程，包括：获取目标风电场的风场观测资料和高分辨率风场再分析资料，基于预设数据使用条件对其进行判断；若满足预设数据使用条件，则基于风场观测资料和高分辨率风场再分析资料得到风场资料；否则利用中尺度气象模式对目标风电场进行历史风场模拟得到对应的风场资料；预设数据使用条件包括：时间范围条件和时间分辨率条件。
优选地，对获取的风场资料进行处理，得到风场时间序列数据集的过程，包括：以任一随机时刻为起始时间点对获取的风场资料进行预设时间范围的数据截取，得到对应的风场时间序列数据集。
优选地，风场资料包括：风速数据和风向数据，其中，风速数据对应的风场特征参数包括：威布尔形变参数和威布尔形状参数，风向数据对应的风场特征参数包括：冯·米塞斯位置度量和冯·米塞斯集中度度量。
优选地，预设风力发电量模型，包括：WAsP模型、Meteodyn WT模型和Openwind模型中的任一种。
优选地，得到对应的净发电量模拟结果的过程，包括：保持输入预设风力发电量模型的目标风电场的地形资料、风机排布位置、各风机的推力系数曲线和功率曲线信息不变，通过输入多组风场时间序列数据集至预设风力发电量模型进行计算，得到多组风场特征参数对应的多个净发电量模拟结果。
优选地，风电场的理论净发电量，包括：风电场的整场理论净发电量和风电场的单机理论净发电量。
第二方面，本发明实施例提供一种在役风电场理论净发电量的快速估算系统，包括：
地形资料和风机信息资料获取模块，用于获取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；
风场资料获取模块，用于获取目标风电场的风场资料；
风场资料处理模块，用于对获取的风场资料进行处理，得到风场时间序列数据集，并对其计算得到对应的风场特征参数；
净发电量模拟结果获取模块，用于将目标风电场的地形资料、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以及风场时间序列数据集输入预设风力发电量模型进行计算，得到对应的净发电量模拟结果；
净发电量估算模型构建模块，用于将风场特征参数及对应的净发电量模拟结果送入预设机器学习算法中进行模型训练，得到训练好的净发电量估算模型；
净发电量估算模型使用模块，用于将待监测风电场的风场特征参数送入训练好的净发电量估算模型进行计算，得到对应风电场的理论净发电量。
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在役风电场理论净发电量的快速估算方法。
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在役风电场理论净发电量的快速估算方法。
本发明技术方案，具有如下优点：
本发明提供的一种在役风电场理论净发电量的快速估算方法及系统，方法包括：获取目标风电场及其预设周边区域的地形资料、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及风场资料；对获取的风场资料进行处理得到风场时间序列数据集，并对其计算得到对应的风场特征参数；将目标风电场的地形资料、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以及风场时间序列数据集输入预设风力发电量模型进行计算得到对应的净发电量模拟结果；将风场特征参数及对应的净发电量模拟结果送入预设机器学习算法中进行模型训练得到训练好的净发电量估算模型；将待监测风电场的风场特征参数送入训练好的净发电量估算模型进行计算得到对应风电场的理论净发电量。本发明提供的快速估算方法及系统，能够高效地估算目标风电场的理论净发电量，避免多次重复调用风力发电量模型，使得相关从业人员在不具备实现风力发电量模拟条件的情况下亦能快速得到目标风电场的理论净发电量，节省大量人力和时间成本，从而保障风电场运营监测管理工作的顺利开展，方便风电场的经济收益评估和运营改良工作。
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在役风电场理论净发电量的快速估算方法的流程示意图；
图2本发明实施例中提供的在役风电场理论净发电量的快速估算方法的结果示意图；
图3本发明实施例中提供的在役风电场理论净发电量的快速估算系统的模块组成图；
图4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。
图2标记说明：
1-预设风力发电量模型给出的风电场整场理论净发电量；
2-机器学习算法训练得到的拟合曲线；
3-本发明实施例的快速估算模型给出的风电场整场理论净发电量。
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
本发明实施例提供一种在役风电场理论净发电量的快速估算方法，如图1所示，该方法包括：
步骤S1：获取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。
在本实施例中目标风电场及其预设周边区域中的预设周边区域具体指以目标风电场为中心点向外辐射几十公里到数百公里半径的海域范围内，仅作为举例说明，依据实际需求做适应性修改。
步骤S2：获取目标风电场的风场资料。
在本实施例中，风场资料包括：风速数据和风向数据，则获取目标风电场的风场资料的过程，包括：获取目标风电场的风场观测资料和高分辨率风场再分析资料，基于预设数据使用条件对其进行判断；若满足预设数据使用条件，则基于风场观测资料和高分辨率风场再分析资料得到风场资料；否则利用中尺度气象模式对目标风电场进行历史风场模拟得到对应的风场资料；预设数据使用条件包括：时间范围条件和时间分辨率条件。其中，时间范围条件为大于一个完整年，时间范围越长越好，以二十年以上为宜；时间分辨率条件是以小时为单位的分辨率，上述数值仅作为举例说明，不以此为限制。
步骤S3：对获取的风场资料进行处理，得到风场时间序列数据集，并对其计算得到对应的风场特征参数。
需要说明的是，现有风电场理论净发电量估算方法中常直接使用各个年度的发电量及其对应的当年风速，该取样方式大大限制了样本的通用性和代表性。假设对应某仅投运一年或以下时长的目标风电场，该类方法无法收集到足量数据对机器学习算法进行训练，大大限制了该方法的适用性；只能运用到已投运多年的成熟风电场。此外，某一位置的气候态至少需要20-30年的时间长度，即使待监测的目标风电场已投运3-5年，其对应3-5年的风况仍无法代表该目标风电场位置处的气候态。
而在本实施例中，采用的取样方式是对获取的风场资料进行处理得到风场时间序列数据集。具体地，以任一随机时刻为起始时间点对获取的风场资料进行预设时间范围的数据截取，得到对应的风场时间序列数据集。例如，以任一随机时刻为起始时间点截取时间范围为一完整年（即8760个小时）的风场时间序列数据集，上述过程可以重复随机取样，可获得大量的（如30个甚至100个）包含风速和风向的时间片段（一个时间片段是8760小时，30个时间片段是30个以不同时刻为起点的时间长度为8760小时的时间片段）。每个时间片段的风速和风向数据可以直接输入预设风力发电量模型生成对应的净发电量模拟结果；仅作为举例说明。此外，也可以对其计算得到对应的风场特征参数，其中，风场资料中的风速数据对应的风场特征参数包括：威布尔形变参数和威布尔形状参数，威布尔分布相关参数描述了风速的平均值和分布特征；风场资料中的风向数据对应的风场特征参数包括：冯·米塞斯位置度量和冯·米塞斯集中度度量，冯·米塞斯分布相关参数描述了风向的平均值和分布特征。与以往直接使用年度观测数据的方法受到观测年限的巨大限制不同，由随机取样方法所可得到大量风速和风向时间序列片段，能够表征待监测的目标风电场位置处的风场气候态特征，更多地考虑到了风速和风向在此处的分布特征及变化可能性，具有更好的代表性和适用性。
实际应用中，在役风电场的风机排布位置是固定不变的，而风的来流方向（由风向特征参数表示）则是频繁变化的，因此将“风向特征参数（冯·米塞斯位置度量和冯·米塞斯集中度度量）”输入后续的机器学习算法并训练净发电量估算模型，对在役风电场在风机排布方式已确定情况下大大提高了对其理论净发电量的评估精确度。
步骤S4：将目标风电场的地形资料、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以及风场时间序列数据集输入预设风力发电量模型进行计算，得到对应的净发电量模拟结果。
在本实施例中，保持输入预设风力发电量模型的目标风电场的地形资料、风机排布位置、各风机的推力系数曲线和功率曲线信息不变，通过输入多组风场时间序列数据集至预设风力发电量模型进行计算，得到多组风场特征参数对应的多个净发电量模拟结果。需要说明的是，预设风力发电量模型能够得到多个目标风电场的整场和单机的净发电量模拟结果。
在本实施例中，预设风力发电量模型，包括：WAsP模型、Meteodyn WT模型和Openwind模型中的任一种，所述模型均为领域内成熟的风力发电量模型，通过其得到的净发电量模拟结果更准确，仅作为举例说明，不以此为限制。
需要说明的是，本实施例利用成熟的风力发电量模型计算得到净发电量模拟结果考虑了不同风机间的尾流对风速的衰减影响，具备空气动力学、流体力学等理论支撑，基于数值模拟得到了不同风机间的尾流影响从而得到更为精准的净发电量模拟结果，由此方式生成的净发电量带来了巨大优势和增益，使得后续的估算结果更为客观。
步骤S5：将风场特征参数及对应的净发电量模拟结果送入预设机器学习算法中进行模型训练，得到训练好的净发电量估算模型。
在本实施例中，所述预设机器学习算法，包括：随机森林算法、支持向量机算法和神经网络算法，仅作为举例说明，不以此为限制。
步骤S6：将待监测风电场的风场特征参数送入训练好的净发电量估算模型进行计算，得到对应风电场的理论净发电量。
在本实施例中，风电场的理论净发电量，包括：风电场的整场理论净发电量和风电场的单机理论净发电量。具体地，在对已投运的目标风电场进行的运营监测工作中，仅需将新增的风场资料对应的风场特征参数代入该估算模型即可快速获得风电场的整场和单机理论净发电量。
一具体实施例中，对在役的目标风电场的理论净发电量进行快速估算，具体过程包括：
1、针对待监测的目标风电场及其周边区域做地形勘测，得到对应地形资料，主要包括：环境粗糙度和高程信息。另外需获取风机排布位置信息（由工程平面位置坐标或经纬度坐标构成），以及各风机的风机特征信息，包括轮毂高度、叶轮直径、额定功率，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。
2、获取目标风电场满足预设数据使用条件包含风速和风向数据的风场资料。
3、对获取的风速和风向数据进行处理，以任一随机时刻为起始时间点截取时间范围为一完整年（即8760个小时）的风速和风向的时间序列，得到风场时间序列数据集；对风速时间序列进行计算得到威布尔形变参数和威布尔形状参数的风场特征参数，对风向时间序列进行计算得到冯·米塞斯位置度量和冯·米塞斯集中度度量的风场特征参数。其中，计算该风速时间序列对应风场特征参数的威布尔分布的概率密度函数的公式如下：
其中，v代表风速，c代表威布尔形变参数，k代表威布尔形状参数，威布尔形变参数c与平均风速有关，威布尔形状参数k与风速分布的离散程度有关。
计算该风向时间序列对应的风场特征参数的冯·米塞斯分布的概率密度函数的公式如下：
其中，θ代表风向，取值为，μ代表冯·米塞斯位置度量，k代表冯·米塞斯集中度度量，I 0代表是0阶修正贝塞尔函数，冯·米塞斯位置度量μ和平均风向有关，冯·米塞斯集中度度量k和风向分布的离散程度有关。
将一完整年的风场时间序列数据集代入以上公式计算得到其对应的风场特征参数。将上述得到目标风电场的地形资料、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以及一完整年的风场时间序列数据集输入预设风力发电量模型（WAsP、MeteodynWT和Openwind中任一模型）建模计算得到对应的净发电量模拟结果，获得了一组风电场整场和单机净发电量模拟结果及风场特征参数。
4、以任一随机时刻为起始时间点重复截取时间长度为一完整年（即8760个小时）的风场时间序列数据集，从而得到多个风场时间序列片段（30个往上为宜，越多越好），同上述步骤3一样将各个风场时间序列片段代入对应公式得到风场特征参数，并输入至已完成建模的预设风力发电量模型计算得其对应的净发电量模拟结果，可获得多组（如30组）风电场整场和单机净发电量模拟结果及风场特征参数，仅作为举例说明。
5、基于所得的一一对应的多组净发电量模拟结果及风场特征参数（包含威布尔形变参数、威布尔形状参数、冯·米塞斯位置度量和冯·米塞斯集中度度量），以风场特征参数作为机器学习算法训练的输入变量，以预设风力发电量模型输出的风电场整场和单机净发电量模拟结果为机器学习算法训练的输出目标变量，利用预设机器学习算法（随机森林算法、支持向量机算法和神经网络算法中的一种或多种）训练，得到训练好的基于风场特征参数的风电场整场和单机理论净发电量估算模型。
6、在未来对已投运风电场进行运营监测管理工作时，仅需将新增风电场的风场资料进行处理得到风场时间序列数据集，对其计算得到对应的风场特征参数（威布尔形变参数、威布尔形状参数、冯·米塞斯位置度量和冯·米塞斯集中度度量），将风场特征参数代入训练好的净发电量估算模型即可快速获得新增风电场的整场和单机理论净发电量，估算结果如图2所示。
需要说明的是，对于风机排布位置相同或类似的风电场可以使用同一个净发电量估算模型，使得模型通用性得到提高；对于风机排布位置差别较大的风电场，需对其针对性地建立净发电量估算模型。此外，基于预设风力发电量模型输出的风电场整场和单机净发电量模拟结果并以此训练机器学习算法得到对应净发电量估算模型，不仅能够快速估算目标风电场的整场净发电量，亦能快速给出各个风机的净发电量，即单机净发电量。
本发明实施例提供的在役风电场理论净发电量的快速估算方法，能够对待监测的目标风电场地表情况和风机排布进行针对性建模，并且考虑到了各个风机间尾流效应对风速衰减的影响从而采取预设风力发电量模型得到更为精准的发电量模拟结果，以及风机尾流受来流风的方向和各风机的相对排布位置影响显著即风向参数的问题，将冯·米塞斯位置度量和冯·米塞斯集中度度量纳入机器学习算法的训练中，提高了估算模型的精确度和适用性。通过本发明净发电量快速估算方法，能够更为高效地估算目标风电场的理论净发电量，避免多次重复调用风力发电量模型，使得相关从业人员在不具备实现风力发电量模拟条件的情况下亦能快速得到目标风电场的理论净发电量，节省大量人力和时间成本，保障了风电场运营监测管理工作的顺利开展，方便风电场的经济收益评估和运营改良工作。
实施例2
本发明实施例提供一种在役风电场理论净发电量的快速估算系统，如图3所示，包括：
地形资料和风机信息资料获取模块，用于获取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；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。
风场资料获取模块，用于获取目标风电场的风场资料；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。
风场资料处理模块，用于对获取的风场资料进行处理，得到风场时间序列数据集，并对其计算得到对应的风场特征参数；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。
净发电量模拟结果获取模块，用于将目标风电场的地形资料、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以及风场时间序列数据集输入预设风力发电量模型进行计算，得到对应的净发电量模拟结果；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。
净发电量估算模型构建模块，用于将风场特征参数及对应的净发电量模拟结果送入预设机器学习算法中进行模型训练，得到训练好的净发电量估算模型；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。
净发电量估算模型使用模块，用于将待监测风电场的风场特征参数送入训练好的净发电量估算模型进行计算，得到对应风电场的理论净发电量；此模块执行实施例1中的步骤S6所描述的方法，在此不再赘述。
本发明实施例提供的在役风电场理论净发电量的快速估算系统，基于机器学习算法结合风力发电量模型的模拟结果及其对应的风场特征参数从而获得最优估算模型的方法，可以应用于风电场运营监测管理工作中对理论净发电量的快速估算，包括整场和单机的理论净发电量。对于风电场理论净发电量的估算，仅需将新增的风电场风场资料所对应的风场特征参数代入该估算模型即可获得风电场的整场和单机理论净发电量，具有成本低和效率高的优势。
实施例3
本发明实施例提供一种计算机设备，如图4所示，包括：至少一个处理器401，至少一个通信接口403，存储器404和至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信，通信接口403可以包括显示屏和键盘，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404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401的存储装置。其中处理器401可以执行实施例1的在役风电场理论净发电量的快速估算方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1的在役风电场理论净发电量的快速估算方法。
其中，通信总线402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402可以分为地址总线、数据总线、控制总线等。为便于表示，图4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404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404还可以包括上述种类的存储器的组合。
其中，处理器401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401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404还用于存储程序指令。处理器401可以调用程序指令，实现如本发明执行实施例1中的在役风电场理论净发电量的快速估算方法。
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的在役风电场理论净发电量的快速估算方法。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（Flash Memory）、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)
1.一种在役风电场理论净发电量的快速估算方法，其特征在于，包括：
获取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；
获取目标风电场的风场资料，包括：获取目标风电场的风场观测资料和高分辨率风场再分析资料，基于预设数据使用条件对其进行判断；若满足预设数据使用条件，则基于所述风场观测资料和高分辨率风场再分析资料得到风场资料；否则利用中尺度气象模式对目标风电场进行历史风场模拟得到对应的风场资料；
对获取的风场资料进行处理，得到风场时间序列数据集，并对其计算得到对应的风场特征参数，所述风场资料包括：风速数据和风向数据，其中，风速数据对应的风场特征参数包括：威布尔形变参数和威布尔形状参数，风向数据对应的风场特征参数包括：冯·米塞斯位置度量和冯·米塞斯集中度度量；
将目标风电场的地形资料、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以及风场时间序列数据集输入预设风力发电量模型进行计算，得到对应的净发电量模拟结果；
将风场特征参数及对应的净发电量模拟结果送入预设机器学习算法中进行模型训练，得到训练好的净发电量估算模型；
将待监测风电场的风场特征参数送入训练好的净发电量估算模型进行计算，得到对应风电场的理论净发电量，所述风电场的理论净发电量，包括：风电场的整场理论净发电量和风电场的单机理论净发电量。
2.根据权利要求1所述的在役风电场理论净发电量的快速估算方法，其特征在于，所述预设数据使用条件包括：时间范围条件和时间分辨率条件。
3.根据权利要求2所述的在役风电场理论净发电量的快速估算方法，其特征在于，所述对获取的风场资料进行处理，得到风场时间序列数据集的过程，包括：以任一随机时刻为起始时间点对获取的风场资料进行预设时间范围的数据截取，得到对应的风场时间序列数据集。
4.根据权利要求1所述的在役风电场理论净发电量的快速估算方法，其特征在于，所述预设风力发电量模型，包括：WAsP模型、Meteodyn WT模型和Openwind模型中的任一种。
5.根据权利要求1所述的在役风电场理论净发电量的快速估算方法，其特征在于，所述得到对应的净发电量模拟结果的过程，包括：保持输入预设风力发电量模型的目标风电场的地形资料、风机排布位置、各风机的推力系数曲线和功率曲线信息不变，通过输入多组风场时间序列数据集至预设风力发电量模型进行计算，得到多组风场特征参数对应的多个净发电量模拟结果。
6.一种在役风电场理论净发电量的快速估算系统，其特征在于，包括：
地形资料和风机信息资料获取模块，用于获取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；
风场资料获取模块，用于获取目标风电场的风场资料，包括：获取目标风电场的风场观测资料和高分辨率风场再分析资料，基于预设数据使用条件对其进行判断；若满足预设数据使用条件，则基于所述风场观测资料和高分辨率风场再分析资料得到风场资料；否则利用中尺度气象模式对目标风电场进行历史风场模拟得到对应的风场资料；
风场资料处理模块，用于对获取的风场资料进行处理，得到风场时间序列数据集，并对其计算得到对应的风场特征参数，所述风场资料包括：风速数据和风向数据，其中，风速数据对应的风场特征参数包括：威布尔形变参数和威布尔形状参数，风向数据对应的风场特征参数包括：冯·米塞斯位置度量和冯·米塞斯集中度度量；
净发电量模拟结果获取模块，用于将目标风电场的地形资料、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以及风场时间序列数据集输入预设风力发电量模型进行计算，得到对应的净发电量模拟结果；
净发电量估算模型构建模块，用于将风场特征参数及对应的净发电量模拟结果送入预设机器学习算法中进行模型训练，得到训练好的净发电量估算模型；
净发电量估算模型使用模块，用于将待监测风电场的风场特征参数送入训练好的净发电量估算模型进行计算，得到对应风电场的理论净发电量，所述风电场的理论净发电量，包括：风电场的整场理论净发电量和风电场的单机理论净发电量。
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中任一所述的在役风电场理论净发电量的快速估算方法。
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中任一所述的在役风电场理论净发电量的快速估算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310531882.3A CN116260140B (zh) | 2023-05-12 | 2023-05-12 | 一种在役风电场理论净发电量的快速估算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310531882.3A CN116260140B (zh) | 2023-05-12 | 2023-05-12 | 一种在役风电场理论净发电量的快速估算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116260140A CN116260140A (zh) | 2023-06-13 |
| CN116260140B true CN116260140B (zh) | 2023-07-21 |
Family
ID=86684633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310531882.3A Active CN116260140B (zh) | 2023-05-12 | 2023-05-12 | 一种在役风电场理论净发电量的快速估算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116260140B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101414751A (zh) * | 2008-11-20 | 2009-04-22 | 北京方鸿溪科技有限公司 | 风电功率预测系统及其方法、电网系统 |
| CN104021424B (zh) * | 2013-02-28 | 2018-12-07 | 乌托巴斯洞察公司 | 用于预测风场中的风机的输出功率的方法和装置 |
| EP3517774A1 (en) * | 2018-01-25 | 2019-07-31 | Siemens Gamesa Renewable Energy A/S | Method and apparatus for cooperative controlling wind turbines of a wind farm |
| CN115423159A (zh) * | 2022-08-17 | 2022-12-02 | 国网河北省电力有限公司经济技术研究院 | 光伏发电预测方法、装置及终端设备 |
| CN115906616A (zh) * | 2022-10-28 | 2023-04-04 | 浙江浙能技术研究院有限公司 | 一种风电场理论功率和应发电量的计算方法 |
-
2023
- 2023-05-12 CN CN202310531882.3A patent/CN116260140B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116260140A (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019114160A1 (zh) | 结冰预测方法、装置、模型生成方法及装置 | |
| US20210312101A1 (en) | Method for determining a wind turbine layout | |
| CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
| CN112700349B (zh) | 测风塔选址方法和装置 | |
| CN112613633A (zh) | 风电场的气象要素预测方法和装置 | |
| CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
| CN116224473A (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
| CN115079307A (zh) | 一种基于多模式最优集成的风电场气象预报方法和系统 | |
| JP5931830B2 (ja) | 停電戸数予測装置、停電戸数予測方法およびプログラム | |
| CN111400845B (zh) | 风电机组的发电性能评估方法和装置 | |
| 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 | |
| CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
| CN116663786B (zh) | 一种风光资源评估方法、装置、电子设备和存储介质 | |
| CN112131753A (zh) | 风机疲劳寿命的评估方法、系统、设备及可读介质 | |
| CN110414734B (zh) | 一种计及风资源利用率预测评估的方法 | |
| CN116454874A (zh) | 风电功率的预测方法、风电功率的预测装置和电子装置 | |
| CN111612648A (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
| CN110968929A (zh) | 风电场风速的预测方法、装置及电子设备 | |
| CN112211794B (zh) | 风电机组的机舱温度异常预警方法、装置、设备及介质 | |
| CN114841077A (zh) | 一种风电功率预测方法、装置、介质 | |
| CN117151352B (zh) | 风资源评估方法、系统及计算机存储介质和终端设备 | |
| CN116307307B (zh) | 一种风电场的超短期功率预测方法及系统 | |
| CN112700134A (zh) | 一种测风塔代表性分析的方法、系统及设备 | |
| CN114893362B (zh) | 一种评估潜在退役风机叶片时空分布的方法和系统 | |
| Khamees et al. | Investigation of different probability distribution functions for wind speed modelling using classical and novel metaheuristic methods |
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 |