CN116451454A - 一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法 - Google Patents
一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法 Download PDFInfo
- Publication number
- CN116451454A CN116451454A CN202310359481.4A CN202310359481A CN116451454A CN 116451454 A CN116451454 A CN 116451454A CN 202310359481 A CN202310359481 A CN 202310359481A CN 116451454 A CN116451454 A CN 116451454A
- Authority
- CN
- China
- Prior art keywords
- wave
- wind
- energy
- wind speed
- data
- 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
- 238000011161 development Methods 0.000 title claims abstract description 36
- 238000010187 selection method Methods 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000010248 power generation Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 57
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 239000013618 particulate matter Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000271901 Pelamis Species 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
Abstract
本申请公开了一种基于风‑浪资源的风机和波浪能装置联合开发最优配置选型方法,属于海洋能利用领域。针对现有技术中存在的风‑浪获能装置的提出往往脱离具体的资源条件,未考虑拟开发海域的风候和波候问题。本申请中,从风和波浪的资源条件入手,对拟开发海域的风能和波浪能资源进行联合分析,进一步确定重点开发区域,再根据该区域具体的资源情况并结合典型风机的功率曲线和波浪能装置的功率矩阵计算不同装置的发电功率,以获能占比、发电效率为指标,筛选重点开发区域的风机和波浪能装置联合开发最优配置选型。本申请的方案能够为风‑浪联合利用的选址、风‑浪联合装置的选型、风‑浪项目的决策提供科学依据。
Description
技术领域
本发明涉及一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,属于海洋能利用领域。
背景技术
能源是人类生活和社会前进发展的重要物质基础,工业技术的发展使得世界能源的需求大大增加。传统化石能源的大量开采和使用带来了能源储量危机和环境污染等问题,发展可再生能源是解决能源问题的重要举措。海洋能是指海洋中的可再生能源,包括海上风能和波浪能,海上风能和波浪能储量庞大,容易获取,清洁无污染。近年来,海上风能和波浪能逐渐成为可再生能源开发与利用的重点。海上风能的开发技术已经趋近成熟,波浪能的开发技术也在日益进步,但将两种资源联合开发的情况还较少,处于起步阶段。
在开发海上风能和波浪能之前,首先需要对拟开发区域风能和波浪能资源的开发潜力进行评估,了解两种资源的时间和空间分布特征,为后续海洋能源的开发利用提供依据。近几年各种形式的风-浪联合发电装置层出不穷,但此类装置的提出往往脱离具体的资源条件,未考虑拟开发海域的风候和波候。
发明内容
针对现有技术中存在的问题,本申请提出一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,从风和波浪的资源条件入手,为风-浪联合利用的选址、风-浪联合装置的选型、风-浪项目的决策提供科学依据。
为解决上述技术问题,本发明采取的技术方案是,一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,包括以下步骤:
1)获取目标海域的风、浪数据;
2)通过数据分析给出适合风能和波浪能联合开发的重点开发区域;
3)分析重点开发区域的风、浪数据,得到风速的边缘分布、有效波高和能量周期的联合分布;
4)利用风速概率分布和风机功率曲线,计算不同风机的平均发电功率;利用有效波高和能量周期的联合概率分布和波浪能装置的功率矩阵,计算不同波浪能装置的平均发电功率;
5)根据获能占比和发电效率两种指标,筛选发电特性最优的波浪能装置和风机。
优化的,上述基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,在步骤1)中,获取目标海域的风、浪数据的方法包括,
下载风场数据,借助SWAN、WAVE WATCH III等第三代数值海浪模拟软件对波浪的数据进行模拟;收集实测数据;下载公开的再分析数据,对获取数据进行完整性、合理性检验。
优化的,上述基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,在步骤2)中,其过程包括:利用获取的风和波浪多年的同步数据,计算得到目标海域年平均风功率密度和年平均波浪能流密度、风能和波浪能的变异系数、相关系数和评估两能种功率平滑程度的指标THD。
优化的,上述基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,在步骤2)中,年平均风功率密度为
年平均波浪能流密度为
其中,n为数据个数,ρair为w米处的空气密度,ρwater为海水的密度,Vw为高度w处的风速,g为重力加速度,Hs为有效波高,Te为波浪的能量周期;
Te为
其中,ωe为波浪能量频率,m-1和m0是波浪谱S(ω)的-1和0阶矩;
风-浪之间相关系数R为:
其中,为风能密度Pwind的标准差,/>为波功率密度Pwave的标准差;
风能密度变异系数COVwind为
波功率密度变异系数COVwave为
功率平滑指标THD为
优化的,上述基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,步骤3)具体包括,
301)计算风机轮毂高度处的风速,求解风速的边缘分布;
302)按照一定间隔将有效波高和能量周期划分区间,统计落入每个网格区间内的数据个数,除以数据总数即为该网格区间对应的有效波高和能量周期的发生概率,即为有效波高和能量周期的联合分布;波浪周期可选为谱峰周期或能量周期,与波浪能装置功率矩阵中的周期类型保持一致。
优化的,上述基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,步骤301)中,风速的边缘分布的方法包括基于分布拟合的概率法求解风速的边缘分布或者统计分析法求解风速的边缘分布:
基于分布拟合的概率法求解风速的边缘分布具体为:风速的边缘分布服从两参数的威布尔分布,其概率密度表达式为:
其中,α为形状参数,β为尺度参数,w为平均风速;
风速的边缘分布函数为:
对已有的风速数据进行威布尔分布拟合,基于最小二乘法得到威布尔分布中的未知参数,带入风速的边缘分布函数可得到风速的边缘分布;
统计分析法求解风速的边缘分布的方法包括,
以一定的间隔划分总区间获得若干分区间,统计落入每个分区间内的数据个数,以不同区间的数据个数除以全部分区间的数据个数总和得到该分区间风速的发生概率;风速最小值至最大值落入总区间内;
风速对应的高度取决于风机轮毂高度,海平面以上10m处的风速已知,其他高度处的风速可由公式换算得到:
其中,Z0为地面粗糙度,V10为10m标准高度处的风速,Vw为高度w处的风速。
优化的,上述基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,在步骤4)中,风机的平均发电功率的求解公式为
或者/>
其中,Pwind为风机的平均输出功率;P(w)为风机的功率曲线;ucut-in和ucut-out分别为风机的切入、切出风速;U的取值范围为[ucut-in,ucut-out];Fi为风轮轮毂高度处风速区间的发生概率;Pwi为风速区间中值对应的风机的输出功率;n为风速区间个数;
波浪能装置的平均发电功率表示为
其中,PWij表示第i个Te区间和第j个Hs区间同时发生的概率;PMij为对应该区间海况的波浪能装置输出功率;nTe和nHs分别表示划分能量周期Te和有效波高Hs的区间总数。
优化的,上述基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,在步骤5)中,以获能占比为首要指标,筛选波浪能装置和风机。
优化的,上述基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,在步骤5)中,当两种波浪能装置或风机的获能占比相近时,进一步以发电效率高为指标,其中
风机和波浪能装置的获能占比Cwind、Cwave分别为: S为风轮扫掠面积,D为波浪能装置迎浪面的特征长度;
风机和波浪能装置的发电效率ηturbine、ηwec分别为:
Prated-capacity为装置的额定功率。
本申请的有益效果为:
从风和波浪的资源条件入手,对拟开发海域的风能和波浪能资源进行联合分析,进一步确定重点开发区域,再根据该区域具体的资源情况并结合典型风机的功率曲线和波浪能装置的功率矩阵计算不同装置的发电功率,以获能占比、发电效率为指标,筛选重点开发区域的风机和波浪能装置联合开发最优配置选型,后续可依据该选型指导风-浪联合发电装置设计。
可针对海上风能和波浪能的能源潜力、相关程度和变异性进行综合考虑,更加全方面的对海上风能和波浪能资源进行评估,为海上风能和波浪能的开发利用做出科学的指导。
可根据待开发区域的具体风、浪资源情况,筛选发电特性最优的风机和波浪能装置,保证了能源的利用率,具有普适性。
附图说明
图1为本申请的技术方案的步骤框图;
图2为实施例中的风、浪资源评估图;
图3为实施例中的重点开发区域示意图;
图4为实施例中的风速边缘分布图;
图5为实施例中的风机的功率曲线;
图6为实施例中的波浪能获能装置的功率矩阵。
具体实施方式
下面结合具体实施例进一步阐述本发明的技术特点。
本发明提供一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,包括以下步骤:
步骤1):获取目标海域的风、浪数据。其中,数据的获取方法有三种:
101)下载风场数据(例如CCMP风场、ERA5再分析风场),借助SWAN、WAVE WATCH III等第三代数值海浪模拟软件对波浪的数据进行模拟。
102)收集实测数据(需对缺测数据进行处理)。
103)下载公开的再分析数据,例如欧洲中期天气预报中心的第五代大气再分析数据。对获取数据进行完整性、合理性检验。
步骤2):通过数据分析给出适合风能和波浪能联合开发的重点开发区域。
利用获取的风和波浪多年的同步数据,计算得到目标海域年平均风功率密度和年平均波浪能流密度、风能和波浪能的变异系数、相关系数和评估两能种功率平滑程度的指标THD。
其中,年平均风功率密度和年平均波能流密度/>可分别由下式计算:
公式中,n为数据个数,ρair为w米处的空气密度,通常w取10,对应的空气密度为1.225kg/m3,ρwater为海水的密度,取1025kg/m3,Vw为高度w处的风速,g为重力加速度,Hs为有效波高,Te为波浪的能量周期。
波浪的能量周期可由下式计算:
式中,ωe为波浪能量频率,m-1和m0是波浪谱S(ω)的-1和0阶矩。
通常,能量周期Te和谱峰周期Tp满足以下关系:
Te≈0.9Tp。
风-浪之间相关系数R为:
式中,为风能密度Pwind的标准差,/>为波功率密度Pwave的标准差。
计算风能密度变异系数COVwind,
计算波功率密度变异系数COVwave,
计算功率平滑指标THD,
步骤3):分析重点开发区域的风、浪数据,得到风速的边缘分布、有效波高和能量周期的联合分布。
301)计算风机轮毂高度处的风速,求解风速的边缘分布。求解风速的边缘分布的方法有基于分布拟合的概率法、统计分析法两种,两种方法的具体方式如下。
基于分布拟合的概率法
风速的边缘分布通常服从两参数的威布尔分布,其概率密度表达式为:
式中,α为形状参数,β为尺度参数,w为平均风速。相对应地,风速的边缘分布函数为:
对已有的风速数据进行威布尔分布拟合,基于最小二乘法得到威布尔分布中的未知参数,带入上式即可得到风速的边缘分布。
统计分析法
以一定的间隔划分总区间获得若干分区间,统计落入每个分区间内的数据个数,以不同区间的数据个数除以全部分区间的数据个数总和得到该分区间风速的发生概率;风速最小值至最大值落入总区间内。若步骤1)中数据的时间间隔为1小时,则不同区间的数据个数为该区间对应风速范围内的风出现的小时数,用小时数除以数据总数(即总时长,单位为小时)便得到该区间风速的发生概率。
风速对应的高度取决于风机轮毂高度,一般为80m。通常海平面以上10m处的风速已知,其他高度处的风速可由公式换算得到:
式中,Z0为地面粗糙度,V10为10m标准高度处的风速,Vw为高度w处的风速。
302)按照一定间隔将有效波高和能量周期划分区间,统计落入每个网格区间内的数据个数,除以数据总数即为该网格区间对应的有效波高和能量周期的发生概率,即为有效波高和能量周期的联合分布。(波浪周期可选为谱峰周期或能量周期,与波浪能装置功率矩阵中的周期类型保持一致)。
步骤4),利用风速概率分布和风机功率曲线,计算不同风机的平均发电功率。
利用有效波高和能量周期的联合概率分布和波浪能装置的功率矩阵,计算不同波浪能装置的平均发电功率。
对应于步骤3)中两种风速边缘分布的求解方法,风机的平均发电功率有以下两种求解公式:和/>
Pwind为风机的平均输出功率,P(w)为风机的功率曲线,ucut-in和ucut-out分别为风机的切入、切出风速。U的取值范围为[ucut-in,ucut-out],Fi为风轮轮毂高度处风速区间的发生概率,Pwi为风速区间中值对应的风机的输出功率,n为风速区间个数。
波浪能装置的平均发电功率计算公式为:
式中,PWij表示第i个Te区间和第j个Hs区间同时发生的概率,PMij为对应该区间海况的波浪能装置输出功率,nTe和nHs分别表示划分能量周期Te和有效波高Hs的区间总数。
步骤5),根据获能占比和发电效率两种指标,筛选发电特性最优的波浪能装置和风机。以获能占比为首要指标,筛选波浪能装置和风机。当两种波浪能装置或风机的获能占比相近时进一步以发电效率高为指标。
风机和波浪能装置的获能占比Cwind、Cwave分别为:
式中,S为风轮扫掠面积,D为波浪能装置迎浪面的特征长度。
风机和波浪能装置的发电效率ηturbine、ηwec分别为:
式中,Prated-capacity为装置的额定功率。
下面结合实际应用,进一步阐述本申请的技术方案。
步骤1),获取目标海域的风、浪数据。利用ERA5的再分析风场数据驱动swan海浪模式对渤海和黄海及周边海域的海浪进行了模拟,得到了海浪数据。
步骤2),利用步骤1)中ERA5的再分析风场数据和swan模拟得到的海浪数据,计算了该海域的年平均风功率密度和年平均波功率密度、风能变异系数、波浪能变异系数和风浪相关系数,如图2所示。年平均功率大意味着资源储量丰富。变异系数小则能量在时间上的分布相对均匀,保证装置的输出功率平滑。风能和波浪能的相关性中等或者较低,表明两种资源的峰值不会同时出现,既有利于装置的结构安全又能降低电力输出的可变性。评估功率平滑程度的指标THD数值越小,表明接入电网的电能质量越好。基于上述几点,选出目标海域内适合风能和波浪能联合开发的重点开发区域,如图3所示,椭圆圈区域为重点开发区域。
步骤3),根据统计分析法得到风速的边缘分布如图4所示。
根据统计分析法得到有效波高和能量周期的联合分布如下表所示。
有效波高和能量周期的联合分布表
步骤4),选取九种不同额定功率(1MW到9MW)的风机和四种波浪能获能装置,风机的主要参数如风机的主要参数表所示,波浪能获能装置的主要参数如波浪能获能装置的主要参数表所示,风机的功率曲线和波浪能获能装置的功率矩阵分别如图5和图6所示。
风机的主要参数表
波浪能获能装置的主要参数表
波浪能装置 | Seabased AB | Aqua Buoy | Pelamis | Wave Dragon |
额定功率(kW) | 15 | 250 | 750 | 7000 |
水深(m) | >50 | 20–50 | >50 | >30 |
类型 | 点吸收式 | 点吸收式 | 筏式 | 越浪式 |
特征尺寸(m) | 3 | 6 | 150 | 300 |
利用风速概率分布和风机功率曲线,计算不同风机的平均发电功率、获能占比情况和发电效率,如风机获能情况表所示。利用有效波高和能量周期的联合概率分布和波浪能装置的功率矩阵,计算不同波浪能装置的平均发电功率、获能占比情况和获能效率,如波浪能获能装置获能情况表所示。
风机获能情况表
波浪能获能装置获能情况表
波浪能装置类型 | Seabased AB | Aqua Buoy | Pelamis | Wave Dragon |
发电功率(kW) | 0.29 | 0.39 | 1.91 | 26.10 |
获能占比(%) | 9.52 | 6.48 | 1.25 | 8.57 |
发电效率(%) | 1.9335 | 0.1578 | 0.2546 | 0.3729 |
步骤5),根据获能占比和发电效率两种指标,筛选发电特性最优的波浪能装置和风机。以获能占比为首要指标,筛选波浪能装置和风机。当两种波浪能装置或风机的获能占比相近时进一步以发电效率高为指标。对比九种风机和四种波浪能装置的获能占比可知,Enercon公司的7.58MW风机E-1267.580和Seabased AB波浪能装置为适宜重点开发区域资源条件的风机和波浪能装置联合开发最优配置选型。
当然,上述说明并非是对本发明的限制,本发明也并不限于上述举例,本技术领域的普通技术人员,在本发明的实质范围内,作出的变化、改型、添加或替换,都应属于本发明的保护范围。
Claims (7)
1.一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,其特征在于:包括以下步骤:
1)获取目标海域的风、浪数据;
2)通过数据分析给出适合风能和波浪能联合开发的重点开发区域;
3)分析重点开发区域的风、浪数据,得到风速的边缘分布、有效波高和能量周期的联合分布;
4)利用风速概率分布和风机功率曲线,计算不同风机的平均发电功率;利用有效波高和能量周期的联合概率分布和波浪能装置的功率矩阵,计算不同波浪能装置的平均发电功率;
5)根据获能占比和发电效率两种指标,筛选发电特性最优的波浪能装置和风机。
2.根据权利要求1所述的基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,其特征在于:在步骤1)中,获取目标海域的风、浪数据的方法为:
下载风场数据,借助SWAN、WAVE WATCH III等第三代数值海浪模拟软件对波浪的数据进行模拟;
或者收集实测数据;
或者下载公开的再分析数据,对获取数据进行完整性、合理性检验。
3.根据权利要求1所述的基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,其特征在于:在步骤2)的过程包括:利用获取的风和波浪多年的同步数据,计算得到目标海域年平均风功率密度和年平均波浪能流密度、风能和波浪能的变异系数、相关系数和评估两能种功率平滑程度的指标THD。
4.根据权利要求1所述的基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,其特征在于:步骤3)具体包括,
301)计算风机轮毂高度处的风速,求解风速的边缘分布;
302)按照一定间隔将有效波高和能量周期划分区间,统计落入每个网格区间内的数据个数,除以数据总数即为该网格区间对应的有效波高和能量周期的发生概率,即为有效波高和能量周期的联合分布;波浪周期可选为谱峰周期或能量周期,与波浪能装置功率矩阵中的周期类型保持一致。
5.根据权利要求4所述的基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,其特征在于:步骤301)中,求解风速的边缘分布的方法包括基于分布拟合的概率法求解风速的边缘分布或者统计分析法求解风速的边缘分布:
基于分布拟合的概率法求解风速的边缘分布具体为:风速的边缘分布服从两参数的威布尔分布,其概率密度表达式为:
其中,α为形状参数,β为尺度参数,w为平均风速;
风速的边缘分布函数为:
对已有的风速数据进行威布尔分布拟合,基于最小二乘法得到威布尔分布中的未知参数,带入风速的边缘分布函数可得到风速的边缘分布;
统计分析法求解风速的边缘分布的方法包括,
以一定的间隔划分总区间获得若干分区间,统计落入每个分区间内的数据个数,以不同区间的数据个数除以全部分区间的数据个数总和得到该分区间风速的发生概率;风速最小值至最大值落入总区间内;
风速对应的高度取决于风机轮毂高度,海平面以上10m处的风速已知,其他高度处的风速可由公式换算得到:
其中,Z0为地面粗糙度,V10为10m标准高度处的风速,Vw为高度w处的风速。
6.根据权利要求1所述的基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,其特征在于:在步骤5)中,以获能占比为首要指标,筛选波浪能装置和风机。
7.根据权利要求6所述的基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法,其特征在于:在步骤5)中,当两种波浪能装置或风机的获能占比相近时,进一步以发电效率高为指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310359481.4A CN116451454A (zh) | 2023-04-06 | 2023-04-06 | 一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310359481.4A CN116451454A (zh) | 2023-04-06 | 2023-04-06 | 一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451454A true CN116451454A (zh) | 2023-07-18 |
Family
ID=87128201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310359481.4A Pending CN116451454A (zh) | 2023-04-06 | 2023-04-06 | 一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451454A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976745A (zh) * | 2023-08-14 | 2023-10-31 | 中国海洋大学 | 一种结合装置特性的风-浪能资源的联合开发评估方法 |
CN117477674A (zh) * | 2023-12-27 | 2024-01-30 | 广东海洋大学 | 一种包含风力发电与波浪能发电的微电网调度方法 |
-
2023
- 2023-04-06 CN CN202310359481.4A patent/CN116451454A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976745A (zh) * | 2023-08-14 | 2023-10-31 | 中国海洋大学 | 一种结合装置特性的风-浪能资源的联合开发评估方法 |
CN117477674A (zh) * | 2023-12-27 | 2024-01-30 | 广东海洋大学 | 一种包含风力发电与波浪能发电的微电网调度方法 |
CN117477674B (zh) * | 2023-12-27 | 2024-03-12 | 广东海洋大学 | 一种包含风力发电与波浪能发电的微电网调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Almutairi et al. | Technical, economic, carbon footprint assessment, and prioritizing stations for hydrogen production using wind energy: A case study | |
Allouhi et al. | Evaluation of wind energy potential in Morocco's coastal regions | |
Amirinia et al. | Wind and wave energy potential in southern Caspian Sea using uncertainty analysis | |
Wang et al. | Estimation methods review and analysis of offshore extreme wind speeds and wind energy resources | |
El-Shimy | Optimal site matching of wind turbine generator: Case study of the Gulf of Suez region in Egypt | |
Ulgen et al. | Determination of Weibull parameters for wind energy analysis of Izmir, Turkey | |
CN116451454A (zh) | 一种基于风-浪资源的风机和波浪能装置联合开发最优配置选型方法 | |
Weisser et al. | Implications of seasonal and diurnal variations of wind velocity for power output estimation of a turbine: a case study of Grenada | |
Diaf et al. | Technical and economic assessment of wind farm power generation at Adrar in Southern Algeria | |
CN113033009B (zh) | 一种在役海上风电场尾流损失实时计算方法 | |
CN105023099B (zh) | 一种考虑湍流强度的风力发电机出力评估方法 | |
Paraschiv et al. | Assessment of onshore wind energy potential under temperate continental climate conditions | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
Alawadhi | The potential of wind energy in Kuwait: a complete feasibility investigation | |
Hasan et al. | Assessment of Promising Wind Energy Production Sites in Bangladesh using Energy Pattern Factor Method | |
CN113887839A (zh) | 一种基于聚类的风电场超短期风功率预测方法及系统 | |
Roy | Assessment of commercial wind profiles for Bangladesh in hotspots determined by the UNEP | |
CN103235850B (zh) | 比较风电场设计水平的系统和方法 | |
CN116563055B (zh) | 一种基于多源数据融合的风能潜力评估方法 | |
Dallatu Abbas et al. | Power Curve Evaluation of Micro-Scale Turbines for Harvesting Wind Energy in Malaysia | |
CN113496319B (zh) | 一种可再生能源发电系统脆弱性的评估方法 | |
Vallejo et al. | Urban wind potential analysis: case study of wind turbines integrated into a building using onsite measurements and CFD modelling | |
Sridech et al. | Assessment of Wind Energy Potential in Thailand Based on Using the Multiple-Weibull Distribution | |
Ayodele et al. | Capacity Factor Estimation and Appropriate Wind Turbine Matching for Napier and Prince Albert in The Western Cape of South Africa | |
Zhao et al. | Wind Power Generator Output Model Based on the Statistical Wind Speed Distribution Derived From the Historical Data |
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 |