CN117010284A - 基于风电场噪声的机位排布方法、装置、设备及存储介质 - Google Patents
基于风电场噪声的机位排布方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117010284A CN117010284A CN202311279877.4A CN202311279877A CN117010284A CN 117010284 A CN117010284 A CN 117010284A CN 202311279877 A CN202311279877 A CN 202311279877A CN 117010284 A CN117010284 A CN 117010284A
- Authority
- CN
- China
- Prior art keywords
- noise
- propagation
- wind
- preset
- random
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012876 topography Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000000007 visual effect Effects 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000452 restraining effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种基于风电场噪声的机位排布方法、装置、设备及存储介质，涉及电数字数据处理领域，方法包括根据风电场的的高程数据生成等高线地形，分别将每个风电机定义为一个节点，在等高线地形上定义至少一个噪声敏感点，通过分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离，以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球；定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件并将约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小。本申请通过模拟噪音的传播和衰减过程，避免了传统方法中的人工冗余布局，从而有效提高了地域的利用率。
Description
技术领域
本申请涉及电数字数据处理技术领域，尤其涉及一种基于风电场噪声的机位排布方法、装置、设备及存储介质。
背景技术
风力发电是指把风的动能转为电能，风能是一种清洁无公害的可再生能源，风力发电通过风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电，且风力发电不需要使用燃料，也不会产生辐射或空气污染，是一种可再生的新能源。
在风电场的初期建设规划中，需要在风电场区域内合理排布每个风力机的位置。在风电场中，相邻的风力机之间若过于拥挤，则会导致诸如尾流效应等问题，若下游风力机位于上游风力机的尾流区域内，下游风力机的输入风速就会低于上游风力机的输入风速，这种被称为尾流效应的现象将影响下风向风力机的效率。
目前，在风电机组点位计算的过程中， 大多采用人工冗余排布的方式，通过相邻的风电机之间距离冗余、风电机与生活区、工业区等距离冗余，以保证风电机的持续运行不会严重干扰生活区、工业区等需要人员驻场的区域，该种布局方式容易导致地域资源浪费、单位面积发电效率较低的问题。
发明内容
本申请的主要目的在于提供一种基于风电场噪声的机位排布方法、装置、设备及存储介质，以解决现有技术中人工布局占用空间冗余导致地域资源浪费、单位面积发电效率较低的问题。
为实现了上述目的，本申请提供了如下技术方案：
一种基于风电场噪声的机位排布方法，所述风电场噪声来源于预设区域内的若干个风电机，所述基于风电场噪声的机位排布方法包括：
获取所述预设区域的高程数据并根据所述高程数据生成等高线地形；
分别将每个风电机定义为一个节点，并将所有节点约束于所述等高线地形；
根据预设策略在所述等高线地形上定义至少一个噪声敏感点，并将所有噪声敏感点固定于所述等高线地形；
分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离；
以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球；
定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件；
将所述约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小；
分别获取每个最佳位置所对应的节点的最终位置并输出至所述等高线地形，以形成所有风电机的机位排布布局。
作为本申请的进一步改进，每个历史最大噪声通过式（1）表征：
（1）；
其中，为第个风电机的历史最大噪声，为第个风电机的运行噪声，为第个风电机的附加衰减项。
作为本申请的进一步改进，所述附加衰减项通过式（2）表征：
（2）；
其中，为所述预设区域的地面障碍吸收衰减，为空气吸收衰减，为所述预设区域的地面吸收衰减。
作为本申请的进一步改进，分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离，包括：
分别获取每个历史最大噪声的声功率级；
根据式（3）分别计算每个声功率级衰减到所述预设阈值所需的传播距离：
（3）；
其中，为第个风电机的历史最大噪声，为所述预设阈值，与均为已知值；为第个风电机到所述噪声敏感点的距离，即第个风电机的声功率级衰减到所述预设阈值所需的传播距离。
作为本申请的进一步改进，将所述约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小，包括：
根据式（4）分别对每个噪声传播球赋予至少两个随机解，定义所有随机解的结果为所有噪声传播球的重叠面积总和最小；
（4）；
其中，为所有随机解的集合，为第个噪声传播球的所有随机解，为当前的噪声传播球的所有随机解的个数；为所有随机解的速度的集合，为第个噪声传播球的所有速度；
将所述约束条件分别赋予所有随机解；
基于同一个随机解根据式（5）以预设时间间隔分别更新每个随机解的位置和速度：
（5）；
其中，为第个随机解在第步的速度，为第个随机解在第步的速度惯性，为惯性系数，为第个随机解的自我认知表征，为第个随机解的社会认知表征；与均为学习因子，为预设取值范围的随机数，为第个随机解已获得的个体最优解，为第个随机解已获得的全局最优解；
根据所述式（5）迭代预设次数，以更新每个以及每个；
分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值；
若是，则分别判断每个相比于上一次迭代的第二差值是否小于等于第二预设适应阈值；
若是，则判定所有噪声传播球的重叠面积总和已达到最小值。
作为本申请的进一步改进，根据所述式（5）迭代预设次数，以更新每个和每个，包括：
在每次迭代中根据式（6）优化一次所述惯性系数：
（6）；
其中，为第个随机解在第步优化后的惯性系数，为初始惯性系数，为第个随机解在第步的惯性系数，为当前迭代次数，为当前迭代次数的上一次迭代。
作为本申请的进一步改进，分别获取每个最佳位置所对应的节点的最终位置并输出至所述等高线地形，以形成所有风电机的机位排布布局，之后，包括：
发送所述机位排布布局至外部接收端；
将所述机位排布布局通过预设软件转换为可视化布局并发送至外部可视化终端。
为了实现上述目的，本申请还提供了如下技术方案：
一种基于风电场噪声的机位排布装置，其应用于如上述的基于风电场噪声的机位排布方法，所述基于风电场噪声的机位排布装置包括：
等高线地形生成模块，用于获取所述预设区域的高程数据并根据所述高程数据生成等高线地形；
节点定义与约束模块，用于分别将每个风电机定义为一个节点，并将所有节点约束于所述等高线地形；
噪声敏感点定义与约束模块，用于根据预设策略在所述等高线地形上定义至少一个噪声敏感点，并将所有噪声敏感点固定于所述等高线地形；
历史最大噪声获取与计算模块，用于分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离；
噪声传播球构建模块，用于以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球；
噪声传播球定义与约束模块，用于定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件；
噪声传播球最佳位置计算模块，用于将所述约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小；
机位排布布局形成模块，用于分别获取每个最佳位置所对应的节点的最终位置并输出至所述等高线地形，以形成所有风电机的机位排布布局。
为了实现上述目的，本申请还提供了如下技术方案：
一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如上述的基于风电场噪声的机位排布方法。
为了实现上述目的，本申请还提供了如下技术方案：
一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如上述的基于风电场噪声的机位排布方法。
本申请根据风电场的的高程数据生成等高线地形，分别将每个风电机定义为一个节点，并将所有节点约束于等高线地形，同时在等高线地形上定义至少一个噪声敏感点，并将所有噪声敏感点固定于等高线地形，通过分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离，以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球；通过定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件并将约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小，最后分别获取每个最佳位置所对应的节点的最终位置并输出至等高线地形，以形成所有风电机的机位排布布局。本申请通过模拟噪音的传播和衰减过程，对各个风电机进行自动布局，避免了传统方法中的人工冗余布局，从而有效提高了地域的利用率，同时可调整噪声敏感点（例如居住区、工业区等）的数量和位置来自动调整每个风电机的排布位置，且本申请不需要拟定复杂的目标函数和参数，方法简单、快速、准确，可应用于风电机及其附属设备（例如工作站、交换设备、分流设备、存储设备、变电设备等风电站设备）的自动布局。
附图说明
图1为本申请基于风电场噪声的机位排布方法一个实施例的步骤流程示意图；
图2为本申请基于风电场噪声的机位排布装置一个实施例的功能模块示意图；
图3为本申请电子设备一个实施例的结构示意图；
图4为本申请存储介质一个实施例的结构示意图。
具体实施方式
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，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。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。
本申请中的术语“第一”“第二”“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”“第二”“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至 少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
如图1所示，本实施例提供了一种基于风电场噪声的机位排布方法的一个实施例，在本实施例中，风电场噪声来源于预设区域内的若干个风电机，本实施例的机位排布方法包括如下步骤：
步骤S1，获取预设区域的高程数据并根据高程数据生成等高线地形。
优选地，根据高程数据生成等高线地形可在Civil-3D中完成。
优选地，对于地表等高线，可直接通过加载DEM到Global Mapper。其中，DEM（数字高程模型）可直接从公开渠道（全国高精度5米-12米-30米DEM地形数据）获取。
优选地，在DEM加载到Global Mapper后，生成等高线之前，一般先需要对DEM进行裁剪，以提取目标区域的DEM。目标区域数据可以使用LSV（LocaSpaceViewer，三维数字地球软件，集成了Google Earth、天地图等影像和三维地形在线服务。底层开发技术采用C++、OpenGL。软件能够快速地浏览、测量、分析和标注三维地理信息数据和倾斜摄影实景数据。）进行输出，再保存为KML（KML文件是谷歌公司创建的一种地标性文件，用于记录某一地点，或连续地点的时间，经度，纬度，海拔等地理信息数据）后导入至Global Mapper内，也可以直接在Global Mapper内输出该目标区域。
优选地，在上述的目标区域完成创建后，可通过Global Mapper的图层控制中心对DEM图层进行多边形裁剪。
优选地，在多边形裁剪完成后可直接使用Global Mapper的生成等高线功能（需要设定线距）即可。
优选地，最后还可对目标区域进行高斯投影，通过在Global Mapper中载入CGCS2000标准，再配置基准点即可。
步骤S2，分别将每个风电机定义为一个节点，并将所有节点约束于等高线地形。
优选地，每个节点在机位排布的模拟过程中，始终约束于等高线地形，可以理解的，每个节点的高程数据与所位于等高线地形的具体位置的高程数据相同。
步骤S3，根据预设策略在等高线地形上定义至少一个噪声敏感点，并将所有噪声敏感点固定于等高线地形。
优选地，噪声敏感点可通过下表1（噪声敏感点分类）表征：
表1：噪声敏感点分类
优选地，预设阈值即为上表1中的昼间分贝值和夜间分贝值。
优选地，预设策略为工程图直接获取或者人工直接定义；或者可先通过全局寻优算法计算所有噪声敏感点的最优位置，将计算得到的所有噪声敏感点的最优位置固定后再计算风电机位置。
需要注意的是，所有噪声敏感点的最优位置的全局寻优条件与本实施例中的风电机不同，例如所有噪声敏感点的全局寻优条件依山傍水、交通便利等，而本实施例中的风电机的全局寻优条件为上述的约束条件。
步骤S4，分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离。
优选地，可通过bp神经网络训练分别对每个风电机的历史最大噪声进行神经网络训练，以减小每个风电机的历史最大噪声的误差并提供可预测性。
步骤S5，以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球。
值得注意的是，噪声传播球位于等高线地形以下的部分可以忽略。
步骤S6，定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件。
步骤S7，将约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小。
步骤S8，分别获取每个最佳位置所对应的节点的最终位置并输出至等高线地形，以形成所有风电机的机位排布布局。
优选地，步骤S1至步骤S8均可通过MATLAB实现，通过MATLAB动态仿真后即可得到上述的机位排布布局图。
进一步地，每个历史最大噪声通过式（1）表征：
（1）；
其中，为第个风电机的历史最大噪声，为第个风电机的运行噪声，为第个风电机的附加衰减项。
优选地，风电机的运行噪声可直接通过现有测量仪器获取。
进一步地，附加衰减项通过式（2）表征：
（2）。
其中，为预设区域的地面障碍吸收衰减，为空气吸收衰减，为预设区域的地面吸收衰减。
优选地，地面障碍吸收衰减即为声屏障衰减，可通过下式①表征：
①。
其中，和均为影响因子，的取值为20或40，时，则地面障碍吸收衰减包括地面反射影响，时，则地面反射可作为虚声源；的取值为1或，当时，则定义为噪声为单绕射声屏障，当时，则定义为噪声为双绕射；为频带中心频率的波长；为绕射声与直达声之间的路程差（与声屏障的形状相关）；为气象影响的修正因子；为在双绕射情况下两个绕射先边界之间的距离。
优选地，空气吸收衰减可通过下式②表征：
②。
其中，为当前空气温度、空气相对湿度的条件下的空气吸收衰减；为修正常数，；为当前空气温度与的差值；为噪声的频率。
优选地，地面吸收衰减可通过下式③表征：
③。
其中，为噪声的频率；为上述的传播距离。
进一步地，步骤S4具体包括如下步骤：
步骤S41，分别获取每个历史最大噪声的声功率级。
步骤S42，根据式（3）分别计算每个声功率级衰减到预设阈值所需的传播距离：
（3）。
其中，为第个风电机的历史最大噪声的声功率级，为预设阈值，与均为已知值；为第个风电机到噪声敏感点的距离，即第个风电机的声功率级衰减到预设阈值所需的传播距离。
进一步地，步骤S7具体包括如下步骤：
步骤S71，根据式（4）分别对每个噪声传播球赋予至少两个随机解，定义所有随机解的结果为所有噪声传播球的重叠面积总和最小。
（4）。
其中，为所有随机解的集合，为第个噪声传播球的所有随机解，为当前的噪声传播球的所有随机解的个数；为所有随机解的速度的集合，为第个噪声传播球的所有速度。
步骤S72，将约束条件分别赋予所有随机解。
步骤S73，基于同一个随机解根据式（5）以预设时间间隔分别更新每个随机解的位置和速度：
（5）。
其中，为第个随机解在第步的速度，为第个随机解在第步的速度惯性，为惯性系数，为第个随机解的自我认知表征，为第个随机解的社会认知表征；与均为学习因子，为预设取值范围的随机数，为第个随机解已获得的个体最优解，为第个随机解已获得的全局最优解。
优选地，为预设取值范围为[0，1]，的取值范围为[0，0.5]，优选0.4；的取值范围为[0.5，1]，优选0.8。
步骤S74，根据式（5）迭代预设次数，以更新每个以及每个。
步骤S75，分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值；若每个相比于上一次迭代的第一差值小于等于第一预设适应阈值，则执行步骤S76。
步骤S76，分别判断每个相比于上一次迭代的第二差值是否小于等于第二预设适应阈值；若每个相比于上一次迭代的第二差值小于等于第二预设适应阈值，则执行步骤S77。
步骤S77，判定所有噪声传播球的重叠面积总和已达到最小值。
进一步地，步骤S74具体包括如下步骤：
步骤S741，在每次迭代中根据式（6）优化一次惯性系数：
（6）。
其中，为第个随机解在第步优化后的惯性系数，为初始惯性系数，为第个随机解在第步的惯性系数，为当前迭代次数，为当前迭代次数的上一次迭代。
进一步地，步骤S8之后，还包括如下步骤：
步骤S10，发送机位排布布局至外部接收端。
步骤S20，将机位排布布局通过预设软件转换为可视化布局并发送至外部可视化终端。
本实施例根据风电场的的高程数据生成等高线地形，分别将每个风电机定义为一个节点，并将所有节点约束于等高线地形，同时在等高线地形上定义至少一个噪声敏感点，并将所有噪声敏感点固定于等高线地形，通过分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离，以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球；通过定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件并将约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小，最后分别获取每个最佳位置所对应的节点的最终位置并输出至等高线地形，以形成所有风电机的机位排布布局。本实施例通过模拟噪音的传播和衰减过程，对各个风电机进行自动布局，避免了传统方法中的人工冗余布局，从而有效提高了地域的利用率，同时可调整噪声敏感点（例如居住区、工业区等）的数量和位置来自动调整每个风电机的排布位置，且本实施例不需要拟定复杂的目标函数和参数，方法简单、快速、准确，可应用于风电机及其附属设备（例如工作站、交换设备、分流设备、存储设备、变电设备等风电站设备）的自动布局。
如图2所示，本实施例提供了基于风电场噪声的机位排布装置的一个实施例，在本实施例中，其机位排布装置应用于如上述实施例中的基于风电场噪声的机位排布方法，该机位排布装置包括依次电性连接的等高线地形生成模块1、节点定义与约束模块2、噪声敏感点定义与约束模块3、历史最大噪声获取与计算模块4、噪声传播球构建模块5、噪声传播球定义与约束模块6、噪声传播球最佳位置计算模块7、机位排布布局形成模块8。
其中，等高线地形生成模块1用于获取预设区域的高程数据并根据高程数据生成等高线地形；节点定义与约束模块2用于分别将每个风电机定义为一个节点，并将所有节点约束于等高线地形；噪声敏感点定义与约束模块3用于根据预设策略在等高线地形上定义至少一个噪声敏感点，并将所有噪声敏感点固定于等高线地形；历史最大噪声获取与计算模块4用于分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离；噪声传播球构建模块5用于以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球；噪声传播球定义与约束模块6用于定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件；噪声传播球最佳位置计算模块7用于将约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小；机位排布布局形成模块8用于分别获取每个最佳位置所对应的节点的最终位置并输出至等高线地形，以形成所有风电机的机位排布布局。
进一步地，历史最大噪声获取与计算模块搭载有用于表征每个历史最大噪声的式（1）：
（1）；
其中，为第个风电机的历史最大噪声，为第个风电机的运行噪声，为第个风电机的附加衰减项。
进一步地，历史最大噪声获取与计算模块还搭载有用于表征附加衰减项的式（2）：
（2）。
其中，为预设区域的地面障碍吸收衰减，为空气吸收衰减，为预设区域的地面吸收衰减。
进一步地，历史最大噪声获取与计算模块包括依次电性连接的第一历史最大噪声获取与计算子模块和第二历史最大噪声获取与计算子模块；第一历史最大噪声获取与计算子模块与噪声敏感点定义与约束模块电性连接，第二历史最大噪声获取与计算子模块与噪声传播球构建模块电性连接。
其中，第一历史最大噪声获取与计算子模块用于分别获取每个历史最大噪声的声功率级；第二历史最大噪声获取与计算子模块用于根据式（3）分别计算每个声功率级衰减到预设阈值所需的传播距离：
（3）。
其中，为第个风电机的历史最大噪声，为预设阈值，与均为已知值；为第个风电机到噪声敏感点的距离，即第个风电机的声功率级衰减到预设阈值所需的传播距离。
进一步地，噪声传播球最佳位置计算模块包括依次电性连接的第一噪声传播球最佳位置计算子模块、第二噪声传播球最佳位置计算子模块、第三噪声传播球最佳位置计算子模块、第四噪声传播球最佳位置计算子模块、第五噪声传播球最佳位置计算子模块、第六噪声传播球最佳位置计算子模块、第七噪声传播球最佳位置计算子模块；第一噪声传播球最佳位置计算子模块与噪声传播球定义与约束模块电性连接，第七噪声传播球最佳位置计算子模块与机位排布布局形成模块电性连接。
其中，第一噪声传播球最佳位置计算子模块用于根据式（4）分别对每个噪声传播球赋予至少两个随机解，定义所有随机解的结果为所有噪声传播球的重叠面积总和最小。
（4）。
其中，为所有随机解的集合，为第个噪声传播球的所有随机解，为当前的噪声传播球的所有随机解的个数；为所有随机解的速度的集合，为第个噪声传播球的所有速度。
第二噪声传播球最佳位置计算子模块用于将约束条件分别赋予所有随机解。
第三噪声传播球最佳位置计算子模块用于基于同一个随机解根据式（5）以预设时间间隔分别更新每个随机解的位置和速度：
（5）。
其中，为第个随机解在第步的速度，为第个随机解在第步的速度惯性，为惯性系数，为第个随机解的自我认知表征，为第个随机解的社会认知表征；与均为学习因子，为预设取值范围的随机数，为第个随机解已获得的个体最优解，为第个随机解已获得的全局最优解。
第四噪声传播球最佳位置计算子模块用于根据式（5）迭代预设次数，以更新每个以及每个。
第五噪声传播球最佳位置计算子模块用于分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值。
第六噪声传播球最佳位置计算子模块用于若每个相比于上一次迭代的第一差值小于等于第一预设适应阈值，则分别判断每个相比于上一次迭代的第二差值是否小于等于第二预设适应阈值。
第七噪声传播球最佳位置计算子模块用于若每个相比于上一次迭代的第二差值小于等于第二预设适应阈值，则判定所有噪声传播球的重叠面积总和已达到最小值。
进一步地，第四噪声传播球最佳位置计算子模块具体用于在每次迭代中根据式（6）优化一次惯性系数：
（6）。
其中，为第个随机解在第步优化后的惯性系数，为初始惯性系数，为第个随机解在第步的惯性系数，为当前迭代次数，为当前迭代次数的上一次迭代。
进一步地，该机位排布装置还包括依次电性连接的机位排布布局发送模块、可视化布局转换与发送模块；机位排布布局发送模块与机位排布布局形成模块电性连接。
其中，机位排布布局发送模块用于发送机位排布布局至外部接收端；可视化布局转换与发送模块用于将机位排布布局通过预设软件转换为可视化布局并发送至外部可视化终端。
本实施例根据风电场的的高程数据生成等高线地形，分别将每个风电机定义为一个节点，并将所有节点约束于等高线地形，同时在等高线地形上定义至少一个噪声敏感点，并将所有噪声敏感点固定于等高线地形，通过分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离，以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球；通过定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件并将约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小，最后分别获取每个最佳位置所对应的节点的最终位置并输出至等高线地形，以形成所有风电机的机位排布布局。本实施例通过模拟噪音的传播和衰减过程，对各个风电机进行自动布局，避免了传统方法中的人工冗余布局，从而有效提高了地域的利用率，同时可调整噪声敏感点（例如居住区、工业区等）的数量和位置来自动调整每个风电机的排布位置，且本实施例不需要拟定复杂的目标函数和参数，方法简单、快速、准确，可应用于风电机及其附属设备（例如工作站、交换设备、分流设备、存储设备、变电设备等风电站设备）的自动布局。
如图3所示，本实施例提供了电子设备的一个实施例，在本实施例中，该电子设备9包括处理器91及和处理器91耦接的存储器92。
存储器92存储有用于实现上述任一实施例的基于风电场噪声的机位排布方法的程序指令。
处理器91用于执行存储器92存储的程序指令以进行基于风电场噪声的机位排布。
其中，处理器91还可以称为CPU（Central Processing Unit，中央处理单元）。处理器91可能是一种集成电路芯片，具有信号的处理能力。处理器91还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
进一步地，图4为本申请一实施例的存储介质的结构示意图，本申请实施例的存储介质10存储有能够实现上述所有方法的程序指令101，其中，该程序指令101可以以软件产品的形式存储在上述存储介质中，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）或处理器（processor）执行本申请各个实施方式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(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所做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，均同理包括在本申请的专利保护范围。
以上对本申请的具体实施方式进行了详细说明，但其只作为范例，本申请并不限制于以上描述的具体实施方式。对于本领域的技术人员而言，任何对该发明进行的等同修改或替代也都在本申请的范畴之中，因此，在不脱离本申请的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本申请的范围内。
Claims (10)
1.一种基于风电场噪声的机位排布方法，所述风电场噪声来源于预设区域内的若干个风电机，其特征在于，所述基于风电场噪声的机位排布方法包括：
获取所述预设区域的高程数据并根据所述高程数据生成等高线地形；
分别将每个风电机定义为一个节点，并将所有节点约束于所述等高线地形；
根据预设策略在所述等高线地形上定义至少一个噪声敏感点，并将所有噪声敏感点固定于所述等高线地形；
分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离；
以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球；
定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件；
将所述约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小；
分别获取每个最佳位置所对应的节点的最终位置并输出至所述等高线地形，以形成所有风电机的机位排布布局。
2.根据权利要求1所述的基于风电场噪声的机位排布方法，其特征在于，每个历史最大噪声通过式（1）表征：
（1）；
其中，为第个风电机的历史最大噪声，为第个风电机的运行噪声，为第个风电机的附加衰减项。
3.根据权利要求2所述的基于风电场噪声的机位排布方法，其特征在于，所述附加衰减项通过式（2）表征：
（2）；
其中，为所述预设区域的地面障碍吸收衰减，为空气吸收衰减，为所述预设区域的地面吸收衰减。
4.根据权利要求1所述的基于风电场噪声的机位排布方法，其特征在于，分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离，包括：
分别获取每个历史最大噪声的声功率级；
根据式（3）分别计算每个声功率级衰减到所述预设阈值所需的传播距离：
（3）；
其中，为第个风电机的历史最大噪声，为所述预设阈值，与均为已知值；为第个风电机到所述噪声敏感点的距离，即第个风电机的声功率级衰减到所述预设阈值所需的传播距离。
5.根据权利要求1所述的基于风电场噪声的机位排布方法，其特征在于，将所述约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小，包括：
根据式（4）分别对每个噪声传播球赋予至少两个随机解，定义所有随机解的结果为所有噪声传播球的重叠面积总和最小；
（4）；
其中，为所有随机解的集合，为第个噪声传播球的所有随机解，为当前的噪声传播球的所有随机解的个数；为所有随机解的速度的集合，为第个噪声传播球的所有速度；
将所述约束条件分别赋予所有随机解；
基于同一个随机解根据式（5）以预设时间间隔分别更新每个随机解的位置和速度：
（5）；
其中，为第个随机解在第步的速度，为第个随机解在第步的速度惯性，为惯性系数，为第个随机解的自我认知表征，为第个随机解的社会认知表征；与均为学习因子，为预设取值范围的随机数，为第个随机解已获得的个体最优解，为第个随机解已获得的全局最优解；
根据所述式（5）迭代预设次数，以更新每个以及每个；
分别判断每个相比于上一次迭代的第一差值是否小于等于第一预设适应阈值；
若是，则分别判断每个相比于上一次迭代的第二差值是否小于等于第二预设适应阈值；
若是，则判定所有噪声传播球的重叠面积总和已达到最小值。
6.根据权利要求5所述的基于风电场噪声的机位排布方法，其特征在于，根据所述式（5）迭代预设次数，以更新每个和每个，包括：
在每次迭代中根据式（6）优化一次所述惯性系数：
（6）；
其中，为第个随机解在第步优化后的惯性系数，为初始惯性系数，为第个随机解在第步的惯性系数，为当前迭代次数，为当前迭代次数的上一次迭代。
7.根据权利要求1所述的基于风电场噪声的机位排布方法，其特征在于，分别获取每个最佳位置所对应的节点的最终位置并输出至所述等高线地形，以形成所有风电机的机位排布布局，之后，包括：
发送所述机位排布布局至外部接收端；
将所述机位排布布局通过预设软件转换为可视化布局并发送至外部可视化终端。
8.一种基于风电场噪声的机位排布装置，其应用于如权利要求1至7之一所述的一种基于风电场噪声的机位排布方法，其特征在于，所述基于风电场噪声的机位排布装置包括：
等高线地形生成模块，用于获取所述预设区域的高程数据并根据所述高程数据生成等高线地形；
节点定义与约束模块，用于分别将每个风电机定义为一个节点，并将所有节点约束于所述等高线地形；
噪声敏感点定义与约束模块，用于根据预设策略在所述等高线地形上定义至少一个噪声敏感点，并将所有噪声敏感点固定于所述等高线地形；
历史最大噪声获取与计算模块，用于分别获取每个风电机的历史最大噪声，并分别计算每个风电机的历史最大噪声衰减到预设阈值所需的传播距离；
噪声传播球构建模块，用于以同一个风电机的节点和传播距离分别为圆心和半径构建噪声传播球；
噪声传播球定义与约束模块，用于定义所有噪声传播球与所有噪声敏感点不相交且不内含以形成约束条件；
噪声传播球最佳位置计算模块，用于将所述约束条件代入预设全局寻优算法分别计算每个噪声传播球的最佳位置，以使所有噪声传播球的重叠面积总和最小；
机位排布布局形成模块，用于分别获取每个最佳位置所对应的节点的最终位置并输出至所述等高线地形，以形成所有风电机的机位排布布局。
9.一种电子设备，其特征在于，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至7中任一项所述的一种基于风电场噪声的机位排布方法。
10.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如权利要求1至7中任一项所述的一种基于风电场噪声的机位排布方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311279877.4A CN117010284B (zh) | 2023-10-07 | 2023-10-07 | 基于风电场噪声的机位排布方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311279877.4A CN117010284B (zh) | 2023-10-07 | 2023-10-07 | 基于风电场噪声的机位排布方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117010284A true CN117010284A (zh) | 2023-11-07 |
| CN117010284B CN117010284B (zh) | 2024-01-05 |
Family
ID=88567588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311279877.4A Active CN117010284B (zh) | 2023-10-07 | 2023-10-07 | 基于风电场噪声的机位排布方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117010284B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217099A (zh) * | 2023-11-08 | 2023-12-12 | 云南滇能智慧能源有限公司 | 一种续建风电机的机位确定方法、装置、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100138201A1 (en) * | 2009-04-30 | 2010-06-03 | General Electric Company | Method for enhancement of a wind plant layout with multiple wind turbines |
| US20120029824A1 (en) * | 2011-07-25 | 2012-02-02 | General Electric Company | System and method for identifying regions of distinct wind flow |
| CN108700086A (zh) * | 2016-03-07 | 2018-10-23 | 三菱电机株式会社 | 轴流式鼓风机以及室外机 |
| CN109784544A (zh) * | 2018-12-21 | 2019-05-21 | 扬州大学 | 一种平坦地形风电场的噪声预测和优化布局方法 |
| CN110110457A (zh) * | 2019-05-13 | 2019-08-09 | 扬州大学 | 一种复杂地形风电场的噪声分布预测方法 |
| CN110991122A (zh) * | 2019-11-19 | 2020-04-10 | 浙江大学 | 用神经网络和交叉熵采样的风电电力系统可靠性估测方法 |
| CN114692521A (zh) * | 2022-03-10 | 2022-07-01 | 国网浙江省电力有限公司绍兴供电公司 | 一种风电场测风塔的优化布局方法 |
| CN115329667A (zh) * | 2022-08-08 | 2022-11-11 | 阳光新能源开发股份有限公司 | 一种风机点位确定方法、装置、设备及存储介质 |
| CN115455623A (zh) * | 2022-09-19 | 2022-12-09 | 中国三峡新能源(集团)股份有限公司 | 一种风电场道路选线方法、系统、装置及存储介质 |
| CN115470678A (zh) * | 2022-09-29 | 2022-12-13 | 东方电气风电股份有限公司 | 一种基于风电场噪声评估的机位自动优化方法及装置 |
| WO2023050564A1 (zh) * | 2021-09-29 | 2023-04-06 | 新疆金风科技股份有限公司 | 风电机组的布局位置检测方法、模型训练方法及装置 |
| CN116357519A (zh) * | 2021-12-28 | 2023-06-30 | 新疆金风科技股份有限公司 | 风电场噪声控制方法、装置及电子设备 |
-
2023
- 2023-10-07 CN CN202311279877.4A patent/CN117010284B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100138201A1 (en) * | 2009-04-30 | 2010-06-03 | General Electric Company | Method for enhancement of a wind plant layout with multiple wind turbines |
| US20120029824A1 (en) * | 2011-07-25 | 2012-02-02 | General Electric Company | System and method for identifying regions of distinct wind flow |
| CN108700086A (zh) * | 2016-03-07 | 2018-10-23 | 三菱电机株式会社 | 轴流式鼓风机以及室外机 |
| CN109784544A (zh) * | 2018-12-21 | 2019-05-21 | 扬州大学 | 一种平坦地形风电场的噪声预测和优化布局方法 |
| CN110110457A (zh) * | 2019-05-13 | 2019-08-09 | 扬州大学 | 一种复杂地形风电场的噪声分布预测方法 |
| CN110991122A (zh) * | 2019-11-19 | 2020-04-10 | 浙江大学 | 用神经网络和交叉熵采样的风电电力系统可靠性估测方法 |
| WO2023050564A1 (zh) * | 2021-09-29 | 2023-04-06 | 新疆金风科技股份有限公司 | 风电机组的布局位置检测方法、模型训练方法及装置 |
| CN116357519A (zh) * | 2021-12-28 | 2023-06-30 | 新疆金风科技股份有限公司 | 风电场噪声控制方法、装置及电子设备 |
| CN114692521A (zh) * | 2022-03-10 | 2022-07-01 | 国网浙江省电力有限公司绍兴供电公司 | 一种风电场测风塔的优化布局方法 |
| CN115329667A (zh) * | 2022-08-08 | 2022-11-11 | 阳光新能源开发股份有限公司 | 一种风机点位确定方法、装置、设备及存储介质 |
| CN115455623A (zh) * | 2022-09-19 | 2022-12-09 | 中国三峡新能源(集团)股份有限公司 | 一种风电场道路选线方法、系统、装置及存储介质 |
| CN115470678A (zh) * | 2022-09-29 | 2022-12-13 | 东方电气风电股份有限公司 | 一种基于风电场噪声评估的机位自动优化方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| JIU FA CAO 等: "Optimizing wind energy conversion efficiency with respect to noise：A study on multi-criteria wind farm layout design", RENEWABLE ENERGY, vol. 159, pages 468 - 485 * |
| 华泽嘉 等: "风电场布机优化分析", 东北电力大学学报, vol. 35, no. 05, pages 56 - 62 * |
| 宋梦譞 等: "基于CFD的风电场微观选址软件的开发", 工程热物理学报, vol. 32, no. 06, pages 989 - 992 * |
| 徐栋 等: "风电场微观选址技术研究", 风能, no. 12, pages 72 - 75 * |
| 李飞 等: "基于高层气象大数据的风电场中长期风功率预测研究", 电力大数据, vol. 23, no. 02, pages 66 - 72 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217099A (zh) * | 2023-11-08 | 2023-12-12 | 云南滇能智慧能源有限公司 | 一种续建风电机的机位确定方法、装置、设备及存储介质 |
| CN117217099B (zh) * | 2023-11-08 | 2024-03-26 | 云南滇能智慧能源有限公司 | 一种续建风电机的机位确定方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117010284B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3396571A1 (en) | Method and device for calculating power generation capacity of wind farm | |
| CN117010284B (zh) | 基于风电场噪声的机位排布方法、装置、设备及存储介质 | |
| CN106815456A (zh) | 一种风电机组功率特性评价方法 | |
| CN106407566A (zh) | 复杂地形风电场一体化优化方法 | |
| Emeksiz et al. | In case study: Investigation of tower shadow disturbance and wind shear variations effects on energy production, wind speed and power characteristics | |
| JP2020159725A (ja) | 風況予測システム、及び風況予測方法 | |
| CN106684905B (zh) | 一种考虑风电预测不确定性的风电场动态等值方法 | |
| CN103942736B (zh) | 一种风电场多机等值建模方法 | |
| CN115586591B (zh) | 风暴潮的自动预报方法以及装置 | |
| Singh et al. | Wind power estimation using artificial neural network | |
| CN107832899A (zh) | 风电场出力的优化方法、装置和实现装置 | |
| CN110187363A (zh) | 适用于大型风电基地的测风方法、系统、设备和存储介质 | |
| CN103440405A (zh) | 基于实测数据的风电场稳态建模方法及系统 | |
| CN113030516A (zh) | 风速仪故障检测方法、装置、设备和存储介质 | |
| CN109784544A (zh) | 一种平坦地形风电场的噪声预测和优化布局方法 | |
| CN111709644B (zh) | 一种利用机组scada数据的风电场风资源计算方法 | |
| CN110110457B (zh) | 一种复杂地形风电场的噪声分布预测方法 | |
| CN113236487B (zh) | 风电场噪声控制方法、系统、设备及可读存储介质 | |
| CN118133409A (zh) | 一种考虑多尺度微气候耦合的建筑街区热舒适度调节方法 | |
| CN112561149B (zh) | 基于动力降尺度数据融合和统计模型的风电功率预测方法 | |
| CN102945326B (zh) | 一种基于二进制编码遗传算法的风机微观选址装置及方法 | |
| CN114295320B (zh) | 测风点确定方法、系统和可读存储介质 | |
| CN202599970U (zh) | 风电场风速预测装置和风电场功率预测系统 | |
| CN115719153A (zh) | 一种风资源的计算方法与装置 | |
| CN115983449A (zh) | 海上基地场群确定方法、装置、存储介质及电子设备 |
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 |