CN117217099B - 一种续建风电机的机位确定方法、装置、设备及存储介质 - Google Patents
一种续建风电机的机位确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117217099B CN117217099B CN202311477532.XA CN202311477532A CN117217099B CN 117217099 B CN117217099 B CN 117217099B CN 202311477532 A CN202311477532 A CN 202311477532A CN 117217099 B CN117217099 B CN 117217099B
- Authority
- CN
- China
- Prior art keywords
- wind
- probability
- built
- motor
- wind motor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 70
- 238000006243 chemical reaction Methods 0.000 claims abstract description 45
- 238000005315 distribution function Methods 0.000 claims abstract description 40
- 230000007704 transition Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 230000001149 cognitive effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication 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
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本申请公开了一种续建风电机的机位确定方法、装置、设备及存储介质，涉及电数字数据处理技术领域，方法包括通过测风塔获取预设区域的实际风速；将实际风速代入双参数威布尔分布函数并求解双参数威布尔分布函数的参数，得到风速概率分布；将风速概率分布代入风电机输出功率关系式，得到风能转化率模型；获取已建设风电机的运行状态转移概率并代入风能转化率模型，得到基于已建设风电机的出力概率模型；将出力概率模型应用于待续建风电机，得到待续建风电机的出力概率；通过全局寻优算法计算最优机位位置，以使出力概率达到最大值；获取最优机位位置并标记为续建风电机的已确定机位。本申请根据出力表现来决定续建选址，确保能够达到最佳出力状态。
Description
技术领域
本申请涉及电数字数据处理技术领域，尤其涉及一种续建风电机的机位确定方法、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。风力发电主要是通过风电机（风力发电机）将风能转换为机械功，机械功带动转子旋转，最终输出交流电。
风力发电机组的出力具有随机性、间歇性和不可调度性的缺点。随着“双碳”目标的提出，风力发电比例的不断上升，将对电网的安全性、稳定性和调度造成越来越明显的影响，使得风电场的后续风电机建设需要考虑风电场的多种因素，例如已建成风电机的出力、风电场风速分布等。
目前，为了增加风电场的输出电量通常通过扩大风电场的发电规模实现，一般会在已建成的风电场内或者附近续建额外的风电机，并将额外续建的风电机根据调度策略进行并网或下网，以达到增加输出电量的目的。对于续建风电机的机位选址，通常基于风电机的噪声影响、最小间隔距离进行人工选址，以保证风电机的持续运行不会干扰生活区、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，且风电机的选址未考虑已建成的电风机的出力、风电场的风速分布，使得续建的风电机出力达不到预期。
发明内容
本申请的主要目的在于提供一种续建风电机的机位确定方法、装置、设备及存储介质，以解决现有技术续建的风电机出力达不到预期的问题。
为了实现上述目的，本申请提供了如下技术方案：
一种续建风电机的机位确定方法，所述机位确定方法应用于位于预设区域的风电场，所述风电场包括架设于所述预设区域内的至少一个已建设风电机、至少一个测风塔，以及至少一个待续建风电机，所述续建风电机的机位确定方法包括：
通过所述测风塔获取所述预设区域的实际风速；
将所述实际风速代入双参数威布尔分布函数并求解所述双参数威布尔分布函数的参数，得到风速概率分布；
将所述风速概率分布代入风电机输出功率关系式，得到风能转化率模型；
获取所述已建设风电机的运行状态转移概率并代入所述风能转化率模型，得到基于所述已建设风电机的出力概率模型；
将所述出力概率模型应用于所述待续建风电机，得到所述待续建风电机的出力概率；
通过全局寻优算法计算最优机位位置，以使所述出力概率达到最大值；
获取所述最优机位位置并标记为所述续建风电机的已确定机位。
作为本申请的进一步改进，将所述实际风速代入双参数威布尔分布函数并求解所述双参数威布尔分布函数的参数，得到风速概率分布，包括：
根据两参数威布尔分布定义概率分布函数（1）：
（1）；
其中，为所述概率分布函数，所述概率分布函数的值位于区间/>；/>为威布尔分布的尺度参数；/>为威布尔分布的形状参数；/>为所述实际风速；
根据两参数威布尔分布定义概率密度函数（2）：
（2）；
其中，为所述概率密度函数；
定义所述尺度参数与所述形状参数的对数似然函数（3）：
（3）；
其中，为所述对数似然函数；
基于所述对数似然函数求解所述尺度参数以及所述形状参数；
将求解后的尺度参数以及求解后的形状参数代入概率分布函数（1），得到所述风速概率分布。
作为本申请的进一步改进，将所述风速概率分布代入风电机输出功率关系式，得到风能转化率模型，包括：
根据式（4）定义所述风电机输出功率关系式：
（4）；
其中，为基于所述实际风速的风电机输出功率；/>为所述已建设风电机基于额定风速/>的额定功率；/>为基于所述已建设风电机的切入风速；/>为基于所述已建设风电机的切出风速；
将式（1）代入式（4）得到所述风能转化率模型（5）：
（5）；
其中，为所述风能转化率模型。
作为本申请的进一步改进，获取所述已建设风电机的运行状态转移概率并代入所述风能转化率模型，得到基于所述已建设风电机的出力概率模型，包括：
获取所述已建设风电机基于预设历史时长的每个运行状态的历史持续时长；
通过神经网络模型训练每个运行状态的历史持续时长，得到预测模型；
通过所述预测模型预测所述已建设风电机的每个运行状态的未来持续时长；
求和所有未来持续时长得到总持续时长；
分别获取每个未来持续时长与所述总持续时长的比值，并定义为一个稳态概率；
根据马尔科夫过程定义所述已建设风电机的运行状态转移矩阵（6）：
（6）；
其中，角标1为所述已建设风电机的正常运行状态，角标2为所述已建设风电机的降额运行状态，角标3为所述已建设风电机的停机状态；为所述已建设风电机正常运行状态1到停机状态3的未来持续时长所对应的稳态概率；/>为所述已建设风电机的正常运行概率，/>为所述已建设风电机的降额运行概率，/>为所述已建设风电机的停机概率；
求解所述运行状态转移矩阵（6）得到所述正常运行概率、所述降额运行概率、所述停机概率；
将所述正常运行概率、所述降额运行概率、所述停机概率赋予式（5），得到所述出力概率模型（7）：
（7）；
其中，为所述出力概率模型；/>为降额比例。
作为本申请的进一步改进，将所述出力概率模型应用于所述待续建风电机，得到所述待续建风电机的出力概率，包括：
定义所述待续建风电机具有预设投产概率，将所述预设投产概率代入式（7），得到所述出力概率（8）：
（8）；
其中，为所述出力概率；/>为预设投产概率；/>为蒙特卡洛方法的随机数。
作为本申请的进一步改进，通过全局寻优算法计算最优机位位置，以使所述出力概率达到最大值，包括：
根据式（9）分别对每个待续建风电机的最优机位位置赋予至少两个随机解，定义所有随机解的结果为所述出力概率达到最大值；
（9）；
其中，为第/>个待续建风电机的所有随机解的集合；/>为第/>个待续建风电机的所有随机解；/>为所有随机解的个数；/>为所述待续建风电机的个数；/>为第/>个待续建风电机的所有随机解的速度的集合；/>为第/>个待续建风电机所对应的所有随机解的速度；
基于同一个随机解根据式（10）更新每个随机解的位置和速度：
（10）；
其中，为第/>个待续建风电机的第/>个随机解在第/>步的速度，/>为第个待续建风电机的第/>个随机解在第/>步的速度惯性，/>为所述速度惯性的惯性系数，/>为第/>个待续建风电机的第/>个随机解的自我认知表征，为第/>个待续建风电机的第/>个随机解的社会认知表征；/>与/>均为学习因子，/>为随机函数，/>为第/>个待续建风电机的第/>个随机解已获得的个体最优解，/>为第/>个待续建风电机的第/>个随机解已获得的全局最优解；
根据式（10）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，则判定所述出力概率达到最大值。
作为本申请的进一步改进，根据式（10）迭代预设次数，以更新每个以及每个/>，包括：
基于每次迭代根据式（11）线性递减惯性权重一次所述惯性系数：
（11）；
其中，为第/>个待续建风电机的第/>个随机解在第/>步优化后的惯性系数，为初始惯性系数，/>为第/>个待续建风电机的第/>个随机解在第/>步的惯性系数，/>为当前迭代次数，/>为最大迭代次数。
为了实现上述目的，本申请还提供了如下技术方案：
一种续建风电机的机位确定装置，所述续建风电机的机位确定装置应用于如上述的续建风电机的机位确定方法，所述续建风电机的机位确定装置包括：
实际风速获取模块，用于通过所述测风塔获取所述预设区域的实际风速；
风速概率分布获取模块，用于将所述实际风速代入双参数威布尔分布函数并求解所述双参数威布尔分布函数的参数，得到风速概率分布；
风能转化率模型获取模块，用于将所述风速概率分布代入风电机输出功率关系式，得到风能转化率模型；
出力概率模型获取模块，用于获取所述已建设风电机的运行状态转移概率并代入所述风能转化率模型，得到基于所述已建设风电机的出力概率模型；
出力概率获取模块，用于将所述出力概率模型应用于所述待续建风电机，得到所述待续建风电机的出力概率；
最优机位位置获取模块，用于通过全局寻优算法计算最优机位位置，以使所述出力概率达到最大值；
已确定机位标记模块，用于获取所述最优机位位置并标记为所述续建风电机的已确定机位。
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续建风电机的机位确定方法。
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续建风电机的机位确定方法。
本申请通过测风塔获取预设区域的实际风速；将实际风速代入双参数威布尔分布函数并求解双参数威布尔分布函数的参数，得到风速概率分布；将风速概率分布代入风电机输出功率关系式，得到风能转化率模型；获取已建设风电机的运行状态转移概率并代入风能转化率模型，得到基于已建设风电机的出力概率模型；将出力概率模型应用于待续建风电机，得到待续建风电机的出力概率；通过全局寻优算法计算最优机位位置，以使出力概率达到最大值；获取最优机位位置并标记为续建风电机的已确定机位。本申请通过获取风电场区域的风速分布，以及该区域已经建成的风电机的出力表现，根据出力表现来决定需要续建的风电机的选址，以确保需要续建的风电机在建成后能够达到最佳出力状态，防止续建的风电机在建成后的出力表现没有达到预期，使得风电场的输出电量规模达不到预期，且本申请为了能够准确寻找到续建的风电机的选址，通过全局寻优算法来确定具体的选址位置。
附图说明
图1为本申请续建风电机的机位确定方法一个实施例的步骤流程示意图；
图2为本申请续建风电机的机位确定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，本实施例提供了续建风电机的机位确定方法的一个实施例，在本实施例中，该机位确定方法应用于位于预设区域的风电场，风电场包括架设于预设区域内的至少一个已建设风电机、至少一个测风塔，以及至少一个待续建风电机。
优选地，本实施例为了方便说明，已建设风电机、测风塔、待续建风电机均采用一个，在实际使用过程中，通常会分别存在多个风电机、多个测风塔、多个待续建风电机，可将多个测风塔所测量到的实际风速汇总为一个总的数据集，并在每个数据上添加具有测风塔编号的角标即可，即可以一个测风塔为基准计算一次，也可所有测风塔的数据进行汇总并计算一次，目的在于获取该预设区域的风速概率分布即可；对于多个风电机，可分别计算每个风电机的出力概率即可，待续建风电机同理。
具体地，续建风电机的机位确定方法包括如下步骤：
步骤S1，通过测风塔获取预设区域的实际风速。
步骤S2，将实际风速代入双参数威布尔分布函数并求解双参数威布尔分布函数的参数，得到风速概率分布。
步骤S3，将风速概率分布代入风电机输出功率关系式，得到风能转化率模型。
步骤S4，获取已建设风电机的运行状态转移概率并代入风能转化率模型，得到基于已建设风电机的出力概率模型。
步骤S5，将出力概率模型应用于待续建风电机，得到待续建风电机的出力概率。
步骤S6，通过全局寻优算法计算最优机位位置，以使出力概率达到最大值。
步骤S7，获取最优机位位置并标记为续建风电机的已确定机位。
进一步地，步骤S2具体包括如下步骤：
步骤S21，根据两参数威布尔分布定义概率分布函数（1）：
（1）。
其中，为概率分布函数，概率分布函数的值位于区间/>；/>为威布尔分布的尺度参数；/>为威布尔分布的形状参数；/>为实际风速。
步骤S22，根据两参数威布尔分布定义概率密度函数（2）：
（2）。
其中，为概率密度函数。
步骤S23，定义尺度参数与形状参数的对数似然函数（3）：
（3）。
其中，为对数似然函数。
步骤S24，基于对数似然函数求解尺度参数以及形状参数。
优选地，本实施例提供一种对数似然函数的求解过程：
设：以及/>，则：
。
对上式进行修正，得到矩阵方程：
。
通过雅可比迭代法迭代上述矩阵方程，直至矩阵方程的谱半径时，则判定收敛。
收敛后可得到威布尔分布的尺度参数和形状参数。
步骤S25，将求解后的尺度参数以及求解后的形状参数代入概率分布函数（1），得到风速概率分布。
进一步地，步骤S3具体包括如下步骤：
步骤S31，根据式（4）定义风电机输出功率关系式：
（4）。
其中，为基于实际风速的风电机输出功率；/>为已建设风电机基于额定风速/>的额定功率；/>为基于已建设风电机的切入风速；/>为基于已建设风电机的切出风速。
步骤S32，将式（1）代入式（4）得到风能转化率模型（5）：
（5）。
其中，为风能转化率模型。
进一步地，步骤S4具体包括如下步骤：
步骤S41，获取已建设风电机基于预设历史时长的每个运行状态的历史持续时长。
步骤S42，通过神经网络模型训练每个运行状态的历史持续时长，得到预测模型。
优选地，神经网络模型可采用一层隐含层，具体通过下式①表征：
①。
其中，即为神经网络模型；/>为输入层的第/>个输入节点，输入节点的个数与基于同一个运行状态的历史持续时长的样本数相同；/>为输入层的第/>个输入节点到隐含层的第/>个输入节点的权重；/>为连接于隐含层的第/>个输入节点的偏置；为激活函数，且/>。
需要说明的是，为防止符号含义混淆，本实施例的优选公式①以及后续的优选公式②的符号含义不与正文中公式的符号含义互通。
优选地，本实施例的优选公式①中符号角标的括号内的数字为层数，例如中的上角标（2）为第二层，即隐含层，/>的上角标（1，2）为第一层到第二层，即输入层到隐含层。
优选地，可将所有历史持续时长按照70%：15%：15%的比例划分为训练集、验证集、样本集，即70%的数据为训练集、15%的数据为验证集、15%的数据为样本集。
优选地，本实施例的训练目的在于通过对该预设区域以自然年、自然月为时间节点，通过对每个运行状态的历史持续时长进行训练，以能够总结、预测该每个运行状态的未来持续时长。
优选地，将训练集输出至输入层进行一定次数的训练，并基于每一次训练分别获取一次验证集与当前次的训练结果的均方根误差，并获取所有均方根误差中的最小值，并获取与该最小值对应的训练结果作为后续使用的预测模型。
优选地，均方根误差通过下式②表征：
②。
其中，为均方根误差，/>为输入节点的个数，/>为第/>个测风塔的风速数据的真实值，/>为第/>个测风塔的风速数据训练完成后的训练结果。
步骤S43，通过预测模型预测已建设风电机的每个运行状态的未来持续时长。
步骤S44，求和所有未来持续时长得到总持续时长。
步骤S45，分别获取每个未来持续时长与总持续时长的比值，并定义为一个稳态概率。
步骤S46，根据马尔科夫过程定义已建设风电机的运行状态转移矩阵（6）：
（6）。
其中，角标1为已建设风电机的正常运行状态，角标2为已建设风电机的降额运行状态，角标3为已建设风电机的停机状态；为已建设风电机正常运行状态1到停机状态3的未来持续时长所对应的稳态概率；/>为已建设风电机的正常运行概率，/>为已建设风电机的降额运行概率，/>为已建设风电机的停机概率。
优选地，马尔可夫链是概率论和数理统计中具有马尔可夫性质且存在于离散的指数集和状态空间内的随机过程。适用于连续指数集的马尔可夫链被称为马尔可夫过程，但有时也被视为马尔可夫链的子集，即连续时间马尔可夫链，与离散时间马尔可夫链相对应，因此马尔可夫链是一个较为宽泛的概念。马尔可夫链可通过转移矩阵和转移图定义，除马尔可夫性外，马尔可夫链可能具有不可约性、常返性、周期性和遍历性。一个不可约和正常返的马尔可夫链是严格平稳的马尔可夫链，拥有唯一的平稳分布。遍历马尔可夫链的极限分布收敛于其平稳分布。马尔可夫链可被应用于蒙特卡罗方法中，形成马尔可夫链蒙特卡罗。
优选地，例如预测出当前的已建设风电机在未来24小时内每个运行状态的持续时长，得到了该已建设风电机处于正常运行状态的持续时长为12小时、处于降额运行状态的持续时长为8小时、处于停机状态的持续时长为4小时。则步骤S45中每个未来持续时长与总持续时长的比值为，即正常运行状态：降额运行状态：停机状态的持续时长比值为，即定义为正常运行状态的稳态概率为/>，降额运行状态的稳态概率为/>，停机状态的的稳态概率为/>。
需要说明的是，上述数据仅用于举例说明，在实际应用过程中还需要考虑已建设风电机正常运行状态1到停机状态3的未来持续时长所对应的稳态概率、降额运行状态2到停机状态3的未来持续时长所对应的稳态概率/>、停机状态3到正常运行状态1的未来持续时长所对应的稳态概率/>等上述的稳态概率，经过实测发现上述的稳态概率由于运行状态的转移方向不同而导致稳态概率不同，上述的稳态概率/>、/>、/>等可以理解为运行状态转移的概率，即上述比值/>、/>、/>等的转移概率。
步骤S47，求解运行状态转移矩阵（6）得到正常运行概率、降额运行概率、停机概率。
步骤S48，将正常运行概率、降额运行概率、停机概率赋予式（5），得到出力概率模型（7）：
（7）。
其中，为出力概率模型；/>为降额比例。
优选地，降额比例可根据实际测量直接获得，也可根据调度策略直接获得。
进一步地，步骤S5具体包括如下步骤：
步骤S51，定义待续建风电机具有预设投产概率，将预设投产概率代入式（7），得到出力概率（8）：
（8）。
其中，为出力概率；/>为预设投产概率；/>为蒙特卡洛方法的随机数。
优选地，预设投产概率可以理解为所有续建的风电机根据调度策略不一定需要全部开机，该预设投产概率可根据调度策略直接获得。
优选地，蒙特卡罗方法又称统计模拟法、随机抽样技术，是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，是使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。该随机数为区间内均匀分布的随机数。
进一步地，步骤S6具体包括如下步骤：
步骤S61，根据式（9）分别对每个待续建风电机的最优机位位置赋予至少两个随机解，定义所有随机解的结果为出力概率达到最大值。
（9）。
其中，为第/>个待续建风电机的所有随机解的集合；/>为第/>个待续建风电机的所有随机解；/>为所有随机解的个数；/>为待续建风电机的个数；/>为第/>个待续建风电机的所有随机解的速度的集合；/>为第/>个待续建风电机所对应的所有随机解的速度。
步骤S62，基于同一个随机解根据式（10）更新每个随机解的位置和速度：
（10）。
其中，为第/>个待续建风电机的第/>个随机解在第/>步的速度，/>为第个待续建风电机的第/>个随机解在第/>步的速度惯性，/>为速度惯性的惯性系数，为第/>个待续建风电机的第/>个随机解的自我认知表征，为第/>个待续建风电机的第/>个随机解的社会认知表征；/>与/>均为学习因子，/>为随机函数，/>为第/>个待续建风电机的第/>个随机解已获得的个体最优解，/>为第/>个待续建风电机的第/>个随机解已获得的全局最优解。
优选地，为预设取值范围为/>，/>的取值范围为/>，优选/>；的取值范围为/>，优选/>。
步骤S63，根据式（10）迭代预设次数，以更新每个以及每个/>。
步骤S64，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均小于等于第一预设适应阈值，则执行步骤S65。
步骤S65，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均小于等于第二预设适应阈值，则执行步骤S66。
步骤S66，判定出力概率达到最大值。
进一步地，步骤S63具体包括如下步骤：
步骤S631，基于每次迭代根据式（11）线性递减惯性权重一次惯性系数：
（11）。
其中，为第/>个待续建风电机的第/>个随机解在第/>步优化后的惯性系数，为初始惯性系数，/>为第/>个待续建风电机的第/>个随机解在第/>步的惯性系数，/>为当前迭代次数，/>为最大迭代次数。/>
优选地，在迭代的过程中，每次计算出来最佳适应度后，都计算该适应度和上一次迭代时最佳适应度的变化量(取绝对值)；判断这个变化量和“函数变化量容忍度”的相对大小，如果前者小，则计数器加1；否则计数器清0；不断重复这个过程。若此时还未超过最大迭代次数，而计数器的值超过了最大计数值，跳出迭代循环，搜索结束；若此时已经达到了最大迭代次数，那么直接跳出循环，搜索结束。
本实施例通过测风塔获取预设区域的实际风速；将实际风速代入双参数威布尔分布函数并求解双参数威布尔分布函数的参数，得到风速概率分布；将风速概率分布代入风电机输出功率关系式，得到风能转化率模型；获取已建设风电机的运行状态转移概率并代入风能转化率模型，得到基于已建设风电机的出力概率模型；将出力概率模型应用于待续建风电机，得到待续建风电机的出力概率；通过全局寻优算法计算最优机位位置，以使出力概率达到最大值；获取最优机位位置并标记为续建风电机的已确定机位。本实施例通过获取风电场区域的风速分布，以及该区域已经建成的风电机的出力表现，根据出力表现来决定需要续建的风电机的选址，以确保需要续建的风电机在建成后能够达到最佳出力状态，防止续建的风电机在建成后的出力表现没有达到预期，使得风电场的输出电量规模达不到预期，且本实施例为了能够准确寻找到续建的风电机的选址，通过全局寻优算法来确定具体的选址位置。
如图2所示，本实施例提供了续建风电机的机位确定装置的一个实施例，在本实施例中，该续建风电机的机位确定装置应用于如上述实施例中的续建风电机的机位确定方法，该装置包括依次电性连接的实际风速获取模块1、风速概率分布获取模块2、风能转化率模型获取模块3、出力概率模型获取模块4、出力概率获取模块5、最优机位位置获取模块6、已确定机位标记模块7。
其中，实际风速获取模块1用于通过测风塔获取预设区域的实际风速；风速概率分布获取模块2用于将实际风速代入双参数威布尔分布函数并求解双参数威布尔分布函数的参数，得到风速概率分布；风能转化率模型获取模块3用于将风速概率分布代入风电机输出功率关系式，得到风能转化率模型；出力概率模型获取模块4用于获取已建设风电机的运行状态转移概率并代入风能转化率模型，得到基于已建设风电机的出力概率模型；出力概率获取模块5用于将出力概率模型应用于待续建风电机，得到待续建风电机的出力概率；最优机位位置获取模块6用于通过全局寻优算法计算最优机位位置，以使出力概率达到最大值；已确定机位标记模块7用于获取最优机位位置并标记为续建风电机的已确定机位。
进一步地，风速概率分布获取模块包括依次电性连接的第一风速概率分布获取子模块、第二风速概率分布获取子模块、第三风速概率分布获取子模块、第四风速概率分布获取子模块、第五风速概率分布获取子模块；第一风速概率分布获取子模块与实际风速获取模块电性连接，已确定机位标记模块与风能转化率模型获取模块电性连接。
其中，第一风速概率分布获取子模块用于根据两参数威布尔分布定义概率分布函数（1）：
（1）。/>
其中，为概率分布函数，概率分布函数的值位于区间/>；/>为威布尔分布的尺度参数；/>为威布尔分布的形状参数；/>为实际风速。
第二风速概率分布获取子模块用于根据两参数威布尔分布定义概率密度函数（2）：
（2）。
其中，为概率密度函数。
第三风速概率分布获取子模块用于定义尺度参数与形状参数的对数似然函数（3）：
（3）。
其中，为对数似然函数。
第四风速概率分布获取子模块用于基于对数似然函数求解尺度参数以及形状参数。
第五风速概率分布获取子模块用于将求解后的尺度参数以及求解后的形状参数代入概率分布函数（1），得到风速概率分布。
进一步地，风能转化率模型获取模块具有用于包括依次电性连接的第一风能转化率模型获取子模块和第二风能转化率模型获取子模块；第一风能转化率模型获取子模块与第五风速概率分布获取子模块电性连接，第二风能转化率模型获取子模块与出力概率模型获取模块电性连接。
其中，第一风能转化率模型获取子模块用于根据式（4）定义风电机输出功率关系式：
（4）。
其中，为基于实际风速的风电机输出功率；/>为已建设风电机基于额定风速/>的额定功率；/>为基于已建设风电机的切入风速；/>为基于已建设风电机的切出风速。
第二风能转化率模型获取子模块用于将式（1）代入式（4）得到风能转化率模型（5）：
（5）。
其中，为风能转化率模型。
进一步地，出力概率模型获取模块包括依次电性连接的第一出力概率模型获取子模块、第二出力概率模型获取子模块、第三出力概率模型获取子模块、第四出力概率模型获取子模块、第五出力概率模型获取子模块、第六出力概率模型获取子模块、第七出力概率模型获取子模块、第八出力概率模型获取子模块；第一出力概率模型获取子模块与第二风能转化率模型获取子模块电性连接，第八出力概率模型获取子模块与出力概率获取模块电性连接。
其中，第一出力概率模型获取子模块用于获取已建设风电机基于预设历史时长的每个运行状态的历史持续时长。
第二出力概率模型获取子模块用于通过神经网络模型训练每个运行状态的历史持续时长，得到预测模型。
第三出力概率模型获取子模块用于通过预测模型预测已建设风电机的每个运行状态的未来持续时长。
第四出力概率模型获取子模块用于求和所有未来持续时长得到总持续时长。
第五出力概率模型获取子模块用于分别获取每个未来持续时长与总持续时长的比值，并定义为一个稳态概率。
第六出力概率模型获取子模块用于根据马尔科夫过程定义已建设风电机的运行状态转移矩阵（6）：
（6）。
其中，角标1为已建设风电机的正常运行状态，角标2为已建设风电机的降额运行状态，角标3为已建设风电机的停机状态；为已建设风电机正常运行状态1到停机状态3的未来持续时长所对应的稳态概率；/>为已建设风电机的正常运行概率，/>为已建设风电机的降额运行概率，/>为已建设风电机的停机概率。
第七出力概率模型获取子模块用于求解运行状态转移矩阵（6）得到正常运行概率、降额运行概率、停机概率。
第八出力概率模型获取子模块用于将正常运行概率、降额运行概率、停机概率赋予式（5），得到出力概率模型（7）：
（7）。
其中，为出力概率模型；/>为降额比例。
进一步地，出力概率获取模块具体用于定义待续建风电机具有预设投产概率，将预设投产概率代入式（7），得到出力概率（8）：
（8）。
其中，为出力概率；/>为预设投产概率；/>为蒙特卡洛方法的随机数。
进一步地，最优机位位置获取模块包括依次电性连接的第一最优机位位置获取子模块、第二最优机位位置获取子模块、第三最优机位位置获取子模块、第四最优机位位置获取子模块、第五最优机位位置获取子模块、第六最优机位位置获取子模块；第一最优机位位置获取子模块与出力概率获取模块电性连接，第六最优机位位置获取子模块与已确定机位标记模块电性连接。
其中，第一最优机位位置获取子模块用于根据式（9）分别对每个待续建风电机的最优机位位置赋予至少两个随机解，定义所有随机解的结果为出力概率达到最大值。
（9）。
其中，为第/>个待续建风电机的所有随机解的集合；/>为第/>个待续建风电机的所有随机解；/>为所有随机解的个数；/>为待续建风电机的个数；/>为第/>个待续建风电机的所有随机解的速度的集合；/>为第/>个待续建风电机所对应的所有随机解的速度。
第二最优机位位置获取子模块用于基于同一个随机解根据式（10）更新每个随机解的位置和速度：
（10）。
其中，为第/>个待续建风电机的第/>个随机解在第/>步的速度，/>为第个待续建风电机的第/>个随机解在第/>步的速度惯性，/>为速度惯性的惯性系数，/>为第/>个待续建风电机的第/>个随机解的自我认知表征，为第/>个待续建风电机的第/>个随机解的社会认知表征；/>与/>均为学习因子，/>为随机函数，/>为第/>个待续建风电机的第/>个随机解已获得的个体最优解，/>为第/>个待续建风电机的第/>个随机解已获得的全局最优解。
第三最优机位位置获取子模块用于根据式（10）迭代预设次数，以更新每个以及每个/>。
第四最优机位位置获取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。
第五最优机位位置获取子模块用于若每个相比于上一次迭代的第一差值均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。
第六最优机位位置获取子模块用于若每个相比于上一次迭代的第二差值均小于等于第二预设适应阈值，则判定出力概率达到最大值。
进一步地，第三最优机位位置获取子模块具体用于基于每次迭代根据式（11）线性递减惯性权重一次惯性系数：
（11）。
其中，为第/>个待续建风电机的第/>个随机解在第/>步优化后的惯性系数，为初始惯性系数，/>为第/>个待续建风电机的第/>个随机解在第/>步的惯性系数，/>为当前迭代次数，/>为最大迭代次数。
需要说明的是，本实施例是基于上述方法实施例的装置实施例，本实施例的优选、拓展、限定、举例说明等额外内容参见上述方法实施例即可，本实例不再赘述。
本实施例通过测风塔获取预设区域的实际风速；将实际风速代入双参数威布尔分布函数并求解双参数威布尔分布函数的参数，得到风速概率分布；将风速概率分布代入风电机输出功率关系式，得到风能转化率模型；获取已建设风电机的运行状态转移概率并代入风能转化率模型，得到基于已建设风电机的出力概率模型；将出力概率模型应用于待续建风电机，得到待续建风电机的出力概率；通过全局寻优算法计算最优机位位置，以使出力概率达到最大值；获取最优机位位置并标记为续建风电机的已确定机位。本实施例通过获取风电场区域的风速分布，以及该区域已经建成的风电机的出力表现，根据出力表现来决定需要续建的风电机的选址，以确保需要续建的风电机在建成后能够达到最佳出力状态，防止续建的风电机在建成后的出力表现没有达到预期，使得风电场的输出电量规模达不到预期，且本实施例为了能够准确寻找到续建的风电机的选址，通过全局寻优算法来确定具体的选址位置。
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8包括处理器81及和处理器81耦接的存储器82。
存储器82存储有用于实现上述任一实施例的续建风电机的机位确定方法的程序指令。
处理器81用于执行存储器82存储的程序指令以进行续建风电机的机位确定。
其中，处理器81还可以称为CPU（Central Processing Unit，中央处理单元）。处理器81可能是一种集成电路芯片，具有数据的处理能力。处理器81还可以是通用处理器、数字数据处理器(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9存储有能够实现上述所有方法的程序指令91，其中，该程序指令91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，任何对本申请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 (9)
1.一种续建风电机的机位确定方法，所述机位确定方法应用于位于预设区域的风电场，所述风电场包括架设于所述预设区域内的至少一个已建设风电机、至少一个测风塔，以及至少一个待续建风电机，其特征在于，所述续建风电机的机位确定方法包括：
通过所述测风塔获取所述预设区域的实际风速；
将所述实际风速代入双参数威布尔分布函数并求解所述双参数威布尔分布函数的参数，得到风速概率分布；
将所述风速概率分布代入风电机输出功率关系式，得到风能转化率模型；
获取所述已建设风电机的运行状态转移概率并代入所述风能转化率模型，得到基于所述已建设风电机的出力概率模型；
将所述出力概率模型应用于所述待续建风电机，得到所述待续建风电机的出力概率；
通过全局寻优算法计算最优机位位置，以使所述出力概率达到最大值；
获取所述最优机位位置并标记为所述续建风电机的已确定机位；
通过全局寻优算法计算最优机位位置，以使所述出力概率达到最大值，包括：
根据式（9）分别对每个待续建风电机的最优机位位置赋予至少两个随机解，定义所有随机解的结果为所述出力概率达到最大值；
（9）；
其中，为第/>个待续建风电机的所有随机解的集合；/>为第/>个待续建风电机的所有随机解；/>为所有随机解的个数；/>为所述待续建风电机的个数；/>为第/>个待续建风电机的所有随机解的速度的集合；/>为第/>个待续建风电机所对应的所有随机解的速度；
基于同一个随机解根据式（10）更新每个随机解的位置和速度：
（10）；
其中，为第/>个待续建风电机的第/>个随机解在第/>步的速度，/>为第/>个待续建风电机的第/>个随机解在第/>步的速度惯性，/>为所述速度惯性的惯性系数，为第/>个待续建风电机的第/>个随机解的自我认知表征，为第/>个待续建风电机的第/>个随机解的社会认知表征；/>与/>均为学习因子，/>为随机函数，/>为第/>个待续建风电机的第/>个随机解已获得的个体最优解，/>为第/>个待续建风电机的第/>个随机解已获得的全局最优解；
根据式（10）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，则判定所述出力概率达到最大值。
2.根据权利要求1所述的续建风电机的机位确定方法，其特征在于，将所述实际风速代入双参数威布尔分布函数并求解所述双参数威布尔分布函数的参数，得到风速概率分布，包括：
根据两参数威布尔分布定义概率分布函数（1）：
（1）；
其中，为所述概率分布函数，所述概率分布函数的值位于区间/>；/>为威布尔分布的尺度参数；/>为威布尔分布的形状参数；/>为所述实际风速；
根据两参数威布尔分布定义概率密度函数（2）：
（2）；
其中，为所述概率密度函数；
定义所述尺度参数与所述形状参数的对数似然函数（3）：
（3）；
其中，为所述对数似然函数；
基于所述对数似然函数求解所述尺度参数以及所述形状参数；
将求解后的尺度参数以及求解后的形状参数代入概率分布函数（1），得到所述风速概率分布。
3.根据权利要求2所述的续建风电机的机位确定方法，其特征在于，将所述风速概率分布代入风电机输出功率关系式，得到风能转化率模型，包括：
根据式（4）定义所述风电机输出功率关系式：
（4）；
其中，为基于所述实际风速的风电机输出功率；/>为所述已建设风电机基于额定风速/>的额定功率；/>为基于所述已建设风电机的切入风速；/>为基于所述已建设风电机的切出风速；
将式（1）代入式（4）得到所述风能转化率模型（5）：
（5）；
其中，为所述风能转化率模型。
4.根据权利要求3所述的续建风电机的机位确定方法，其特征在于，获取所述已建设风电机的运行状态转移概率并代入所述风能转化率模型，得到基于所述已建设风电机的出力概率模型，包括：
获取所述已建设风电机基于预设历史时长的每个运行状态的历史持续时长；
通过神经网络模型训练每个运行状态的历史持续时长，得到预测模型；
通过所述预测模型预测所述已建设风电机的每个运行状态的未来持续时长；
求和所有未来持续时长得到总持续时长；
分别获取每个未来持续时长与所述总持续时长的比值，并定义为一个稳态概率；
根据马尔科夫过程定义所述已建设风电机的运行状态转移矩阵（6）：
（6）；
其中，角标1为所述已建设风电机的正常运行状态，角标2为所述已建设风电机的降额运行状态，角标3为所述已建设风电机的停机状态；为所述已建设风电机正常运行状态1到停机状态3的未来持续时长所对应的稳态概率；/>为所述已建设风电机的正常运行概率，/>为所述已建设风电机的降额运行概率，/>为所述已建设风电机的停机概率；
求解所述运行状态转移矩阵（6）得到所述正常运行概率、所述降额运行概率、所述停机概率；
将所述正常运行概率、所述降额运行概率、所述停机概率赋予式（5），得到所述出力概率模型（7）：
（7）；
其中，为所述出力概率模型；/>为降额比例。
5.根据权利要求4所述的续建风电机的机位确定方法，其特征在于，将所述出力概率模型应用于所述待续建风电机，得到所述待续建风电机的出力概率，包括：
定义所述待续建风电机具有预设投产概率，将所述预设投产概率代入式（7），得到所述出力概率（8）：
（8）；
其中，为所述出力概率；/>为预设投产概率；/>为蒙特卡洛方法的随机数。
6.根据权利要求1所述的续建风电机的机位确定方法，其特征在于，根据式（10）迭代预设次数，以更新每个以及每个/>，包括：
基于每次迭代根据式（11）线性递减惯性权重一次所述惯性系数：
（11）；
其中，为第/>个待续建风电机的第/>个随机解在第/>步优化后的惯性系数，/>为初始惯性系数，/>为第/>个待续建风电机的第/>个随机解在第/>步的惯性系数，/>为当前迭代次数，/>为最大迭代次数。
7.一种续建风电机的机位确定装置，所述续建风电机的机位确定装置应用于如权利要求1至6之一所述的续建风电机的机位确定方法，其特征在于，所述续建风电机的机位确定装置包括：
实际风速获取模块，用于通过所述测风塔获取所述预设区域的实际风速；
风速概率分布获取模块，用于将所述实际风速代入双参数威布尔分布函数并求解所述双参数威布尔分布函数的参数，得到风速概率分布；
风能转化率模型获取模块，用于将所述风速概率分布代入风电机输出功率关系式，得到风能转化率模型；
出力概率模型获取模块，用于获取所述已建设风电机的运行状态转移概率并代入所述风能转化率模型，得到基于所述已建设风电机的出力概率模型；
出力概率获取模块，用于将所述出力概率模型应用于所述待续建风电机，得到所述待续建风电机的出力概率；
最优机位位置获取模块，用于通过全局寻优算法计算最优机位位置，以使所述出力概率达到最大值；
已确定机位标记模块，用于获取所述最优机位位置并标记为所述续建风电机的已确定机位。
8.一种电子设备，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6中任一项所述的续建风电机的机位确定方法。
9.一种存储介质，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6中任一项所述的续建风电机的机位确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477532.XA CN117217099B (zh) | 2023-11-08 | 2023-11-08 | 一种续建风电机的机位确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477532.XA CN117217099B (zh) | 2023-11-08 | 2023-11-08 | 一种续建风电机的机位确定方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117217099A CN117217099A (zh) | 2023-12-12 |
| CN117217099B true CN117217099B (zh) | 2024-03-26 |
Family
ID=89044776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311477532.XA Active CN117217099B (zh) | 2023-11-08 | 2023-11-08 | 一种续建风电机的机位确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217099B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108847663A (zh) * | 2018-06-15 | 2018-11-20 | 南京理工大学 | 一种基于随机最优潮流的风电穿透功率极限分析方法 |
| CN112730877A (zh) * | 2020-12-18 | 2021-04-30 | 云南滇能智慧能源有限公司 | 一种风电机组偏航频繁检测预警算法 |
| WO2022022101A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网甘肃省电力公司电力科学研究院 | 一种送端电网故障状态下紧急源网协调调峰控制方法 |
| WO2022151890A1 (zh) * | 2021-01-13 | 2022-07-21 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
| 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 |
| CN117010284A (zh) * | 2023-10-07 | 2023-11-07 | 云南电投绿能科技有限公司 | 基于风电场噪声的机位排布方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393054B (zh) * | 2021-07-05 | 2023-11-24 | 华北电力大学 | 一种风储联合系统的优化调度方法及优化调度系统 |
-
2023
- 2023-11-08 CN CN202311477532.XA patent/CN117217099B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108847663A (zh) * | 2018-06-15 | 2018-11-20 | 南京理工大学 | 一种基于随机最优潮流的风电穿透功率极限分析方法 |
| WO2022022101A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网甘肃省电力公司电力科学研究院 | 一种送端电网故障状态下紧急源网协调调峰控制方法 |
| CN112730877A (zh) * | 2020-12-18 | 2021-04-30 | 云南滇能智慧能源有限公司 | 一种风电机组偏航频繁检测预警算法 |
| WO2022151890A1 (zh) * | 2021-01-13 | 2022-07-21 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
| 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 |
| CN117010284A (zh) * | 2023-10-07 | 2023-11-07 | 云南电投绿能科技有限公司 | 基于风电场噪声的机位排布方法、装置、设备及存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| 基于APSO-GSA和相关向量机的短期风电功率预测;田壁源 等;电力系统保护与控制(02);1-7 * |
| 基于多场景和考虑状态转移过程的风电场出力概率性评估;卫永鹏 等;电气自动化;第45卷(第4期);1-3 * |
| 基于数据驱动的多风电机组协同控制方法;焦小敏 等;电源学报(02);1-6 * |
| 希尼尔水库的风能资源特性;王芸 等;水电与新能源(01);1-6 * |
| 智慧风电体系架构研究;吴智泉 等;分布式能源(第4期);1-8 * |
| 海上风电机群维修排程在线多目标决策模型;郭慧东 等;中国电机工程学报;20170405;第37卷(第7期);1-9 * |
| 风电机组本地风向波动特性研究及偏航系统优化;陈思;中国优秀硕士学位论文全文库工程科技Ⅱ辑(第1期);1-58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117217099A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Estimation methods review and analysis of offshore extreme wind speeds and wind energy resources | |
| Gupta | A review on the inclusion of wind generation in power system studies | |
| CN103208798B (zh) | 一种含风电场电力系统概率潮流的计算方法 | |
| CN104376378B (zh) | 基于混合整数锥优化的含分布式电源配电网无功优化方法 | |
| CN102055188B (zh) | 基于时间序列法的超短期风电功率预报方法 | |
| Dong et al. | Probabilistic load flow analysis for power system containing wind farms | |
| CN104156892A (zh) | 一种有源配电网电压跌落仿真与评估方法 | |
| CN104901309B (zh) | 考虑风速相关性的电力系统静态安全评估方法 | |
| CN109063276A (zh) | 适用于长时域风速波动的风电场动态等值建模方法 | |
| CN106684905B (zh) | 一种考虑风电预测不确定性的风电场动态等值方法 | |
| JP2017187371A (ja) | 気象予測装置及び風力発電所 | |
| Wang et al. | Dynamic equivalent modeling for wind farms with DFIGs using the artificial bee colony with K-means algorithm | |
| CN105656084A (zh) | 一种计及新能源发电预测误差的改进随机潮流算法 | |
| CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
| Wu et al. | Development of an equivalent wind farm model for frequency regulation | |
| CN113642884B (zh) | 一种电网失电情况下风电场发电量损失统计方法及系统 | |
| CN106410862B (zh) | 基于有功恢复斜率校正的风电场单机等值方法 | |
| Wang et al. | Analysis of wind farm output characteristics based on descriptive statistical analysis and envelope domain | |
| CN105046349A (zh) | 一种计及尾流效应的风电功率预测方法 | |
| CN117217099B (zh) | 一种续建风电机的机位确定方法、装置、设备及存储介质 | |
| Cao et al. | An improved integrated cumulant method by probability distribution pre-identification in power system with wind generation | |
| CN102539823A (zh) | 一种wtg风速分布的预测方法 | |
| CN112736927B (zh) | 一种基于概率盒理论的风电场不确定性潮流建模方法 | |
| Mahmoud et al. | Integrated optimal active and reactive power control scheme for grid connected permanent magnet synchronous generator wind turbines | |
| CN103091551B (zh) | 单峰非正态分布的风力发电场发电量计算方法 |
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 |