CN117808133A - 海上风电场资源配置方法、装置、计算机设备及存储介质 - Google Patents

海上风电场资源配置方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN117808133A
CN117808133A CN202311529236.XA CN202311529236A CN117808133A CN 117808133 A CN117808133 A CN 117808133A CN 202311529236 A CN202311529236 A CN 202311529236A CN 117808133 A CN117808133 A CN 117808133A
Authority
CN
China
Prior art keywords
wind
power generation
data set
wind energy
fan
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
Application number
CN202311529236.XA
Other languages
English (en)
Inventor
刘何稚
李杨
王兴宁
王波
单海超
马寅
郭宇飞
帕尔哈提·阿不都热合曼
郑江珊
黄俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges International Corp
Original Assignee
China Three Gorges International Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges International Corp filed Critical China Three Gorges International Corp
Priority to CN202311529236.XA priority Critical patent/CN117808133A/zh
Publication of CN117808133A publication Critical patent/CN117808133A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/18—Details relating to CAD techniques using virtual or augmented reality
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及资源配置技术领域，公开了一种海上风电场资源配置方法、装置、计算机设备及存储介质，本发明结合预测风能数据集和预设调整周期确定不同的调整速率，并利用确定的调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，有利于保证风机群组在移动过程中的稳定性，并能够根据不同风资源情况对风机实现具有针对性的调整机制。进一步，根据建立的基于风力发电的预测孪生模型，能够得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向，实现了风机位置和风机朝向的同时调整，进而可以实现海上风资源利用的最大化，并提高了风力发电的效率。

Description

海上风电场资源配置方法、装置、计算机设备及存储介质
技术领域
本发明涉及资源配置技术领域，具体涉及一种海上风电场资源配置方法、装置、计算机设备及存储介质。
背景技术
海上风资源是指利用海洋区域上的风能发电的能源资源，由于海洋上的风力较大且稳定，海上风能被视为一种潜力巨大的可再生能源，海上风电场通常建设在海洋表面以上的某种结构上，例如固定式平台或浮动式设备，以容纳风力发电机；海上风资源的资源配置是指在考虑海上风能资源分布和变化的基础上，合理规划和配置海上风电场的建设和布局，根据海域特点和风能分布对其布局进行优化，旨在最大程度地利用海上风能资源并提高发电效率。
在现有技术中，对于风机群组的调整往往是采用固定速率的，这可能会导致在风能较不稳定时对风机本身造成损坏，且现有技术中，往往是将风机调整至相应位置后，再对其风机朝向进行调整的，这客观上降低了风能利用的效率。
发明内容
有鉴于此，本发明提供了一种海上风电场资源配置方法、装置、计算机设备及存储介质，以解决现有技术中采用固定速率调整风机群组导致在风能较不稳定时对风机本身造成损坏、以及将风机调整至相应位置后，再对其风机朝向进行调整，降低了风能利用的效率的问题。
第一方面，本发明提供了一种海上风电场资源配置方法，该方法包括：
获取待配置海上风电场的初始实测风能数据集、初始实测风机数据集和初始预报风能数据集；基于初始实测风能数据集、初始实测风机数据集和初始预报风能数据集，构建基于风力发电的预测孪生模型，基于风力发电的预测孪生模型用于获取在预测风能数据集的条件下待配置海上风电场内不同的风机布局产生的模拟总发电量；基于预测风能数据集和预设调整周期，确定调整速率；在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，直至待配置海上风电场产生的模拟总发电量最大时得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向。
本发明提供的海上风电场资源配置方法，结合预测风能数据集和预设调整周期确定不同的调整速率，并利用确定的调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，有利于保证风机群组在移动过程中的稳定性，并能够根据不同风资源情况对风机实现具有针对性的调整机制。进一步，根据建立的基于风力发电的预测孪生模型，能够得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向，实现了风机位置和风机朝向的同时调整，进而可以实现海上风资源利用的最大化，并提高了风力发电的效率。
在一种可选的实施方式中，基于初始实测风能数据集、初始实测风机数据集和初始预报风能数据集，构建基于风力发电的预测孪生模型，包括：
基于初始实测风能数据集和初始实测风机数据集，利用数字孪生技术构建基于风力发电的数字孪生模型；将初始预报风能数据集经过预设海上风能预测模型处理，得到待配置海上风电场的预测风能数据集；基于预测风能数据集和基于风力发电的数字孪生模型，构建基于风力发电的预测孪生模型。
本发明结合实测风机数据构建基于风力发电的数字孪生模型，进一步基于该基于风力发电的数字孪生模型结合预测风能数据可以构建得到对应的基于风力发电的预测孪生模型，为后续确定待配置海上风电场内风机群组的目标布局和各个风机的目标朝向提供了支持。
在一种可选的实施方式中，基于初始实测风能数据集和初始实测风机数据集，利用数字孪生技术构建基于风力发电的数字孪生模型，包括：
获取待配置海上风电场内风力发电机组的特性数据集；分别对初始实测风能数据集和初始实测风机数据集进行处理，得到目标实测风能数据集和目标实测风机数据集；基于目标实测风机数据集和特性数据集，构建基于风力发电的物理系统模型；基于目标实测风能数据集和基于风力发电的物理系统模型，构建基于风力发电的数字孪生模型。
本发明结合待配置海上风电场内风力发电机组的特性数据集构建基于风力发电的数字孪生模型，可以提高模型的准确度，进而为提高待配置海上风电场内风机群组的目标布局和各个风机的目标朝向的确定精度提供了支持。
在一种可选的实施方式中，将初始预报风能数据集经过预设海上风能预测模型处理，得到待配置海上风电场的预测风能数据集之前，方法还包括：
获取待配置海上风电场的历史第一实测风能数据集和历史预报风能数据集；在历史第一实测风能数据集中确定与历史预报风能数据集对应的历史第二实测风能数据集；基于历史预报风能数据集和历史第二实测风能数据集，构建预设海上风能预测模型。
在一种可选的实施方式中，基于预测风能数据集和预设调整周期，确定调整速率，包括：
基于预测风能数据集和预设调整周期，确定预测风能系数；将预测风能系数和预设阈值进行比对，并根据比对结果确定调整速率。
在一种可选的实施方式中，在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，直至待配置海上风电场产生的模拟总发电量最大时得到待配置海上风电场内风机群组的目标布局和每个风机的目标朝向，包括：
在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的位置以及不同风机之间的距离进行调整，得到待配置海上风电场内风机群组的多个布局和多个第一模拟总发电量；基于多个第一模拟总发电量，在多个布局中确定待配置海上风电场内风机群组的目标布局，待配置海上风电场内风机群组在目标布局下产生的模拟总发电量在多个第一模拟总发电量中最大；基于目标布局，确定待配置海上风电场内各个风机的目标转向速率；基于目标布局和各个风机的目标转向速率，在基于风力发电的预测孪生模型中对各个风机的朝向进行调整，得到多个第二模拟总发电量和各个风机的多个第一朝向；基于多个第二模拟总发电量，在多个第一朝向中确定待配置海上风电场内各个风机的目标朝向，待配置海上风电场在各个风机的目标朝向下产生的模拟总发电量在多个第二模拟总发电量中最大。
本发明通过目标转向速率，可以在将待配置海上风电场内风机群组调整至最优布局的过程中，同时将待配置海上风电场内各个风机调整至最优朝向，能够实现风机位置和风机朝向的同时调整，提高了风力发电的效率。
在一种可选的实施方式中，基于目标布局，确定待配置海上风电场内各个风机的目标转向速率，包括：
获取待配置海上风电场内各个风机的实测位置和实测朝向；基于目标布局，在基于风力发电的预测孪生模型中对各个风机的朝向进行调整，得到多个第三模拟总发电量和各个风机的多个第二朝向；基于多个第三模拟总发电量，在多个第二朝向中确定待配置海上风电场内各个风机的第三朝向，待配置海上风电场在各个风机的第三朝向下产生的模拟总发电量在多个第三模拟总发电量中最大；基于各个风机的实测朝向和第三朝向，确定各个风机的转向角度；基于目标布局和实测位置，确定各个风机的调整时长；基于各个风机的调整时长和转向角度，确定各个风机的目标转向速率。
第二方面，本发明提供了一种海上风电场资源配置装置，该装置包括：
获取模块，用于获取待配置海上风电场的初始实测风能数据集、初始实测风机数据集和初始预报风能数据集；构建模块，用于基于初始实测风能数据集、初始实测风机数据集和初始预报风能数据集，构建基于风力发电的预测孪生模型，基于风力发电的预测孪生模型用于获取在预测风能数据集的条件下待配置海上风电场内不同的风机布局产生的模拟总发电量；确定模块，用于基于预测风能数据集和预设调整周期，确定调整速率；调整模块，用于在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，直至待配置海上风电场产生的模拟总发电量最大时得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的海上风电场资源配置方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的海上风电场资源配置方法。
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是根据本发明实施例的海上风电场资源配置方法的流程示意图；
图2是根据本发明实施例的另一海上风电场资源配置方法的流程示意图；
图3是根据本发明实施例的又一海上风电场资源配置方法的流程示意图；
图4是根据本发明实施例的海上风电场资源配置装置的结构框图；
图5是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
本发明实施例提供了一种海上风电场资源配置方法，通过不同的调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整有利于保证风机群组在移动过程中的稳定性，并能够根据不同风资源情况对风机实现具有针对性的调整机制。进一步，根据建立的基于风力发电的预测孪生模型，能够得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向，实现了风机位置和风机朝向的同时调整，进而可以实现海上风资源利用的最大化，并提高了风力发电的效率。
根据本发明实施例，提供了一种海上风电场资源配置方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种海上风电场资源配置方法，图1是根据本发明实施例的海上风电场资源配置方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取待配置海上风电场的初始实测风能数据集、初始实测风机数据集和初始预报风能数据集。
具体地，初始实测风能数据集表示当前测量得到的待配置海上风电场的风能数据，可以包括风速、风向、风速频率分布、风能密度、风能潜力和风资源分布等数据。
其中，风速和风向表示风的速度和风的方向；风速频率分布表示在不同风速范围内的风速发生的频率；风能密度表示单位面积或体积内风能的平均能量；风能潜力表示给定区域或特定位置风能的预估值；风资源分布表示特定地区或风电场内风能的空间分布。
进一步，初始实测风机数据集表示当前测量得到的待配置海上风电场的风机数据，可以包括额定功率、额定风速、切入切出风速、功率曲线和风向性能等数据。
其中，额定功率表示在标准运行条件下，风机能够持续稳定输出的功率；额定风速表示风机开始发电的最低风速阈值；切入切出风速表示风机开始转动的最低风速阈值和风机停止发电的最高风速阈值；功率曲线表示在不同风速下，风机的输出功率；风向性能表示风机在不同风向条件下的发电性能和效率。
进一步，初始预报风能数据集表示海上在不同时间段的预报风能数据，可以通过气象站的气象预报数据得到。
步骤S102，基于初始实测风能数据集、初始实测风机数据集和初始预报风能数据集，构建基于风力发电的预测孪生模型。
其中，基于风力发电的预测孪生模型可以用于获取在预测风能数据集的条件下待配置海上风电场内不同的风机布局产生的模拟总发电量。
具体地，通过获取得到的初始实测风能数据集、初始实测风机数据集和初始预报风能数据集，可以构建对应的基于风力发电的预测孪生模型。
步骤S103，基于预测风能数据集和预设调整周期，确定调整速率。
具体地，通过采用固定速率调整风机群组，但是这种调整方法可能会导致在风能较不稳定时对风机本身造成损坏。
因此，本实施例中通过预测风能数据集和预设调整周期确定对应的调整速率，进而通过不同的调整速率，可以为后续风机群组的调整提供支持。
步骤S104，在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，直至待配置海上风电场产生的模拟总发电量最大时得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向。
具体地，在预设调整周期内，结合预测风能数据集和调整速率对各个风机的布局进行调整，可以保证风机群组在移动过程中的稳定性，并能够根据不同风资源情况对风机实现具有针对性的调整机制。进一步，调整过程在构建的基于风力发电的预测孪生模型中进行，可以实现了风机位置和风机朝向的同时调整，进而可以实现海上风资源利用的最大化，并提高了风力发电的效率。
本实施例提供的海上风电场资源配置方法，结合预测风能数据集和预设调整周期确定不同的调整速率，并利用确定的调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，有利于保证风机群组在移动过程中的稳定性，并能够根据不同风资源情况对风机实现具有针对性的调整机制。进一步，根据建立的基于风力发电的预测孪生模型，能够得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向，实现了风机位置和风机朝向的同时调整，进而可以实现海上风资源利用的最大化，并提高了风力发电的效率。
在本实施例中提供了一种海上风电场资源配置方法，图2是根据本发明实施例的海上风电场资源配置方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取待配置海上风电场的初始实测风能数据集、初始实测风机数据集和初始预报风能数据集。详细请参见图1所示实施例的步骤S101，在此不再赘述。
步骤S202，基于初始实测风能数据集、初始实测风机数据集和初始预报风能数据集，构建基于风力发电的预测孪生模型。
具体地，上述步骤S202包括：
步骤S2021，基于初始实测风能数据集和初始实测风机数据集，利用数字孪生技术构建基于风力发电的数字孪生模型。
其中，数字孪生技术表示一种充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程的技术。
具体地，通过数字孪生技术将初始实测风能数据集和初始实测风机数据结合，可以构建得到反映待配置海上风电场的风机群组的仿真布局以及全生命周期过程的基于风力发电的数字孪生模型。
步骤S2022，获取待配置海上风电场的历史第一实测风能数据集和历史预报风能数据集。
具体地，历史第一实测风能数据集表示测量得到的待配置海上风电场在历史时段内的风能数据；历史预报风能数据集表示待配置海上风电场在不同历史时间段的预报风能数据，可以通过气象站的历史气象预报数据得到。
步骤S2023，在历史第一实测风能数据集中确定与历史预报风能数据集对应的历史第二实测风能数据集。
具体地，根据历史预报风能数据集在历史第一实测风能数据集中确定出与其对应的实际风能数据即历史第二实测风能数据集。
步骤S2024，基于历史预报风能数据集和历史第二实测风能数据集，构建预设海上风能预测模型。
具体地，将历史预报风能数据集作为模型的输入值，将历史第二实测风能数据集作为模型的输出值，并结合历史预报风能数据集和历史第二实测风能数据集的对应关系进行模型训练，可以构建得到用于预测风能数据的预设海上风能预测模型。
步骤S2025，将初始预报风能数据集经过预设海上风能预测模型处理，得到待配置海上风电场的预测风能数据集。
具体地，将初始预报风能数据集输入至训练好的预设海上风能预测模型，可以预测得到与初始预报风能数据集对应的风能数据，即预测风能数据集。
步骤S2026，基于预测风能数据集和基于风力发电的数字孪生模型，构建基于风力发电的预测孪生模型。
具体地，将预测风能数据集输入构建好的数字孪生模型，可以得到基于风力发电的预测孪生模型。
在一些可选的实施方式中，上述步骤S2021包括：
步骤a1，获取待配置海上风电场内风力发电机组的特性数据集。
步骤a2，分别对初始实测风能数据集和初始实测风机数据集进行处理，得到目标实测风能数据集和目标实测风机数据集。
步骤a3，基于目标实测风机数据集和特性数据集，构建基于风力发电的物理系统模型。
步骤a4，基于目标实测风能数据集和基于风力发电的物理系统模型，构建基于风力发电的数字孪生模型。
具体地，分别对初始实测风能数据集和初始实测风机数据集进行离群点处理、缺失值处理和规范化处理得到对应的可用的目标实测风能数据集和目标实测风机数据集。
其中，离群点处理用于对异常数据进行清理，可以采用绝对中位差离群值处理方法等；缺失值处理用于对缺失数据进行填充，可以采用统计量填充方法等；规范化处理用于对数据的格式进行统一，可以采用Z-Score标准化方法等。
进一步，利用处理后的目标实测风机数据集并结合获取得到的风力发电机组的特性数据集，可以构建得到对应的包括风机的结构和发电机机组等的基于风力发电的物理系统模型。
进一步，将处理后的目标实测风能数据集与构建的基于风力发电的物理系统模型相对应，并将目标实测风能数据集与基于风力发电的物理系统模型机型对齐或校准，并构建对应的基于风力发电的数字孪生模型。
其中，基于风力发电的数字孪生模型用于模拟风能的输入条件，模拟风机输出的发电功率、其他性能指标，通过与实际风力发电系统的运行数据进行比对和验证，并根据验证结果对模型进行调整和优化，将后续所采集的风机数据和风能数据与数字孪生模型相连接以实时更新模型的输入参数。
步骤S203，基于预测风能数据集和预设调整周期，确定调整速率。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S204，在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，直至待配置海上风电场产生的模拟总发电量最大时得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向。详细请参见图1所示实施例的步骤S104，在此不再赘述。
本实施例提供的海上风电场资源配置方法，结合待配置海上风电场内风力发电机组的特性数据集构建基于风力发电的数字孪生模型，可以提高模型的准确度，进一步，基于该基于风力发电的数字孪生模型结合预测风能数据可以构建得到对应的基于风力发电的预测孪生模型，并通过该基于风力发电的预测孪生模型能够得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向，实现了风机位置和风机朝向的同时调整，进而可以实现海上风资源利用的最大化，并提高了风力发电的效率。
在本实施例中提供了一种海上风电场资源配置方法，图3是根据本发明实施例的海上风电场资源配置方法的流程图，如图3所示，该流程包括如下步骤：
步骤S301，获取待配置海上风电场的初始实测风能数据集、初始实测风机数据集和初始预报风能数据集。详细请参见图1所示实施例的步骤S101，在此不再赘述。
步骤S302，基于初始实测风能数据集、初始实测风机数据集和初始预报风能数据集，构建基于风力发电的预测孪生模型。详细请参见图2所示实施例的步骤S202，在此不再赘述。
步骤S303，基于预测风能数据集和预设调整周期，确定调整速率。
具体地，上述步骤S303包括：
步骤S3031，基于预测风能数据集和预设调整周期，确定预测风能系数。
首先，获取预测风能数据集在预设调整周期内的风向变化次数，并标记为Fx。
其中，风向变化次数表示一个预设调整周期内风向发生变化的次数。
其次，根据预测的风能数据可以获取得到对应的预测风速，并标记为Fs。
然后，对得到的预测风速Fs和风向变化次数Fx分别设置风能权重：将预测风速Fs的风能权重设置为Qs；将风向变化次数Fx的风能权重设置为Qx。
最后，根据如下关系式(1)计算得到预测风能系数R：
R＝FxQx+FsQs(1)
步骤S3032，将预测风能系数和预设阈值进行比对，并根据比对结果确定调整速率。
具体地，将预测风能系数R与预设阈值R0进行比对，当R≤R0时，将预测风能系数R标记为稳定风能；当R>R0时，≤R0时，将预测风能系数R标记为不稳定风能。
进一步，当预测风能系数R标记为稳定风能时，确定调整速率为高调整速率；当预测风能系数R标记为不稳定风能时，确定调整速率为低调整速率。
步骤S304，在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，直至待配置海上风电场产生的模拟总发电量最大时得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向。
具体地，上述步骤S304包括：
步骤S3041，在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的位置以及不同风机之间的距离进行调整，得到待配置海上风电场内风机群组的多个布局和多个第一模拟总发电量。
具体地，在基于风力发电的预测孪生模型中，根据预测风能数据集和调整速率对待配置海上风电场内各个风机的位置以及不同风机之间的距离进行调整，可以获取得到每次调整后的各个风机的模拟发电量，进而根据各个风机的模拟发电量可以获得待配置海上风电场内风机群组的模拟总发电量。
进一步，通过在预设调整周期内进行多次调整，可以得到调整后的待配置海上风电场内风机群组的多个布局和多个第一模拟总发电量。
步骤S3042，基于多个第一模拟总发电量，在多个布局中确定待配置海上风电场内风机群组的目标布局。
具体地，根据得到的多个第一模拟总发电量构建其相应的折线图，进而根据所构建的折线图可以获得最大模拟总发电量。
进一步，对在最大模拟总发电量时各个风机的位置进行记录，将所记录的各个风机的位置标记为风机群组的最优布局，即待配置海上风电场内风机群组在目标布局下产生的模拟总发电量在多个第一模拟总发电量中最大。
步骤S3043，基于目标布局，确定待配置海上风电场内各个风机的目标转向速率。
具体地，根据得到的风机群组的最优布局，可以进一步确定出待配置海上风电场内各个风机的目标转向速率。
步骤S3044，基于目标布局和各个风机的目标转向速率，在基于风力发电的预测孪生模型中对各个风机的朝向进行调整，得到多个第二模拟总发电量和各个风机的多个第一朝向。
具体地，根据得到的风机群组的最优布局，利用确定的各个风机的目标转向速率在基于风力发电的预测孪生模型中对各个风机的朝向进行调整，可以得到各个风机在不同朝向时的模拟发电量，进而根据各个风机的模拟发电量可以获得待配置海上风电场内风机群组的模拟总发电量。
进一步，通过在预设调整周期内进行多次调整，可以得到调整后的待配置海上风电场内风机群组的多个第二模拟总发电量和各个风机的多个第一朝向。
步骤S3045，基于多个第二模拟总发电量，在多个第一朝向中确定待配置海上风电场内各个风机的目标朝向。
具体地，根据得到的多个第二模拟总发电量可以得到最大第二模拟总发电量，并将该最大第二模拟总发电量的工作点标记为最大功率点，获得风机处于最大功率点的朝向，并将其标记为最优朝向即目标朝向。
在一些可选的实施方式中，上述步骤S3043包括：
步骤b1，获取待配置海上风电场内各个风机的实测位置和实测朝向。
步骤b2，基于目标布局，在基于风力发电的预测孪生模型中对各个风机的朝向进行调整，得到多个第三模拟总发电量和各个风机的多个第二朝向。
步骤b3，基于多个第三模拟总发电量，在多个第二朝向中确定待配置海上风电场内各个风机的第三朝向。
步骤b4，基于各个风机的实测朝向和第三朝向，确定各个风机的转向角度。
步骤b5，基于目标布局和实测位置，确定各个风机的调整时长。
步骤b6，基于各个风机的调整时长和转向角度，确定各个风机的目标转向速率。
首先，根据得到的风机群组的最优布局，在基于风力发电的预测孪生模型中对各个风机的朝向进行随机调整，可以得到各个风机在不同朝向时的模拟发电量，进而根据各个风机的模拟发电量可以获得待配置海上风电场内风机群组的模拟总发电量。
进一步，通过在预设调整周期内进行多次调整，可以得到调整后的待配置海上风电场内风机群组的多个第三模拟总发电量和各个风机的多个第二朝向。
其次，根据得到的多个第三模拟总发电量可以得到最大第三模拟总发电量，并将该最大第三模拟总发电量的工作点标记为最大功率点，获得风机处于最大功率点的朝向，并将其标记为当前随机调整情况下的最优朝向。
进一步，根据各个风机的实测朝向和当前随机调整情况下的最优朝向可以得到各个风机调整至最优朝向所需转动的最小角度即转向角度，并标记为Zj。
然后，根据各个风机的实测位置和各个风机在目标布局下的位置，可以获取得到各个风机调整至目标布局的调整距离。
进一步，根据调整距离与其相应的调整速率可以获得相应的调整时长，并标记为Ts。
最后，根据各个风机的调整时长和转向角度，可以得到各个风机的目标转向速率Zs，如下关系式(2)所示：
本实施例提供的海上风电场资源配置方法，结合预测风能数据集和预设调整周期确定不同的调整速率，并利用确定的调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，有利于保证风机群组在移动过程中的稳定性，并能够根据不同风资源情况对风机实现具有针对性的调整机制。进一步，通过目标转向速率，可以在将待配置海上风电场内风机群组调整至最优布局的过程中，同时将待配置海上风电场内各个风机调整至最优朝向，能够实现风机位置和风机朝向的同时调整，提高了风力发电的效率。
在本实施例中还提供了一种海上风电场资源配置装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种海上风电场资源配置装置，如图4所示，该装置包括：
获取模块401，用于获取待配置海上风电场的初始实测风能数据集、初始实测风机数据集和初始预报风能数据集。
构建模块402，用于基于初始实测风能数据集、初始实测风机数据集和初始预报风能数据集，构建基于风力发电的预测孪生模型，基于风力发电的预测孪生模型用于获取在预测风能数据集的条件下待配置海上风电场内不同的风机布局产生的模拟总发电量。
确定模块403，用于基于预测风能数据集和预设调整周期，确定调整速率。
调整模块404，用于在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的布局进行调整，直至待配置海上风电场产生的模拟总发电量最大时得到待配置海上风电场内风机群组的目标布局和各个风机的目标朝向。
在一些可选的实施方式中，构建模块402包括：
第一构建子模块，用于基于初始实测风能数据集和初始实测风机数据集，利用数字孪生技术构建基于风力发电的数字孪生模型。
处理子模块，用于将初始预报风能数据集经过预设海上风能预测模型处理，得到待配置海上风电场的预测风能数据集。
第二构建子模块，用于基于预测风能数据集和基于风力发电的数字孪生模型，构建基于风力发电的预测孪生模型。
在一些可选的实施方式中，第一构建子模块包括：
第一获取单元，用于获取待配置海上风电场内风力发电机组的特性数据集。
处理单元，用于分别对初始实测风能数据集和初始实测风机数据集进行处理，得到目标实测风能数据集和目标实测风机数据集。
第一构建单元，用于基于目标实测风机数据集和特性数据集，构建基于风力发电的物理系统模型。
第二构建单元，用于基于目标实测风能数据集和基于风力发电的物理系统模型，构建基于风力发电的数字孪生模型。
在一些可选的实施方式中，构建模块402还包括：
获取子模块，用于获取待配置海上风电场的历史第一实测风能数据集和历史预报风能数据集。
第一确定子模块，用于在历史第一实测风能数据集中确定与历史预报风能数据集对应的历史第二实测风能数据集。
第三构建子模块，用于基于历史预报风能数据集和历史第二实测风能数据集，构建预设海上风能预测模型。
在一些可选的实施方式中，确定模块403包括：
第二确定子模块，用于基于预测风能数据集和预设调整周期，确定预测风能系数。
比对与确定子模块，用于将预测风能系数和预设阈值进行比对，并根据比对结果确定调整速率。
在一些可选的实施方式中，调整模块404包括：
第一调整子模块，用于在预设调整周期内，基于预测风能数据集和调整速率对基于风力发电的预测孪生模型中各个风机的位置以及不同风机之间的距离进行调整，得到待配置海上风电场内风机群组的多个布局和多个第一模拟总发电量。
第三确定子模块，用于基于多个第一模拟总发电量，在多个布局中确定待配置海上风电场内风机群组的目标布局，待配置海上风电场内风机群组在目标布局下产生的模拟总发电量在多个第一模拟总发电量中最大。
第四确定子模块，用于基于目标布局，确定待配置海上风电场内各个风机的目标转向速率。
第二调整子模块，用于基于目标布局和各个风机的目标转向速率，在基于风力发电的预测孪生模型中对各个风机的朝向进行调整，得到多个第二模拟总发电量和各个风机的多个第一朝向。
第五确定子模块，用于基于多个第二模拟总发电量，在多个第一朝向中确定待配置海上风电场内各个风机的目标朝向，待配置海上风电场在各个风机的目标朝向下产生的模拟总发电量在多个第二模拟总发电量中最大。
在一些可选的实施方式中，第四确定子模块包括：
第二获取单元，用于获取待配置海上风电场内各个风机的实测位置和实测朝向。
调整单元，用于基于目标布局，在基于风力发电的预测孪生模型中对各个风机的朝向进行调整，得到多个第三模拟总发电量和各个风机的多个第二朝向。
第一确定单元，用于基于多个第三模拟总发电量，在多个第二朝向中确定待配置海上风电场内各个风机的第三朝向，待配置海上风电场在各个风机的第三朝向下产生的模拟总发电量在多个第三模拟总发电量中最大。
第二确定单元，用于基于各个风机的实测朝向和第三朝向，确定各个风机的转向角度。
第三确定单元，用于基于目标布局和实测位置，确定各个风机的调整时长。
第四确定单元，用于基于各个风机的调整时长和转向角度，确定各个风机的目标转向速率。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的海上风电场资源配置装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图4所示的海上风电场资源配置装置。
请参阅图5，图5是本发明可选实施例提供的一种计算机设备的结构示意图，如图5所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10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，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种海上风电场资源配置方法，其特征在于，所述方法包括：
获取待配置海上风电场的初始实测风能数据集、初始实测风机数据集和初始预报风能数据集；
基于所述初始实测风能数据集、所述初始实测风机数据集和所述初始预报风能数据集，构建基于风力发电的预测孪生模型，所述基于风力发电的预测孪生模型用于获取在所述预测风能数据集的条件下所述待配置海上风电场内不同的风机布局产生的模拟总发电量；
基于所述预测风能数据集和预设调整周期，确定调整速率；
在所述预设调整周期内，基于所述预测风能数据集和所述调整速率对所述基于风力发电的预测孪生模型中各个风机的布局进行调整，直至所述待配置海上风电场产生的模拟总发电量最大时得到所述待配置海上风电场内风机群组的目标布局和各个风机的目标朝向。
2.根据权利要求1所述的方法，其特征在于，基于所述初始实测风能数据集、所述初始实测风机数据集和所述初始预报风能数据集，构建基于风力发电的预测孪生模型，包括：
基于所述初始实测风能数据集和所述初始实测风机数据集，利用数字孪生技术构建基于风力发电的数字孪生模型；
将所述初始预报风能数据集经过预设海上风能预测模型处理，得到所述待配置海上风电场的预测风能数据集；
基于所述预测风能数据集和所述基于风力发电的数字孪生模型，构建所述基于风力发电的预测孪生模型。
3.根据权利要求2所述的方法，其特征在于，基于所述初始实测风能数据集和所述初始实测风机数据集，利用数字孪生技术构建基于风力发电的数字孪生模型，包括：
获取所述待配置海上风电场内风力发电机组的特性数据集；
分别对所述初始实测风能数据集和所述初始实测风机数据集进行处理，得到目标实测风能数据集和目标实测风机数据集；
基于所述目标实测风机数据集和所述特性数据集，构建基于风力发电的物理系统模型；
基于所述目标实测风能数据集和所述基于风力发电的物理系统模型，构建所述基于风力发电的数字孪生模型。
4.根据权利要求2所述的方法，其特征在于，将所述初始预报风能数据集经过预设海上风能预测模型处理，得到所述待配置海上风电场的预测风能数据集之前，所述方法还包括：
获取所述待配置海上风电场的历史第一实测风能数据集和历史预报风能数据集；
在所述历史第一实测风能数据集中确定与所述历史预报风能数据集对应的历史第二实测风能数据集；
基于所述历史预报风能数据集和所述历史第二实测风能数据集，构建所述预设海上风能预测模型。
5.根据权利要求1所述的方法，其特征在于，基于所述预测风能数据集和预设调整周期，确定调整速率，包括：
基于所述预测风能数据集和所述预设调整周期，确定预测风能系数；
将所述预测风能系数和预设阈值进行比对，并根据比对结果确定所述调整速率。
6.根据权利要求1所述的方法，其特征在于，在所述预设调整周期内，基于所述预测风能数据集和所述调整速率对所述基于风力发电的预测孪生模型中各个风机的布局进行调整，直至所述待配置海上风电场产生的所述模拟总发电量最大时得到所述待配置海上风电场内风机群组的目标布局和每个风机的目标朝向，包括：
在所述预设调整周期内，基于所述预测风能数据集和所述调整速率对所述基于风力发电的预测孪生模型中各个风机的位置以及不同风机之间的距离进行调整，得到所述待配置海上风电场内风机群组的多个布局和多个第一模拟总发电量；
基于所述多个第一模拟总发电量，在所述多个布局中确定所述待配置海上风电场内风机群组的所述目标布局，所述待配置海上风电场内风机群组在所述目标布局下产生的模拟总发电量在所述多个第一模拟总发电量中最大；
基于所述目标布局，确定所述待配置海上风电场内各个风机的目标转向速率；
基于所述目标布局和各个风机的目标转向速率，在所述基于风力发电的预测孪生模型中对各个风机的朝向进行调整，得到多个第二模拟总发电量和各个风机的多个第一朝向；
基于所述多个第二模拟总发电量，在所述多个第一朝向中确定所述待配置海上风电场内各个风机的目标朝向，所述待配置海上风电场在各个风机的目标朝向下产生的模拟总发电量在所述多个第二模拟总发电量中最大。
7.根据权利要求6所述的方法，其特征在于，基于所述目标布局，确定所述待配置海上风电场内各个风机的目标转向速率，包括：
获取所述待配置海上风电场内各个风机的实测位置和实测朝向；
基于所述目标布局，在所述基于风力发电的预测孪生模型中对各个风机的朝向进行调整，得到多个第三模拟总发电量和各个风机的多个第二朝向；
基于所述多个第三模拟总发电量，在所述多个第二朝向中确定所述待配置海上风电场内各个风机的第三朝向，所述待配置海上风电场在各个风机的第三朝向下产生的模拟总发电量在所述多个第三模拟总发电量中最大；
基于各个风机的所述实测朝向和所述第三朝向，确定各个风机的转向角度；
基于所述目标布局和所述实测位置，确定各个风机的调整时长；
基于各个风机的所述调整时长和所述转向角度，确定各个风机的所述目标转向速率。
8.一种海上风电场资源配置装置，其特征在于，所述装置包括：
获取模块，用于获取待配置海上风电场的初始实测风能数据集、初始实测风机数据集和初始预报风能数据集；
构建模块，用于基于所述初始实测风能数据集、所述初始实测风机数据集和所述初始预报风能数据集，构建基于风力发电的预测孪生模型，所述基于风力发电的预测孪生模型用于获取在所述预测风能数据集的条件下所述待配置海上风电场内不同的风机布局产生的模拟总发电量；
确定模块，用于基于所述预测风能数据集和预设调整周期，确定调整速率；
调整模块，用于在所述预设调整周期内，基于所述预测风能数据集和所述调整速率对所述基于风力发电的预测孪生模型中各个风机的布局进行调整，直至所述待配置海上风电场产生的模拟总发电量最大时得到所述待配置海上风电场内风机群组的目标布局和各个风机的目标朝向。
9.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至7中任一项所述的海上风电场资源配置方法。
10.一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上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的海上风电场资源配置方法。
CN202311529236.XA 2023-11-16 2023-11-16 海上风电场资源配置方法、装置、计算机设备及存储介质 Pending CN117808133A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311529236.XA CN117808133A (zh) 2023-11-16 2023-11-16 海上风电场资源配置方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311529236.XA CN117808133A (zh) 2023-11-16 2023-11-16 海上风电场资源配置方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN117808133A true CN117808133A (zh) 2024-04-02

Family

ID=90432535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311529236.XA Pending CN117808133A (zh) 2023-11-16 2023-11-16 海上风电场资源配置方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN117808133A (zh)

Similar Documents

Publication Publication Date Title
CN110556820B (zh) 用于确定能量系统操作场景的方法和设备
CN107204615B (zh) 一种实现功率预测的方法及系统
KR102468316B1 (ko) 과거 데이터에 기초한 시계열 예측 방법 및 장치
CN111709569A (zh) 风电场输出功率预测修正方法及装置
CN104331572A (zh) 考虑风速和风电机组故障相关性的风电场可靠性建模方法
CN112039711A (zh) 流量预测方法及设备
CN112906757A (zh) 模型训练方法、光功率预测方法、装置、设备及存储介质
CN112945329A (zh) 确定农业机井灌溉水量的方法、装置及终端
CN111461443B (zh) 风电场的优化设计方法、系统、电子设备和存储介质
EP3336349B1 (en) Method and system for configuring wind turbines
CN113935512A (zh) 风电功率预测方法、装置、计算机设备和存储介质
CN112446554A (zh) 功率预测模型建立方法、功率预测方法及装置
CN116306006A (zh) 风光水联合发电的优化调度方法、装置和计算机设备
CN115544815A (zh) 一种风扇模型的生成方法和装置
CN117808133A (zh) 海上风电场资源配置方法、装置、计算机设备及存储介质
CN116523145A (zh) 光伏功率超短期预测方法、装置、计算机设备及存储介质
CN113027674A (zh) 风力发电机组的控制方法及其装置
CN113027675A (zh) 风电场及风力发电机组的控制方法和控制装置
CN116822658B (zh) 一种风光资源的预警方法、装置、计算机设备及存储介质
CN117220286B (zh) 一种水风光多能互补系统风险评估方法、装置及介质
CN117150975B (zh) 一种水动力模型参数优化、水动力过程模拟方法及装置
CN116739313B (zh) 一种考虑尾流控制的风电场布局方法、装置、设备及介质
CN117154725B (zh) 水风光多能互补的调度方法、装置、计算机设备及介质
CN117993519B (zh) 光伏发电站功率预测模型的训练、预测方法及装置
CN117807791A (zh) 风电场概率性日前出力生成模拟方法、系统、芯片及设备

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