CN118332362A - 风电场最大可发功率测算方法、装置、设备和存储介质 - Google Patents
风电场最大可发功率测算方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN118332362A CN118332362A CN202410581490.2A CN202410581490A CN118332362A CN 118332362 A CN118332362 A CN 118332362A CN 202410581490 A CN202410581490 A CN 202410581490A CN 118332362 A CN118332362 A CN 118332362A
- Authority
- CN
- China
- Prior art keywords
- wind
- unit
- cluster
- power
- wind turbine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010248 power generation Methods 0.000 claims abstract description 103
- 239000013598 vector Substances 0.000 claims abstract description 79
- 230000001186 cumulative effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000033228 biological regulation Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000005611 electricity Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本申请提供一种风电场最大可发功率测算方法、装置、设备和存储介质,可用于风力发电领域。该方法包括:获取目标风电场内多个风电机组的特征信息,并基于特征信息构建各个风电机组的特征向量;根据各个风电机组的特征向量,对风电机组进行聚类,获得多个机组簇;针对各个机组簇,确定机组簇的机组数量和样板机组,并获取样板机组在自由发电模式下的最大发电功率;针对各个机组簇,基于机组数量和最大发电功率的乘积,获得机组簇的测算发电功率;基于各个机组簇的测算发电功率之和,获得目标风电场的最大可发功率。本申请的方法,有效提升了风电场最大可发功率测算的准确性,进而提升了风电场运行的经济性和安全性。
Description
技术领域
本申请涉及风力发电技术领域,尤其涉及一种风电场最大可发功率测算方法、装置、设备和存储介质。
背景技术
风力发电是一种将风的动能转化为电能的技术,由于风能是一种清洁无公害的可再生能源,因此风力发电不需要使用燃料,也不会产生辐射或空气污染,被认为是一种环保、可再生的能源。
由于电网输送能力和电力需求的限制,目前风电场一般处于限电状态,即利用风电场的调控系统限制风电场内风电机组的发电功率,以满足电力系统的供需平衡。为此,会让风电场内的发电机组以设定的发电功率运行,以限制风电场的发电功率使其满足电网需求。
而风电场的最大可发功率就是影响风电场内风电机组功率分配的重要数据,调控系统需要基于最大可发功率作为参考,对风电场内的风电机组的发电功率进行分配。如果最大可发功率测算不准确,那么相应的,风电机组分配的功率参数也会存在误差,这会导致调控系统无法准确设定风电机组的设定发电功率,引起风电场内风电机组功率分配的不均衡、不合理,造成风电场经济损失以及风电机组机械损失等问题。
发明内容
本申请提供一种风电场最大可发功率测算方法、装置、设备和存储介质,用以解决现有风电场存在最大可发功率测算准确性不高的技术问题。
根据本申请公开的第一方面,本申请了提供一种风电场最大可发功率测算方法,包括:
获取目标风电场内多个风电机组的特征信息,并基于所述特征信息构建各个风电机组的特征向量;其中,所述特征信息包括机组型号、功率曲线、风况信息和地理位置信息;
根据各个风电机组的特征向量,对所述风电机组进行聚类,获得多个机组簇;
针对各个机组簇,确定所述机组簇的机组数量和样板机组,并获取所述样板机组在自由发电模式下的最大发电功率;其中,所述样板机组是所述机组簇中,与所述机组簇的聚类中心特征距离最短的风电机组;
针对各个机组簇,基于所述机组数量和所述最大发电功率的乘积,获得所述机组簇的测算发电功率;
基于各个机组簇的测算发电功率之和,获得所述目标风电场的最大可发功率。
在一种可行的实施方式中,根据各个风电机组的特征向量,对所述风电机组进行聚类,获得多个机组簇,包括:
基于各个风电机组的特征向量,确定多个聚类中心;
针对各个风电机组,获取所述风电机组到各个聚类中心的特征距离,并将所述风电机组分配到最短特征距离对应的聚类中心所属的机组簇;
针对各个机组簇,计算所述机组簇中各个风电机组的特征向量的特征均值,并将所述机组簇的聚类中心更新为所述特征均值;
转至针对各个风电机组,获取所述风电机组到各个聚类中心的特征距离,并将所述风电机组分配到最短特征距离对应的聚类中心所属的机组簇的步骤迭代至收敛,获得多个机组簇。
在一种可行的实施方式中,基于各个风电机组的特征向量,确定多个聚类中心,包括:
随机选择所述目标风电场中的任一风电机组作为初始聚类中心;
确定当前聚类中心;其中,初始的当前聚类中心为所述初始聚类中心;
基于各个剩余机组与所述当前聚类中心的特征距离,确定各个剩余机组被选作下一聚类中心的分布概率,并选择最大分布概率对应的剩余机组作为下一聚类中心;其中,所述剩余机组是所述目标风电场中除聚类中心之外的其他风电机组;
将所述当前聚类中心更新为下一聚类中心,并转至基于各个剩余机组与所述当前聚类中心的特征距离,确定各个剩余机组被选作下一聚类中心的分布概率,并选择最大分布概率对应的剩余机组作为下一聚类中心的步骤进行迭代搜索,确定多个聚类中心。
在一种可行的实施方式中,所述特征距离满足如下公式:
其中,d(xi,μk)表示第i个风电机组的特征向量xi与第k个聚类中心的特征向量μk之间的特征距离,xij表示第i个风电机组的特征向量中的第j个分量,μkj表示第k个聚类中心的特征向量中的第j个分量,d表示特征向量中分量的数量。
在一种可行的实施方式中,所述分布概率满足如下公式:
其中,P(i)表示第i个剩余机组被选作下一聚类中心的分布概率,d(xi,μk)表示第i个剩余机组的特征向量xi与第k个聚类中心的特征向量μk之间的特征距离,d(xj,μk)表示第j个剩余机组的特征向量xj与第k个聚类中心的特征向量μk之间的特征距离,n表示剩余机组的数量。
在一种可行的实施方式中,所述方法还包括:
基于所述目标风电场内各个风电机组的实际发电功率之和,获取所述目标风电场的实际可发功率;
计算所述实际可发功率与所述最大可发功率的均方根误差累计值;
若所述均方根误差累计值大于预设误差阈值,则转至获取目标风电场内多个风电机组的特征信息,并基于所述特征信息构建各个风电机组的特征向量的步骤。
在一种可行的实施方式中,所述均方根误差累计值满足如下公式:
其中,Pe表示均方根误差累计值,K表示机组簇的数量,mk表示第k个机组簇的机组数量,Pk表示第k个机组簇中样板机组的最大发电功率,表示第k个机组簇中第l个风电机组的实际发电功率。
根据本申请公开的第二方面,本申请了提供一种风电场最大可发功率测算装置,包括:
特征获取模块,用于获取目标风电场内多个风电机组的特征信息,并基于所述特征信息构建各个风电机组的特征向量;其中,所述特征信息包括机组型号、功率曲线、风况信息和地理位置信息;
机组聚类模块,用于根据各个风电机组的特征向量,对所述风电机组进行聚类,获得多个机组簇;
样板选取模块,用于针对各个机组簇,确定所述机组簇的机组数量和样板机组,并获取所述样板机组在自由发电模式下的最大发电功率;其中,所述样板机组是所述机组簇中,与所述机组簇的聚类中心特征距离最短的风电机组;
功率测算模块,用于针对各个机组簇,基于所述机组数量和所述最大发电功率的乘积,获得所述机组簇的测算发电功率;
功率计算模块,用于基于各个机组簇的测算发电功率之和,获得所述目标风电场的最大可发功率。
根据本申请公开的第三方面,提供了一种电子设备,包括处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现第一方面中任一项所述的方法。
根据本申请公开的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面中任一项所述的方法。
根据本申请公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时用于实现第一方面中任一项所述的方法。
现有技术相比,本申请具有如下的有益效果:
本申请提供的一种风电场最大可发功率测算方法、装置、设备和存储介质,综合考虑了风电场内各个风电机组的型号、功率、风况以及地理位置这些特征信息,从而将特征相似的风电机组聚类到一起形成多个机组簇,再从机组簇中选择能够代表机组簇中多个风电机组的样板机组,利用样板机组对机组簇的发电功率进行测算,并进一步获得整个风电场的最大可发功率的测算值。通过将风电机组聚类的方式,样板机组的选择结果更具有代表性,使得基于样板机组测算的最大可发功率也加准确,有效提升了风电场最大可发功率测算的准确性。而最大可发功率准确性的提升有利于支持调控系统后续风电场内风电机组功率分配调度策略的指定,进而提升了风电场运行的经济性和安全性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种风电场最大可发功率测算方法的流程示意图;
图2为本申请实施例提供的另一种风电场最大可发功率测算方法的流程示意图;
图3为本申请实施例提供的一种风电场最大可发功率测算装置的结构示意图;
图4为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在对本申请实施例进行进一步详细说明之前,首先对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释:
最大可发功率,也可以叫做理论发电功率,风电场内的风电机组在运行的时候,一方面受自然条件的影响,另一方面它又受机械结构的影响,在不同的风速条件下,风电机组能够发出的电是不同的,有一个发电上限。风电场内有多个风电机组,不同的风电机组在风电场内的地理位置分布也不相同,地理位置的不同则风速条件这里也会不同,这样每个风电机组能够发出的电的功率也是不相同的。如果想测算整个风电场当前的最大可发功率,则需要尽可能准确地对风电场内风电机组的发电功率进行测算。
功率跟踪模式,是指让风电机组以设定的发电功率运行的发电模式。在这种模式下,风力发电机的输出功率会被调控系统设定在一个特定的范围内,以确保电力系统的稳定运行。这通常涉及到对风电机组的叶片转速、叶片角度等参数的精确控制,以实现输出功率的精确调节。
自由发电模式,是指允许风电机组根据实时的风速和风向条件进行自主调整,以最大限度地捕获风能并转换为电能的发电模式。
风力发电是一种将风的动能转化为电能的技术,由于风能是一种清洁无公害的可再生能源,因此风力发电不需要使用燃料,也不会产生辐射或空气污染,被认为是一种环保、可再生的能源。
由于电网输送能力和电力需求的限制,目前风电场一般处于限电状态,即利用风电场的调控系统限制风电场内风电机组的发电功率,以满足电力系统的供需平衡。为此,会让风电场内的发电机组以设定的发电功率运行,以限制风电场的发电功率使其满足电网需求。
而风电场的最大可发功率就是影响风电场内风电机组功率分配的重要数据,调控系统需要基于最大可发功率作为参考,对风电场内的风电机组的发电功率进行分配。如果最大可发功率测算不准确,那么相应的,风电机组分配的功率参数也会存在误差,这会导致调控系统无法准确设定风电机组的设定发电功率,引起风电场内风电机组功率分配的不均衡、不合理,造成风电场经济损失以及风电机组机械损失等问题。
这是因为风电机组降功率运行时,一般是通过调整风电机组的叶片变桨角度等方式实现,这样长时间的降功率运行,会造成风电机组机械损失或者载荷问题,对风电机组的寿命有不利影响。压抑风电机组工作还可能会产生安全问题,为此需要上层调控系统对风电机组的功率控制进行优化,这里便需要用到最大可发功率。例如,将最大可发功率作为功率分配的约束条件来进行功率分配优化等,所以最大可发功率是一个必要数据。如果最大可发功率测算不准确,那么相应风电机组分配的功率参数也存在误差,导致调控系统无法准确设定风电机组的设定发电功率,优化结果也会存在误差。
目前,在限电状态下,风电场内的大部分风电机组都是按照功率跟踪模式运行,即通过设定功率的方式限制风电场的发电功率,以满足电力系统的供需平衡。由于风电机组是按照固定功率进行发电,那么就无法通过风电机组的实际发电功率获取到风电场的最大可发功率。为此,现有技术中,是通过在风电场中选取样板机组,并控制样板机组在自由发电模式下自由发电,通过样板机组的最大发电功率与它所能代表的风机数量来预估风电场的最大可发功率,例如位于上坡上的风电机组,选择一台样板机,利用样板机在自由发电模式下的最大发电功率与位于山坡上的风电机组的数量的乘积,获得山坡上多个风电机组的最大可发功率;位于山脚下的风电机组,选择一台样板机,利用样板机在自由发电模式下的最大发电功率与位于山脚下风电机组的数量的乘积,获得山脚下多个风电机组的最大可发功率;最后,再将山坡上和山脚下风电机组的最大可发功率相加,就获得了风电场整体的最大可发功率。但是,在现有技术中,样板机组一般是通过人工选取,人工选择就是凭借工作人员的经验进行简单选取,样板机组的数量,样板机组能够代表哪一片区域,能够代表多少台风电机组,都是由人工经验确定,这样会导致样板机不能准确反映风电场内其他风电机组的发电状况,使最终求取的最大可发功率误差较大,不能满足实际需求。
由于风电机组运行在功率跟踪模式下,风电场上层的调控系统会给每台风电机组下发一个功率跟踪的指令值,这个指令值中的设定发电功率就是根据风电场的最大可发功率计算获得的。例如,如果由于最大可发功率的误差导致分配的功率数值大于风电机组的可发功率,则超出了风电机组的能力,导致功率分配异常。如风电机组的可发功率与指定发电功率相同,则能够最大化的发挥风电机组的发电能力,使得风电场的经济效益最大。
针对上述技术问题,本申请提出了一种风电场最大可发功率测算方法,通过将风电场内特征相似的风电机组聚类在一起形成机组簇,再选择更具代表性的样板机组对机组簇的发电功率进行测算,并进一步获得整个风电场的最大可发功率的测算值,从而有效提升了风电场最大可发功率测算结果的准确性。
下面通过具体实施例对本申请提供的风电场最大可发功率测算方法的技术方案进行详细的说明。需要说明的是,如下实施例可以单独存在,也可相互结合,对于相同或相似的内容,可能在不同的实施例中不再重复说明。
需要说明的是,本申请实施例所提供的风电场最大可发功率测算方法的执行主体是风电场的调控系统,相应的,风电场最大可发功率测算装置也设置于调控系统中。具体的,调控系统用于风电场的优化控制和管理,一般包括中央控制器、传感器和执行机构等设备。
图1为本申请实施例提供的一种风电场最大可发功率测算方法的流程示意图,参阅图1,在一些实施例中,该风电场最大可发功率测算方法的流程包括以下步骤:
S101,获取目标风电场内多个风电机组的特征信息,并基于特征信息构建各个风电机组的特征向量;其中,特征信息包括机组型号、风况信息、功率曲线和地理位置信息。
其中,通过采集影响风电机组发电效率的相关特征信息,并利用这些特征信息来构建风电机组的特征向量,以便于后续根据特征向量对风电机组进行聚类分组,将特征相似的风电机组聚类到同一机组簇,形成多个机组簇。
具体的,机组型号由风电机机组的机组类型和容量确定,以对风电机组进行分类。
具体的,风况信息包括风速大小和风向。风电机组的工作原理是依靠风力带动风车叶片旋转,进而通过增速机提升旋转速度,促使发电机发电。因此,风况是影响风电机组发电效率的重要因素。其中,风速的大小直接决定了风车叶片旋转的速度,从而影响发电机产生的电量。因此,风速的变化也会对风电机组的发电效率产生影响。当风速在风力发电机的额定风速范围内时,发电机的电量输出会随着风速的增加而增加。然而,当风速超过额定风速时,发电机的电量输出可能会受到限制,以避免设备过载或损坏。
此外,风向决定了风能传递的方向,对风力发电机叶片的旋转力矩方向有直接影响。当风向与叶片的倾斜角度相同时,叶片能够获得最大的转速,从而产生最大的发电效率。相反,当风向与叶片接近垂直时,叶片会受到侧向力的影响,发电效率会受到影响。其次,风向的变化会导致叶片的角度与风的角度产生偏差,这也会影响到发电效率。在风向稳定的情况下,风电机组的叶片能够保持在最佳角度,使得风能被更充分地利用,从而提高发电效率。然而,当风向变化较大时,风电机组的叶片需要不断地调整角度以适应不同的风向,这不仅增加了机械损耗,还会影响到发电机的效率和发电量。
具体的,功率曲线用于表示风力发电机在不同风速下能够产生的功率。风电机组的功率曲线通常呈现为一个向上凸起的曲线,在理想状态下,当风速较小时,输出功率较低;随着风速的增加,输出功率也随之增加;但当风速达到一定值后,输出功率会达到峰值,此后风速再增加反而会使输出功率下降。
具体的,地理位置通常用于描述风电机组的具体位置,一般包括经度、纬度、海拔、区域地貌等具体数据。风速是决定风电机组发电功率的关键因素,而风速的大小受到地理位置的直接影响。通常,热带地区与极地地区的风速较小,而在中纬度地区,风速则相对较大。这是因为地球自转和大气环流等自然现象在不同纬度区域产生不同的风力和风向。因此,中纬度地区的风力发电条件更为优越,风电机组在这些地区往往能够获得更高的发电功率。地形地貌也是影响风速和风向的重要因素。例如,山区、河谷和海岸线等复杂地形会对气流产生阻碍和引导作用,形成局地性的风速变化。这种地形效应可能使得某些地区的风速增加,从而提高风电机组的发电功率;而在另一些地区,风速可能减小,导致发电功率降低。海拔高度也对风电机组的发电功率产生影响。一般来说,随着海拔高度的增加,风速也会相应增大。这是因为高海拔地区受到地面摩擦的影响较小,气流更为顺畅。因此,在高海拔地区安装风电机组通常能够获得更高的发电功率。
S102,根据各个风电机组的特征向量,对风电机组进行聚类,获得多个机组簇。
其中,对风电机组进行聚类会使用到聚类算法,聚类算法旨在将数据集中的对象或样本按照某种相似性或特征度量进行分组,使得同一组内的对象尽可能相似,而不同组之间的对象尽可能不同。根据特征向量,通过聚类对特征相似的风电机组进行分组,形成多个机组簇。
S103,针对各个机组簇,确定机组簇的机组数量和样板机组,并获取样板机组在自由发电模式下的最大发电功率;其中,样板机组是机组簇中,与机组簇的聚类中心特征距离最短的风电机组。
其中,对风电机组聚类之后,需要确定各个机组簇中的样板机组,以及各个机组簇中包含的风电机组的机组数量。
具体的,特征距离主要用于表示两个特征向量之间的相似性或差异性。其中,特征向量之间的距离有多种计算方式,其中欧几里得距离和余弦相似度是两种常用的方法。欧几里得距离计算的是两个特征向量在多维空间中的直线距离,对数值大小敏感,常用于判断数值上的差异。而余弦相似度则通过计算两个特征向量的夹角余弦值来衡量它们的相似性,更侧重于方向上的差异,对数值不敏感。
S104,针对各个机组簇,基于机组数量和最大发电功率的乘积,获得机组簇的测算发电功率。
其中,利用样板机组的发电功率来反映整个机组簇的发电功率,通过机组簇的机组数量与样板机组的最大发电功率的乘积,获得机组簇的测算发电功率。
S105,基于各个机组簇的测算发电功率之和,获得目标风电场的最大可发功率。
其中,在获取到各个机组簇的测算发电功率之和之后,再将各个机组簇的测算发电功率相加,就可以得到目标风电场的最大可发功率的测算结果。
在本实施例中,综合考虑了风电场内各个风电机组的型号、功率、风况以及地理位置这些特征信息,从而将特征相似的风电机组聚类到一起形成多个机组簇,再从机组簇中选择能够代表机组簇中多个风电机组的样板机组,利用样板机组对机组簇的发电功率进行测算,并进一步获得整个风电场的最大可发功率的测算值。通过将风电机组聚类的方式,样板机组的选择结果更具有代表性,使得基于样板机组测算的最大可发功率也加准确,有效提升了风电场最大可发功率测算的准确性。而最大可发功率准确性的提升有利于支持调控系统后续风电场内风电机组功率分配调度策略的指定,进而提升了风电场运行的经济性和安全性。
在图1所示的实施例的基础上,下面结合图2,对上述风电场最大可发功率测算方法的技术方案做进一步介绍。
图2为本申请实施例提供的另一种风电场最大可发功率测算方法的流程示意图,参阅图2,在一些实施例中,该风电场最大可发功率测算方法的流程包括以下步骤:
S201,获取目标风电场内多个风电机组的特征信息,并基于特征信息构建各个风电机组的特征向量;其中,特征信息包括机组型号、功率曲线、风况信息和地理位置信息。
具体的,将一个风电机组的特征向量设为xi,特征向量中的各个分量分别代表特征信息中的一种特征,目标风电场中的多个风电机组的特征向量构成特征矩阵X。
S202,随机选择目标风电场中的任一风电机组作为初始聚类中心。
其中,在对风电机组进行聚类之前,需要获取聚类中心。而在获取聚类中心开始,首先随机选择目标风电场中的任一风电机组作为初始聚类中心。
具体的,在聚类分析中,聚类中心代表了一个数据簇的中心位置或代表位置,它概括了数据簇中数据的整体分布特点。通过聚类中心可以更好地理解和描述该类的数据特征,聚类中心的选择直接影响聚类的质量,如果初始聚类中心选择得当,那么聚类结果通常会更加准确和稳定。相反,如果初始聚类中心选择不当,可能会导致聚类结果陷入局部最优解,或者产生错误的聚类结果。
S203,确定当前聚类中心;其中,初始的当前聚类中心为初始聚类中心。
其中,在确定初始聚类中心之后,还需要对后续的聚类中心进行搜索。因此,在对后续聚类中心进行搜索之前,将随机选择的初始聚类中心作为当前聚类中心,用作聚类中心的搜索起点。
S204,基于各个剩余机组与当前聚类中心的特征距离,确定各个剩余机组被选作下一聚类中心的分布概率,并选择最大分布概率对应的剩余机组作为下一聚类中心;其中,剩余机组是目标风电场中除聚类中心之外的其他风电机组。
其中,根据剩余机组和当前聚类中心的特征距离,确定剩余机组被选作下一个聚类中心的分布概率,在多个剩余机组中选择分布概率最大的剩余机组作为下一个聚类中心。
具体的,除聚类中心之外的其他风电机组,是指迭代搜索过程中的当前聚类中心、下一聚类中心所有已搜索获得的聚类中心。
具体的,特征距离满足如下公式:
其中,d(xi,μk)表示第i个风电机组的特征向量xi与第k个聚类中心的特征向量μk之间的特征距离,xij表示第i个风电机组的特征向量中的第j个分量,μkj表示第k个聚类中心的特征向量中的第j个分量,d表示特征向量中分量的数量。
具体的,分布概率满足如下公式:
其中,P(i)表示第i个剩余机组被选作下一聚类中心的分布概率,d(xi,μk)表示第i个剩余机组的特征向量xi与第k个聚类中心的特征向量μk之间的特征距离,d(xj,μk)表示第j个剩余机组的特征向量xj与第k个聚类中心的特征向量μk之间的特征距离,n表示剩余机组的数量。
其中,从概率分布的公式可以看出,距离当前聚类中心越远的剩余机组被选为下一个聚类中心的概率越高。这样可以使得选择的聚类中心尽可能分散,避免多个聚类中心相距太近,导致聚类中心聚类到同一个簇中,影响风电机组聚类结果的准确性。
S205,将当前聚类中心更新为下一聚类中心,并转至基于各个剩余机组与当前聚类中心的特征距离,确定各个剩余机组被选作下一聚类中心的分布概率,并选择最大分布概率对应的剩余机组作为下一聚类中心的步骤进行迭代搜索,确定多个聚类中心。
其中,确定下一聚类中心之后,将下一聚类中心作为当前聚类中心,重复执行搜索下一个聚类中心的步骤,以此进行迭代搜索,获得多个聚类中心。聚类中心的选择也影响聚类的效率,通过迭代搜索的方式可以使得初步选择的聚类中心能够迅速接近真实的簇中心,使得后续聚类过程会更快地收敛,从而减少迭代次数和时间开销,提高聚类效率。
具体的,在迭代搜索过程中,假设获取到K个聚类中心。聚类中心的数量既可以采用预设设定的方式,也可以通过现有优化算法获取,例如肘部法则、轮廓系数、间隔统计量等。
S206,针对各个风电机组,获取风电机组到各个聚类中心的特征距离,并将风电机组分配到最短特征距离对应的聚类中心所属的机组簇;
其中,在确定聚类中心之后,就需要对风电机组进行分簇,将各个风电机组分配到不同的聚类中心,形成多个以聚类中心为集群代表点的机组簇。
具体的,风电机组的分配满足如下公式:
ci=arg mink d(xi,μk)
其中,ci表示第i个机组簇,aarg mink d(xi,μk)表示第i个风电机组的特征向量xi与第k个聚类中心的特征向量μk之间的特征距离最小时所取值的机组簇。
S207,针对各个机组簇,计算机组簇中各个风电机组的特征向量的特征均值,并将机组簇的聚类中心更新为特征均值;
其中,划分了机组簇后,计算机组簇中各个风电机组的特征向量的特征均值,并将这个特征均值作为机组簇的聚类中心,以对聚类中心进行优化。
具体的,特征均值满足如下公式:
其中,表示第k个机组簇中风电机组特征均值,表示第k个机组簇中风电机组的机组数量,xi表示第i个风电机组的特征向量。
S208,转至针对各个风电机组,获取风电机组到各个聚类中心的特征距离,并将风电机组分配到最短特征距离对应的聚类中心所属的机组簇的步骤迭代至收敛,获得多个机组簇。
其中,利用特征均值将聚类中心进行更新之后,再次重复执行对各个风电机组,获取风电机组到各个聚类中心的特征距离,并将风电机组分配到最短特征距离对应的聚类中心所属的机组簇的步骤迭代至收敛,确定获得的多个机组簇。在迭代过程中,可以对聚类中心和机组簇不断进行调整,以优化机组簇的划分,使同一机组簇内的风电机组的特征更加相近,提高了聚类的准确性。
S209,针对各个机组簇,确定机组簇的机组数量和样板机组,并获取样板机组在自由发电模式下的最大发电功率;其中,样板机组是机组簇中,与机组簇的聚类中心特征距离最短的风电机组。
S210,针对各个机组簇,基于机组数量和最大发电功率的乘积,获得机组簇的测算发电功率。
S211,基于各个机组簇的测算发电功率之和,获得目标风电场的最大可发功率。
其中,需要说明的是,步骤S209-S211的执行过程与步骤S103-S105的执行过程相同,在此不再赘述。
具体的,最大可发功率满足如下公式:
其中,Pmax表示最大可发功率,K表示机组簇的数量,mk表示第k个机组簇的机组数量,Pk表示第k个机组簇中样板机组的最大发电功率。
S212,基于目标风电场内各个风电机组的实际发电功率之和,获取目标风电场的实际可发功率。
其中,后续获取目标风电场内各个风电机组的实际发电功率之和,获取目标风电场的实际可发功率。
S213,计算实际可发功率与最大可发功率的均方根误差累计值。
其中,均方根误差(Root Mean Square Error,RMSE)是一种常用的衡量测算模型准确性的指标。它表示测算值与实际值之间的平均差异。RMSE的值越小,说明模型的测算性能越好。
具体的,均方根误差累计值满足如下公式:
其中,Pe表示均方根误差累计值,K表示机组簇的数量,mk表示第k个机组簇的机组数量,Pk表示第k个机组簇中样板机组的最大发电功率,表示第k个机组簇中第l个风电机组的实际发电功率。
S214,若均方根误差累计值大于预设误差阈值,则转至获取目标风电场内多个风电机组的特征信息,并基于特征信息构建各个风电机组的特征向量的步骤。
其中,若则表明均方根误差累计值大于预设误差阈值,则表明测算的最大可发功率与实际可发功率之间的存在较大误差,现有机组代表无法正确反应机组簇中多个风电机组的发电情况,需重新进行聚类,选择新的机组代表并构建新的机组簇。具体的,表示预设误差阈值,
在本实施例中,通过将风电机组聚类的方式,样板机组的选择结果更具有代表性,使得基于样板机组测算的最大可发功率也加准确,有效提升了风电场最大可发功率的准确性。
图3是本申请实施例提供的一种风电场最大可发功率测算装置的结构示意图,参阅图3,该风电场最大可发功率测算装置包括用于实现前述风电场最大可发功率测算方法的各个功能模块,任意功能模块可以通过软件和/或硬件的方式实现。
在一些实施例中,该风电场最大可发功率测算装置300包括特征获取模块301、机组聚类模块302、样板选取模块303、功率测算模块304和功率计算模块305。其中:
特征获取模块301用于获取目标风电场内多个风电机组的特征信息,并基于特征信息构建各个风电机组的特征向量;其中,特征信息包括机组型号、功率曲线、风况信息和地理位置信息;
机组聚类模块302用于根据各个风电机组的特征向量,对风电机组进行聚类,获得多个机组簇;
样板选取模块303用于针对各个机组簇,确定机组簇的机组数量和样板机组,并获取样板机组在自由发电模式下的最大发电功率;其中,样板机组是机组簇中,与机组簇的聚类中心特征距离最短的风电机组;
功率测算模块304用于针对各个机组簇,基于机组数量和最大发电功率的乘积,获得机组簇的测算发电功率;
功率计算模块305用于基于各个机组簇的测算发电功率之和,获得目标风电场的最大可发功率。
在一些实施例中,该机组聚类模块302具体用于:
基于各个风电机组的特征向量,确定多个聚类中心;
针对各个风电机组,获取风电机组到各个聚类中心的特征距离,并将风电机组分配到最短特征距离对应的聚类中心所属的机组簇;
针对各个机组簇,计算机组簇中各个风电机组的特征向量的特征均值,并将机组簇的聚类中心更新为特征均值;
转至针对各个风电机组,获取风电机组到各个聚类中心的特征距离,并将风电机组分配到最短特征距离对应的聚类中心所属的机组簇的步骤迭代至收敛,获得多个机组簇。
在一些实施例中,该机组聚类模块302具体还用于:
随机选择目标风电场中的任一风电机组作为初始聚类中心;
确定当前聚类中心;其中,初始的当前聚类中心为初始聚类中心;
基于各个剩余机组与当前聚类中心的特征距离,确定各个剩余机组被选作下一聚类中心的分布概率,并选择最大分布概率对应的剩余机组作为下一聚类中心;其中,剩余机组是目标风电场中除聚类中心之外的其他风电机组;
将当前聚类中心更新为下一聚类中心,并转至基于各个剩余机组与当前聚类中心的特征距离,确定各个剩余机组被选作下一聚类中心的分布概率,并选择最大分布概率对应的剩余机组作为下一聚类中心的步骤进行迭代搜索,确定多个聚类中心。
在一些实施例中,特征距离满足如下公式:
其中,d(xi,μk)表示第i个风电机组的特征向量xi与第k个聚类中心的特征向量μk之间的特征距离,xij表示第i个风电机组的特征向量中的第j个分量,μkj表示第k个聚类中心的特征向量中的第j个分量,d表示特征向量中分量的数量。
在一些实施例中,分布概率满足如下公式:
其中,P(i)表示第i个剩余机组被选作下一聚类中心的分布概率,d(xi,μk)表示第i个剩余机组的特征向量xi与第k个聚类中心的特征向量μk之间的特征距离,d(xj,μk)表示第j个剩余机组的特征向量xj与第k个聚类中心的特征向量μk之间的特征距离,n表示剩余机组的数量。
在一些实施例中,该装置300还包括误差获取模块306,该误差获取模块306具体用于:
基于目标风电场内各个风电机组的实际发电功率之和,获取目标风电场的实际可发功率;
计算实际可发功率与最大可发功率的均方根误差累计值;
若均方根误差累计值大于预设误差阈值,则转至获取目标风电场内多个风电机组的特征信息,并基于特征信息构建各个风电机组的特征向量的步骤。
在一些实施例中,均方根误差累计值满足如下公式:
其中,Pe表示均方根误差累计值,K表示机组簇的数量,mk表示第k个机组簇的机组数量,Pk表示第k个机组簇中样板机组的最大发电功率,表示第k个机组簇中第l个风电机组的实际发电功率。
本申请实施例提供的风电场最大可发功率测算装置300用于执行前述风电场最大可发功率测算方法实施例提供的技术方案,其实现原理和技术效果与前述方法的实施例中类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现,也可以全部以硬件的形式实现,还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,特征获取模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上特征获取模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图4为本申请实施例提供的一种电子设备的结构示意图,参阅图4,该电子设备400包括:处理器401,以及与该处理器401通信连接的存储器402;
存储器402存储计算机执行指令;
处理器401执行存储器402存储的计算机执行指令,以实现前述风电场最大可发功率测算方法的技术方案。
在上述电子设备400中,存储器402、处理器401之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接,如可以通过总线连接。总线可以是工业标准体系结构(Industry StandardArchitecture,简称:ISA)总线、外部设备互连(Peripheral Component Interconnect,简称:PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称:EISA)总线等。总线可以分为地址总线、数据总线、控制总线等,但并不表示仅有一根总线或一种类型的总线。存储器402中存储有实现前述风电场最大可发功率测算法的计算机执行指令,包括至少一个可以软件或固件的形式存储于存储器402中的软件功能模块,处理器401通过运行存储在存储器402内的软件程序以及模块,从而执行各种功能应用以及数据处理。
存储器402至少包括一种类型的可读存储介质,不限于随机存取存储器(RandomAccess Memory,简称:RAM),只读存储器(Read Only Memory,简称:ROM),可编程只读存储器(Programmable Read-Only Memory,简称:PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,简称:EPROM),电可擦除只读存储器(ElectricErasable Programmable Read-Only Memory,简称:EEPROM)等。其中,存储器402用于存储程序,处理器401在接收到执行指令后,执行程序。进一步地,上述存储器402内的软件程序以及模块还可包括操作系统,其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通信,从而提供其他软件组件的运行环境。
处理器401可以是一种集成电路芯片,具有信号的处理能力。上述的处理器401可以是通用处理器,包括中央处理器(Central Processing Unit,简称:CPU)、网络处理器(Network Processor,简称:NP)、数字信号处理器(Digital Signal Processor,简称:DSP)、专用集成电路(Application Specific Integrated Circuit,简称:ASIC)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器,或者该处理器401也可以是任何常规的处理器等。
该电子设备400用于执行前述风电场最大可发功率测算方法实施例提供的技术方案,其实现原理和技术效果与前述方法实施例中类似,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如前述风电场最大可发功率测算方法的技术方案。
上述的计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。该计算机可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于风电场最大可发功率测算装置的控制装置中。
本申请实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时用于实现如前述风电场最大可发功率测算方法的技术方案。
在上述实施例中,本领域技术人员可以理解,实现上述各方法实施例可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线网络、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(Solid State Disk,简称:SSD))等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种风电场最大可发功率测算方法,其特征在于,包括:
获取目标风电场内多个风电机组的特征信息,并基于所述特征信息构建各个风电机组的特征向量;其中,所述特征信息包括机组型号、功率曲线、风况信息和地理位置信息;
根据各个风电机组的特征向量,对所述风电机组进行聚类,获得多个机组簇;
针对各个机组簇,确定所述机组簇的机组数量和样板机组,并获取所述样板机组在自由发电模式下的最大发电功率;其中,所述样板机组是所述机组簇中,与所述机组簇的聚类中心特征距离最短的风电机组;
针对各个机组簇,基于所述机组数量和所述最大发电功率的乘积,获得所述机组簇的测算发电功率;
基于各个机组簇的测算发电功率之和,获得所述目标风电场的最大可发功率。
2.根据权利要求1所述的方法,其特征在于,根据各个风电机组的特征向量,对所述风电机组进行聚类,获得多个机组簇,包括:
基于各个风电机组的特征向量,确定多个聚类中心;
针对各个风电机组,获取所述风电机组到各个聚类中心的特征距离,并将所述风电机组分配到最短特征距离对应的聚类中心所属的机组簇;
针对各个机组簇,计算所述机组簇中各个风电机组的特征向量的特征均值,并将所述机组簇的聚类中心更新为所述特征均值;
转至针对各个风电机组,获取所述风电机组到各个聚类中心的特征距离,并将所述风电机组分配到最短特征距离对应的聚类中心所属的机组簇的步骤迭代至收敛,获得多个机组簇。
3.根据权利要求2所述的方法,其特征在于,基于各个风电机组的特征向量,确定多个聚类中心,包括:
随机选择所述目标风电场中的任一风电机组作为初始聚类中心;
确定当前聚类中心;其中,初始的当前聚类中心为所述初始聚类中心;
基于各个剩余机组与所述当前聚类中心的特征距离,确定各个剩余机组被选作下一聚类中心的分布概率,并选择最大分布概率对应的剩余机组作为下一聚类中心;其中,所述剩余机组是所述目标风电场中除聚类中心之外的其他风电机组;
将所述当前聚类中心更新为下一聚类中心,并转至基于各个剩余机组与所述当前聚类中心的特征距离,确定各个剩余机组被选作下一聚类中心的分布概率,并选择最大分布概率对应的剩余机组作为下一聚类中心的步骤进行迭代搜索,确定多个聚类中心。
4.根据权利要求3所述的方法,其特征在于,所述特征距离满足如下公式:
其中,d(xi,μk)表示第i个风电机组的特征向量xi与第k个聚类中心的特征向量μk之间的特征距离,xij表示第i个风电机组的特征向量中的第j个分量,μkj表示第k个聚类中心的特征向量中的第j个分量,d表示特征向量中分量的数量。
5.根据权利要求3所述的方法,其特征在于,所述分布概率满足如下公式:
其中,P(i)表示第i个剩余机组被选作下一聚类中心的分布概率,d(xi,μk)表示第i个剩余机组的特征向量xi与第k个聚类中心的特征向量μk之间的特征距离,d(xj,μk)表示第j个剩余机组的特征向量xj与第k个聚类中心的特征向量μk之间的特征距离,n表示剩余机组的数量。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述目标风电场内各个风电机组的实际发电功率之和,获取所述目标风电场的实际可发功率;
计算所述实际可发功率与所述最大可发功率的均方根误差累计值;
若所述均方根误差累计值大于预设误差阈值,则转至获取目标风电场内多个风电机组的特征信息,并基于所述特征信息构建各个风电机组的特征向量的步骤。
7.根据权利要求6所述的方法,其特征在于,所述均方根误差累计值满足如下公式:
其中,Pe表示均方根误差累计值,K表示机组簇的数量,mk表示第k个机组簇的机组数量,Pk表示第k个机组簇中样板机组的最大发电功率,表示第k个机组簇中第l个风电机组的实际发电功率。
8.一种风电场最大可发功率测算装置,其特征在于,包括:
特征获取模块,用于获取目标风电场内多个风电机组的特征信息,并基于所述特征信息构建各个风电机组的特征向量;其中,所述特征信息包括机组型号、功率曲线、风况信息和地理位置信息;
机组聚类模块,用于根据各个风电机组的特征向量,对所述风电机组进行聚类,获得多个机组簇;
样板选取模块,用于针对各个机组簇,确定所述机组簇的机组数量和样板机组,并获取所述样板机组在自由发电模式下的最大发电功率;其中,所述样板机组是所述机组簇中,与所述机组簇的聚类中心特征距离最短的风电机组;
功率测算模块,用于针对各个机组簇,基于所述机组数量和所述最大发电功率的乘积,获得所述机组簇的测算发电功率;
功率计算模块,用于基于各个机组簇的测算发电功率之和,获得所述目标风电场的最大可发功率。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至7任一项所述的方法。
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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的方法。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118332362A true CN118332362A (zh) | 2024-07-12 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI476430B (zh) | 具極端風速預測功能之風能預報方法 | |
CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
US9201410B2 (en) | Methods and systems for optimizing farm-level metrics in a wind farm | |
EP3121442B2 (en) | Operating wind turbines | |
CN107909211B (zh) | 基于模糊c均值聚类算法的风场等值建模及优化控制方法 | |
JP2016136001A (ja) | 予測装置 | |
CN105389634A (zh) | 一种组合式短期风电功率预测系统及方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
WO2020097979A1 (zh) | 一种风电场控制参数优化方法及系统 | |
CN110348654A (zh) | 风力发电机组评价及运行数据的修正方法、装置及终端 | |
CN113205210A (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN113236487B (zh) | 风电场噪声控制方法、系统、设备及可读存储介质 | |
CN108471137B (zh) | 一种风功率预测中风速功率概率性映射方法 | |
WO2024041409A1 (zh) | 确定代表风力发电机组的方法和装置以及控制方法和装置 | |
AU2021238365A1 (en) | Systems and methods for enhanced reactive power management in a hybrid environment | |
CN112211794B (zh) | 风电机组的机舱温度异常预警方法、装置、设备及介质 | |
CN111342499B (zh) | 一种基于风功率预测数据的风电场实时调度方法 | |
CN118332362A (zh) | 风电场最大可发功率测算方法、装置、设备和存储介质 | |
CN116826859A (zh) | 一种电源碳电协同规划方法、装置、设备及存储介质 | |
CN113761692B (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 | |
CN115313527A (zh) | 考虑湍流风速波动的风电场有功功率分配方法 | |
CN112290600A (zh) | 基于容量可信度的风光互补发电容量优化配置方法及系统 | |
Borges et al. | A probabilistic approach to the evaluation of energy availability of fixed and variable speed wind turbines | |
Dong et al. | Aggregation modeling of wind farms based on multi machine representation | |
CN118148857B (zh) | 基于测风塔湍流传递的风机监测方法、装置及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |