JP2009138523A - 風力発電出力予測方法 - Google Patents
風力発電出力予測方法 Download PDFInfo
- Publication number
- JP2009138523A JP2009138523A JP2007312228A JP2007312228A JP2009138523A JP 2009138523 A JP2009138523 A JP 2009138523A JP 2007312228 A JP2007312228 A JP 2007312228A JP 2007312228 A JP2007312228 A JP 2007312228A JP 2009138523 A JP2009138523 A JP 2009138523A
- Authority
- JP
- Japan
- Prior art keywords
- wind
- power generation
- wind power
- data
- wind speed
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012937 correction Methods 0.000 claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 description 33
- 238000009434 installation Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 5
- 230000009897 systematic effect Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- SDIXRDNYIMOKSG-UHFFFAOYSA-L disodium methyl arsenate Chemical compound [Na+].[Na+].C[As]([O-])([O-])=O SDIXRDNYIMOKSG-UHFFFAOYSA-L 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/82—Forecasts
- F05B2260/821—Parameter estimation or prediction
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/32—Wind speeds
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/321—Wind directions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/335—Output power or torque
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
【課題】GPVデータの物理モデルを用いた数値補間を不要として物理モデルの系統誤差の影響を回避し、風況補正データベース構築後の風計測を不要として、別エリアでのデータベース構築に転用可能とし、風況予測精度を向上させた風力発電出力予測方法を得る。
【解決手段】風力発電エリアでの風況の予測データから風力発電量を予測するために、数値予報によるGPV風況予測データ100と、光波レーダにより実測された風力発電エリアでの風況の実測データ101と、風力発電エリアの各風力発電機の風車201〜203の位置を示す風車位置情報102とを用いて、風速補正係数データベース105を構築する第1のステップS1と、風況補正データベースおよびGPV風況データを用いて各風車201〜203への到来風速を予測する第2のステップS2と、到来風速の予測値に基づいて風力発電量を予測する第3のステップS3とを備えている。
【選択図】図1
【解決手段】風力発電エリアでの風況の予測データから風力発電量を予測するために、数値予報によるGPV風況予測データ100と、光波レーダにより実測された風力発電エリアでの風況の実測データ101と、風力発電エリアの各風力発電機の風車201〜203の位置を示す風車位置情報102とを用いて、風速補正係数データベース105を構築する第1のステップS1と、風況補正データベースおよびGPV風況データを用いて各風車201〜203への到来風速を予測する第2のステップS2と、到来風速の予測値に基づいて風力発電量を予測する第3のステップS3とを備えている。
【選択図】図1
Description
この発明は、風力発電出力(発電電力量)を予測(翌日予測および当日予測)する風力発電出力予測方法に関し、特にレーザ光を空間に放出して空間内の風況(風向および風速を含む)を遠隔で測定する風計測光波レーダ装置(以下、「光波レーダ」と略称する)を用いた風力発電出力予測方法に関するものである。
近年、風速の空間分布の観測は、気象観測や気象予測の観点のみでなく、風力発電設備に代表される風力利用の観点からも、重要な観測項目となりつつある。
従来の風力発電出力予測方法においては、ベースとなる入力データとして、数値予報データ(以下、「GPVデータ」という)を用いる方法が知られている。
従来の風力発電出力予測方法においては、ベースとなる入力データとして、数値予報データ(以下、「GPVデータ」という)を用いる方法が知られている。
GPV(Grid Point Value)は、予報地点が地表高度10[km]かつ10[km]格子程度の平均データであり、WF(Wind Farm)の各風車に寄与する風速を得るためには空間分解能が不足しており、また、日本固有の複雑地形や各風車による後流により予報地点内で風速場が変化することから、直接的に発電量予測に用いられることはできない。
この点に鑑み、GPVデータを用いた場合に風力予測精度を高めるために、過去の予測データと風速実測データとを用いて統計解析し、この解析結果を新たに予測するデータに反映したシステムが提案されている(たとえば、特許文献1参照)。
特許文献1に記載の方法は、まず、気象庁GPV領域(数1000[km]程度の領域で、メッシュ間隔20[km]、気温、地上気圧、指定気圧面高度、湿度、風向および風速)の中から、予測対象とする風力発電サイトの領域(数100[m]領域、メッシュ間隔10[km]程度)を選択し、標高、土地利用データを初期値として、気流場の予測計算に基づき、広領域数値予報データ(気温、気圧、風向および風速、湿度、降水量の10分ごとの更新周期)を算出してデータを蓄積する。
次に、上記のように算出された広領域数値予報データと、狭領域の標高および土地利用データとを用いて、気流場の計算範囲(領域)を段階的に絞りこみながら、風力発電サイト近傍の数10[m]〜数100[m]メッシュの狭領域数値予報データを算出する。
気流場の予測計算方法には、力学的原理に基づく既存技術(たとえば、(株)CRCソリューションのLOCALS(登録商標))があり、この手法における基本式は、運動方程式、質量保存式、熱力学の式、乱流モデル式、の4式である。
上記4式の各計算には、初期値および境界値が必要であるが、広領域の計算では気象庁GPVデータの内挿値を用い、狭領域の計算では広領域の計算結果の内挿値を用いる。
上記4式の各計算には、初期値および境界値が必要であるが、広領域の計算では気象庁GPVデータの内挿値を用い、狭領域の計算では広領域の計算結果の内挿値を用いる。
上記特許文献1に記載の方法によれば、風力発電サイトレベルの分解能で予測計算が可能となるが、さらに狭領域(個々の風力発電機の設置位置の付近程度まで)の予測データを得るために、過去の予測データと実測データとを統計解析した解析結果を、新たに予測する予測データに反映させることにより、風況予測精度を高める技術も提案されている。
このため、物理モデル(マイクロスケールモデル、後流モデル)を用いて、予報値をダウンスケーリングして、風車に寄与する風速を推定する手法が採用されてきたが、上記物理モデルの系統誤差によって予測精度が低下することが考えられ、複数種類のメソスケール気象予報値の組み合わせの必要性などが指摘されている。
一方、風車への到来風速の実況値に基づいてGPVデータを補正する手法も考えられ、この場合、GPV風速と実測値との相関関係を精度よく決定することができれば、上記物理モデルを介せずに風力を予測することが可能と考えられる。しかしながら、通常のWFでは、風車への到来風速の実測値として、ナセル風速または基準マスト風速のみが取得可能であり、ナセル風速は風車翼後方に計測点があること、基準マスト風速は風車以外の限られた位置に制限されることから、計測精度を十分達成することはできない。
従来の風力発電出力予測方法では、たとえば特許文献1に記載の技術の場合、狭領域の予測データを得るために、物理モデルを用いて予報値をダウンスケーリングして風車に寄与する風速を推定しているので、物理モデルの系統誤差によって予測精度が低下する可能性があるという課題があった。
また、風車への到来風速の実況値に基づくGPVデータの補正手法を適用しても、風車への到来風速の実測値として、ナセル風速を取得する場合には風車翼後方に計測点がある理由から、また基準マスト風速を取得する場合には風車以外の限られた位置に制限される理由から、十分な計測精度を達成することができないという課題があった。
この発明は、上記のような課題を解決するためになされたものであり、GPVデータの物理モデルを用いた数値補間を不要とし、風況補正データベースの構築後の風計測を不要として、風況予測精度を向上させた風力発電出力予測方法を得ることを目的とする。
この発明による風力発電出力予測方法は、予測対象となる風力発電エリアでの風向および風速を含む風況の予測データから風力発電量を予測する風力発電出力予測方法において、風力発電エリアの近傍での数値予報によるGPV風況データと、光波レーダにより実測された風力発電エリアでの風況実測値と、風力発電エリアにおける各風力発電機の風車の位置を示す風車位置情報とを用いて、風況補正データベースを構築する第1のステップと、風況補正データベースおよびGPV風況データを用いて、風力発電エリア内の各風車に到来する到来風速を予測する第2のステップと、到来風速の風速予測値に基づいて風力発電量を予測する第3のステップとを備えたものである。
この発明によれば、GPVデータの物理モデルを用いた数値補間を不要として、物理モデルの系統誤差の影響を受けないようにするとともに、風況補正データベースの構築後の風計測を不要として、別エリアでのデータベース構築に転用可能とすることにより、風況予測精度を向上させることができる。
実施の形態1.
図1はこの発明の実施の形態1を実現する予測システムを示す機能ブロック図であり、光波レーダ200および風力発電エリア内の各風力発電機211〜213の風車201〜203と関連して、風力発電出力(発電電力量)を予測するシステムの全体構成を概略的に示している。
図1はこの発明の実施の形態1を実現する予測システムを示す機能ブロック図であり、光波レーダ200および風力発電エリア内の各風力発電機211〜213の風車201〜203と関連して、風力発電出力(発電電力量)を予測するシステムの全体構成を概略的に示している。
図1において、この発明の実施の形態1に係る風力発電出力予測方法を実現するシステムは、風況予測補正データベースを構築する第1のステップS1と、第1のステップS1で構築した風況予測補正データベースを用いて各風力発電機211〜213の風車201〜203に到来する到来風速を予測する第2のステップS2と、第2のステップS2で予測した到来風速に基づいて風力発電量を予測する第3のステップS3とを備えている。
第1のステップS1は、GPV風況予測データ100と、光波レーダ200により測定された風力発電エリアでの風況(風向および風速)の実測データ101と、風力発電エリア内の各風車201〜203の風車位置情報102と、各風車201〜203への到来風速を算出する到来風速算出部103と、相関演算により風速予測値の補正係数を算出する相関演算部104と、数値予報によるGPV風向ごとの風車201〜203への到来風速の風速補正係数データベース105とを備えている。
第2のステップS2は、GPV風況予測データ100と、GPV風向ごとの到来風速の風速補正係数データベース105と、GPV風況予測データから到来風速への変換部106と、推定された各風車201〜203への到来風速の予測データ107とを備えている。
また、第3のステップS3は、各風車201〜203への到来風速の予測データ107と、風車性能データベース108と、到来風速から風力発電電力への変換部109と、図1のシステムの最終的な取得目的である風力発電量の予測データ110とを備えている。
また、第3のステップS3は、各風車201〜203への到来風速の予測データ107と、風車性能データベース108と、到来風速から風力発電電力への変換部109と、図1のシステムの最終的な取得目的である風力発電量の予測データ110とを備えている。
ここで、第1のステップS1の具体的な機能について説明する。
まず、光波レーダ200による風況の実測データ101の取得ブロックにおいては、光波レーダ200により実測された風力発電エリア全域の風況の3次元リアルタイムデータを蓄積する。
まず、光波レーダ200による風況の実測データ101の取得ブロックにおいては、光波レーダ200により実測された風力発電エリア全域の風況の3次元リアルタイムデータを蓄積する。
続いて、各風車201〜203への到来風速算出部(風向および風速の空間成分解析部)103においては、風力発電エリアにおける各風力発電機211〜213の風車位置情報102に基づいて、各風車201〜203に到来する風速成分を算出する。
なお、光波レーダ200による風況の実測データ101の測定原理は、概略的に以下の通りである。
まず、光波レーダ200の装置内部で発生させた単一周波数の連続発振レーザ光の一部をパルス増幅した後、空間内の所定方位に望遠鏡を介して放出する。このときの送信光の周波数は、たとえば、波長λ=1.55[μm]帯の送信光の場合、約195[THz]である。
まず、光波レーダ200の装置内部で発生させた単一周波数の連続発振レーザ光の一部をパルス増幅した後、空間内の所定方位に望遠鏡を介して放出する。このときの送信光の周波数は、たとえば、波長λ=1.55[μm]帯の送信光の場合、約195[THz]である。
送信光の一部は、大気中のエアロゾルと呼ばれる微小塵によって散乱され、エアロゾルが風速と同速度で移動することから、散乱光にはドップラ周波数シフトfDが生じる。
たとえば、風速1[m/s]当たりに生じるドップラ周波数シフトfDは、波長1.55[μm]の場合、約1.3[MHz]である。
たとえば、風速1[m/s]当たりに生じるドップラ周波数シフトfDは、波長1.55[μm]の場合、約1.3[MHz]である。
散乱光の一部は、望遠鏡により受信される。受信光の周波数に応答できる光電変換素子は存在しないが、受信光と基準光源光とを合波した後で光電変換することにより、差分周波数からなるドップラ周波数シフトfDを検出することができる。
すなわち、受信光に基づく視線方向風速MRvは、ドップラ周波数シフトfDから以下の式(1)により算出することができる。
すなわち、受信光に基づく視線方向風速MRvは、ドップラ周波数シフトfDから以下の式(1)により算出することができる。
MRv=λ・fD/2 ・・・(1)
一方、パルス光を送信してから受信光を得るまでの時間(ラウンドトリップ時間)は、送信方位の距離に比例するので、受信電気信号を時間ごとに周波数解析することにより、送信方位の距離ごとの風速を得ることができる。
最後に、送信光の方位を変化(円周走査)させて、上記と同様に測定することにより、走査中心(光波レーダ200の設置位置)から所定距離に位置する複数空間の視線方向風速を得ることができる。
最後に、送信光の方位を変化(円周走査)させて、上記と同様に測定することにより、走査中心(光波レーダ200の設置位置)から所定距離に位置する複数空間の視線方向風速を得ることができる。
上記のように得られた複数空間の視線方向風速をベクトル合成することにより、複数空間内の3次元的な風向および風速を得ることができる。
この発明の実施の形態1による風況予測用の補正データベースの構築に際しては、たとえば図2のような測定レイアウトが採用される。
この発明の実施の形態1による風況予測用の補正データベースの構築に際しては、たとえば図2のような測定レイアウトが採用される。
図2は光波レーダ200および風車201〜203の設置位置(測定レイアウト)を側面図で示す説明図である。
図2において、1台の光波レーダ(LIDAR:Light Detection and Ranging)200は、各風力発電機(WPG)211〜213の風車201〜203が設置された風力発電エリア全体を見渡せる位置に設置され、送信光Rを複数の仰角で円周走査する(破線楕円参照)。
図2において、1台の光波レーダ(LIDAR:Light Detection and Ranging)200は、各風力発電機(WPG)211〜213の風車201〜203が設置された風力発電エリア全体を見渡せる位置に設置され、送信光Rを複数の仰角で円周走査する(破線楕円参照)。
光波レーダ200からの送信光Rの仰角は、測定したい風車201〜203の翼の上端と下端とが光波レーダ200の送信光の通過範囲となるように設定される。
これにより、1台の光波レーダ200を用いて、風力発電エリア全体の風況データ(実測値)を距離ごとに取得することができる。
これにより、1台の光波レーダ200を用いて、風力発電エリア全体の風況データ(実測値)を距離ごとに取得することができる。
図3は風速データの一例を示す説明図であり、1台の光波レーダ200により得られた都市域での風速データ(半径8kmの円内の風速)を、2[km]ごとの網目状(メッシュ)で示している。
図3において、各矢印は、風況データ算出点302(網目状ポイント)ごとの風速および風向に対応し、円形の濃淡分布301は風速分布を示しており、濃淡分布301の中心位置は光波レーダ200の位置に対応し、濃淡分布301のパターン内の濃淡は、視線方向風速の強弱を表している。
図3の場合、距離分解能は100[m]、角度分解能は1.5[deg]であり、水平面上の光波レーダ200の設置位置から半径8[km]の円内の風速が得られていることが分かる。
また、100[m]程度の範囲内においても、細かな濃淡が表示されていることから、100[m]程度の範囲内でも風速が変化している様子が分かる。
また、100[m]程度の範囲内においても、細かな濃淡が表示されていることから、100[m]程度の範囲内でも風速が変化している様子が分かる。
図3内の各風況データ算出点302の周囲の視線方向風速測定値を用いて、ベクトル演算することにより、風況データ算出点302ごとの風況値を算出することができる。
図3においては、風況データ算出点302ごとに得られた算出風況を矢印303で表示しており、矢印303の大きさは風速に対応し、矢印303の方向は風向に対応する。
図3においては、風況データ算出点302ごとに得られた算出風況を矢印303で表示しており、矢印303の大きさは風速に対応し、矢印303の方向は風向に対応する。
なお、図3の例では、2[km]の等間隔メッシュごとに風況データを算出したが、特定位置に配置されている風力発電機211〜213に対しても、同様の方法で風況データを算出することができる。
すなわち、光波レーダ200の実測データ(視線方向風速分布)に対応して、各風力発電機211〜213の設置位置(風車位置)情報102に基づき、光波レーダ200の設置位置から距離(風車位置)Liに位置するi番目の風車20iに対する到来風速Mi(i=1,2,・・・n)を算出し、測定時刻とともに格納しておく。
すなわち、光波レーダ200の実測データ(視線方向風速分布)に対応して、各風力発電機211〜213の設置位置(風車位置)情報102に基づき、光波レーダ200の設置位置から距離(風車位置)Liに位置するi番目の風車20iに対する到来風速Mi(i=1,2,・・・n)を算出し、測定時刻とともに格納しておく。
なお、格納するデータとして、各風車位置Liでの到来風速Mi(i=1,2,・・・n)の他に、各風車位置Liでの風向、風速の変動(標準偏差)を示す乱流度からなる乱流モデル、および、各風車位置Liでの高度ごとの風速測定値(後述する高度分布Mi(h))などがあげられる。
続いて、第1のステップS1においては、同じ時間帯で、GPV風況予測データ100を取得する。なお、風況データとは、風速Mv、風向Md、などを含むデータである。
GPVデータは、数1000[km]程度の領域で、メッシュ間隔20〜10[km]における平均データであり、各風車位置Liでの風速を直接表すデータではない。
GPVデータは、数1000[km]程度の領域で、メッシュ間隔20〜10[km]における平均データであり、各風車位置Liでの風速を直接表すデータではない。
第1のステップS1内の相関演算部104は、各風車20iに対するGPVデータの補正データとして、風速予測値の補正係数αi、βiに基づいて、j番目の測定時間tjでの風速Mijを、以下の式(2)のように構築する。
Mij=αi・Mvj・βi(Mdj)・・・(2)
式(2)から明らかなように、測定時間tjにおいて、i番目の風車20iには、GPV風速Mvjに補正係数αiを乗算し、さらにGPV風向Mdによる感度係数βi(Mdj)を乗算した風速Mijが到来する。
いま、光波レーダ200により求めた測定時間tjでの到来風速をMRijとすると、測定された到来風速MRijと、式(2)から求めた風速Mijと、の差分の2乗和Siは、測定時間tj(j=1〜k)に関する総和式として、以下の式(3)のように表される。
Si=Σ{(Mij−MRij)^2}
=Σ[(αi・Mvj・βi(Mdj)−MRij)}^2]・・・(3)
=Σ[(αi・Mvj・βi(Mdj)−MRij)}^2]・・・(3)
次に、式(3)から得られる2乗和Siを最小値とするための、以下の式(4)、式(5)からなる条件を求めることにより、各風車20iに対する補正係数αi、βiが算出される。
以下、式(4)、式(5)で算出した各風車20iに対する補正係数αi、βiを、風車20iごとに格納しておくことにより、第1のステップS1による風速補正係数データベース(風況補正データベース)105の構築を完了する。
GPVによる風向および風速の風況予測値に対する各風力発電機位置での到来風速への補正係数をデータベース化することで、風向の変化による各風力発電機(風車)への到来風速を推定することができる。
なお、ここでは、第1のステップS1において、光波レーダ200による到来風速のみをデータベース化する場合について説明したが、これに限定されることはなく、図4に示すようなデータを用いることも有効である。
なお、ここでは、第1のステップS1において、光波レーダ200による到来風速のみをデータベース化する場合について説明したが、これに限定されることはなく、図4に示すようなデータを用いることも有効である。
図4は各風車への到来風速の統計データとGPVデータとの相関演算を説明するための機能ブロック図であり、前述(図1参照)と同様のものに対しては、前述と同一符号が付されている。
図4において、GPV風速予測データ100aおよびGPV風向予測データ100bは、前述のGPV風況予測データ100に対応する。
図4において、GPV風速予測データ100aおよびGPV風向予測データ100bは、前述のGPV風況予測データ100に対応する。
この場合、予測システムは、前述の変換部106において、風速の平均値、最大最小値、標準偏差値、風向の出現頻度などの統計値を算出する統計解析部403と、到来風速の標準偏差とGPV風向との相関演算部404と、到来風速の高度分布とGPV風向との相関演算部405と、GPV風向ごとの乱流モデル(到来風速標準偏差)のデータベース406と、GPV風向ごとの風速高度分布ベキ指数(以下、「高度ベキ指数」と略称する)のデータベース407とを備えている。
図4の構成を用いて、各風車位置Liに対する光波レーダ200の時系列データを統計解析することにより、風速の平均値、最大最小値、標準偏差値σmiなどを算出する。
すなわち、風況の空間成分解析部103は、前述と同様に、風力発電エリア全域での光波レーダ200による風況の実測データ101に対し、風力発電機211〜213の風車位置情報102に基づいて、各風車位置Liでの到来風速Miを算出する。
以下、統計解析部403は、到来風速Miに基づいて、風速の平均値、最大最小値、標準偏差値σmiなどを算出し、相関演算部404に入力する。
すなわち、風況の空間成分解析部103は、前述と同様に、風力発電エリア全域での光波レーダ200による風況の実測データ101に対し、風力発電機211〜213の風車位置情報102に基づいて、各風車位置Liでの到来風速Miを算出する。
以下、統計解析部403は、到来風速Miに基づいて、風速の平均値、最大最小値、標準偏差値σmiなどを算出し、相関演算部404に入力する。
相関演算部404は、統計解析部403により得られた到来風速の標準偏差値σmiと、GPV風向予測データ100bから得られたGPV風向Mdとを用いて、到来風速の標準偏差値σmiのGPV風向Mdに対する補正係数を算出し、GPV風向ごとの乱流モデル(到来風速の標準偏差)のデータベース406を構築する。
すなわち、GPV風向Mdに対する標準偏差値σmiの補正係数を、GPV風向Mdに対してテーブル化することにより、GPV風向ごとの到来風速の標準偏差値σmiを数値データベース化することができる。
すなわち、GPV風向Mdに対する標準偏差値σmiの補正係数を、GPV風向Mdに対してテーブル化することにより、GPV風向ごとの到来風速の標準偏差値σmiを数値データベース化することができる。
一般に、各風力発電機の風車20iへの到来風速Miは、風力発電機211〜213の周囲地形により乱流が発生する場合があり、乱流発生時に到来風速Miのばらつき(標準偏差値σmi)が増大する。
しかし、図4のように、GPV風向(GPVによる予測風向)に対して、各風力発電機の位置(風車位置)Liでの到来風速Miの標準偏差値σmiをデータベース化することにより、風向の変化による系統的な到来風速Miのばらつき(標準偏差値σmi)を推定することができる。
しかし、図4のように、GPV風向(GPVによる予測風向)に対して、各風力発電機の位置(風車位置)Liでの到来風速Miの標準偏差値σmiをデータベース化することにより、風向の変化による系統的な到来風速Miのばらつき(標準偏差値σmi)を推定することができる。
また、各風車201〜203への到来風速算出部(風況の空間成分解析部)103により、対象とする風車位置Liにおける複数高度での風速の測定が可能となる。
たとえば、i番目の風車20iの地上高度h0、h1における光波レーダ200による測定値(到来風速)をMi(h0)、Mi(h1)とすると、経験則として知られた指数則に基づいて以下の式(6)が成立し、高度ベキ指数nを求めることができる。
たとえば、i番目の風車20iの地上高度h0、h1における光波レーダ200による測定値(到来風速)をMi(h0)、Mi(h1)とすると、経験則として知られた指数則に基づいて以下の式(6)が成立し、高度ベキ指数nを求めることができる。
Mi(h1)=Mi(h0)(h1/h0)^(1/n) ・・・(6)
なお、高度ベキ指数nは、たとえば、平坦な地形や海岸地方では「7〜10」、田園地では「4〜6」、市街地では「2〜4」の範囲内の値を取ることが知られている。
図5は風速の高度分布の指数則モデルを例にとった場合の高度ベキ指数nの具体例を示す説明図であり、縦軸は地上高度h[m]、横軸は到来風速M[m/s]である。
図5において、点線は高度ベキ指数n=4の場合、実線は高度ベキ指数n=7の場合、1点鎖線は高度ベキ指数n=10の場合をそれぞれ示している。
図5は風速の高度分布の指数則モデルを例にとった場合の高度ベキ指数nの具体例を示す説明図であり、縦軸は地上高度h[m]、横軸は到来風速M[m/s]である。
図5において、点線は高度ベキ指数n=4の場合、実線は高度ベキ指数n=7の場合、1点鎖線は高度ベキ指数n=10の場合をそれぞれ示している。
図5において、たとえば2つの風力発電機の各風車201、202に対する複数の地上高度に対する風速測定値をプロットする。すなわち、風車201に対する実測値の点集合501(破線枠参照)と、風車202に対する実測値の点集合502(破線枠参照)とをプロットし、各実測値に前述の指数則の式(6)をフィッティングして、高度ベキ指数nを求める。
図5の例では、風車201に対する高度ベキ指数n1は「4」、風車202に対する高度ベキ指数n2は「7」となる。
以下、到来風速の高度分布とGPV風向との相関演算部405は、各風車位置Liでの高度ベキ指数niと、GPV風向Mdとの相関演算を行い、GPV風向に対する高度ベキ指数nを、データベース407のように数値データベース化する。
以下、到来風速の高度分布とGPV風向との相関演算部405は、各風車位置Liでの高度ベキ指数niと、GPV風向Mdとの相関演算を行い、GPV風向に対する高度ベキ指数nを、データベース407のように数値データベース化する。
なお、高度ベキ指数nは、周囲地形の構造や遮蔽物などにより、風力発電エリア内においても、風力発電機21iの設置位置ごとに異なる値を取ることが考えられ、風力発電機21iごとに異なる風速の高度分布をもつことが予想される。
また、高度ベキ指数nは、風力発電機21iの設置位置が同じであっても、到来風の風向により異なった地形の影響を受けて、値が変化することが考えられる。すなわち、到来風の風向Mdおよび風力発電機21iの設置位置の違いにより、到来風速Miおよび高度分布Mi(h)が異なることが考えられる。
しかし、図4のように、GPVによる予測風向に対する各風力発電機21iの設置位置での高度ベキ指数nをデータベース化することにより、風向の変化による各風力発電機21iへの到来風速の高度分布Mi(h)を推定することができる。
しかし、図4のように、GPVによる予測風向に対する各風力発電機21iの設置位置での高度ベキ指数nをデータベース化することにより、風向の変化による各風力発電機21iへの到来風速の高度分布Mi(h)を推定することができる。
以上のように、光波レーダ200を用いたGPV風況データの補正データベース化において、光波レーダ200による風況の実測は、所定期間(たとえば、各季節における1ヶ月程度)だけ継続して行い、データを収集すればよく、データベース構築後には、光波レーダ200が不要となる。
したがって、1つの風力発電エリアでのデータベース構築後の光波レーダ200を別のエリアでのデータベース構築に転用することができ、複数の風力発電エリアで1台の光波レーダ200を共有することができるので、データベース構築に必要な光波レーダ200の準備コストを低減することができる。
次に、図1内の第2のステップS2について説明する。
第2のステップS2においては、第1のステップS1で取得した風況補正データベースを用いて、風車への到来風速を予測するために、まず、前述の数値予報によるGPV風況予測データ(風速、風向データなど)100を取得する。
第2のステップS2においては、第1のステップS1で取得した風況補正データベースを用いて、風車への到来風速を予測するために、まず、前述の数値予報によるGPV風況予測データ(風速、風向データなど)100を取得する。
また、風況データの予測値に対して、GPV風向ごとの到来風速の風速補正係数データベース105から、風況補正データベース内の各風車20iに対する補正係数αi、βiの値を取得する。
以下、到来風速への変換部106において、GPV風況予測データ100に基づき前述の式(2)の演算処理を行うことにより、i番目の風車20iへの到来風速Miを推定することができ、最後に、各風車20iへの到来風速Miの予測データ107を取得することができる。
すなわち、第2のステップS2においては、GPV風況予測データ100に対して、風速補正係数データベース(風況補正データベース)105を適用することにより、各風力発電機(風車)への到来風速の予測データ107を取得することができる。
なお、前述(図4)と同様に、到来風速Miの標準偏差値σmiと風向との相関演算部404と、GPV風向ごとの乱流モデル(数値)のデータベース406とから、GPV風況予測データに対応する風速補正係数データベース105とを用いて、補正係数を取得することにより、各風車20iへの到来風速Miの標準偏差値σmi(Md)についても推定することができる。
また、図4において、風車への到来風速MiのGPV風向ごとの高度ベキ指数niのデータベース407から、GPV風向の入力により補正係数αi、βiを取得することできるので、高度ベキ指数niと、GPV風速から推定した各風車20iへの到来風速Miの推定値とから、前述の式(6)を用いることにより、各風車20iへの到来風速Miの高度分布Mi(h)を得ることができる。
このように、GPV風況予測データ100から、各風力発電機21iの風車20iへの到来風速Miと、到来風速Miのばらつき(標準偏差値σmi)を示す乱流モデルと、到来風速Miの高度分布Mi(h)とを、風力発電機21iごとの独立した予測データに変換することができる。
次に、図6を参照しながら、図1内の第3のステップS3について説明する。
図6は風力発電機の発電特性曲線の一例を示す説明図であり、各風力発電機21iの発電特性は風車性能データベース108内に格納されている。
図6は風力発電機の発電特性曲線の一例を示す説明図であり、各風力発電機21iの発電特性は風車性能データベース108内に格納されている。
第3のステップS3において、到来風速から風力発電電力への変換部109は、第2のステップS2で取得した到来風速の予測データ107を用いて風力発電量を予測するために、到来風速の予測データ107に対して、風車性能データベース108に格納しておいた各風力発電機21iの発電特性曲線から、到来風速Miの各値に対応した風力発電量の予測データ(発電出力予測データ)110を算出する。
図6において、発電特性曲線は、各風力発電機21iに固有の発電特性を示しており、たとえば、到来風速Mが10[m/s]の場合の発電出力は、800[kW]と算出される。
また、到来風速の高度分布Mi(h)についても、予測データを取得することができるので、各風車20iの翼面に対して実効的に寄与する平均風速を算出することができ、これにより、発電出力の予測精度を向上させることができる。
また、到来風速の高度分布Mi(h)についても、予測データを取得することができるので、各風車20iの翼面に対して実効的に寄与する平均風速を算出することができ、これにより、発電出力の予測精度を向上させることができる。
以上のように、この発明の実施の形態1に係る風力発電出力予測方法は、予測対象となる風力発電エリアでの風況(風向および風速を含む)の予測データから風力発電量を予測するために、風力発電エリアの近傍での数値予報によるGPV風況データ(GPV風況予測データ100)と、光波レーダ200により実測された風力発電エリアでの風況実測値(風況の実測データ101)と、風力発電エリアにおける各風力発電機の風車201〜203の位置を示す風車位置情報102とを用いて、風況補正データベース(風速補正係数データベース105)を構築する第1のステップS1と、風況補正データベース(風速補正係数データベース105)およびGPV風況データ(GPV風況予測データ100)を用いて、風力発電エリア内の各風車に到来する到来風速Miを予測する第2のステップS2と、到来風速の風速予測値に基づいて風力発電量を予測する第3のステップS3とを備えている。
これにより、GPV風況予測データ100からの絞込みステップ(GPVデータの物理モデルを用いた数値補間による領域の段階的な処理)が不要となり、光波レーダ200と風力発電機21iの位置情報(風車位置情報)102が前情報として準備されていればよいので、従来のような風力発電エリアの標高や土地利用データなどの地形情報が不要となり、予測システム全体の演算負荷を軽減することができる。
また、物理モデルの系統誤差の影響を受けないので、風況予測精度を向上させることができる。
また、風速補正データベース105の構築後に光波レーダ200による風計測が不要となるので、別のエリアでのデータベース構築に転用可能となる。
また、風速補正データベース105の構築後に光波レーダ200による風計測が不要となるので、別のエリアでのデータベース構築に転用可能となる。
また、従来方法における到来風速(風力発電機ナセル上の風速値)とは異なり、光波レーダ200を用いて、風車20iの翼を通過する前の風速MRiを実測することができるうえ、風車20iの翼の影響を受けない風力発電エリア全域空間(基準マストの風速測定点以外の空間)での風速値を実測することができるので、到来風速Miの推定精度を向上させることができる。
また、従来方法におけるナセル風速測定とは異なり、複数高度の到来風速(高度分布Mi(h))の測定が可能となるので、風車20iの周囲地形などに依存して変化する風速の高度分布Mi(h)と、GPV風況データ(GPV風況予測データ100)との関連付けが可能となり、風力発電電力の予測精度をさらに向上させることができる。
また、この発明の実施の形態1による第1のステップS1は、数値予報によるGPV風況データ(GPV風況予測データ100)に基づいて、風力発電エリア内の各風力発電機に到来する風速予測値を修正するための風速補正データベース(風速補正係数データベース105)を個別に算出するステップを含むので、風力発電エリア内の各風車位置Liや周囲環境(地形、障害物)による到来風速の違いを予測することができる。
また、これにより、風車への到来風速Miの予測精度を向上させるとともに、風車ごとの運用状態(運転/停止)による予測精度の低下を防ぐことができる。
また、これにより、風車への到来風速Miの予測精度を向上させるとともに、風車ごとの運用状態(運転/停止)による予測精度の低下を防ぐことができる。
また、この発明の実施の形態1による第3のステップS3は、各風力発電機の特性情報を含む風力発電機情報に基づいて、風力発電量の発電量予測値を修正するための発電量補正データベース(風車性能データベース108)を算出するステップを含み、風力発電電力への変換部109において風速予測値から風力発電量を算出する際に、発電量補正データベース(風車性能データベース108)を用いるので、風力発電エリア内に設置された各風力発電機21iの発電性能による発電量の違いを予測することができる。
また、風力発電量の予測精度を向上させるとともに、風車ごとの運用状態(運転/停止)による予測精度の低下を防ぐことができる。
また、風力発電量の予測精度を向上させるとともに、風車ごとの運用状態(運転/停止)による予測精度の低下を防ぐことができる。
また、この発明の実施の形態1による風況実測値(風況の実測データ101)は、各風力発電機21iの風車位置Liでの風向データMdを含み、第1のステップS1において風速補正データベース(風速補正係数データベース105)を個別に算出するステップは、風向データMdとGPV風況データ(GPV風況予測データ100)との相関関係を解析するステップを含むので、風車への到来風速および風向の予測精度を向上させることができる。
また、この発明の実施の形態1による風況実測値(風況の実測データ101)は、各風力発電機の風車位置Liでの風速の標準偏差(到来風速の標準偏差値σmi)を示す乱流モデル(GPV風向ごとの乱流モデルのデータベース406)を含み、第1のステップS1において風速補正データベース(風速補正係数データベース105)を個別に算出するステップは、乱流モデルとGPV風況データ(GPV風況予測データ100)との相関関係を解析するステップを含むので、風車への到来速および風向の予測精度を向上させることができる。
また、この発明の実施の形態1による風況実測値(風況の実測データ101)は、各風力発電機の風車位置Liでの高度ベキ指数niを含み、第1のステップS1において風速補正データベース(風速補正係数データベース105)を個別に算出するステップは、高度ベキ指数niとGPV風況データ(GPV風況予測データ100)との相関関係を解析するステップを含むので、風車への到来速および風向の予測精度を向上させることができる。
さらに、この発明の実施の形態1に用いられる光波レーダ200は、計測範囲が風力発電エリアの全体を含むように設置されており(図2参照)、第1のステップS1は、光波レーダ200からの送信光を複数の仰角で円周走査して、風力発電エリア内の半球内空間の風向および風速を計測するステップを含むので、1台の光波レーダ200の送信光を風力発電エリア全体に走査して計測することができ、従来方法で用いられていたカップ型風速計やSODAR(鉛直風計測装置)などのように、風力発電機ごとに1台ずつ必要だった風況測定手段を削減することができる。
S1 風況補正データベースを構築する第1のステップ、S2 到来風速を予測する第2のステップ、S3 風力発電量(発電電力)を予測する第3のステップ、100 GPV風況データ(GPV風況予測データ)、100a GPV風速予測データ、100b GPV風向予測データ、101 風況の実測データ、102 風力発電エリアの風車位置情報、103 各風車への到来風速算出部(風況の空間成分解析部)、104、404、405 相関演算部、105 風速補正係数データベース(風況補正データベース)、106 GPV風況予測データから到来風速への変換部、107 各風車への到来風速の予測データ、108 風車性能データベース、109 到来風速から風力発電電力への変換部、110 風力発電量(発電電力)の予測データ、200 光波レーダ、201〜203、20i 風車、211〜213,21i 風力発電機、R 光波レーダの送信光、301 光波レーダにより得られた風速データ、302 網目状(メッシュ)の風況データ算出点、303 到来風速の算出結果、403 統計解析部、406 GPV風向ごとの乱流モデル(到来風速の標準偏差値)のデータベース、407 GPV風向ごとの高度ベキ指数のデータベース、50、502 風速の高度分布の実測値。
Claims (7)
- 予測対象となる風力発電エリアでの風向および風速を含む風況の予測データから風力発電量を予測する風力発電出力予測方法において、
前記風力発電エリアの近傍での数値予報によるGPV風況データと、光波レーダにより実測された前記風力発電エリアでの風況実測値と、前記風力発電エリアにおける各風力発電機の風車の位置を示す風車位置情報とを用いて、風況補正データベースを構築する第1のステップと、
前記風況補正データベースおよび前記GPV風況データを用いて、前記風力発電エリア内の各風車に到来する到来風速を予測する第2のステップと、
前記到来風速の風速予測値に基づいて前記風力発電量を予測する第3のステップと
を備えたことを特徴とする風力発電出力予測方法。 - 前記第1のステップは、前記GPV風況データに基づいて前記風速予測値を修正するための風速補正データベースを個別に算出するステップを含むことを特徴とする請求項1に記載の風力発電出力予測方法。
- 前記第3のステップは、
前記各風力発電機の特性情報を含む風力発電機情報に基づいて、前記風力発電量の発電量予測値を修正するための発電量補正データベースを算出するステップを含み、
前記風速予測値から前記風力発電量を算出する際に前記発電量補正データベースを用いることを特徴とする請求項1または請求項2に記載の風力発電出力予測方法。 - 前記風況実測値は、前記各風力発電機の風車位置での風向データを含み、
前記第1のステップにおいて前記風速補正データベースを個別に算出するステップは、前記風向データと前記GPV風況データとの相関関係を解析するステップを含むことを特徴とする請求項2に記載の風力発電出力予測方法。 - 前記風況実測値は、前記各風力発電機の風車位置での風速の標準偏差を示す乱流モデルを含み、
前記第1のステップにおいて前記風速補正データベースを個別に算出するステップは、前記乱流モデルと前記GPV風況データとの相関関係を解析するステップを含むことを特徴とする請求項2に記載の風力発電出力予測方法。 - 前記風況実測値は、前記各風力発電機の風車位置での高度ベキ指数を含み、
前記第1のステップにおいて前記風速補正データベースを個別に算出するステップは、前記高度ベキ指数と前記GPV風況データとの相関関係を解析するステップを含むことを特徴とする請求項2に記載の風力発電出力予測方法。 - 前記光波レーダは、計測範囲が前記風力発電エリアの全体を含むように設置され、
前記第1のステップは、前記光波レーダからの送信光を複数の仰角で円周走査して、前記風力発電エリア内の半球内空間の風向および風速を計測するステップを含むことを特徴とする請求項4から請求項6までのいずれか1項に記載の風力発電出力予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007312228A JP2009138523A (ja) | 2007-12-03 | 2007-12-03 | 風力発電出力予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007312228A JP2009138523A (ja) | 2007-12-03 | 2007-12-03 | 風力発電出力予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009138523A true JP2009138523A (ja) | 2009-06-25 |
Family
ID=40869406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007312228A Pending JP2009138523A (ja) | 2007-12-03 | 2007-12-03 | 風力発電出力予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2009138523A (ja) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009167848A (ja) * | 2008-01-11 | 2009-07-30 | Chugoku Electric Power Co Inc:The | 風力発電量予測システム、方法及びプログラム |
WO2011114752A1 (ja) * | 2010-03-19 | 2011-09-22 | 株式会社 東芝 | 発電量予測装置とその方法及びプログラム |
JP2013108462A (ja) * | 2011-11-22 | 2013-06-06 | Fuji Electric Co Ltd | 風力発電量予測システム、そのプログラム |
CN103308711A (zh) * | 2012-03-06 | 2013-09-18 | 全北大学校产学协力团 | 一种用于预测风力发电场的风况的方法 |
CN103440529A (zh) * | 2013-08-12 | 2013-12-11 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
WO2014020778A1 (ja) * | 2012-07-31 | 2014-02-06 | 日揮株式会社 | 気象再現方法、気象再現装置、及び空気利用装置 |
KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
JP2017102760A (ja) * | 2015-12-02 | 2017-06-08 | メトロウェザー株式会社 | 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法 |
CN106897481A (zh) * | 2017-01-03 | 2017-06-27 | 北京国能日新系统控制技术有限公司 | 利用空间多点功率预测特征的风功率集成预测方法及装置 |
EP2461024A3 (en) * | 2010-12-06 | 2017-10-18 | General Electric Company | System, device, and method for estimating the power output of wind turbines |
CN109146709A (zh) * | 2018-09-12 | 2019-01-04 | 国网辽宁省电力有限公司 | 风功测点鉴别方法及装置 |
WO2019008931A1 (ja) * | 2017-07-07 | 2019-01-10 | 株式会社日立製作所 | ウィンドファーム、及び配置決定装置 |
JP2019100262A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社日立製作所 | 風力発電装置の評価方法および設計方法 |
CN110263998A (zh) * | 2019-06-19 | 2019-09-20 | 大唐(赤峰)新能源有限公司 | 多源数值天气预报集合双层修正方法 |
CN110659672A (zh) * | 2019-09-02 | 2020-01-07 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
CN111396246A (zh) * | 2019-11-27 | 2020-07-10 | 浙江运达风电股份有限公司 | 基于叶轮等效风速修正的激光雷达辅助控制方法 |
CN113803222A (zh) * | 2021-09-22 | 2021-12-17 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
KR20220159122A (ko) * | 2021-05-25 | 2022-12-02 | 주식회사 지에스풍력발전 | 대기모형 예보 기반 풍력 발전량 예측 장치 및 방법 |
WO2024004155A1 (ja) * | 2022-06-30 | 2024-01-04 | 株式会社Acsl | 風力発電装置の位置を推定するためのシステム、サブシステム、方法、プログラム及びプログラムを記憶した記憶媒体 |
-
2007
- 2007-12-03 JP JP2007312228A patent/JP2009138523A/ja active Pending
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009167848A (ja) * | 2008-01-11 | 2009-07-30 | Chugoku Electric Power Co Inc:The | 風力発電量予測システム、方法及びプログラム |
WO2011114752A1 (ja) * | 2010-03-19 | 2011-09-22 | 株式会社 東芝 | 発電量予測装置とその方法及びプログラム |
JP2011200040A (ja) * | 2010-03-19 | 2011-10-06 | Toshiba Corp | 発電量予測装置、予測方法及び予測プログラム |
CN102792542A (zh) * | 2010-03-19 | 2012-11-21 | 株式会社东芝 | 发电量预测装置和其方法及程序 |
EP2461024A3 (en) * | 2010-12-06 | 2017-10-18 | General Electric Company | System, device, and method for estimating the power output of wind turbines |
JP2013108462A (ja) * | 2011-11-22 | 2013-06-06 | Fuji Electric Co Ltd | 風力発電量予測システム、そのプログラム |
EP2637046B1 (en) | 2012-03-06 | 2016-02-10 | Industrial Cooperation Foundation Chonbuk National University | Method for predicting wind conditions in a wind farm |
CN103308711A (zh) * | 2012-03-06 | 2013-09-18 | 全北大学校产学协力团 | 一种用于预测风力发电场的风况的方法 |
EP2637046A3 (en) * | 2012-03-06 | 2014-05-07 | Industrial Cooperation Foundation Chonbuk National University | Method for predicting wind conditions in a wind farm |
WO2014020778A1 (ja) * | 2012-07-31 | 2014-02-06 | 日揮株式会社 | 気象再現方法、気象再現装置、及び空気利用装置 |
KR20140018497A (ko) * | 2012-08-01 | 2014-02-13 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
KR101998553B1 (ko) * | 2012-08-01 | 2019-07-10 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
CN103440529B (zh) * | 2013-08-12 | 2016-05-25 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
CN103440529A (zh) * | 2013-08-12 | 2013-12-11 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
JP2017102760A (ja) * | 2015-12-02 | 2017-06-08 | メトロウェザー株式会社 | 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法 |
CN106897481A (zh) * | 2017-01-03 | 2017-06-27 | 北京国能日新系统控制技术有限公司 | 利用空间多点功率预测特征的风功率集成预测方法及装置 |
CN106897481B (zh) * | 2017-01-03 | 2020-06-26 | 国能日新科技股份有限公司 | 利用空间多点功率预测特征的风功率集成预测方法及装置 |
WO2019008931A1 (ja) * | 2017-07-07 | 2019-01-10 | 株式会社日立製作所 | ウィンドファーム、及び配置決定装置 |
JP2019015236A (ja) * | 2017-07-07 | 2019-01-31 | 株式会社日立製作所 | ウィンドファーム、及び配置決定装置 |
JP2019100262A (ja) * | 2017-12-04 | 2019-06-24 | 株式会社日立製作所 | 風力発電装置の評価方法および設計方法 |
CN109146709B (zh) * | 2018-09-12 | 2020-10-09 | 国网辽宁省电力有限公司 | 风功测点鉴别方法及装置 |
CN109146709A (zh) * | 2018-09-12 | 2019-01-04 | 国网辽宁省电力有限公司 | 风功测点鉴别方法及装置 |
CN110263998A (zh) * | 2019-06-19 | 2019-09-20 | 大唐(赤峰)新能源有限公司 | 多源数值天气预报集合双层修正方法 |
CN110263998B (zh) * | 2019-06-19 | 2024-02-13 | 大唐(赤峰)新能源有限公司 | 多源数值天气预报集合双层修正方法 |
CN110659672A (zh) * | 2019-09-02 | 2020-01-07 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
CN110659672B (zh) * | 2019-09-02 | 2023-09-26 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
CN111396246A (zh) * | 2019-11-27 | 2020-07-10 | 浙江运达风电股份有限公司 | 基于叶轮等效风速修正的激光雷达辅助控制方法 |
KR20220159122A (ko) * | 2021-05-25 | 2022-12-02 | 주식회사 지에스풍력발전 | 대기모형 예보 기반 풍력 발전량 예측 장치 및 방법 |
KR102491085B1 (ko) | 2021-05-25 | 2023-01-20 | 연세대학교 산학협력단 | 대기모형 예보 기반 풍력 발전량 예측 장치 및 방법 |
CN113803222A (zh) * | 2021-09-22 | 2021-12-17 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
CN113803222B (zh) * | 2021-09-22 | 2023-01-03 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
WO2024004155A1 (ja) * | 2022-06-30 | 2024-01-04 | 株式会社Acsl | 風力発電装置の位置を推定するためのシステム、サブシステム、方法、プログラム及びプログラムを記憶した記憶媒体 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2009138523A (ja) | 風力発電出力予測方法 | |
US9519056B2 (en) | System and method for evaluating wind flow fields using remote sensing devices | |
Zhang | Wind resource assessment and micro-siting: science and engineering | |
Newman et al. | Evaluation of three lidar scanning strategies for turbulence measurements | |
US20130317748A1 (en) | Method and system for wind velocity field measurements on a wind farm | |
Tse et al. | A comparative study of typhoon wind profiles derived from field measurements, meso-scale numerical simulations, and wind tunnel physical modeling | |
Theuer et al. | Minute-scale power forecast of offshore wind turbines using single-Doppler long-range lidar measurements | |
Draxl et al. | Mountain waves can impact wind power generation | |
Squitieri et al. | On the forecast sensitivity of MCS cold pools and related features to horizontal grid spacing in convection-allowing WRF simulations | |
Conti et al. | Probabilistic estimation of the Dynamic Wake Meandering model parameters using SpinnerLidar-derived wake characteristics | |
Cañadillas et al. | Offshore wind farm cluster wakes as observed by long-range-scanning wind lidar measurements and mesoscale modeling | |
Duncan Jr et al. | Enhanced estimation of boundary layer advective properties to improve space‐to‐time conversion processes for wind energy applications | |
Barthelmie et al. | Best practice for measuring wind speeds and turbulence offshore through in-situ and remote sensing technologies | |
Wang et al. | Assimilation of radial velocity from coastal NEXRAD into HWRF for improved forecasts of landfalling hurricanes | |
Zen et al. | The use of satellite products to assess spatial uncertainty and reduce life-time costs of offshore wind farms | |
Beaucage et al. | Synthetic aperture radar satellite data for offshore wind assessment: A strategic sampling approach | |
Xie et al. | Sensing wind for environmental and energy applications | |
Simon et al. | Minute-scale wind speed forecasting using scanning lidar inflow measurements | |
Cañadillas et al. | Offshore wind farm cluster wakes as observed by a long-range scanning wind lidar | |
Chaurasiya et al. | An onsite demonstration and validation of LiDAR technology for wind energy resource assessment | |
Conti et al. | Calibration and validation of the Dynamic Wake Meandering model Part I: Bayesian estimation of model parameters using SpinnerLidar-derived wake characteristics | |
Wildmann et al. | Estimation of turbulence parameters from scanning lidars and in-situ instrumentation in the Perdigão 2017 campaign | |
Külüm et al. | Evaluation of wind measurement methods for determination of realistic wind shear: A case study in Aksaray, Turkey | |
Newman et al. | Improving Lidar-Derived Turbulence Estimates for Wind Energy | |
Redburn | A tall tower wind investigation of northwest Missouri |