JP2010025115A6 - 風力資源の予測のための方法および装置 - Google Patents

Abstract

【課題】本発明の課題は、風力資源の予測、およびウィンドファームの出力電力の予測のための方法および装置を改善することである。
【解決手段】この課題は、ウィンドファームの風力資源の予測のための方法であって、該予測は、数値天気予測ツールによって行われ、該数値天気予測ツールは、前記ウィンドファームの位置に関連した気象データの長期的データセットを使用する形式の方法において、風速測定が、大気乱流のパラメータ表示のために、前記ウィンドファームの少なくとも１つの風力タービンによって行われ、前記風速測定は、データストリームを形成するために使用され、該データストリームは、前記予測を行うための気象データのデータセットと組み合わされることを特徴とする方法によって解決される。
【選択図】図１

Description

本発明は、風力資源の予測、および、商業的に事業活動されたウィンドファームの出力の予測のための方法および装置に関する。

風力資源の予測、そしてウィンドファームの出力電力の予測は、ウィンドファームからの一定の発電量を確約する能力を改善する。

したがって、風力値を改善するためには精確な予測が必要である。精確な予測により、ウィンドファームの浸透度を現在よりも高めることが可能であろう。

風力資源、およびウィンドファームの出力電力を予測するためのコンセプトは多数存在する。これらのコンセプトは、メソスケールレベルにおけるツールによる伝統的な数値天気予測に基づいている。"メソスケール気象学"は、総観スケール系よりも小さく、またマイクロスケールおよびストームスケールの積雲系よりも大きい気象系の研究である。

しかしながら、この種のモデルの精確性は、高い浸透度に結びつき得る電力出力確約のためには充分ではないことが経験により判明している。

US 72 28 235は、改善された予測方法を開示しており、ここでは、計画予定されたウィンドファーム場所に近い場所の長期的データセットが考慮されている。この長期的データセットは公開されて自由に使用できるものである。この潜在的可能性のある新しい場所にテストタワーが配置され、このテストタワーは短期的データセットを収集するために使用される。これらの長期的データセットと短期的データセットが組み合わされ、コンピュータ学習システムによって使用される。このようにして、潜在的可能性のあるウィンドファーム場所のための長期的データセットを予測することができる。

ＵＳ ７２ ２８ ２３５

本発明の課題は、風力資源の予測、およびウィンドファームの出力電力の予測のための方法および装置を改善することである。

この課題は、ウィンドファームの風力資源の予測のための方法であって、該予測は、数値天気予測ツールによって行われ、該数値天気予測ツールは、前記ウィンドファームの位置に関連した気象データの長期的データセットを使用する形式の方法において、風速測定が、大気乱流のパラメータ表示のために、前記ウィンドファームの少なくとも１つの風力タービンによって行われ、前記風速測定は、データストリームを形成するために使用され、該データストリームは、前記予測を行うための気象データのデータセットと組み合わされることを特徴とする方法によって解決される。本発明の有利な実施形態は、従属請求項の対象である。

予測のためには、風力タービンの作動のために関係のあるレベルにおいて、高分解能の数値天気予測を行う必要がある。このレベルは大気境界層であり、したがってこのレベルのための大気乱流のパラメータ表示が必要とされる。

パラメータ表示は、高分解能の数値天気予測にとって最大のエラー原因の１つであり、したがって正確なパラメータ表示は、予測のために使用される全てのツールにとって鍵となる要求であろう。

本発明によれば、乱流の所要のパラメータ表示は、最新のウィンドファームの特有のフィーチャを使用することによって得られる。この乱流の所要のパラメータ表示は、有利にはウィンドファームの各風力タービンにおいて行われる風力測定から得られる。

この風速測定は、風力タービンの所定の高さにおいて、有利には風力タービンのハブの高さにおいて、"実時間"で連続的に行われる。

これにより、ハブの高さにおいて行われる、ウィンドファームの大多数の風力タービンもしくは全ての風力タービンからの、風力測定を含む実時間のデータストリームが形成されることとなる。

これらの測定は、風力タービンで測定される別の気象データと組み合わされる。

特にウィンドファームにわたる全ての風力タービンの関連データの組み合わせが、予測のために使用される。

このデータは、数値天気予測モデルに供給され、ウィンドファームのための予測を格段に改善する。

有利な実施形態では、別の所定の高さにおける風速測定値が付加的に使用される。これらの測定値を、ウィンドファーム内にある１つ以上の風況観測マスト（meteological mast）から提供されるようにしてもよい。これにより、局地的なウィンドシアを示すことが可能となる。

有利な実施形態においては、大気安定度の評価に関する情報を提供するために、大気温度が少なくとも２つの異なる高さに関して測定される。

ウィンドファームが沖に位置している場合、海の温度も測定すると有利である。

上述した速度測定を行うために、空間的に分布した複数の風力タービンを使用すると、本発明の方法による予測の質は格段に高くなる。これは、ウィンドファームの風速測定のために１つ以上の付加的な次元を追加する。

ウィンドファームが、複数の風力タービンからなる１つの線から構成される場合、ハブの高さにおける風速測定は、いくつかの風力タービン、実質的には全ての風力タービンから行われる。これにより、乱流をより精確に示すことができる。なぜなら、１点における通常の風力測定に、もう１つ多い次元が追加されるからである。

ウィンドファームが、１つのエリアに配置された複数の風力タービンから構成される場合、ハブの高さにおける風速測定は、いくつかの風力タービン、実質的には全ての風力タービンから行われる。これにより、乱流をより精確に示すことができる。なぜなら、１点における通常の風力測定に、もう２つ多い次元が追加されるからである。

必要であれば、種々異なる高さにおける測定は、付加的な次元を追加する。

測定された風速データおよび別の気象データはコンピュータシステムに伝送され、数値天気予測モデルのために使用される。

このデータは、数値天気予測モデルを較正するために使用される。このようにして、乱流のパラメータ表示のための実時間データを得ることができ、数値天気予測モデルの安定要素と共に使用することができる。

このようにして、モデルを連続的に調節および較正することが可能となる。

また提供されたデータは、歴史的予測との相関関係のために使用することができ、有利には学習コンピュータシステムに供給するために使用される。

予測された風速を、関数として、割り当てられたウィンドファームの電力と組み合わせると、ウィンドファームの総電力出力を精確に予測することができる。

予測の質は、有利な実施形態において、第１のウィンドファームのデータと、別の場所に位置する第２のウィンドファームのデータとを組み合わせることによって改善される。

これらの第１および第２のウィンドファームは、同一の数値天気予測モデルを使用することができる１つの所定のエリア内に位置するべきである。

予測の質は、有利な実施形態において、ウィンドファームとは関係のない気象測定値をデータストリームに加えることによって、例えばすぐ近くの総観観測所（synoptic station）からのデータを加えることによって、改善される。

予測の質は、衛星に基づく風速測定からの情報を加えることによってさらに改善することができる。

出力予測は、使用される風力タービンの休止時間に関する情報を組み合わせることによって、および／または、いわゆる「部分的省略モード」で作動される風力タービンに関する情報を組み合わせることなどによって、調節することができる。

本発明の方法は、有利な実施形態においては、新規または既存のウィンドファームの制御ソフトウェアおよび／または監視ソフトウェアのための、いわゆる「アドオン・フィーチャ」として実施される。

このようにしてオーナーには、付加的に莫大なコストをかける必要なく、予測を改善するための有利な付加的資源が提供される。

本発明を、以下の図面を用いてより詳細に説明する。

風力タービンの列ＷＴ１１〜ＷＴ１５およびＷＴ２１〜ＷＴ２５を備えるウィンドファームＷＦを示す。

ウィンドファームWFの風力資源の予測は、数値天気予測ツールWPTによって行われ、この数値天気予測ツールWPTは気象データの長期的データセットを使用する。この気象データは、このウィンドファームWFの位置に関係している。

風速測定は、ウィンドファームWFの少なくとも１つの風力タービンによって行われる。この実施例では、風速測定は、６つの風力タービンＷＴ１１、ＷＴ１３、ＷＴ１５、ＷＴ２１、ＷＴ２３、ＷＴ２５によって行われる。

風速測定値が数値天気予測ツールＷＰＴに伝達され、これらの測定値は大気乱流のパラメータ表示を行うために使用される。これらの測定値は付加的データとして使用され、気象データのデータセットと組み合わされる。このデータ結合に基づいて、予測が精確に行われる。

Claims (17)

1. ウィンドファームの風力資源の予測のための方法であって、
   ・該予測は、数値天気予測ツールによって行われ、
   ・該数値天気予測ツールは、前記ウィンドファームの位置に関連した気象データの長期的データセットを使用する、
   形式の方法において、
   ・風速測定が、大気乱流のパラメータ表示のために、前記ウィンドファームの少なくとも１つの風力タービンによって行われ、
   ・前記風速測定は、データストリームを形成するために使用され、
   該データストリームは、前記予測を行うための気象データのデータセットと組み合わされる、
   ことを特徴とする方法。
2. 前記風速測定は、前記風力タービンの所定の高さにおいて、連続的に実時間で行われる、
   ことを特徴とする請求項１記載の方法。
3. 前記所定の高さとして、前記風力タービンのハブの高さが使用される、
   ことを特徴とする請求項１または２記載の方法。
4. 前記ウィンドファームの複数の風力タービンが、風速測定を実施し、
   該風速測定は、実時間のデータストリームのために使用される、
   ことを特徴とする請求項１〜３のいずれか一項記載の方法。
5. 前記データストリームを形成するために、別の所定の高さにおいて実施される風速測定が付加的に使用される、
   ことを特徴とする請求項１〜４のいずれか一項記載の方法。
6. 前記付加的な風速測定は、前記ウィンドファーム内に位置する１つ以上の風況観測マストによって行われる、
   ことを特徴とする請求項５記載の方法。
7. 大気安定度の評価に関する付加的な情報を提供するために、大気温度が、少なくとも２つの異なる高さに関して測定される、
   ことを特徴とする請求項１〜６のいずれか一項記載の方法。
8. 沖にあるウィンドファームのために、付加的な気象データとして海の温度が測定される、
   ことを特徴とする請求項７記載の方法。
9. 前記風速測定を行うために、空間的に分布した複数の風力タービンが使用される、
   ことを特徴とする請求項１〜８のいずれか一項記載の方法。
10. 前記風速測定および前記気象データは、コンピュータシステムに伝送され、前記数値天気予測をモデリングするために使用される、
    ことを特徴とする請求項１〜９のいずれか一項記載の方法。
11. 前記数値天気予測を行うために、歴史的予測が付加的に使用される、
    ことを特徴とする請求項１〜１０のいずれか一項記載の方法。
12. 前記ウィンドファームの総電力出力を予測するために、予測された風速が、関数として、割り当てられたウィンドファームの電力と組み合わされる、
    ことを特徴とする請求項１〜１１のいずれか一項記載の方法。
13. 前記予測を行うために、複数のウィンドファームの気象データおよび風速測定が使用され、
    前記複数のウィンドファームは、同一の数値天気予測モデルが使用される１つのエリア内に位置している、
    ことを特徴とする請求項１〜１２のいずれか一項記載の方法。
14. 前記予測を行うための前記気象データおよび前記風速測定に加えて、ウィンドファームとは関係のない気象データが使用される、
    ことを特徴とする請求項１〜１３のいずれか一項記載の方法。
15. 前記予測を行うために、衛星に基づく風速測定からの情報が付加的に使用される、
    ことを特徴とする請求項１〜１４のいずれか一項記載の方法。
16. 前記予測を行うために、使用される風力タービンの休止時間に関する情報が付加的に使用される、および／または、前記予測を行うために、部分的省略モードで作動する風力タービンに関する情報が付加的に使用される、
    ことを特徴とする請求項１〜１５記載の方法。
17. 請求項１〜１６のいずれか一項記載の方法による方法ステップを実行するために実現された手段を備える、ウィンドファームの風力資源を予測するための装置。

Images