TW201901590A - 適應性發電管理 - Google Patents

適應性發電管理 Download PDF

Info

Publication number
TW201901590A
TW201901590A TW107108063A TW107108063A TW201901590A TW 201901590 A TW201901590 A TW 201901590A TW 107108063 A TW107108063 A TW 107108063A TW 107108063 A TW107108063 A TW 107108063A TW 201901590 A TW201901590 A TW 201901590A
Authority
TW
Taiwan
Prior art keywords
model
power output
wind turbine
sensor data
wind
Prior art date
Application number
TW107108063A
Other languages
English (en)
Other versions
TWI678677B (zh
Inventor
南 玄
山德拉賽卡 凡卡崔曼
Original Assignee
日商日立製作所股份有限公司
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 日商日立製作所股份有限公司 filed Critical 日商日立製作所股份有限公司
Publication of TW201901590A publication Critical patent/TW201901590A/zh
Application granted granted Critical
Publication of TWI678677B publication Critical patent/TWI678677B/zh

Links

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
    • F03D7/026—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for starting-up
    • 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
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/20—Wind motors characterised by the driven apparatus
    • F03D9/25—Wind motors characterised by the driven apparatus the apparatus being an electrical generator
    • F03D9/255—Wind motors characterised by the driven apparatus the apparatus being an electrical generator connected to electrical distribution networks; Arrangements therefor
    • F03D9/257—Wind motors characterised by the driven apparatus the apparatus being an electrical generator connected to electrical distribution networks; Arrangements therefor the wind motor being part of a wind farm
    • 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
    • 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
    • F03D7/0264—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor for stopping; controlling in emergency situations
    • 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
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • 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
    • F03D7/028—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • F03D7/0284—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power in relation to the state of the electric grid
    • 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
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • 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
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • 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
    • F03D7/047—Automatic control; Regulation by means of an electrical or electronic controller characterised by the controller architecture, e.g. multiple processors or data communications
    • 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
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/10—Combinations of wind motors with apparatus storing energy
    • F03D9/11—Combinations of wind motors with apparatus storing energy storing electrical energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02K—DYNAMO-ELECTRIC MACHINES
    • H02K7/00—Arrangements for handling mechanical energy structurally associated with dynamo-electric machines, e.g. structural association with mechanical driving motors or auxiliary dynamo-electric machines
    • H02K7/18—Structural association of electric generators with mechanical driving motors, e.g. with turbines
    • H02K7/1807—Rotary generators
    • H02K7/1823—Rotary generators structurally associated with turbines or similar engines
    • H02K7/183—Rotary generators structurally associated with turbines or similar engines wherein the turbine is a wind turbine
    • 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
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F05B2260/8211—Parameter estimation or prediction of the weather
    • 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
    • F05B2260/84—Modelling or simulation
    • 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
    • F05B2270/10—Purpose of the control system
    • F05B2270/103—Purpose of the control system to affect the output of the engine
    • F05B2270/1033—Power (if explicitly mentioned)
    • 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
    • F05B2270/335—Output power or torque
    • 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
    • F05B2270/40—Type of control system
    • F05B2270/404—Type of control system active, predictive, or anticipative
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

在一些範例中，系統從複數個風力機之分別的風力機接收第一感測器資料。舉例而言，第一感測器資料可包括至少每時間間隔的電力輸出及風速。該系統至少基於從該分別的風力機接收的第一感測器資料來針對各個分別的風力機訓練至少一分別的模型。進一步，該系統於第二時間周期從該分別的風力機接收分別的第二感測器資料。該系統使用該分別的第二感測器資料來執行使用從該分別的風力機接收的第一感測器資料訓練的該分別的模型，用以針對各個分別的風力機決定於即將來臨的時間周期之預測的電力輸出。可匯集預測電力輸出以決定總預測電力輸出且基於該總預測電力輸出進行至少一動作。

Description

適應性發電管理
[0001] 本發明係關於適應性發電管理。
[0002] 風力發電場(wind farm)可包括在明定的地理區域之上散布的複數個風力機/風力渦輪(wind turbine)，其可位於陸地或離岸上。風力機將風能轉換成電以用於分佈，像是透過電網(power grid)。風力機係在廣泛的垂直和水平軸類型中製造。傳統的水平軸風力機典型地包括：轉子組件(rotor component)，其包括葉片(blade)以用於將風能轉換成低速旋轉能量(rotational energy)；產生器組件，其可包括控制電子；以及結構支撐組件，其可包括塔和轉子轉向機制(rotor yaw mechanism)。 　　[0003] 由風力發電場生成的電力可基於風速及恆定性(constancy)在任何一天變化。更進一步而言，風力機的效率可由於組件的耗損、老化會隨時間遞減。據此，在任何一天決定期望要生成的電量並且據以控制風力機會是挑戰性的。
[0004] 一些實施包括用於預測對於複數個風力機的電力輸出的佈設及技術。例如，系統可於第一時間周期從複數個風力機之分別的風力機接收第一感測器資料。該第一感測器資料可包括至少電力輸出和每時間間隔的風速，並且該第一時間周期可包括複數個該時間間隔。該系統可至少部分基於從該分別的風力機接收的該第一感測器資料來針對各個分別的風力機訓練至少一分別的模型。該系統可於第二時間周期從該分別的風力機接收分別的第二感測器資料。再進一步，該系統可使用從該分別的風力機接收的該分別的第二感測器資料來執行已使用從該分別的風力機接收的該第一感測器資料訓練的該分別的模型，用以針對各個分別的風力機決定於即將來臨的時間周期之預測的電力輸出。 　　[0005] 系統可匯集該預測的電力輸出以決定用於該複數個風力機的總預測電力輸出。至少部分基於該總預測電力輸出，該系統可發送通訊以造成停機或起動該複數個風力機之至少一風力機。此外或擇一地，至少部分基於該總預測電力輸出，該系統可發送通訊以造成啟動開關來將生成的電力之至少部分轉移至電力儲存或自電力儲存轉移。此外或擇一地，至少部分基於該總預測功率輸出，該系統可發送通訊至效用計算裝置(utility computing device)，其指示於該即將來臨的時間周期之至少部分的預期電力輸出。
[0019] 於此的一些實施係關於用於預測可能用以在一或多個即將來臨的時間周期中由一或多個風力機所產生的電力輸出之量以及進行用於基於預測的電力輸出控制系統的至少一動作的技術和佈設。例如，計算裝置可被組態以決定將由風力機之各者於即將來臨的時間周期分別產生的預測電力輸出。在一些情形中，可針對在包括位於特定地理區域中複數個風力機的風力發電場中各個風力機來決定預測電力輸出。電力輸出預測可自動地將分別個自的風力機之特質(idiosyncrasy)計算在內。例如，預測的電力輸出可不論在複數個風力機中的一些風力機是否來自不同的製造商，不論是否為不同的模型，不論是否具有不同的運作特性、不同的渦輪操作狀態、不同的遲滯演算法(hysteresis algorithm)、不同的年限及/或不同的安裝位置及高度(altitude)而被準確地決定。 　　[0020] 於此的一些實施可使用從各個風力機獲得的感測器資料，像是目前和最近測量的電力輸出、對應的測量風速資料以及從在分別風力機處安裝的感測器獲得的其它感測器資訊。如一範例，於此的系統可提供用於風力發電場之早一天的(one-day-ahead)電力輸出預報或其它同類的短期預報區間。舉例而言，於此的實施可提供有效的電力輸出預測方法，其能有效地學習且執行大量的模型(例如，用以涵蓋每風力機早一天預測的96個模型，其對在風力發電場中的個別風力機進行客製化)。 　　[0021] 如上所提及的，風力發電場可由散佈在特別地理區域之上的若干個風力機所組成。資料可即時從附接至各個風力機的感測器收集，像是測量的電力輸出、測量的風速和方向、測量的轉向(yaw)(朝向風力機正面對的方向) 、大氣溫度(air temperature)、大氣壓力(air pressure)以及其它資料點。於此的一些範例可使用監督控制與資料擷取(SCADA; Supervisory Control and Data Acquisition)系統，以用於從在風力發電場中各個個自的風力機收集感測器資料。例如，資料收集計算裝置可從在各個風力機處的感測器接收轉子速度(rotor velocity)、方位角(azimuth angle)、風轉角(yaw angle)以及多如2000或更多其它資料點，包括風速和發電輸出。更進一步而言，在當SCADA系統於此被說明為從在風力機之各者處收集資料的一範例的同時，用於收集感測器資料的各種其它技術將對於具有於此之揭露的益處之本領域具有通常知識的該些者而言將是顯見的。 　　[0022] 依據於此的一些範例，發電預測程式及模型可被部署在有限的計算資源內複數個計算裝置上，且可區域地部署到風力發電場(亦即，在風力發電場之地理區域處) 以即時提供早一天電力輸出預測，例如在當目前感測器資料係自風力機接收時。舉例來說，於此的發電預測系統於系統可以被作成運作之前在不需要用來收集資料的數月或數年以用於分析下以合理的前置時間(lead time)(例如，幾星期到一個月) 從頭開始而為可部署的。進一步，為了最大化預測準確性，於此的發電預測系統能輕易地從額外的資源將外部資料整合為對電力輸出預測模型的輸入。舉例而言，於此的電力輸出預測模型可使用從外部資源獲得的外部天氣預報與直接從分別的風力機獲得的感測器資料之結合。例如，電力輸出預測模型能將在測量的轉向與對於各個風力機測量的風速之間的差異和指示用於地理區域的預測風向及風速的外部獲得的天氣預報考慮進來。 　　[0023] 進一步而言，電力輸出(電力P)可關於風速(WS)的立方(例如，P為WS3 之函數)。由於此關係，在預測風速中的誤差可導致在預測電力輸出P中明顯的誤差。據此，於此的範例使用直接電力預報，而非主要依賴用於預測電力輸出的預測風速。進一步，在於此的系統中，各個個別的風力機可具有針對其產生它自己分別的模型。例如，系統可包括指派給各個風力機的一或兩個模型計算裝置，以用於當感測器資料從各個風力機接收時即時執行每風力機的複數個模型。如一範例，各個模型計算裝置可為RASPBERRY PI®計算裝置，或是具有充分處理功率以執行於此的模型的其它不貴的計算裝置。 　　[0024] 進一步，模型計算裝置可被部署在風力發電場之地理區域處或鄰近其之內。如一範例，鄰近風力發電場可包括能夠在局部區域網路(LAN; local area network)之上與風力機及/或資料收集計算裝置通訊，局部區域網路係相對於必需在寬域網路(WAN; wide area network)之上進行通訊，像是網際網路。在風力發電場之地理區域處的此模型計算裝置之鄰近位置導致系統越快接收感測器資料且及時較接近可與感測器資料關聯的時間戳(timestamp)。進一步，系統較不易受到網路延遲(network latency)及通訊中斷(communication outage)影響。結果是，模型計算裝置之鄰近位置相互關聯於提供更準確的預測結果且亦提供比若模型計算裝置位在雲端或其它遠端網路位置更高的安全性。 　　[0025] 在於此的一些範例中，電力輸出預測系統採用支持向量機(SVM; support vector machine)回歸作為用於預測對於風力機之電力輸出的機器學習技術。於此SVM回歸已由發明人決定來提供高預測性準確度(predictive accuracy)以及有效的模型建構及執行。這些SVM回歸之特徵於此使預測建模(prediction modeling)及分析能在具有有限的計算資源之不貴的計算裝置上被執行。SVM回歸亦能夠輕易地以最小機會的過適(overfitting)(由於其內建正規化機制(regularization mechanism)以用於處置高維度的模型輸入) 來容納大量的預測子(predictor)。 　　[0026] 在於此的一些範例中，電力輸出預測模型可使用幾個基本的預測子，包括過去電力輸出和在於過去時間周期的複數個時間間隔之上平均之對應的風速測量。亦可包括其它預測子以用於改善電力輸出預測之準確度，其它預測子像是來自相鄰風力機的感測器資料以及從外部資源接收的外部天氣預報資料，外部天氣預報資料像是預測的風速和用於從天氣預報網伺服器接收之地理區域的風向或類似者。 　　[0027] 此外，一些實施可將當日時間決定為用於早一天預測區間的額外預測子。此日復一日季節性因子之範例可包括AM對PM或更細粒度的時間之離散化(discretization)，像是基於上述 96 15-min(分)的時間間隔。更進一步而言，在於此的一些範例中，系統可藉由將最近接收的感測器資料使用為用於新模型的訓練資料來持續地產生新模型。新模型可作為備用模型(standby model)，其可被持續地評估且與目前部署的模型比較。若評估顯示備用模型其中一者連貫地比目前部署的模型更佳地進行(例如，臨界數目的評估次數) ，則備用模型之最準確者可動態地被啟動來作為部署的模型。據此，於此的系統能夠自動地適應於改變的天氣條件和改變的季節。 　　[0028] 為了預測未來電力輸出，一些實施使用過去及目前渦輪產生的(turbine-generated)電力輸出、對應的風資料以及當日時間。例如，預測電力輸出可由基於最近電力輸出、最近風條件以及當日時間的模型所預測。進一步，可使用例如在過去一周或兩周、過去月分或類似者之最近接收的資料來訓練各個模型。因此，取代過去天氣型樣之靜態歷史資料庫的是，於此的一些實施周期地再訓練模型以如將動態天氣型樣和改變設備狀態計算在內的方式來產生新的模型。據此，各個模型至少部分基於從該個別風力機接收的感測器資料可為渦輪特定的。因此，模型可自動地將可影響特定風力機之發電的每個因子計算在內，像是由於設備老化、耗損及撕裂而衰減效能；葉片角度；襟翼設定(flap setting)；以及渦輪定向(turbine orientation)、位置以及可取決於渦輪的調整。於此的範例不需要大的訓練資料組，其費時以進行收集。替代的是，一些實施基於目前接收的資料(例如，在過去一星期、兩星期或多達過去一個月所接收的) 周期地重訓練模型，用以反映在天氣條件及風力機本身中的動態改變。 　　[0029] 在預測電力輸出之後，對於所有的風力機之預測的電力輸出可被匯集(例如，添加在一起) ，用以提供對於整個複數個風力機(例如，對於整個風力發電場或其部分) 的電力輸出預測。如一範例，功率輸出可對於在第二天各個15分鐘的周期來預測，亦即對於代表下24小時的96個即將來臨的15分鐘周期之各者的96個電力輸出預測。再進一步，在當於此為了討論的目的在範例中說明某些時間周期的同時(例如，用於一天的預測之值的總數的96個15分鐘預測周期) ，可被使用的眾多個其它時間周期對於於此具有揭露之益處的本領域具有通常知識者來說將是顯見的。據此，於此的實施並不限於用於電力輸出之預測的任何特定時間周期。進一步，用以使用為訓練資料的感測器資料可比預測時間周期更頻繁地收集，例如資料可每10秒進行收集，亦即每風力機每15分鐘周期90個樣本，或是更加或更不頻繁。 　　[0030] 在一些範例中，基於在即將來臨的時間周期之預測電力輸出，系統可進行一或多個控制功能以控制系統及/或風力機。例如，若電力輸出被預測到非常低，例如是如此的低以致風力機不能生成電力之臨界級，則由於風力機在輸出電力對需要運作風力機的電力上將不會打平(break even)，故系統可發送信號以造成風力機被停機。舉例而言，風力機可被停機以進行例行維護或檢查。 　　[0031] 如另一範例，若今天電力輸出被預測為高但隨後的一天為低，則系統可將生成的電力之一些轉移至電力儲存設施，該電力儲存設施可包括複數個電池以用於儲存電力。此外，在一些範例中，系統可發送預測的功率輸出資料給效用實體計算裝置，例如用以通知效用計算裝置關於在即將來臨的時間周期期間預測要由風力發電場所產生的電量。進一步，若電力輸出小於曾先前提交來被提供給電網的量，則可發送控制信號到開關以造成電力從電力儲存設施被發送到該(電)網。因此，若預測電力輸出結果發現是不正確的，可使用儲存的電力以補償提交以被提供一段目前周期的電量與一段目前周期的實際電力輸出之間的差。 　　[0032] 在一些範例中，可使用應用程式介面(API; application programming interface)以發送關於周期基礎的預測電力資料到控制計算裝置，其可基於預測電力輸出資訊控制風力發電場。在其它範例中，其它電子通訊技術可被使用於傳達預測電力輸出資訊。據此，於此的實施提供新穎、進步的及非傳統的技術以用於控制風力發電場系統和在風力發電場系統中的分別風力機，以及用於控制及管理由風力發電場輸出的電力，從而提供在風力發電場系統本身之操作上的改善。 　　[0033] 為了討論的目的，一些範例實施係在從風力機接收感測器資料的一或多個計算裝置的環境中說明，並且將該感測器資料應用到計算模型以提供預測電力輸出，像是用於控制某些風力機、控制開關或其它裝置或是用於發送資訊到另一計算裝置。然而，於此的實施並不限於提供的特定範例，且可被延伸至其它類型的資料輸入、其它類型的環境、其它系統架構、其它類型的計算模型、其它類型的輸入等等，如按照於此的揭露對本領域具有通常知識之該些者將為顯見的。舉例而言，在當一些範例係在管理風力機的環境中說明的同時，於此的實施並不限於此環境，且可被延伸到於其中基於自然能源來源產生電力的其它環境或類似者，自然能源來源像是太陽能、水力(hydropower)或風、太陽及/或水力之組合。 　　[0034] 圖1闡述依據一些實施能夠控制風力機發電系統及/或提供關於預測電力輸出之資訊的系統100之範例架構。在此範例中，複數個風力機102(1)、102(2)、103(3)…可位在如風力發電場的地理區域104或風力發電場之部分106。各個風力機102(1)、102(2)、103(3)…可包括複數個分別的感測器108(1)、108(2)、108(3)…，以用於偵測目前條件和即時來自風力機102之各者的其它資訊。 　　[0035] 一或多個資料收集計算裝置110可位於或鄰近於地理區域104以用於從感測器108接收感測器資料112。在一些情形中，感測器資料112依據在分別感測器108的分別風力機102被時間戳記及識別，同時在其它情形中，這可在資料收集計算裝置110處發生。進一步，資料收集計算裝置110可包括資料收集應用114，其從感測器108接收感測器資料112且依據已從其接收分別感測器資料112的分別風力機102來儲存感測器資料112。 　　[0036] 複數個模型計算裝置116(1)~116(N)可從資料收集計算裝置110周期地接收感測器資料112。例如，在風力發電場106中複數個風力機中的每風力機102可有一或多個模型計算裝置116。各個模型計算裝置116可包括模型應用118、一或多個模型120以及用於風力機102其中至少一者之接收的感測器資料112。舉例而言，各個模型計算裝置116可被指定於針對風力機102之特定者的預測電力輸出。據此，若風力發電場包括例如50個風力機，則可有50個分別的模型計算裝置116，一者指派給在風力發電場106中的各個風力機。然而，在其它範例中，可有較多或較少的模型計算裝置。 　　[0037] 如一範例，設想第一模型計算裝置116(1)被指派以決定用於第一風力機102(1)的預測電力輸出。據此，第一模型計算裝置116(1)接收從第一風力機102(1)之第一感測器108(1)獲得的感測器資料112(1)。第一模型計算裝置116(1)可使用從用於針對第一風力機102(1)計算預測電力輸出的第一風力機102(1)接收的感測器資料112(1)訓練及應用一或多個模型120(1)。在一些情形中，各個模型計算裝置116可被指派以針對在風力發電場106中風力機102之不同者計算預測電力輸出。進一步而言，在一些範例中，如下面額外討論的，模型計算裝置116可接收從位於接近模型計算裝置116被指派至其的特定渦輪的一或多個輔助器渦輪102獲得的額外感測器資料112。例如，如下面所討論的，當針對特定目標渦輪計算預測電力輸出時，用於特定目標渦輪的模型120可考量從近鄰渦輪(例如，在臨界距離內) 獲得的感測器資訊。 　　[0038] 基於接收的感測器資料112，各個模型計算裝置116可輸出模型結果122，其被發送到預測管理計算裝置124。預測管理計算裝置124可包括管理應用126、分析應用128、預測結果130、外部天氣預報資料132以及匯集的模型結果134。例如，管理應用126可管理且可提供資訊給模型計算裝置116以及從模型計算裝置116接收模型結果122。如一範例，管理應用126可從外部資料來源計算裝置136接收外部天氣預報資料132。舉例而言，外部資料來源計算裝置136可為網頁伺服器或類似者，其提供外部天氣預報資料132給預測管理計算裝置124，該預測管理計算裝置124可轉而提供外部天氣預報資料132給模型計算裝置116。外部天氣預報資料132可包括用於風力發電場106位於其中的地理區域104的天氣預報。 　　[0039] 此外，分析應用128可從模型計算裝置116之各者接收模型結果122且可基於模型結果122產生匯集模型結果134。如一範例，分析應用128可將於各個時間周期的模型結果相加在一起或另以結合，用以生成經各個即將來臨之時間周期的電力輸出預測結果130。如下面額外討論的，模型應用118可被組態以生成經複數個即將來臨之時間周期的電力輸出預測結果。如一範例，模型120可生成各對於即將來臨之日經15分鐘之96個時間周期的模型結果，且該模型結果122可被重新計算且於即將來臨之24小時周期每90分鐘發送至預測管理計算裝置124。如上所提及的，於此提出的時間周期僅為了討論的目的，而眾多其它時間周期變化對於具有於此揭露之益處的本領域具有通常知識之該些者將是顯見的。 　　[0040] 隨決定最新預測結果130之後，管理應用126可發送預測資訊140到系統控制計算裝置142。系統控制計算裝置142可包括能夠控制風力發電場106及電力儲存設施(未繪示於圖1中) 之一或多個功能的控制應用144。在一些範例中，管理應用126可依據API(未繪示於圖1) 或經由其它應用內通訊技術發送預測資訊140到控制應用144。或者，可使用任何其它電子資訊通訊技術以傳遞預測資訊140給系統控制計算裝置142。 　　[0041] 如下面相對於圖2額外討論的，一旦接收預測資訊140時，控制應用144可發送一或多個控制信號146到風力發電場106或到與風力發電場106關聯的其它系統。舉例而言，控制信號146可為用以控制個別風力機102的通訊或是可控制多個風力機102，像是用於將風力機開啟或停機、為了維護準備好風力機或類似者。如另一範例，控制信號146可為用以控制一或多個開關(未繪示於圖1) 的通訊，像是用於將由風力發電場106產生的多餘電力之一些或所有轉移至電力儲存設施，如下面相對圖2額外討論的。此外或擇一地，控制應用144可在通訊中發送電力輸出資訊150到效用計算裝置152，其包括效用應用154且其可與 至少部分控制接收由風力發電場106生成的電力之電網(未繪示於圖1) 的效用實體相關聯。此外，如下面相對圖2所討論的，控制應用144可發送控制信號146以造成電力儲存將電池的部分對(電)網放電，像是用以補償在符合電力輸出承諾上的短缺。 　　[0042] 系統控制計算裝置142及/或預測管理計算裝置124可能夠與外部資料來源計算裝置136、效用計算裝置152通訊及/或在一或多個網路160之上彼此通訊。一或多個網路160可包括任何類型的網路，包括：局部區域網路(LAN)，像是內部網(intranet)；寬域網路(WAN)，像是網際網路；像是蜂巢式網路的無線網路，像是Wi-Fi的本地無線網路的及/或像是藍牙(BLUETOOTH®)的短距無線通訊；有線網路，包括光纖(fiber optic)、乙太、光纖通道或任何其它這類網路，直接有線連接或其任一結合。據此，一或多個網路160可包括有線及/或無線通訊技術兩者。使用於這類通訊的組件能至少部分取決於網路之類型、選擇的環境或兩者。用於在這類網路之上通訊的協定為周知的且於此不會詳細討論。 　　[0043] 再進一步而言，在一些實施例中，模型計算裝置116可在一或多個網路160之上與預測管理計算裝置124通訊，同時在其它範例中，預測管理計算裝置124可與模型計算裝置116共定位鄰近風力發電場106之地理區域104。同樣的，可定位系統控制計算裝置142鄰近風力發電場106之地理區域104，且可與資料收集計算裝置110及/或模型計算裝置116及/或預測管理計算裝置124共定位。如又另一選擇，可定位資料收集計算裝置110鄰近風力發電場106之地理位置104，同時模型計算裝置116及/或預測管理計算裝置124及/或系統控制計算裝置142可在一或多個網路160之上遠端地定位，像是在雲端或其它合適的網路位置中。眾多其它連網(networking)組態對於具有於此揭露之益處的本領域具有通常知識的該些者將是顯見的。 　　[0044] 此外，在一些範例中，模型計算裝置116和預測管理計算裝置124的功能可以任何所欲的方式被結合到一或多個計算裝置中。進一步而言，在一些範例中，管理計算裝置124和系統控制計算裝置142的功能可以任何所欲的方式被結合到一或多個計算裝置中。進一步而言，在一些範例中，資料收集計算裝置110、模型計算裝置116、預測管理計算裝置124及系統控制計算裝置142的功能可以任何所欲的方式被結合到一或多個計算裝置中。眾多的其它變化對於具有於此揭露之益處的本領域具有通常知識的該些者將是顯見的。 　　[0045] 圖2闡述依據一些實行的風力發電系統200之範例架構。風力發電系統200可對應至上面相對圖1所討論的系統100。風力發電場106可生成電功率202且可沿著一或多個電力線204傳遞電功率(electric power)202到電功率網(electric power grid)206。可至少部分由與實體計算裝置152關聯的效用實體控制電網206。一或多條電力線204可包括一或多個開關208，其可操作以傳遞電力202之一些或所有到電力儲存210。例如，電力儲存210可包括一或多個電池212或當電功率202被傳遞到電力儲存210時能夠接收且儲存電功率202的其它電力儲存裝置。在一些情形中，電池212對電網206放電，像是用以補償在符合對電網206所欲的或打算的電力輸出上的短缺。 　　[0046] 如上所提及的，預測管理計算裝置124可傳遞預測資訊140給系統控制計算裝置142。在系統控制計算裝置142上的控制應用144可決定用以基於預測資訊140進行的一或多個動作。如一範例，設想預測資訊指示風被預測在即將來臨之日期間為非常的低。舉例而言，風力機典型地需要用以操作的至少一些電功率，且在其中風低於打平臨界風速的情形中，風力機不能生成足夠的電來抵消運作的成本。在這樣的情形中，由於風力機在電力輸出對用以操作風力機的運作成本上將不會打平，故控制應用144可發送信號以造成風力機停機。 　　[0047] 同樣地，當風速超過某臨界時，一些風力機可被停機。例如，具有上風速臨界切斷速度(upper wind speed threshold cut-out speed)為保護風力機免於損壞的安全特徵。再者，高風速停機事件可造成明顯的疲勞負載(fatigue loading)。據此，若預測到將超過用於停機之臨界的強風(high wind)(亦即，超過切斷速度) ，風力機可在大風之前停機以防止當風速超過停機臨界時風力機之重複的起動及停機。 　　[0048] 典型地，這類停機用以由於極弱的風或極強的風對於大部分風力發電場是相對地罕見。更普遍的範例是預測電力輸出足夠高以運作風力機，但不夠的高致使風力機正接近最大效率運作。此外，可由控制應用144使用於此的預測資訊140以決定要在這類狀況下採取的動作。 　　[0049] 如一範例，當風力機被拆下以為了預防性維護及維修時，風力發電場可經歷降低的電力輸出。據此，於此的實施可使控制應用144能選擇具有對整體電力輸出最小衝擊的停工時間(downtime)。若風力機由於弱風(low wind)而停機，則此可為進行維護的良機。然而，當這類的停機可能罕見地發生時，控制應用144可基於對於在即將來臨的周期上個別風力機之預測電力輸出來選擇時間以進行維護。舉例而言，若預測電力輸出夠高以運作風力機但仍低於第一電力輸出臨界，則控制應用可決定在即將來臨的時間周期期間選取風力機102之一或多者關閉(offline)以為了例行維護。基於預測資訊140，控制應用144可決定由於在即將來臨時間周期期間的維護而電力生成的損失如與當電力輸出會為較高時在其它時間電力生成之損失可能為何相比較可為最小。如一範例，第一電力輸出臨界可在用於特定風力機102的平均過去電力輸出之處或以下。據此，當控制應用144選擇渦輪102之特定者來關閉以為了維護時，控制應用144可發送第一控制信號146(1)給特定風力機102用以停機該特定風力機102。 　　[0050] 如另一範例，若風力發電場之總電力輸出在第一即將來臨時間周期期間期望為高，但在接下來的第二即將來臨時間周期期間為低，則控制應用144可決定將生成的電力202之至少一些轉移至電力儲存210，使得當風力機102之電力輸出被預測為低時，儲存的電力在隨後第二時間周期期間被遞送至電網206。為了完成此，控制應用144可發送第二控制信號146(2)到一或多個開關208以造成一或多個開關208將電力202之至少一些轉移到電力儲存210。此外，若風力發電場之實際電力輸出小於提交以被遞送至電網206的量，其例如係由於較早不正確的電力輸出預測，則控制應用144可發送控制信號146(2)到開關208以造成電力儲存210將電池212之部分放電至電網206。例如，儲存的電力可被提供到電網206以補償風力發電場之實際電力輸出與基於預測的電力輸出可已提供給效用計算裝置152的電力輸出提交之間的差。 　　[0051] 此外，如另一範例，控制應用144可發送電力輸出資訊150給效用計算裝置152。例如，基於預測資訊140，控制應用可決定在即將來臨的時間周期上可被遞送至電網206的電力輸出之量。基於此決定，控制應用可發送電力輸出資訊150到效用計算裝置152，其接著可基於接收的電力輸出資訊150進行其它動作，像是用於準備電網206以接收預期的電力輸出及/或若預測的電力輸出期望低於臨界準位，則作成用以從其它來源獲得電力輸出的安排。 　　[0052] 圖3依據一些實施闡述包括用於預測電力輸出之量之預測區間的範例圖形300。例如，不似傳統力求預報風速的方法(其接著饋送至渦輪製造商提供的電力曲線) ，於此的實施可直接至少部分基於從風力機所接收目前接收的感測器資料來將電力輸出建立模型。據此，於此的範例將可起因於在預報風速上之誤差的電力輸出預測偏差(inaccuracy)最小化。如上所提及的，用於風力機的電力輸出可被概括為風速立方(WS3 )之函數。據此，不正確地預測風速可明顯地扭曲(skew)預測電力輸出。再進一步，由渦輪製造商所提供的電力曲線可基於理論及/或標稱(nominal)模型，其可能不會將在個別渦輪之運作特性中的變異性計算在內，像是渦輪的年限、渦輪特定遲滯演算法、渦輪之位置及高度等。此外，風力發電場擁有者通常可從多於一個製造商及/或以不同的渦輪之模型來運作渦輪。據此，於此的實施並非取決於製造商電力曲線的可用性且能夠提供用於無關於於不同的製造商、不同模型、不同位置、不同高度及類似者的個別風力機的電力輸出的預測。 　　[0053] 於此的範例可提供用於風力發電場早至少一天的電力預測且採用頻繁地建立、部署及刷新的大量的模型。如一範例，模型計算裝置可提供在即將來臨周期(像是下24小時) 上每15分鐘時間間隔的預報，因而可針對在風力發電場中各個風力機使用96個模型。對於典型的風力發電機，此可意味建立、訓練及部署數千個模型。 　　[0054] 於此的範例可使用多個時間序列(time series)作為預測子以用於預測個別渦輪的電力輸出。例如，為了直接預測於即將來臨的時間周期之電力輸出，於此的模型計算裝置可使用已在最近的過去(例如，過去30分鐘到一小時) 觀察到的電力及風速測量。風力機之最近電力和如由在風力機處的感測器所測量的最近測量風速可在短時間窗上收進，像是在目前時間之前的最後30分鐘等，用以提供可由模型使用為預測子(亦即，輸入到模型) 的時間序列。 　　[0055] 於此感測器資料可在比由電力輸出預測模型所使用的實質更高速率處來收集。如一非限制的範例，在風力機處的感測器可採用在每分鐘6個樣本之速率來採用資料樣本，例如每10秒一次。然而，於此的實施可例如基於在5分鐘間隔上平均的資料樣本來僅預報在15分鐘周期上平均的預測電力輸出。據此，原始感測器資料(raw sensor data)可被匯集(例如藉由在時間周期上進行平均) 到由模型使用的對應粒度級(granularity level)。再進一步，資料要於其上被匯集的時間間隔可在時間上的任何點處被錨定。換言之，在當於其間提供預測電力輸出的時間間隔為連序的因而並未重疊，由模型使用為輸入之匯集的感測器資料並不必然必需為不相交的(disjoint)而相反的可重疊。 　　[0056] 如在圖3中所闡述的，圖形300包括表示電力的複數個白條302和表示風速(WS)的複數個黑條304。再進一步，目前時間t被指示於306處，且用以於其間預測電力輸出的時間在308處由時間t加預測區間h所代表。測量的電力輸出和對應的測量風速在310處代表一段複數個過去時間間隔t-1、t-2、…、t-d，其中d為關於輸入到模型在時間上走到多遠的限制。如下面所討論的，在一些範例中，d可為4，其對應4個15分鐘間間隔。此外或擇一的，d可為預測區間h之函數。 　　[0057] 在此範例中，設想將於各個即將來臨15分鐘時間間隔提供電力輸出預測。據此，可被使用為對預測模型之輸入的資料可在相同粒度被匯集，亦即在15分鐘時間間隔上。如一範例，模型可使用四個這類匯集的資料之群組作為輸入。四個對應的周期可為不相交的，在其情形中他們可張拓一小時的窗。如另一範例，該4個周期可與另外5分鐘分開重疊，在其情形中他們可張拓30分鐘之立即先前窗(immediately prior window)。據此，15分鐘間隔並非必需錨定在時鐘的四分之一處，即使預報周期可被如此錨定。相反的，藉由允許錨定於每5分鐘處取代每15分鐘，於此的實施可將訓練資料組之尺寸增至三倍。據此，用於在區間h處電力輸出預測模型的訓練組可被壓縮為收集形式的元組(tuple)： 　　 　　其中t能被錨定在隨意的時間點處，p為電力，WS為風速，h 為預測區間，並且POD為一日之周期。 　　[0058] 再進一步，於此的模型能夠自動地處置日復一日季節性型樣。例如，藉由將一天分解成96個15分鐘間隔，模型可使用日之周期(上述的POD(t) ) 以將特定時間預測t所落入到的15分鐘間隔編入索引。在此範例中，POD(t) 可為在0與95之間的整數，其可作為用於模型的額外預測子。例如，日之周期可具有對在較長預報時間區間的預報準確度有明顯的衝擊，像是與目前時間距時半天。 　　[0059] 此外，年復一年季即性型樣亦可由於此的模型來處置。例如，於此的實施假定在多年上收進的資料非可用於訓練於此的模型。例如，由於預測系統可對特定風力發電場為新的及/或風力發電場本身可為新的，過去幾年可能沒有可被使用為訓練資料的可用資料以將在電力輸出上年復一年季即性改變計算在內。然而，於此的模型可使用不同但確準的方法來處置年復一年的季節性。舉例而言，開當開啟新的風力發電機時，於此的模型能夠在短的時間之量中(例如，一個月或兩個) 開始預報。因此，為了將在季節上的改變之效應計算在內，於此的實施並不需要收集多年渦輪輸出資料以用於使用為訓練資料組(data set)。相反的，於此的模型可使用滑動歷史資料的窗周期地被重訓練。由於滑動窗需要反映在天氣條件上的最新型樣，用於訓練資料的窗不能是非常的寬。同時，用於訓練資料的時間窗可夠寬以提供夠大的資料組以用於模型訓練。典型地，過去資料整一個月的值已於此由發明人發現，用以提供足夠的訓練資料之量來訓練將在季節上的改變考慮進去的正確模型。 　　[0060] 圖4闡述依據一些實施使用支持向量機回歸以用於預測電力輸出之量的範例400。如上所提及的，於此的範例可使用支持向量機(SVM; support vector machine)回歸以用於針對在即將來臨時間周期上個別的風力機預測電力輸出。一般而言，支撐向量機為具有分析使用於分類及回歸分析的資料之關聯學習演算法的監督學習模型(supervised learning model)。給定成組的訓練範例，各者標記為屬於兩個類目之一或另一者，基於線性內核的SVM訓練演算法建立將新的範例指派給一類目或其餘者的模型，將其作成非概率二進位線性分類器(non-probabilistic binary linear classifier)。SVM模型為在空間中之點的範例之代表，其被映射使得單獨的類目的範例由盡量寬的清楚間隙所分開。接著新的範例被映射至該相同空間且基於他們落於其上的間隙之側而被預測屬於一類目。 　　[0061] 在SVM回歸(以及分類) 中，生成的模型取決於訓練資料之子集，因為用於建立模型的成本函數忽視接近的模型預測的任何訓練資料在其最簡單的形式中，基於線性內核訓練SVM回歸模型可包括解出下列者： 　　最小化條件限制為其中xi 為具有目標值yi 的訓練樣本。內積(inner product)加上截距(intercept)⟨w, xi ⟩ +b 為用於該樣本的預測，且ε 為作為臨界的自由參數：所有預測必需在真實預測的ε 範圍內。 　　[0062] 給定訓練組，SVM 回歸，在其最簡單的形式中，試著對該訓練資料配適超平面，其中＜w, x＞ 表示向量w 和x 的點積(dot product)。求解w 和b 被構架為最佳化問題，其中對於給定ε ： 　　小的值為較佳的且用以最小化的目標函數(objective function)為對於在訓練集合中所有的i 受到約束。 　　[0063] 進一步，可能要注意的是，最小化為內建正規項(regularizor)，其懲罰(penalize)模型複雜度且幫助避免過適(overfitting)，特別是當輸入空間為高維度時。此外，目標函數為二次的(inw )的事實具有重要的含義。首先，如凸性約束最佳化(convex constrained optimization)問題，若存在，該解為唯一，不像其中目標函數為典型非凸性因而容許多個區域最小值(local minima)的類神經網路(artificial neural network)。第二，存在有效的二次規劃(QP; quadratic programming)演算法以解決問題。如公式化的，此問題可能不具有用於給定ε 的可行解，所以在一些情形中可行性約束可被鬆弛。 　　[0064] 如上所提及的，對於給定的ε ，由於可能有資料點使得係多於ε 而遠離yi ，故可行解可能並非永遠存在。所以差額變數和被導入以鬆弛該約束，且約束的最佳化問題如下列重新以公式表示： 　　最小化受到約束為：[0065] 此外，在一些情形中，使用對偶公式(dual formulation)可使問題較容易求解。如一範例，可使用拉格朗日乘數(Lagrange multiplier)方法使得二次約束的最佳化問題具有使其較容易被解出的對偶公式。使用新的參數和， 稱為對偶變數(dual variable), 對偶公式係如下列： 　　最大化以和之二次的目標函數(於此省略細節) 　　受到約束：[0066] 據此，對原始問題的解能如下列以對偶變數的表示改寫：其中i 範圍涉及至原始訓練資料的子集上，稱支持向量(Support Vector)。因此，SVM回歸模型可由支持向量及他們的權重來定義。 　　[0067] 此外，在非線性SVM回歸模型的情形中，適配在原始空間(稱輸入空間) 中的超平面，首先可使用具有特別性質的某非線性映射F(x)轉換該輸入空間成較高維度的空間(稱特徵空間) ，而接著適配在該特徵空間中的超平面。由於該較高的維數(dimensionality)，適配在特徵空間中的超平面能生成比在輸入平面中更佳的多的適配。在特徵平面中的超平面導出在輸入平面中的超曲面(hypersurface)(非線性)。 　　[0068] 具有界定為的內核，最佳化問題能被重新陳述為： 　　最大化和之二次函數，其中在原始公式中發現的任何點積係由取代 　　受到約束為：[0069] 據此，對原始問題的解能如改寫如下：其中i 範圍涉及支援向量之集合之上。 　　[0070] 當挑選包括高維度特徵空間的映射或內核時，在高維度特徵空間中直接計算可以是昂貴的且甚至不可能的。然而，當需要的計算可包含僅時或等效的(其可在輸入空間中廉價地計算) 時，可不必要顯式計算w 。例如，RBF為通常使用的內核，其定義為：[0071] 在當此可為不昂貴的來在輸入空間中進行計算時，其導出的特徵空間具有無限的維度，其排除在特徵空間中的任何計算以被直接完成。此外，在當可輕易地使用許多可商購的二次程式工具以解於此的二次最佳化問題的同時，已發展大且演進的演算法之本體來善用最佳化問題之特定結構，其如在本領域已知的甚至更有效地幫助計算解。 　　[0072] 於此對於應用用於預測電力輸出的SVM回歸所說明的技術提供改善的效率且降低需要預測於即將來臨時間周期之電力輸出的電腦處理之量。特別是，如於此所述SVM回歸技術的應用與其它機器學習技術(像是類神經網路、多層感知器(multilayer perceptron)的、循環神經網路(recurrent neural network)及類似者) 比較起來係更有效率。例如，機器學習技術之該些其它類型可需要可觀的訓練資料之量、可觀的計算資源，可花費長時間來收斂及/或可生成僅區域最佳的解。SVM建模包含最佳化二次元，因而最佳化凸性目標函數。此解模型可能不只是唯一的，且亦可能使用有效的演算法來發現。 　　[0073] 更進一步，其它傳統的建模技術，像是自迴歸整合移動平均(ARIMA; autoregressive integrated moving average)，對於準確地預報電力輸出係太過分簡化了。例如，ARIMA性質上為基本線性且不夠強大的將最近觀察的非線性相依考慮進去。此外，適配ARIMA模型需要不間斷的時間序列(time series)，其在於此的環境中可能無法獲得。 　　[0074] 在另一方面，於此說明的SVM回歸技術可包括正規化內建，其能夠處置高維度模型輸入，且以過適模型之最小機會支援使用大量的預測子。據此，可以低功率計算裝置使用於此的SVM回歸模型，該低功率計算裝置不昂貴且容易部署在或鄰近風力發電場本身的地理區域，例如IoT雲端的邊緣處。據此，於此的SVM回歸技術大大的降低需要計算用於風力機的預測電力輸出的處理，從而致能要被部署在或接近風力發電場處的場域中複數個低功率、不昂貴的模型計算裝置的使用。例如，若風力發電場包括50個風力機，則可部署50個對應的模型計算裝置，各者編程以對於在風力發電場中風力機中的指派者來訓練且應用模型。例如，在每模型計算裝置$5~$35的價錢上，對於模型計算裝置的總成本可為$250~$1750。 　　[0075] 因為於此的技術提供大大的改善及有效的技術以用於計算風力機之預測電力輸出，故模型計算裝置能夠持續接收新的感測器資料，並且使用該新的感測器資料來訓練用於分別風力機之新的備用模型。進一步，如下面額外討論的，模型計算裝置能夠基於隨後接收的實際電力輸出資料來將備用模型的效能與目前部署的模型比較以決定哪一個模型進行最佳且可隨後使用該更準確的模型以用於進行用於預測電力輸出的未來計算。據此，於此的實施是供在模型計算裝置他們自己之運作上的實質改善。 　　[0076] 圖4之範例闡述被框架為SVM機器學習回歸問題的電力輸出預測，該SVM機器學習回歸問題包括在複數個輸入上進行SVM回歸402。對SVM回歸402的輸入包括測量電力輸出之時間序列404和於複數個最近時間周期的對應風速，該複數個最近時間周期例如在過去半小時到一小時內。如上相對於圖3所討論的，這些時間可包括t-1、t-2、…、t-d。在此範例中額外的輸入可包括於目前時間的日之周期(POD(t) )，如在406處所指示。SVM回歸402之輸出408可為在時間t的預測電力輸出加上預測區間h。再進一步，在當於此範例中繪示幾個輸入的同時，亦可提供其它輸入給SVM回歸402，像是外部資料，例如天氣預報資料、風力機位置資料，風力機位置資料像是轉向資料、風向資料、葉片位置資料、襟翼位置資料、大氣溫度等等。 　　[0077] 如上所提及的，在一些範例中，預測子特徵解析度可與日之周期預測解析度相同(例如，15分鐘間隔) ，且每風力機可有96個不同的模型以用於預測於下個即將來臨之日的96個不同的15分鐘間隔。再進一步，可使用具有例如1~4星期的窗尺寸的歷史資料來訓練SVM回歸模型。 　　[0078] 對於給定電力預測模型，可有兩種類目的因子，其能影響電力輸出預測準確度，第一為上述的參數，像是日之周期解析度、預測子特徵解析度、從輸入時間序列使用的時點之數目、連序間隔錨點(anchor)之間的時間、每風力機的模型之數目以及感測器資料取樣率。可影響電力輸出預測準確度的第二因子為SVM超參數(hyperparameter)。然而，這些參數中並非所有每次模型被創建或刷新時都需要被最佳化。相反的，當在某些狀況下最佳化時，這些參數中僅某些者提供可調尺寸的(sizable)益處。舉例而言，當初始定義問題參數時，可調適或另以最佳化下列特徵：預測子特徵解析度、日之周期的解析以及每渦輪模型的數目。此外，當天氣條件改變時，可調適或另以最佳化下列特徵：訓練資料尺寸，來自使用於模型輸入的時間序列之時間點的數目，以及匯集間隔之間的跨距(亦即，時間)。再進一步，當建立或刷新SVM模型時，可調適或另以最佳化用於下列超參數特徵的設定：SVM回歸伽瑪內核系數和SVM回歸C正規化系數。為了決定用於這些超參數特徵的最佳設定，可進行格狀搜尋(grid search)，在其中不同的參數值被使用來訓練SVM模型且在分開的交叉驗證(cross-validation)測試資料組上測試SVM模型的效能。分開的交叉驗證測試資料組可藉由將原始資料組分割成用於訓練的第一分割區及用於測試的第二分區割來獲得。或者，能使用n重交叉驗證，其中資料組被分割成n個相連時間序列，且在用於(n-1)剩餘分割區上訓練的模型的n個分割區之各者上完成測試。 　　[0079] 圖5闡述依據一些實施使用輔助器渦輪感測器資訊以預測要由目標風力機輸出的電量的範例500。舉例而言，在此範例中，當決定用於目標風力機102(a)的預測電力輸出時，可使用來自一或多個相鄰風力機(例如來自目標風力機102(a)的臨界距離內) 的資料，其可幫助降低且提供有用於增強用於目標渦輪102(a)的電力輸出預測的額外資訊。 　　[0080] 在此範例中，提供來自目標風力機102(a)的感測器資料112(a)給用於目標渦輪102(a)的模型計算裝置116(a)。此外，亦可提供來自一或多個輔助器渦輪的感測器資料給模型計算裝置116(a)。例如，模型計算裝置116(a)可從輔助器渦輪102(b)接收感測器資料112(b)，從輔助器渦輪102(c)接收感測器資料112(c)以及從輔助器渦輪102(d)接收感測器資料112(d)。在此範例中，未繪示資料收集計算裝置110。或者，如另一範例，資料收集計算裝置110可被消除，以及模型計算裝置116(a)可從分別風力機102直接接收感測器資料。 　　[0081] 此外，模型計算裝置116(a)可從外部資料來源計算裝置136接收天氣預報資料502。在此範例中，未繪示預測管理計算裝置124。或者，如另一範例，預測管理計算裝置124可被消除且模型計算裝置116(a)可從外部資料來源計算裝置136直接接收天氣預報資料502。如一範例，有或沒有使用來自輔助器渦輪的感測器資訊下，模型計算裝置116可使用包括在天氣預報資料502中的風向資料且可將風向資料與渦輪轉向位置比較作為用於決定如由在目標渦輪102(a)處的感測器接收的有效風速的比較。 　　[0082] 再進一步，分別從來自相鄰輔助器渦輪112(b)~112(d)的感測器資料112(b)~112(d)決定的電力輸出和風速時間序列可被使用來幫助降低雜訊且提供有用於增強用於目標渦輪102(a)的電力輸出預測的額外資訊。此外，外部天氣預測資料502，包括風向和風速，可與來自輔助器渦輪102(b)~102(d)的感測器資料比較，用以改善用於目標渦輪102(a)的預測準確度。 　　[0083] 圖6闡述依據一些實施使用具有複數個模型的系統600來預測電力輸出的範例，其可由模型計算裝置116所執行。在一些範例中，系統600可對應至於上討論的系統100及200。舉例而言，可在模型計算裝置116上執行模型應用118或其它應用、程式、可執行指令或類似者 (未繪示於圖6) 以進行於此說明的功能及演算法。模型120可包括複數個計算模型，包括至少一部署模型601和至少一競爭的備用模型603。在一些範例中，能刷新模型120且刷新的模型可在固定周期的排程上部署，像是每周或每兩周。 　　[0084] 或者，如在此範例中所闡述的，可採用更動態及適應性的模型切換策略。例如，多個競爭方法可被使用於預測電力輸出，具有一或多個競爭的備用模型603準備就緒，用以若備用模型603其中一者顯示為更準確則取代已部署好的模型601。這些備用模型603可使用不同的訓練資料或甚至使用不同選定的預測子來建立。在圖6中的系統600可藉由將實際測量電力輸出資料對由各個模型601、603預測的預測電力輸出比較來持續監控及比較部署的模型601之預測準確度與一或多個備用模型603。當備用模型603連貫地勝過部署的模型601及其它備用模型603(例如，臨界數目的次數) 時，則接著該備用模型603可被啟動且變成部署的模型601，並且先前部署的模型可變為備用模型603或可被刪除。 　　[0085] 在此範例中，資料收集計算裝置110可從風力機感測器108接收感測器資料112。感測器資料112可被轉傳至用於個別風力機的模型計算裝置116。模型計算裝置116可包括複數個模型120，該複數個模型包括至少一部署的模型601和一或多個備用模型603。模基計算裝置116可使用接收的感測器資料112和外部天氣預報資料132以運行部署的模型601，如在602處所指示的。進一步，模基計算裝置116可使用接收的感測器資料112和外部天氣預報資料132以運行一或多個備用模型603，如在604處所指示的。如在602處所指示的，運行部署的模型601可生成部署模型結果606，同時如在604處所指示的，運行一或多個備用模型603可生成一或多個備用模型結果608。如上面相對於圖1及2所討論的，部署模型結果606可被發送到預測管理計算裝置124。反過來，預測管理計算裝置124可提供預測資訊140給系統控制計算裝置142。反應於接收預測資訊140，系統控制計算裝置142可基於預測電力輸出進行動作，如在610處所指示的。例如，如在612處所指示，系統控制計算裝置142可進行風力機控制功能、可控制一或多個開關208及/或可發送關於預測電力輸出的資訊給效用計算裝置152。 　　[0086] 此外，如在614處所指示的，模型計算裝置116可將部署的模型結果606和備用模型結果608之準確度與從風力機感測器108隨後接收的實際感測器資料112進行比較。例如，於模型601及603在其間內預測電力輸出的時間周期中，模型計算裝置116可將實際電力輸出(如於該時間周期由隨後接收的感測器資料112所指示的) 與預測電力輸出(如由部署的模型601和備用模型603所預測的) 進行比較。如在616處所指示的，若備用模型603其中一者對部署的模型601展現優越性能達到一個臨界量，像是連貫地預測風力機之電力輸出比部署的模型601更準確了臨界數目的次數(例如臨數目的時間周期) ，則模型計算裝置116可從使用部署的模型601切換至將備用模型603使用為部署的模型。 　　[0087] 再進一步，如在620處所指示的，模型計算裝置116可基於接收的感測器資料112來持續地建立及訓練新的模型，像是基於在過去2星期、過去一個月或類似者上接收的新接收的感測器資料112。因此，較新的模型120可已使用較新的訓練資料來訓練。例如，部署的模型601可已在一個月前訓練。在同時，天氣及/或季節可已改變，所以較新的備用模型603可已使用更目前的資料來訓練。若備用模型603連貫地勝過目前部署的模型601達到臨界數目的次數，則接著部署的模型601可由備用模型603所取代。可有用於各個風力機的複數個這些備用模型603，且各個的結果可與實際產生的電力和目前部署的模型601之結果比較，用以決定最佳模型來對於下一個電力預測部署。如上所討論的，此亦致能處理季節的改變。據此，可持續生成新的備用模型603，並且不再被使用之部署的模型601可被刪除、重訓練或簡單地維持為備用模型。可由在模型計算裝置116上執行的模型應用118來進行方塊602、604、614、616及620，例如對照圖1如上所討論的。 　　[0088] 如另一選擇，並非使用單一部署的模型601之結果，模型計算裝置116可使用接收的感測器資料112執行複數個部署的模型601。例如，模型計算裝置116可執行使用三個不同組的訓練資料及/或不同的預測子訓練的三個不同部署的模型601。模型計算裝置116可接著使用這三個模型之模型結果的平均、權重平均及/或中位數(median)作為提供給預測管理計算裝置124的部署模型結果606。還如另一範例，模型計算裝置116可執行使用不同組的訓練資料及/或不同預測子訓練的複數個不同模型。接著，作為部署模型結果606，模型計算裝置116可提供執行的模型之各者的所有結果的分佈。預測管理計算裝置124可接著基於接收的分佈進行一或多個分析功能用以決定預測資訊140，像是基於決定均值(mean)、標準差(standard deviation)等等。 　　[0089] 圖7闡述依據一些實施決定用於預測電力輸出的預測子之範例700。在此範例中，如在702處所指示的，預測解析度為15分鐘時間間隔，例如在各15分鐘間隔上的預測平均電力輸出。再進一步，如在704處所指示的，每90分鐘產生於下24小時之新的電力輸出預測。據此，預測區間為 t + 90 分鐘到 t + 90 分鐘 + 24 小時。 　　[0090] 如在706處所指示的，來自先前30分鐘的預測子可被使用為對於模型的輸入。如上面所討論的，這些預測子可對應至於15分鐘間測量的平均電力輸出，其具有在開始與結束時間之間的五分鐘的錨點，使得該預測子相對於在從 P0 到 P3 的時間序列中下一個預測子被錯列了5分鐘，其中P階在特定時間間隔上測量的平均電力輸出且WS為在相同時間間隔上測量的實際平均的風速。此外，在當測量的實際電力輸出及風速在此範例中被使用為預測子的同時，如上所討論，在其它範例中，亦可使用額外的預測子。如在708處所指示的，基於在24小時周期的15分鐘預測解析度，可有用於模型的96個決定的目標，用以預測電力輸出。在一些情形中，可有用於各個風力機的96個模型，亦即一者對於96個時間間隔之各者。 　　[0091] 圖8依據一些實施闡述用於預測電力輸出的範例系統。在此範例中，預測管理計算裝置124自風力發電場106、關聯的資料收集計算裝置110以及模型計算裝置116來遠端地定位。據此，模型計算裝置116可使用一或多個通訊介面802用以在一或多個網路160之上發送模型結果122給預測管理計算裝置124。例如，預測管理計算裝置124可位於雲端計算服務上，或在像是在網際網路上可存取的其它遠端網路位置處。 　　[0092] 預測管理計算裝置124可使用一或多個通訊介面804，用以發送預測資訊140給系統控制計算裝置142，其可位在或鄰近於風力發電場。或者，在其它範例中，系統控制計算裝置142亦可自風力發電場106遠端地定位且例如透過一或多個網路160可存取於網際網路之上。不論系統控制計算裝置142的實體位置為何，例如對照圖1、2及6如上面所討論的，控制應用144可基於預測資訊140進行一或多個動作。 　　[0093] 圖9及10為依據一些實施闡述範例程序的流程圖。該些程序被闡述為在邏輯流程圖中方塊的收集，其代表運作的序列，其之一些或所有可以硬體、軟體或其結合來實施。在軟體的上下文中，方塊可代表儲存在一或多個電腦可讀媒體上儲存的電腦可執行指令，其當由一或多個處理器執行時，編程處理器以進行所記載的運算。一般而言，電腦可執行指令包括常式(routine)、程式、物件、組件(component)、資料結構及類似者，其進行特定功能或實施特定資料類型。方塊所依其說明的次序不應理解為限制。所述方塊之任何數目能以任何次序來結合及/或平行以實施該程序或替代的程序，且不是所有的方塊都需被執行。為了討論的目的，參考於此的範例中所述的環境、框架(framework)及系統來說明程序，雖然程序可在各式各樣的其它環境、框架及系統中實施。 　　[0094] 圖9為依據一些實施闡述用於基於預測電力輸出控制系統的範例程序的流程圖。在一些範例中，程序900可部分由模型計算裝置116執行、部分由預測管理計算裝置執行以及部分由系統控制計算裝置142及/或其它合適的計算裝置執行。 　　[0095] 在902處，於第一時間周期，計算裝置可從複數個風力機之分別的風力機接收第一感測器資料，該第一感測器資料包括至少每時間間隔之測量的電力輸出及風速。例如，在第一時間周期中可有複數個時間間隔。 　　[0096] 在904處，計算裝置可至少部分基於從該分別的風力機接收的該第一感測器資料來針對各個分別的風力機訓練至少一分別的模型。 　　[0097] 在906處，於第二時間周期，計算裝置可從個別的風力機接收第二感測器資料，該第二感測器資料包括至少每時間間隔之電力輸出及風速。例如，在第二時間周期中可有複數個時間間隔。 　　[0098] 在908處，在一些情形中，計算裝置可接收用於風力機位於其中的地理區域的外部天氣預報資料。舉例而言，外部天氣預報資料可包括用於風力發電場位於其中的地理區域的預測風速及風向。 　　[0099] 在910處，計算裝置可對於各個風力機使用為了該風力機接收的至少該感測器資料來分別執行分別的訓練模型，用以決定在即將來臨的時間周期用於各個分別的風力機的預測電力輸出。 　　[0100] 在912處，計算裝置可將用於各個風力機的預測電力輸出匯集，用以決定在即將來臨的時間周期上用於複數個風力機的總預測電力輸出。 　　[0101] 在914處，計算裝置可發送通訊以基於該預測造成停機或起動至少一風力機。 　　[0102] 在916處，計算裝置可發送通訊用以基於該預測造成將電力輸出之至少部分轉移至電力儲存，或在其它情形中，用以若實際電力輸出小於預測的，則造成啟動開關以將儲存的電力從電力儲存發送到電網。 　　[0103] 在918處，計算裝置可發送通訊到效用計算裝置，該通訊指示電力輸出之預測，例如要用以被遞送至電網的預期電量。 　　[0104] 圖10為依據一些實施闡述用於訓練及部署用於預測電力輸出的模型的範例程序之流程圖。在一些範例中，程序1000可至少部分由模型計算裝置或其它合適的計算裝置來執行。在一些範例中，圖10的程序可與圖9的程序結合。 　　[0105] 在1002處，在第一時間周期上，計算裝置可從複數個風力機之分別的風力機接收第一感測器資料，該第一感測器資料包括至少每時間間隔之電力輸出及風速。 　　[0106] 在1004處，計算裝置可至少部分基於從該分別的風力機接收的該第一感測器資料來針對各個分別的風力機訓練及部署至少一分別的模型。 　　[0107] 在1006處，在第二時間周期上，計算裝置可從個別的風力機接收第二感測器資料，該第二感測器資料包括至少每時間間隔之電力輸出及風速。 　　[0108] 在1008處，計算裝置可基於第二感測器資料，在一些情形中基於該第一感測器的至少部分來訓練用於各個風力機的至少一第二模型。 　　[0109] 在1010處，在第三時間周期上，計算裝置可從個別的風力機接收第三感測器資料，該第三感測器資料包括至少每時間間隔之電力輸出及風速。 　　[0110] 在1012處，計算裝置可使用分別的第一模型和分別的第二模型以基於第三感測器資料預測於即將來臨的時間周期用於各個風力機之分別電力輸出。 　　[0111] 在1014處，計算裝置可在第四時間周期上接收來自分別風力機的第四感測器資料。 　　[0112] 在1016處，計算裝置可基於第四感測器資料決定第一模型預測或第二模型預測是否更準確。 　　[0113] 在1018處，若第二模型比第一模型更準確達臨界數目的次數，則計算裝置可將第一模型取代第二模型。 　　[0114] 圖11依據一些實施闡述範例模型計算裝置116。在一些情形中，模型計算裝置116可包括樹莓派(RASPBERRY PI®) 計算裝置、個人電腦、邊緣計算裝置(edge computing device)、物聯網計算裝置或可以若干個方式嵌入的其它類型不昂貴低處理功率計算裝置。舉例而言，程式、其它功能組件以及資料儲存之至少部分可在模型計算裝置116上實施，並且如上所討論的，模型計算裝置116可位在鄰近風力發電場中。或者，在其它範例中，模型計算裝置116可被實施為伺服器，或是其它基於雲端的或位於網路的計算裝置。進一步，可額外或擇一地使用其它電腦架構。此外，在當在此範例中為了方便討論，功能組件及資料被顯示為共定位在相同裝置上的同時，在其它範例中，功能組件及資料可以任何所欲的方式跨複數個計算裝置分佈在相同的位置或複數個不同的位置。 　　[0115] 在闡述的範例中，模型計算裝置116包括一或多個處理器1102、一或多個通訊介面1106以及一或多個電腦可讀媒體1104。各個處理器1102可為單一處理單元或若干個處理單元且可包括單一或多個計算單元或是多個處理核心。處理器1102可被實施為一或多個中央處理單元、微處理器、微電腦、微控制器、數位信號處理器、狀態機、邏輯電路及/或基於運算指令操控信號的任何裝置。舉例來說，處理器1102可為一或多個硬體處理器及/或具體編程或組態以執行於此說明的演算法及程序的任何合適類型之邏輯電路。處理器1102可被組態以提取且執行儲存在電腦可讀媒體1104中的電腦可讀指令，其能編程處理器1102以進行於此說明的功能。 　　[0116] 電腦可讀媒體1104可包括揮發性和非揮發性記憶體及/或以用於儲存資訊的任何類似的技術實施的可移除和非可移除媒體，像是電腦可讀指令、資料結構、程式模組或其它資料。例如，電腦可讀媒體1104可包括(但不限於) RAM、ROM、EEPROM、快閃記憶體或其它記憶體技術、光學儲存、固態儲存、磁帶、磁碟儲存或類似者。此外，在模型計算裝置為伺服器或其它網路計算裝置的情形中，計算可讀媒體可包括RAID儲存系統、儲存陣列、網路附接儲存(network attached storage)、儲存區域網路(storage area network)、雲端儲存或能被使用以儲存所欲的資訊且可由計算裝置存取的任何其它媒體。取決於模型計算裝置116的組態，電腦可讀媒體1104可為有形的非暫態媒體，當提及時，其到達了非暫態電腦可讀媒體排除像是能量、載波信號、電磁波及/或信號本身之媒體的程度。在一些情形中，電腦可讀媒體1104可與模型計算裝置116在相同位置，同時在其它範例中，電腦可讀媒體1104可部分地在模型計算裝置116的遠端，像是可存取於網路之上。 　　[0117] 可使用電腦可讀媒體1104來儲存由處理器1102可執行的任何數目的功能組件。在許多實施中，這些功能組件包含由處理器1102可執行的指令或程式，而當執行時，具體地編程該處理器1102以於此進行被歸屬到模型計算裝置116的動作。如上面所討論的，在電腦可讀媒體1104中儲存的功能組件可包括模型應用118，其可建立、訓練及取代於此的模型。功能組件可包括一或多個電腦程式、電腦可讀指令、可執行碼或其部分，其係可執行以造成處理器1102進行各種任務，像是執行如上所述的模型。此外，作業系統1108可控制及管理模型計算裝置116的各種功能。在一些情形中，功能組件可被儲存在電腦可讀媒體1104之儲存部，被定位到電腦可讀媒體1104的區域記憶體部以及被一或多個處理器1102執行。眾多其它軟體及/或硬體組態對於具有於此揭露之益處的本領域具有通常知識的該些者將是顯見的。 　　[0118] 此外，電腦可讀媒體1104可儲存使用於進行於此說明的功能和服務的資料及資料結構。例如，電腦可讀媒體1104可儲存模型120，包括一或多個部署的模型601及一或多個備用模型603、感測器資料112、模型結果122以及接收的外部天氣預報資料132。模型計算裝置116亦可包括或維持其它模組及資料1114，其可包括程式、驅動程式等以及由功能組件使用或產生的其它資料。進一步，模型計算裝置116可包括許多其它邏輯的、程式的及實體的組件，其之上述該些者僅為關於於此討論的範例。 　　[0119] 通訊介面1106可包括一或多個介面和硬體組件以用於像是在一或多個網路106或局部於風力發電場的LAN之上致能與各種其它裝置的通訊。因此，通訊介面1106可包括或可耦接至提供連接至網路160的一或多個埠。例如，通訊介面1106可透過LAN(局部區域網路) 、WAN(寬域網路) 、網際網路、電纜網路、蜂巢式網路、無線網路(例如，WiFi) 以及有線網路(例如，光纖、乙太、光纖通道) 、直接連接以及像是藍牙(BLUETOOTH®)的近範圍通訊及類似者，如於此它處額外枚舉的。 　　[0120] 此外，模型計算裝置116可包括一或多個輸入/輸出(I/O)裝置1116。這類I/O裝置1116可包括顯示器、揚聲器、麥克風以及各種使用者控制(例如，按鈕、搖捍、滑鼠、鍵盤、鍵板、觸控螢幕等) 等等。 　　[0121] 圖12依據一些實施闡述範例預測管理計算裝置124。在一些範例中，預測管理計算裝置124可包括一或多個伺服器、個人電腦或其以任何數目的方式嵌入的它類型的計算裝置。舉例而言，在個人計算裝置的情形中，預測管理計算裝置124可位於鄰近風力發電場和模型計算裝置112，像是以經由LAN進行通訊。另一方面，在伺服器的情形中，可在至少一伺服器上或在伺服器、伺服器場、資料中心、雲端主機的計算服務等等的叢集中實施程式、其它功能組件及資料儲存的至少部分，雖然可額外或擇一地使用其它電腦架構。進一步，在當在此範例中為了方便討論，功能組件及資料被顯示為共定位的同時，在其它範例中，功能組件及資料可以任何所欲的方式跨複數個計算裝置分佈在相同的位置或複數個不同的位置。 　　[0122] 在闡述的範例中，預測管理計算裝置124包括(或可具有與其關聯的) 一或多個處理器1202、一或多個通訊介面1206以及一或多個電腦可讀媒體1204。各個處理器1202可為單一處理單元或若干個處理單元且可包括單一或多個計算單元或是多個處理核心。處理器1202可被實施為一或多個中央處理單元、微處理器、微電腦、微控制器、數位信號處理器、狀態機、邏輯電路及/或基於運算指令操控信號的任何裝置。舉例來說，處理器1202可為一或多個硬體處理器及/或具體編程或組態以執行於此說明的演算法及程序的任何合適類型之邏輯電路。處理器1202可被組態以提取且執行儲存在電腦可讀媒體1204中的電腦可讀指令，其能編程處理器1202以進行於此說明的功能。 　　[0123] 電腦可讀媒體1204可包括揮發性和非揮發性記憶體及/或以用於儲存資訊的任何類似的技術實施的可移除和非可移除媒體，像是電腦可讀指令、資料結構、程式模組或其它資料。例如，電腦可讀媒體1204可包括(但不限於) RAM、ROM、EEPROM、快閃記憶體或其它記憶體技術、光學儲存、固態儲存、磁帶、磁碟儲存。此外，在預測管理計算裝置124為位於網路上的伺服器的情形中，電腦可讀媒體1204可包括RAID儲存系統、儲存陣列、網路附接儲存(network attached storage)、儲存區域網路(storage area network)、雲端儲存或能被使用以儲存所欲的資訊且可由計算裝置存取的任何其它媒體。取決於預測管理計算裝置124的組態，電腦可讀媒體1204可為有形的非暫態媒體，當提及時，其到達了非暫態電腦可讀媒體排除像是能量、載波信號、電磁波及/或信號本身之媒體的程度。在一些情形中，電腦可讀媒體1204可與預測管理計算裝置124在相同位置，同時在其它範例中，電腦可讀媒體1204可部分地在預測管理計算裝置124的遠端。 　　[0124] 可使用電腦可讀媒體1204來儲存由處理器1202可執行的任何數目的功能組件。在許多實施中，這些功能組件包含由處理器1202可執行的指令或程式，而當執行時，具體地編程該處理器1202以於此進行被歸屬到預測管理計算裝置124的動作。在電腦可讀媒體1204中儲存的功能組件可包括管理應用126和分析應用128。這些功能組件之各者可包括一或多個電腦程式、電腦可讀指令、可執行碼或其部分，其係可執行以造成處理器1202進行各種任務，像是用於接收及處理由模型計算裝置116發送的資料。此外，作業系統1208可控制及管理預測管理計算裝置124的各種功能。在一些情形中，功能組件可被儲存在電腦可讀媒體1204之儲存部，被定位到電腦可讀媒體1204的區域記憶體部以及被一或多個處理器1202執行。眾多其它軟體及/或硬體組態對於具有於此揭露之益處的本領域具有通常知識的該些者將是顯見的。 　　[0125] 此外，電腦可讀媒體1204可儲存使用於進行於此說明的功能和服務的資料及資料結構。例如，電腦可讀媒體1204可儲存預測結果130、外部天氣預報資料132以及匯集的模型結果134。預測管理計算裝置124亦可包括或維持其它模組及資料1210，其可包括程式、驅動程式等以及由功能組件使用或產生的其它資料。進一步，預測管理計算裝置124可包括許多其它邏輯的、程式的及實體的組件，其之上述該些者僅為關於於此討論的範例。 　　[0126] 通訊介面1206可包括一或多個介面和硬體組件以用於像是在一或多個網路106之上致能與各種其它裝置的通訊。因此，通訊介面1206可包括或可耦接至提供連接至網路160的一或多個埠。例如，通訊介面1206可透過LAN(局部區域網路) 、WAN(寬域網路) 、網際網路、電纜網路、蜂巢式網路、無線網路(例如，WiFi) 以及有線網路(例如，光纖、乙太、光纖通道) 、直接連接以及像是藍牙(BLUETOOTH®)的近範圍通訊及類似者，如於此它處額外枚舉的。 　　[0127] 此外，預測管理計算裝置124可包括一或多個輸入/輸出(I/O)裝置1212。這類I/O裝置1212可包括顯示器、揚聲器、麥克風以及各種使用者控制(例如，按鈕、搖捍、滑鼠、鍵盤、鍵板、觸控螢幕等) 等等。 　　[0128] 進一步，系統控制計算裝置142可具有類似於預測管理計算裝置124的硬體組態，但具有不同的功能組件，像是在其上可執行的控制應用144。 　　[0129] 於此說明的範例程序僅為提供用於討論的目的之程序的範例。眾多的其它變化按照於此的揭露對本領域具有通常知識的該些者將是顯見的。進一步，在當於此的揭露提出合適的框架之幾個範例的同時，用於執行於此的程序、實施的架構及環境並不限於所繪示及討論的特定範例。再進一步，如所述及如在圖式中所闡述的，此揭露提供各種範例實施。然而，此揭露並不限於於此所述及闡述的實施，但能延伸至其它實施，如對本領域具有通常知識之該些者會知的或會變為已知的。 　　[0130] 於此說明的各種指令、程序及技術可被考慮於電腦可執行指令的一般上下文中，像是儲存在電腦可讀媒體上儲存的且由於此的處理器執行的程式模組。一般而言，程式模組包括用於進行特定任務或實施特定抽象資料類型的常式、程式、物件、組件、資料結構、可執行碼等。這些程式模組及類似者可如原生碼般執行或可被下載及執行，像是在虛擬機器或其它實時(just-in-time)編譯執行環境。典型地，程式模組之功能特性可如在各種實施中所欲般被結合或分佈。這些模組及技術之實施可被儲存在電腦儲存媒體上或跨某種形式的通訊媒體來傳送。 　　[0131] 雖然本標的已以特定於結構特徵及/或方法上的行為之語言來描述，但要理解的是，在附加的申請專利範圍中定義的標的並不必然限於所描述的特定特徵或行為。相反的，該特定特徵及行為被揭示為實施申請專利範圍之範例形式。
[0132]
100‧‧‧系統
102‧‧‧風力機
104‧‧‧地理區域
106‧‧‧風力發電場
108‧‧‧感測器
110‧‧‧資料收集計算裝置
112‧‧‧感測器資料
114‧‧‧資料收集應用
116‧‧‧模型計算裝置
118‧‧‧模型應用
120‧‧‧模型
122‧‧‧模型結果
124‧‧‧預測管理計算裝置
126‧‧‧管理應用
128‧‧‧分析應用
130‧‧‧預測結果
132‧‧‧外部天氣預報資料
134‧‧‧匯集的模型結果
136‧‧‧外部資料來源計算裝置
140‧‧‧預測資訊
142‧‧‧系統控制計算裝置
144‧‧‧控制應用
146‧‧‧控制信號
150‧‧‧電力輸出資訊
152‧‧‧效用計算裝置
154‧‧‧效用應用
160‧‧‧網路
200‧‧‧風力發電系統
202‧‧‧電功率
204‧‧‧電力線
206‧‧‧電網
208‧‧‧開關
210‧‧‧電力儲存
212‧‧‧電池
402‧‧‧支持向量機回歸
502‧‧‧天氣預測資料
600‧‧‧系統
601‧‧‧部署的模型
603‧‧‧備用模型
606‧‧‧部署模型結果
608‧‧‧備用模型結果
802‧‧‧通訊介面
804‧‧‧通訊介面
1102‧‧‧處理器
1104‧‧‧電腦可讀媒體
1106‧‧‧通訊介面
1108‧‧‧作業系統
1114‧‧‧其它模組和資料
1116‧‧‧輸入/輸出裝置
1202‧‧‧處理器
1204‧‧‧電腦可讀媒體
1206‧‧‧通訊介面
1208‧‧‧作業系統
1210‧‧‧其它模組和資料
1212‧‧‧輸入/輸出裝置
[0006] 詳細的說明係參考附圖來提出。在圖中，參考號碼的最左位元識別參考號碼首先出現於其中的圖。在不同的圖中使用相同參考號碼指示類似或相同的項目或特徵。 　　[0007] 圖1闡述依據一些實施可基於預測電力輸出控制的系統之範例架構。 　　[0008] 圖2闡述依據一些實施可基於預測電力輸出控制的系統之範例架構。 　　[0009] 圖3闡述依據一些實施用於預測電力輸出的預測區間(prediction horizon)之範例。 　　[0010] 圖4闡述依據一些實施使用支持向量機回歸(support vector machine regression)以用於預測電力輸出的範例。 　　[0011] 圖5闡述依據一些實施使用輸助器渦輪感測器資料及/或外部天氣預報資料以藉由目標風力機預測電力輸出之範例。 　　[0012] 圖6闡述依據一些實施使用具有複數個競爭模型(competing model)的系統預測電力輸出的範例。 　　[0013] 圖7闡述依據一些實施用於預測電力輸出的預測規格之範例。 　　[0014] 圖8闡述依據一些實施用於預測電力輸出的範例系統。 　　[0015] 圖9為依據一些實施闡述用於基於預測電力輸出控制系統的範例程序的流程圖。 　　[0016] 圖10為依據一些實施闡述用於訓練多個競爭模型和部署用於預測電力輸出之選定的模型的範例程序的流程圖。 　　[0017] 圖11闡述依據一些實施的範例模型計算裝置。 　　[0018] 圖12闡述依據一些實施的範例預測管理計算裝置。

Claims (20)

  1. 一種系統，包含： 　　一或多個處理器；以及 　　儲存可執行指令的一或多個非暫態電腦可讀媒體，其當由該一或多個處理器執行時，組態該一或多個處理器以進行運算，包含： 　　　　於第一時間周期，從複數個風力機之分別的風力機接收第一感測器資料，該第一感測器資料包括至少每時間間隔的電力輸出及風速，其中該第一時間周期包含複數個該時間間隔； 　　　　至少部分基於從該分別的風力機接收的該第一感測器資料來針對各個分別的風力機訓練至少一分別的模型； 　　　　於第二時間周期，從該分別的風力機接收分別的第二感測器資料； 　　　　使用從該分別的風力機接收的該分別的第二感測器資料來執行已使用從該分別的風力機接收的該第一感測器資料訓練的該分別的模型，用以針對各個分別的風力機決定於即將來臨的時間周期之預測的電力輸出； 　　　　匯集該預測的電力輸出以決定用於該複數個風力機的總預測電力輸出；及 　　　　至少部分基於該總預測電力輸出，進行下列至少一者： 　　　　發送通訊以造成停機或起動該複數個風力機之至少一風力機； 　　　　發送通訊以造成啟動開關來將生成的電力之至少部分轉移至電力儲存； 　　　　發送通訊以造成啟動開關來將儲存的電力從該電力儲存發送至電網；或 　　　　發送通訊至效用計算裝置，其指示於該即將來臨的時間周期之至少部分的預測電力輸出。
  2. 如申請專利範圍第1項所述的系統，更包含複數個模型計算裝置，各個模型計算裝置包括處理器之至少一者，其中該模型計算裝置之分別者被組態以對於該風力機之分別者訓練及執行該分別的模型。
  3. 如申請專利範圍第1項所述的系統，更包含資料收集計算裝置，位在鄰近該複數個風力機之地理區域，用於從該複數個風力機接收該感測器資料，其中該複數個模型計算裝置位在鄰近該複數個風力機之該地理區域且能夠在局部區域網路之上與該資料收集計算裝置通訊。
  4. 如申請專利範圍第1項所述的系統，該運作更包含： 　　從外部來源接收用於該複數個風力機位於其中的地理區域的天氣預報資料；以及 　　至少部分基於該天氣預報資料對於該分別的風力機訓練該分別的模型，其中使用從各個分別的風力機接收的該第二感測器資料來執行已使用從該分別的風力機接收的該第一感測器資料來訓練的該分別的模型之步驟包括：當執行該分別的模型時，使用接收的天氣預報資料。
  5. 如申請專利範圍第1項所述的系統，該運作更包含： 　　當對於該分別的風力機之第一者執行該分別的模型時，決定在鄰近第一分別的風力機的臨界距離內一或多個第二分別的風力機；以及 　　其中使用從該第一分別的風力機接收的該第二感測器資料來執行已使用從該第一分別的風力機接收的該第一感測器資料訓練的該分別的模型的步驟包括：使用從該一或多個第二分別的風力機接收的感測器資料。
  6. 如申請專利範圍第1項所述的系統，其中： 　　該分別的模型為支持向量機回歸模型，且使用為用以執行該分別的模型之輸入的該感測器資料包括從該分別的風力機接收的複數個時間間隔之時間序列，其中測量的電力輸出和測量的風速在該時間序列中各個時間間隔上作平均；以及 　　在該時間序列中該時間間隔之至少一者至少部分與在該時間序列中該時間間隔之另一者重疊。
  7. 如申請專利範圍第1項所述的系統，其中：對於該分別的風力機之第一者，該分別的模型為第一模型，該運作更包含： 　　在接收該第二感測器資料之前，使用從該第一風力機接收的額外感測器資料訓練第二模型； 　　使用該第二感測器資料執行該第二模型以決定用於該第一風力機的第二預測電力輸出； 　　基於來自該第一分別的風力機指示實際電力輸出之隨後接收的感測器資料來決定來自該第一模型或該第二模型之預測電力輸出是否較接近該實際電力輸出；以及 　　至少部分基於來自較接近該實際電力輸出之該第二模型的該預測電力輸出來以用於該第一分別的風力機之該第二模型取代該第一模型。
  8. 一種方法，包含： 　　至少部分基於在第一時間周期從該分別的風力機接收的第一感測器資料藉由一或多個處理器對於複數個風力機之各個分別的風力機訓練至少一分別的模型； 　　於第二時間周期，從該分別的風力機接收分別的第二感測器資料； 　　使用從該分別的風力機接收的該分別的第二感測器資料來執行對於該分別的風力機訓練的該分別的模型，用以針對各個分別的風力機決定於即將來臨的時間周期之預測電力輸出； 　　對於該分別的風的機匯集該預測的電力輸出以決定用於該複數個風力機的總預測電力輸出；以及 　　至少部分基於該總預測電力輸出，進行至少一動作。
  9. 如申請專利範圍第8項所述的方法，其中進行至少一動作的步驟包含下列至少一者： 　　發送通訊以造成停機或起動該複數個風力機之至少一風力機； 　　發送通訊以造成啟動開關來將生成的電力之至少部分轉移至電力儲存；或 　　發送通訊以造成啟動開關來將儲存的電力從該電力儲存發送至電網。
  10. 如申請專利範圍第8項所述的方法，其中進行至少一動作的步驟包含：發送通訊至效用計算裝置，該通訊指示於該即將來臨的時間周期之至少部分的預測電力輸出。
  11. 如申請專利範圍第8項所述的方法，更包含在該風力機位於其中的地理區域處組態複數個模型計算裝置，其中該模型計算裝置之分別者被組態以對於該風力機之分別者訓練及執行該分別的模型。
  12. 如申請專利範圍第8項所述的方法，更包含： 　　當對於該分別的風力機之第一者執行該分別的模型時，決定在鄰近第一分別的風力機的臨界距離內一或多個第二分別的風力機；以及 　　其中使用從該分別的風力機接收的該分別的第二感測器資料來執行對於該分別的風力機訓練的該分別的模型的步驟包括：使用從該一或多個第二分別的風力機接收的感測器資料。
  13. 如申請專利範圍第8項所述的方法，其中： 　　對於各個分別的風力機訓練至少一分別的模型的步驟包含：對於各個分別的風力機訓練至少一分別的支持向量機回歸模型，其中使用為用以執行該分別的模型之輸入的該感測器資料包括來自該分別的風力機接收之複數個時間間隔的時間序列，其中測量電力輸出和測量風速係在該時間序列中各個時間間隔之上作平均；以及 　　在該時間序列中該時間間隔之至少一者至少部分與在該時間序列中該時間間隔之另一者重疊。
  14. 如申請專利範圍第8項所述的方法，其中：對於該分別的風力機之第一者，該分別的模型為第一模型，該方法更包含： 　　在接收該第二感測器資料之前，使用從該第一風力機接收的額外感測器資料訓練第二模型； 　　使用該第二感測器資料執行該第二模型以決定用於該第一風力機的第二預測電力輸出； 　　基於來自該第一分別的風力機指示實際電力輸出之隨後接收的感測器資料來決定來自該第一模型或該第二模型之預測電力輸出是否較接近該實際電力輸出；以及 　　至少部分基於來自較接近該實際電力輸出之該第二模型的該預測電力輸出來以用於該第一分別的風力機之該第二模型取代該第一模型。
  15. 一種系統，包含： 　　一或多個處理器；以及 　　維持可執行指令的一或多個非暫態電腦可讀媒體，其當由該一或多個處理器執行時，編程該一或多個處理器以進行運算，該運算包含： 　　　　至少部分基於在第一時間周期從該分別的風力機接收的第一感測器資料來對於複數個風力機之各個分別的風力機訓練至少一分別的模型； 　　　　於第二時間周期，從該分別的風力機接收分別的第二感測器資料； 　　　　使用從該分別的風力機接收的該分別的第二感測器資料來執行對於該分別的風力機訓練的該分別的模型，用以針對各個分別的風力機決定於即將來臨的時間周期之預測電力輸出； 　　　　對於該分別的風力機匯集該預測的電力輸出以決定用於該複數個風力機的總預測電力輸出；以及 　　　　至少部分基於該總預測電力輸出，進行至少一動作。
  16. 如申請專利範圍第15項所述的系統，其中：對於該分別的風力機之第一者，該分別的模型為第一模型，該運作更包含： 　　在接收該第二感測器資料之前，使用從該第一風力機接收的額外感測器資料訓練第二模型； 　　使用該第二感測器資料執行該第二模型以決定在該即將來臨的時間周期用於該第一風力機的第二預測電力輸出； 　　基於來自該第一分別的風力機指示實際電力輸出之隨後接收的感測器資料來決定來自該第一模型或該第二模型之預測電力輸出是否較接近該實際電力輸出；以及 　　至少部分基於來自較接近該實際電力輸出之該第二模型的該預測電力輸出來以用於該第一分別的風力機之該第二模型取代該第一模型。
  17. 如申請專利範圍第15項所述的系統，其中：對於該分別的風力機之第一者，該分別的模型為第一模型，該運作更包含： 　　在接收該第二感測器資料之前，使用從該第一風力機接收的額外感測器資料訓練第二模型； 　　使用該第二感測器資料執行該第二模型以決定在該即將來臨的時間周期用於該第一風力機的第二預測電力輸出；以及 　　基於從該第一模型決定的該預測電力輸出和從該第二模型決定的該預測電力輸出來決定在該即將來臨的時間周期用於該第一風力機的預測電力輸出。
  18. 如申請專利範圍第15項所述的系統，更包含在該風力機所位於其中的地理區域的複數個模型計算裝置，各個模型計算裝置包括該一或多個處理器之至少一者，其中該模型計算裝置之分別者被組態以對於該風力機之分別者訓練及執行該分別的模型。
  19. 如申請專利範圍第15項所述的系統，其中進行至少一動作之該運作包含進行下列至少一者： 　　發送通訊以造成停機或起動該複數個風力機之至少一風力機； 　　發送通訊以造成啟動開關來將生成的電力之至少部分轉移至電力儲存； 　　發送通訊以造成啟動開關來將儲存的電力從該電力儲存發送；或 　　發送通訊至效用計算裝置，其指示於該即將來臨的時間周期之至少部分的預測電力輸出。
  20. 如申請專利範圍第15項所述的系統，該運作更包含： 　　當對於該分別的風力機之第一者執行該分別的模型時，決定在鄰近第一分別的風力機的臨界距離內一或多個第二分別的風力機；以及 　　其中使用從該分別的風力機接收的該分別的第二感測器資料來執行對於該分別的風力機訓練的該分別的模型的步驟包括：使用從該一或多個第二分別的風力機接收的感測器資料。
TW107108063A 2017-05-25 2018-03-09 適應性發電管理 TWI678677B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/605,184 US10309372B2 (en) 2017-05-25 2017-05-25 Adaptive power generation management
US15/605,184 2017-05-25

Publications (2)

Publication Number Publication Date
TW201901590A true TW201901590A (zh) 2019-01-01
TWI678677B TWI678677B (zh) 2019-12-01

Family

ID=61616828

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107108063A TWI678677B (zh) 2017-05-25 2018-03-09 適應性發電管理

Country Status (6)

Country Link
US (1) US10309372B2 (zh)
EP (1) EP3406894A1 (zh)
JP (1) JP6695370B2 (zh)
CN (1) CN108930632B (zh)
SG (1) SG10201801978QA (zh)
TW (1) TWI678677B (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210334914A1 (en) * 2017-02-07 2021-10-28 Foresight Energy Ltd System and method for determining power production in an electrical power grid
TWI623890B (zh) * 2017-07-04 2018-05-11 台灣電力股份有限公司 由多個類神經網路組成的發電量預測系統與其方法
WO2020028578A1 (en) * 2018-07-31 2020-02-06 Alliance For Sustainable Energy, Llc Distributed reinforcement learning and consensus control of energy systems
DE102018008700A1 (de) * 2018-11-06 2020-05-07 Senvion Gmbh Windpark-Energieparameterwert-Prognose
DE102018009549A1 (de) * 2018-12-10 2020-06-10 Senvion Gmbh Verfahren und System zum Parametrieren eines Reglers einer Windenergieanlage und/oder Betreiben einer Windenergieanlage
CN109340062B (zh) * 2018-12-18 2020-01-31 国电联合动力技术有限公司 一种低风速风电机组数字双胞胎式的疲劳损伤预测方法
RU2724075C1 (ru) * 2018-12-28 2020-06-19 Акционерное общество "Лаборатория Касперского" Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками
JP2022523564A (ja) * 2019-03-04 2022-04-25 アイオーカレンツ， インコーポレイテッド 機械学習を使用するデータ圧縮および通信
US10815972B2 (en) * 2019-03-22 2020-10-27 General Electric Company System and method for assessing and validating wind turbine and wind farm performance
CN111765052B (zh) * 2019-04-01 2022-07-15 北京金风科创风电设备有限公司 风力发电机组的风速修正方法、装置、系统及存储介质
EP3719737A1 (de) * 2019-04-03 2020-10-07 Siemens Aktiengesellschaft Computergestütztes energiemanagementverfahren und energiemanagementsystem
EP3744973B1 (en) 2019-05-31 2023-10-04 Vestas Wind Systems A/S Controlling flap loading on a wind turbine blade based on predicted flap loading
JP7353804B2 (ja) * 2019-06-04 2023-10-02 メタウォーター株式会社 モデル予測制御システム、情報処理装置、プログラム、及びモデル予測制御方法
JP7359580B2 (ja) * 2019-07-08 2023-10-11 ファナック株式会社 制御装置及び判定装置
EP3792483A1 (en) * 2019-09-16 2021-03-17 Siemens Gamesa Renewable Energy A/S Wind turbine control based on reinforcement learning
EP4038272A1 (en) * 2019-09-30 2022-08-10 Vestas Wind Systems A/S A method for controlling boosted power output of a power generating unit
EP4042016A1 (en) * 2019-10-09 2022-08-17 Vestas Wind Systems A/S Waking a wind turbine from a sleep state
JP7204629B2 (ja) * 2019-10-24 2023-01-16 株式会社東芝 監視制御システム、監視制御方法、および監視制御プログラム
EP3839250A1 (en) * 2019-12-16 2021-06-23 Siemens Gamesa Renewable Energy A/S Method and an apparatus for computer-implemented monitoring of a wind turbine
CN111105050B (zh) * 2019-12-23 2023-09-29 远景智能国际私人投资有限公司 风机维护计划的生成方法、装置、设备及存储介质
US20210239099A1 (en) * 2020-01-30 2021-08-05 Honeywell International Inc. Systems and methods for model based wind turbine diagnostics
US11428212B2 (en) * 2020-02-11 2022-08-30 Inventus Holdings, Llc Wind turbine drivetrain wear detection using azimuth variation clustering
CN112613632B (zh) * 2020-03-31 2024-07-02 北京金风慧能技术有限公司 功率预测模型建立方法、预测方法、装置及电子设备
CN111664061B (zh) * 2020-06-15 2021-12-17 三一重能有限公司 风力发电机组中偏航系统的故障诊断方法及装置
CN112761896B (zh) * 2020-09-24 2024-05-14 国网内蒙古东部电力有限公司 提高风力发电站发电量预测精度的计算方法、装置和计算机设备
EP3975368A1 (de) * 2020-09-25 2022-03-30 Wobben Properties GmbH Unterbrechungsfreie stromversorgung bei windenergieanlagen
JP7512882B2 (ja) 2020-12-22 2024-07-09 株式会社Ihi 情報提供装置、バイナリ発電装置、およびエネルギシステム
KR102309596B1 (ko) * 2020-12-29 2021-10-06 포항공과대학교 산학협력단 미래 풍황 예측을 통한 풍력발전 시스템 및 풍력발전기 제어방법
CN113554280B (zh) * 2021-06-30 2023-06-16 北京百度网讯科技有限公司 电网系统调度模型的训练方法、装置、设备和存储介质
KR102644417B1 (ko) * 2021-11-02 2024-03-07 한국에너지기술연구원 해상 풍력발전 건전성 모니터링 시스템 및 이를 이용한 풍력발전 건전성 진단 방법
CN114139791A (zh) * 2021-11-24 2022-03-04 北京华能新锐控制技术有限公司 风力发电机组功率预测方法、系统、终端及存储介质
AU2023217054A1 (en) 2022-02-08 2024-08-15 Mark Daniel Farb Systems and methods for operating a cluster of fluid turbines
WO2023201214A2 (en) * 2022-04-12 2023-10-19 Mark Daniel Farb Systems and methods for operating a cluster of fluid turbines
WO2024182685A1 (en) * 2023-03-02 2024-09-06 Fluence Energy, Llc Systems and methods for using machine learning to predict critical constraints

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK2148225T3 (en) * 2008-07-22 2017-02-06 Siemens Ag Method and device for predicting wind resources
US8620634B2 (en) 2009-07-24 2013-12-31 Honeywell International Inc. Energy resource allocation including renewable energy sources
CN102102626B (zh) * 2011-01-30 2012-08-29 华北电力大学 风电场短期功率预测方法
CN102269124B (zh) * 2011-06-30 2013-04-03 内蒙古电力勘测设计院 超短期风电场发电功率预测系统
CN104021424B (zh) * 2013-02-28 2018-12-07 乌托巴斯洞察公司 用于预测风场中的风机的输出功率的方法和装置
CN103410660B (zh) * 2013-05-14 2016-08-03 湖南工业大学 基于支持向量机的风力发电变桨距自学习控制方法
DK3161931T3 (da) * 2014-06-27 2019-05-27 Abb Schweiz Ag Fremgangsmåde og indretning til bestemmelse af referenceudgangseffekt for energilagringssystem i vindkraftgenereringssystem
TWI540533B (zh) * 2015-03-18 2016-07-01 聖約翰科技大學 智慧型短期電力發電量預測方法
US10443577B2 (en) 2015-07-17 2019-10-15 General Electric Company Systems and methods for improved wind power generation
CN107194507A (zh) * 2017-05-17 2017-09-22 华北电力大学（保定） 一种基于组合支持向量机的风电场短期风速预测方法

Also Published As

Publication number Publication date
SG10201801978QA (en) 2018-12-28
TWI678677B (zh) 2019-12-01
CN108930632B (zh) 2020-10-27
US20180340515A1 (en) 2018-11-29
US10309372B2 (en) 2019-06-04
CN108930632A (zh) 2018-12-04
JP6695370B2 (ja) 2020-05-20
JP2018200043A (ja) 2018-12-20
EP3406894A1 (en) 2018-11-28

Similar Documents

Publication Publication Date Title
TWI678677B (zh) 適應性發電管理
JP7482167B2 (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
Wu et al. Probabilistic wind-power forecasting using weather ensemble models
US10443577B2 (en) Systems and methods for improved wind power generation
US20200063710A1 (en) System and methods for hyper short-term wind power prediction using real-time wind parameter measurements
US10719773B2 (en) Managing computational workloads of computing apparatuses powered by renewable resources
Mangalova et al. Wind power forecasting using the k-nearest neighbors algorithm
Foley et al. Current methods and advances in forecasting of wind power generation
JP2023129546A (ja) エネルギ貯蔵システムを最適に制御するためのシステム及び方法
Sharma et al. Cloudy computing: Leveraging weather forecasts in energy harvesting sensor systems
CN106687873B (zh) 作为电网条件传感器的服务器设施
JP5940922B2 (ja) 自然エネルギー量予測装置
Zafar et al. Adaptive ML-based technique for renewable energy system power forecasting in hybrid PV-Wind farms power conversion systems
US20210004035A1 (en) Datacenter stabilization of regional power grids
FR3008207A1 (fr) Unite et procede de regulation energetique d'un systeme de production et de consommation electrique
Rafique et al. Renewable generation (wind/solar) and load modeling through modified fuzzy prediction interval
JP6623514B2 (ja) 需給制御装置、需給制御方法及び電力供給システム
KR20210026447A (ko) 심층 신경망 기반 전력 수요 예측 장치 및 방법
US11379274B2 (en) Hybrid spatial-temporal event probability prediction method
Graditi et al. Machine Learning Applications for Renewable-Based Energy Systems
CN117236638B (zh) 基于多模态网络的运河微电网分布式能量管理系统
US20230261468A1 (en) System and method for determining power production in an electrical power grid
CN116974188A (zh) 用于控制微电网中热电联产装置的方法和系统
US20240149736A1 (en) Premises electric vehicle charge detection
Zhao et al. Detection of impending ramp for improved wind farm power forecasting

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees