CN103268572B - 一种千万千瓦级大型风电基地测风网络的微观选址方法 - Google Patents
一种千万千瓦级大型风电基地测风网络的微观选址方法 Download PDFInfo
- Publication number
- CN103268572B CN103268572B CN201310161935.3A CN201310161935A CN103268572B CN 103268572 B CN103268572 B CN 103268572B CN 201310161935 A CN201310161935 A CN 201310161935A CN 103268572 B CN103268572 B CN 103268572B
- Authority
- CN
- China
- Prior art keywords
- matrix
- wind
- wind speed
- lambda
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005259 measurement Methods 0.000 title abstract description 5
- 230000005611 electricity Effects 0.000 title abstract 5
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 90
- 239000013598 vector Substances 0.000 claims description 17
- 238000010187 selection method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 3
- 238000013316 zoning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明公开了一种千万千瓦级大型风电基地测风网络的微观选址方法,主要包括:a、绘制多年平均风速的分布图;b、通过多个测站多年的年平均风速资料经验正交函数分解,分析大型风电基地所在区域风速的时空分布特征;c、基于上述分析所得大型风电基地所在区域风速的时空分布特征,划分风速变化一致的典型区域;d、应用CFD模型软件计算微尺度风流参数,确定合适的选址位置。本发明所述千万千瓦级大型风电基地测风网络的微观选址方法,可以克服现有技术中缺乏气候资源诊断分析等缺陷实现宏观分析和微观选址相结合的优点。
Description
技术领域
本发明涉及风力发电及配电技术领域,具体地,涉及一种千万千瓦级大型风电基地测风网络的微观选址方法。
背景技术
在风力发电及配电技术中,测风塔的选址,对于风电场风资源评估、风电场出力预测精度都具有重要意义。选址合适的测风塔能准确评估一个区域内的风资源状况,还能为预测***提供风电场所处微气象区域的实时气象要素数据。测风塔作为数值天气预报的一个常规预报点,它的实测数据为数值天气预报模式修订和调参提供重要依据,从而提升风力预报的准确度,减少功率预测***的中间误差,提高风电功率预测精度。
目前,国内微观选址通常采用国际上较为流行的风电场设计软件WASP及Wind-Farmer进行风况建模。根据风电场各测站订正后的测风资料、地形图、粗糙度,利用轮毂高度的风资源栅格文件满足精度及高度要求的Wind-Farmer软件的三个输入文件,包括:轮毂高度的风资源栅格文件、测风高度的风资源栅格文件及测风高度的风资源风频表文件。
采用关联的方法在Wind-Farmer软件中输入WASP软件形成的三个文件,输入三维的数字化地形图(1:10000或1:5000),地形复杂的山地风电场应采用1:5000地形图,输入风电场空气密度下的风机功率曲线及推力曲线,设定风机的布置范围及风机数量,设定粗糙度、湍流强度、风机最小间距、坡度、噪声等,考虑风电场发电量的各种折减系数,采用修正PARK尾流模型进行风机优化排布。根据优化结果的坐标,利用GPS到现场踏勘定点,根据现场地形地貌条件和施工安装条件进行了机位微调,并利用GPS测得新的坐标,然后将现场的定点坐标输入Wind-Farmer中,采用粘性涡漩尾流模型对风电场每台风机发电量及尾流损失进行精确计算。
在实现本发明的过程中,发明人发现现有技术中缺乏大尺度的气候资源分段分析等缺陷,实现了宏观分析和微观选址相结合的优点。
发明内容
本发明的目的在于,针对上述问题,提出一种千万千瓦级大型风电基地测风网络的微观选址方法,宏观分析和微观选址相结合的优点。
为实现上述目的,本发明采用的技术方案是:一种千万千瓦级大型风电基地测风网络的微观选址方法,主要包括:
a、绘制多年平均风速的分布图;
b、通过多个测站多年的年平均风速资料经验正交函数分解,分析大型风电基地所在区域风速的时空分布特征;
c、基于上述分析所得大型风电基地所在区域风速的时空分布特征,划分风速变化一致的典型区域;
d、应用CFD模型软件计算微尺度风流参数,确定合适的选址位置。
进一步地,在步骤b中,所述分析大型风电基地所在区域风速的时空分布特征的操作,具体包括:
b1、将大型风电基地所在区域附近的各气象站年平均风速资料平均,分析此区域内年平均风速的分布特征;根据大数定理,年平均风速资料要达到三十年;
b2、将观测资料矩阵处理成标准化距平,通过经验正交函数分解EOF,分离时间场和空间场,分析风电基地区域风速的时空变化特征。
进一步地,在步骤b2中,所述通过经验正交函数分解(EOF),分离时间场和空间场,分析风电基地区域风速的时空变化特征的操作,具体包括:利用EOF方法,将相互有关的空间数据转换到一个新的坐标***中,新坐标系中的坐标轴为原始数据的线性组合,且相互之间独立即相互之间正交、并具有一定的物理意义。
也就是说,需要先对观测资料进行标准化距平,再进行EOF分解;
EOF分解实际上就是求矩阵XXT的特征值和特征向量的过程;求XXT时,使用变量场X的数据形式不同,得到的结果不同;变量场有3种形式,原始变量场、变量的距平场和变量的标准化场;
当用原始场计算时,XXT就是原始数据交叉乘积,得到的第一特征向量代表平均状况,权重很大。
当用距平场计算时,XXT是协方差矩阵,分离出的特征向量的气象学意义比较直观,经验正交函数在一定时效内具有稳定性;
当用标准化场计算时,XXT是相关系数矩阵,分离出的特征向量代表变量场的相关分布状况,更适合做分类、分型分析。
进一步地,所述EOF方法,具体如下:
首先,根据原始资料和数据可得到如下观测矩阵:
其中,m表示观测站,n是时间点,时间分辨率为一周;EOF分解的目的是将分解为空间矩阵和相应的时间系数矩阵,即:,具体算法如下:
①数据预处理:将矩阵减去均值矩阵处理成矩平矩阵:
其中,;
②计算协方差矩阵:.(为的转秩)由矩阵理论可知为对称矩阵;
③计算的特征值()和特征向量:满足,其中:
()(3);
矩阵是正交矩阵,矩阵的第列元素就是特征值对应的特征向量;
④计算主成分:根据特征值分别计算特征向量方差贡献率和累计方差贡献率,一般取累计方差贡献率达85—95%的特征值所对应的第一、第二、…、第个特征向量为主模态。方差贡献率和累计方差贡献率的计算公式分别为:
;
不妨定义:空间矩阵由的前列元素组成;
⑤时间系数序列的定义:确定了主模态之后,用空间矩阵乘以便得到时间系数矩阵:
(5);
易知矩阵为行列矩阵,中第行元素就是第个主模态所对应的时间系数序列。
进一步地,在步骤c中,所述划分风速变化一致的典型区域的操作,具体包括:
选择方差贡献较大的主模态,再进行旋转经验正交函数分解REOF,划分出风速变化较一致的区域;
观测资料矩阵,为变量个数,为样本总数,可分解为两部分:
;
其中的每一列为矩阵的归一化特征向量,为的转置矩阵;矩阵为特征向量权重系数,将标准化,并记为,;其中,为矩阵的特征值构成的对角矩阵;记,则;为因子载荷矩阵,为因子矩阵,且为与的相关矩阵;
按照方差极大正交转动原则将、进行转动,使得阵中各列元素平方的相对方差之和达到最大;若取前p个因子,则使达到最大;其中,为矩阵的元素;
REOF能将空间相关的地区减少到几个,空间场上每一个空间点对应地变量只与一个主成分存在高相关。
进一步地,在步骤d中,所述应用CFD模型软件计算微尺度风流参数的操作,具体包括:
在REOF的分区内,根据地貌设置粗糙度,采用CFD模型软件计算风加速因数、湍流强度等风流参数,依据风流参数初步选择合适的测风塔位置;
若已有测风塔,可带入测风塔数据,计算周边区域全场的年平均风速、盛行风向占全部风向的百分比以及盛行风向上各风速段所占的百分比,最终确定适合建测风塔的位置。
进一步地,所述步骤a具体为:
将所获得各气象观测站多年的年平均风速平均,与测站经纬度一起作为输入数据,通过GRADS软件出图。
本发明各实施例的千万千瓦级大型风电基地测风网络的微观选址方法,由于主要包括:绘制多年平均风速的分布图;通过多个测站多年的年平均风速资料经验正交函数分解,分析大型风电基地所在区域风速的时空分布特征;基于上述分析所得大型风电基地所在区域风速的时空分布特征,划分风速变化一致的典型区域;应用CFD模型软件计算微尺度风流参数;可以从气候态特征的分析出发,分析大型风电基地所在区域的年平均风速分布特征和风速的时空分布特征,在宏观分区的基础上,利用风流场模型软件,进行测风塔微观选址及优化;从而可以克服现有技术中缺乏气候诊断分析的缺陷,以实现宏观分析和微观选址相结合的优点。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明千万千瓦级大型风电基地测风网络的微观选址方法的流程示意图;
图2为本发明千万千瓦级大型风电基地测风网络的微观选址方法的效果示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
大型风电基地覆盖面积广,合理建立多个测风塔,形成测风网络,才能保证风速的准确预测。对于单个风电场而言,只需进行微尺度风况特性分析,但大型风电基地,则需分析风电基地风况的气候态特征。
根据本发明实施例,如图1所示,提供了一种千万千瓦级大型风电基地测风网络的微观选址方法,从气候态特征的分析出发,分析大型风电基地所在区域的年平均风速分布特征和风速的时空分布特征,在宏观分区的基础上,利用风流场模型软件,进行测风塔微观选址及优化,可以应用于风电评估、基地规划及风电功率预测。该千万千瓦级大型风电基地测风网络的微观选址方法,用于准确评估一个区域内的风资源状况,可以为预测***提供风电场所处微气象区域的实时气象要素数据。
如图1所示,本实施例千万千瓦级大型风电基地测风网络的微观选址方法,包括以下步骤:
步骤100:绘制多年平均风速的分布图;
步骤101:分析大型风电基地所在区域风速的时空分布特征;具体包括:
⑴将大型风电基地所在区域附近的各气象站年平均风速资料平均,分析此区域内年平均风速的分布特征(效果图参见图2);根据大数定理,年平均风速资料要达到三十年。
⑵将观测资料矩阵处理成标准化距平,通过经验正交函数分解(EOF),分离时间场和空间场,分析风电基地区域风速的时空变化特征。
EOF方法将相互有关的空间数据转换到一个新的坐标***中,新坐标系中的坐标轴为原始数据的线性组合,且相互之间是独立的(即正交性)并具有一定的物理意义。该方法已广泛用于气象学、海洋学、地理学等中,它有以下特征:(1)将相互有关联的数据分解为相互无关的模式,各模式可单独地分析;(2)最大的无关变量可按其大小进行排序,即对特征值及特征向量进行排序,这种排序反映出不同模式的相对重要程度。EOF方法描述具体如下:
首先,根据原始资料和数据可得到如下观测矩阵:
其中,m表示观测站,n是时间点,时间分辨率为一周。EOF分解的目的是将分解为空间矩阵和相应的时间系数矩阵,即:具体算法如下:
①数据预处理:将矩阵减去均值矩阵处理成矩平矩阵。
其中,。
②计算协方差矩阵:.(为的转秩)由矩阵理论可知为对称矩阵。
③计算的特征值()和特征向量:满足,其中:
()(3)
矩阵是正交矩阵,矩阵的第列元素就是特征值对应的特征向量。
④计算主成分:根据特征值分别计算特征向量方差贡献率和累计方差贡献率,一般取累计方差贡献率达85—95%的特征值所对应的第一、第二、…、第个特征向量为主模态。方差贡献率和累计方差贡献率的计算公式分别为:
不妨定义:空间矩阵由的前列元素组成。
⑤时间系数序列的定义:确定了主模态之后,用空间矩阵乘以便得到时间系数矩阵:
易知矩阵为行列矩阵,中第行元素就是第个主模态所对应的时间系数序列。
步骤102:划分风速变化一致的典型区域,具体包括:
选择方差贡献较大的主模态,再进行旋转经验正交函数分解(REOF),划分出风速变化较一致的区域。
观测资料矩阵,为变量个数,为样本总数,可分解为两部分:
;
其中的每一列为矩阵的归一化特征向量,为的转置矩阵。矩阵为特征向量权重系数,将标准化,并记为,。其中为矩阵的特征值构成的对角矩阵。记,则。为因子载荷矩阵,为因子矩阵,且为与的相关矩阵。
按照方差极大正交转动原则将、进行转动,使得阵中各列元素平方的相对方差之和达到最大。若取前p个因子,则使达到最大。其中,为矩阵的元素。
REOF能将空间相关的地区减少到几个,能用于客观地识别空间型。空间场上每一个空间点对应地变量只与一个主成分存在高相关,因此,用REOF可以较客观地进行分区。
步骤103:应用CFD模型软件计算微尺度风流参数,具体包括:
在REOF的分区内,根据地貌设置粗糙度,采用CFD模型软件计算风加速因数、湍流强度等风流参数,依据风流参数初步选择合适的测风塔位置。若已有测风塔,可带入测风塔数据,计算周边区域全场的年平均风速、盛行风向占全部风向的百分比以及盛行风向上各风速段所占的百分比,最终确定适合建测风塔的位置。
上述实施例的千万千瓦级大型风电基地测风网络的微观选址方法,既考虑到了大型风电基地的大尺度风况气候态特征,又考虑了微尺度风场特性,在宏观分区的背景下利用CFD模型软件进行微观选址,采用计算流体力学的方法(CFD)进行空间风流模拟,完全求解三维Navier-Stokes方程,并应用适合的湍流模型及边界条件对目标区域的风流特性参数进行求解计算。
本发明上述各实施例的千万千瓦级大型风电基地测风网络的微观选址方法,具有以下特点:
⑴将大型风电基地所在区域附近的各气象站年平均风速资料平均,分析此区域内年平均风速的分布特征。根据大数定理,年平均风速资料要达到三十年;
⑵将观测资料矩阵处理成标准化距平,通过经验正交函数分解(EOF),分离时间场和空间场,分析风电基地区域风速的时空变化特征;
⑶选择方差贡献较大的主模态,再进行旋转经验正交函数分解(REOF),划分出风速变化较一致的区域;
⑷在REOF的分区内,根据地貌设置粗糙度,采用CFD模型软件计算风加速因数、湍流强度等风流参数,依据风流参数初步选择合适的测风塔位置。若已有测风塔,可带入测风塔数据,计算周边区域全场的年平均风速、盛行风向占全部风向的百分比以及盛行风向上各风速段所占的百分比,最终确定适合建测风塔的位置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种千万千瓦级大型风电基地测风网络的微观选址方法,其特征在于,主要包括:
a、绘制多年平均风速的分布图;
b、通过多个测站多年的年平均风速资料经验正交函数分解,分析大型风电基地所在区域风速的时空分布特征;
c、基于上述分析所得大型风电基地所在区域风速的时空分布特征,划分风速变化一致的典型区域;
d、应用CFD模型软件计算微尺度风流参数,确定合适的选址位置;
在步骤b中,所述分析大型风电基地所在区域风速的时空分布特征的操作,具体包括:
b1、将大型风电基地所在区域附近的各气象站年平均风速资料平均,分析此区域内年平均风速的分布特征;根据大数定理,年平均风速资料要达到三十年;
b2、将观测资料矩阵处理成标准化距平,通过经验正交函数分解(EOF),分离时间场和空间场,分析风电基地区域风速的时空变化特征;
在步骤b2中,所述通过经验正交函数分解(EOF),分离时间场和空间场,分析风电基地区域风速的时空变化特征的操作,具体包括:
先对观测资料进行标准化距平,再进行EOF分解;
EOF分解实际上就是求矩阵XXT的特征值和特征向量的过程;求XXT时,使用变量场X的数据形式不同,得到的结果不同;变量场有3种形式,原始变量场、变量的距平场和变量的标准化场;
当用原始场计算时,XXT就是原始数据交叉乘积,得到的第一特征向量代表了平均状况,其权重很大;
当用距平场计算时,XXT是协方差矩阵,分离出气象学意义比较直观的特征向量;
当用标准化场计算时,XXT是相关系数矩阵,分离出代表变量场的相关分布状况的特征向量。
2.根据权利要求1所述的千万千瓦级大型风电基地测风网络的微观选址方法,其特征在于,所述EOF方法,具体如下:
首先,根据原始资料和数据可得到如下观测矩阵:
其中,m表示观测站,n是时间点,时间分辨率为一周;EOF分解的目的是将X分解为空间矩阵S和相应的时间系数矩阵T,即:X=ST,具体算法如下:
①数据预处理:将矩阵X减去均值矩阵处理成矩平矩阵
其中,
②计算协方差矩阵:(XT为X的转秩)由矩阵理论可知C为对称矩阵;
③计算C的特征值(λ1,λ2,…,λm)和特征向量V:满足CV=VΛ,其中:
矩阵V是正交矩阵,矩阵V的第j列元素就是特征值λj对应的特征向量;
④计算主成分:根据特征值分别计算特征向量方差贡献率和累计方差贡献率,一般取累计方差贡献率达85—95%的特征值λ1,λ2,…,λp所对应的第一、第二、…、第p(p≤m)个特征向量为主模态;方差贡献率和累计方差贡献率的计算公式分别为:
不妨定义:空间矩阵S由V的前p列元素组成;
⑤时间系数序列的定义:确定了主模态之后,用空间矩阵S乘以X便得到时间系数矩阵:
易知矩阵T为p行n列矩阵,T中第i(i≤p)行元素就是第i个主模态所对应的时间系数序列。
3.根据权利要求1-2中任一项所述的千万千瓦级大型风电基地测风网络的微观选址方法,其特征在于,在步骤c中,所述划分风速变化一致的典型区域的操作,具体包括:
选择方差贡献较大的主模态,再进行旋转经验正交函数分解REOF,划分出风速变化较一致的区域;
观测资料矩阵Am×n,n为变量个数,m为样本总数,可分解为两部分:
Am×n=Vm×nTn×m;
其中:Vm×n的每一列为矩阵的归一化特征向量,AT为A的转置矩阵;矩阵Tn×m为特征向量权重系数,将Tn×m标准化,并记为F,F=Λ-1/2T;其中,Λ为矩阵的特征值构成的对角矩阵;记L=VΛ1/2,则A=VΛ1/2Λ-1/2T=LF;L为因子载荷矩阵,F为因子矩阵,且L为A与F的相关矩阵;
按照方差极大正交转动原则将F、L进行转动,使得L阵中各列元素平方的相对方差之和达到最大;若取前p个因子,则使达到最大;其中lij为矩阵L的元素;
REOF能将空间相关的地区减少到几个,空间场上每一个空间点对应的变量只与一个主成分存在高相关。
4.根据权利要求3所述的千万千瓦级大型风电基地测风网络的微观选址方法,其特征在于,在步骤d中,所述应用CFD模型软件计算微尺度风流参数的操作,具体包括:
在REOF的分区内,根据地貌设置粗糙度,采用CFD模型软件计算风加速因数、湍流强度风流参数,依据风流参数初步选择合适的测风塔位置;
若已有测风塔,可带入测风塔数据,计算周边区域全场的年平均风速、盛行风向占全部风向的百分比以及盛行风向上各风速段所占的百分比,最终确定适合建测风塔的位置。
5.根据权利要求1、2、和4中任一项所述的千万千瓦级大型风电基地测风网络的微观选址方法,其特征在于,所述步骤a具体为:
将所获得各气象观测站多年的年平均风速平均,与测站经纬度一起作为输入数据,通过GRADS软件出图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310161935.3A CN103268572B (zh) | 2013-05-06 | 2013-05-06 | 一种千万千瓦级大型风电基地测风网络的微观选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310161935.3A CN103268572B (zh) | 2013-05-06 | 2013-05-06 | 一种千万千瓦级大型风电基地测风网络的微观选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103268572A CN103268572A (zh) | 2013-08-28 |
CN103268572B true CN103268572B (zh) | 2016-07-06 |
Family
ID=49012199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310161935.3A Active CN103268572B (zh) | 2013-05-06 | 2013-05-06 | 一种千万千瓦级大型风电基地测风网络的微观选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103268572B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886133B (zh) * | 2014-02-25 | 2017-10-31 | 国家电网公司 | 一种测风塔覆盖范围统计分析方法 |
CN103870999A (zh) * | 2014-02-25 | 2014-06-18 | 国家电网公司 | 一种基于旋转经验正交分解的辐照度区域划分方法 |
CN104036428A (zh) * | 2014-02-25 | 2014-09-10 | 国家电网公司 | 一种测风网络优化选址与布局方法 |
CN106780147A (zh) * | 2016-12-29 | 2017-05-31 | 南京天谷电气科技有限公司 | 一种面向区域的风资源评估测风塔选址优化装置及方法 |
CN107153997A (zh) * | 2017-03-09 | 2017-09-12 | 华电电力科学研究院 | 一种复杂地形风电机组微观选址方法 |
CN108932554B (zh) * | 2017-05-26 | 2021-03-23 | 西安交通大学 | 一种风电场流场量测点的配置优化方法及装置 |
CN107818238B (zh) * | 2017-09-28 | 2019-12-06 | 河海大学 | 一种确定蒸散发变化主因及判别因素间耦合作用的方法 |
CN109116391B (zh) * | 2018-07-23 | 2020-06-23 | 武汉大学 | 一种基于改进正交分解的区域划分方法 |
CN110263369B (zh) * | 2019-05-10 | 2023-12-29 | 珠海市公共气象服务中心(珠海市防雷所)(珠海市突发事件预警信息发布中心) | 基于气候分析和数值模拟的建筑表面抗风等级设计方法 |
CN110264002B (zh) * | 2019-06-20 | 2021-07-06 | 龙源(北京)风电工程设计咨询有限公司 | 基于聚类分析的风电场微观选址方案评价方法 |
CN111798034B (zh) * | 2020-06-10 | 2021-09-07 | 河海大学 | 基于风流场时空图像学习的风电功率预测***及预测方法 |
CN111967205A (zh) * | 2020-08-14 | 2020-11-20 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于风加速因子的测风塔微观选址方法 |
CN112800155B (zh) * | 2020-08-21 | 2023-04-18 | 特变电工新疆新能源股份有限公司 | 一种针对冰冻天气的风电场宏观选址方法 |
CN112580899A (zh) * | 2021-02-23 | 2021-03-30 | 国能日新科技股份有限公司 | 一种融合机器学习模型的中长期风力发电预测方法及*** |
CN113323805B (zh) * | 2021-05-27 | 2023-03-24 | 中国电建集团江西省电力设计院有限公司 | 一种提升风电场覆冰期间风机运行效率的方法 |
CN113962114B (zh) * | 2021-12-22 | 2022-03-08 | 华中科技大学 | 一种大型海上风电集群风机排布优化方法及*** |
CN116167655B (zh) * | 2023-02-14 | 2024-02-23 | 中节能风力发电股份有限公司 | 基于雷达短期补充测风的发电量评估方法、***及介质 |
CN116957414B (zh) * | 2023-08-03 | 2024-05-10 | 武汉洪房房地产土地估价有限公司 | 基于人工智能的村庄规划分析方法及装置 |
CN117407660B (zh) * | 2023-12-13 | 2024-07-12 | 中国海洋大学三亚海洋研究院 | 一种基于深度学习的区域海浪预报方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006215919A (ja) * | 2005-02-04 | 2006-08-17 | Chugoku Electric Power Co Inc:The | グリーン発電設備投資システム |
CN102142103A (zh) * | 2011-04-15 | 2011-08-03 | 河海大学 | 一种基于实数编码遗传算法的风电场微观选址优化方法 |
CN102945507A (zh) * | 2012-10-09 | 2013-02-27 | 东北大学 | 基于模糊层次分析的分散式风电场优化选址方法及装置 |
-
2013
- 2013-05-06 CN CN201310161935.3A patent/CN103268572B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006215919A (ja) * | 2005-02-04 | 2006-08-17 | Chugoku Electric Power Co Inc:The | グリーン発電設備投資システム |
CN102142103A (zh) * | 2011-04-15 | 2011-08-03 | 河海大学 | 一种基于实数编码遗传算法的风电场微观选址优化方法 |
CN102945507A (zh) * | 2012-10-09 | 2013-02-27 | 东北大学 | 基于模糊层次分析的分散式风电场优化选址方法及装置 |
Non-Patent Citations (3)
Title |
---|
如东沿海近地层风速及风能时空分布特征研究;潘丽丽 等;《内蒙古气象》;20091231(第6期);3-6 * |
河西走廊中西部风能资源的时空分布特征及储量研究;郭良才 等;《安徽农业科学》;20111231;第31卷(第17期);10443-10444 * |
辽宁省风能、太阳能资源时空分布特征及其初步区划;龚强 等;《资源科学》;20080531;第30卷(第5期);654-656 * |
Also Published As
Publication number | Publication date |
---|---|
CN103268572A (zh) | 2013-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103268572B (zh) | 一种千万千瓦级大型风电基地测风网络的微观选址方法 | |
CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
US10120964B2 (en) | Method of evaluating wind flow based on conservation of momentum and variation in terrain | |
AU2017352549B2 (en) | Method and device for calculating power generation of wind farm | |
CN103268366B (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN108062595B (zh) | 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法 | |
CN110929459B (zh) | 一种复杂地形风电场测风塔选址方法 | |
CN102184337B (zh) | 一种受气象信息影响的新能源发电能力动态组合分析方法 | |
KR101332559B1 (ko) | 전산유체역학을 이용한 대기유동장 수치모의 시스템 및 방법 | |
Mattuella et al. | Wind tunnel experimental analysis of a complex terrain micrositing | |
CN102496927A (zh) | 基于误差统计修正的风电场功率预测方法 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN101794996A (zh) | 风电场出力实时预测方法 | |
CN113205210A (zh) | 复杂地形风电场风速与功率预测方法、***、设备及存储介质 | |
US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
CN112700349B (zh) | 测风塔选址方法和装置 | |
Li et al. | Wind tunnel study on the morphological parameterization of building non-uniformity | |
CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 | |
Aniskevich et al. | Modelling the spatial distribution of wind energy resources in Latvia | |
CN104951798A (zh) | 基于emd的lssvm非平稳脉动风速预测方法 | |
CN109766611B (zh) | 一种考虑地形坡度的风电场功率简化预测方法 | |
Barber et al. | IEA Wind Task 31: Design of a new comparison metrics simulation challenge for wind resource assessment in complex terrain Stage 1 | |
CN116307018A (zh) | 一种基于wrf模式敏感性调参的风速预测方法及*** | |
CN114154325A (zh) | 一种定常与非定常混合风能资源评估方法及*** | |
Roshan et al. | Effects of climate change on wind energy production in Iran |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |