CN108932554B - 一种风电场流场量测点的配置优化方法及装置 - Google Patents
一种风电场流场量测点的配置优化方法及装置 Download PDFInfo
- Publication number
- CN108932554B CN108932554B CN201710385461.9A CN201710385461A CN108932554B CN 108932554 B CN108932554 B CN 108932554B CN 201710385461 A CN201710385461 A CN 201710385461A CN 108932554 B CN108932554 B CN 108932554B
- Authority
- CN
- China
- Prior art keywords
- flow field
- power plant
- wind
- wind power
- sample space
- 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
Images
Landscapes
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例公开了一种风电场流场量测点的配置优化方法及装置,包括构建初始样本空间,初始样本空间包含至少一个风电场流场量测点位置部署决策的样本,其中风电场流场量测点位置部署决策的样本包含至少一个风电场流场量测点的位置,风电场流场量测点配置于风机和/或测风塔上;从初始样本空间中获取风电场流场量测点位置部署决策的N个样本;按照对风电场的一维流场曲线的线性逼近误差结果,对N个样本排序,并从N个样本中选取线性逼近误差结果小于预设值的样本,构成理想样本空间S;对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω。
Description
技术领域
本申请涉及风力发电领域,尤其涉及一种风电场流场量测点的配置优化方法及装置。
背景技术
中国风电装机装机容量居世界首位。与此同时,全年弃风电量增长迅速,平均弃风率目前达到21%,弃风限电向常态化、恶性化发展。风电场功率不确定性较大是影响风电并网从而造成弃风电量增长的一个重要因素。而优化风电场功率预测效果对于提升风电并网的稳定性对降低弃风电量至关重要。能源行业标准规定“超短期预测第4h预测值月均方根误差应小于0.15”。目前主流风电场功率预测方法(包括物理方法和统计方法)预测结果的均方根误差大体在0.1-2.0之间。预测精度低的一个主要问题是:风电场流场量测点部署的位置不够合理,这样将导致风电场流场量测点的传感器的特性得不到很好的利用。
风电场地理、气象、环境、能量等多源信息的采集与分析是风电场环境精确感知感知的基础。其中,作为风力发电的前提,对风电场内近地流场动态(风速、风向)的直接感知是风电场功率不确定性分析的核心。在大规模风电场数十平方公里的区域内对风电场流场量测点的数量和位置进行优化配置,可以提高风电场功率的感知效率和预测精度,并降低流场量测点及其信息***的建设成本和工程周期。
目前,风电场建设标准中的流场量测点主要配置在风机的机舱或者测风塔,在风电场中,流场量测点具体配置的位置主要依据多风机相似分类配置方法进行设置;例如,基于风场中的多个风机处的历史气象信息的相似性,将所述风场中的所述多个风机划分为至少一个分组;从一个分组中配置流场量测点,例如:在该分组中选择代表风机配置传感器或者在该分组中的合适位置布置测风塔,并获取流场量测点对该分组的测量值。基于在风电场中所划分的多个分组中配置的流场量测点的测量值来分析风场中多个风机的输出功率。当然,对风机的分组规则还可以包括分组中的风机之间的距离小于预定距离、分组中的风机的型号相一致;调整风机分组的规则可以为:分组中的风机是否满足分组规则、基于经调整的相似性,将所述风场中的多个风机划分为新的分组等等。风机或测风塔上的传感器包括:气象传感器、风机状态传感器以及风机输出功率传感器。对风机进行分组后,利用风场中各个风机处的气象信息的相似性,来减少功率预测中所需要的传感器的种类和数量,可以仅在具有相似性的多个风机中的代表风机处部署传感器,进而可以大大降低部署传感器时所需的各项成本。
然而,该方案致力于在已有传感器基础上,减少功率预测中所需要的传感器的种类和数量,即现有技术中流场量测点的配置主要依靠风机分组、调整分组规则实现,而为了进一步提高风电场功率的预测精度,具体如何对流场量测点的位置进行优化并未涉及,例如在风电场中或者在各个分组中具体将流场量测点配置于哪个风机的机舱或者配置在哪个测风塔上。
发明内容
本申请的实施例提供一种风电场流场量测点的配置优化方法及装置,能够实现对流场量测点的位置进行优化,提高风电场功率的预测精度。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供一种风电场流场量测点的配置优化方法,构建初始样本空间,该初始样本空间包含风电场流场量测点位置部署决策的样本,风电场流场量测点位置部署决策的样本包含至少一个风电场流场量测点的位置,风电场流场量测点配置于风机和/或测风塔上;从初始样本空间中获取风电场流场量测点位置部署决策的N个样本;按照对风电场的一维流场曲线的线性逼近误差结果,对N个样本排序,并从N个样本中选取线性逼近误差结果小于预设值的样本,构成理想样本空间S;示例性的理想样本空间S中包含S个样本,S≤N,对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω。在上述方案中,在由风电场流场量测点位置部署决策构成的初始样本空间中获取N个样本,并对该N个样本按照对风电场的一维流场曲线的线性逼近误差结果排序,然后对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω,由于本申请中对风电场流场量测点的具***置的配置进行了进一步的优化,能够提高风电场功率的预测精度。
一种示例为,对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω,包括:依据均方根误差RMSE(root-mean-square error)对所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω。其中,上述方案中按照对风电场的一维流场曲线的线性逼近误差结果,对N个样本排序,然后并从N个样本中获取了理想样本空间S,从而缩小用于风电场输出功率预测的样本数量,降低了计算开销,在本步骤中,通过依据均方根误差RMSE对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价能够进一步缩小用于风电场输出功率预测的样本数量,降低了计算开销。
此外,初始样本空间可以为二维样本空间或者一维样本空间,但是为了实现按照对风电场的一维流场曲线的最优线性逼近误差结果,对N个样本排序,若初始样本空间为二维样本空间,则需要首先对二维样本空间降维处理,一种示例为:风电场流场量测点的位置为风电场流场量测点的二维坐标;构建初始样本空间包括:按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成初始样本空间;从初始样本空间中获取风电场流场量测点位置部署决策的N个样本,包括:在初始样本空间中选取N个样本;获取风场数据,风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;根据风场数据,获取预定时间段内的主风向;根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在所述主风向上的投影距离;遍历初始样本空间的N个样本,获取一维样本空间,一维样本空间包含N个样本。
若初始样本空间为二维样本空间,另一种示例为:初始样本空间为二维样本空间,风电场流场量测点的位置为所述风电场流场量测点的二维坐标;构建初始样本空间包括:按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成初始样本空间;从初始样本空间中获取风电场流场量测点位置部署决策的N个样本,包括:获取风场数据,所述风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;根据所述风场数据,获取预定时间段内的主风向;根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在所述主风向上的投影距离;遍历所述初始样本空间的风电场流场量测点,获取一维样本空间;在所述一维样本空间选取N个样本。
以上,初始样本空间为二维样本空间的两个示例中,第一个示例与第二个示例的区别为:第一个示例中先在二维的初始样本空间中选取N个样本,然后对N个样本组成的样本空间进行降维处理,形成一个包含N个样本的一维样本空间,以实现在初始样本空间中选取N个样本的过程;第二个示例中,先将二维的初始样本空间降维处理形成一维样本空间,然后再该一维样本空间中选取N个样本,以实现在初始样本空间中选取N个样本的过程。
若初始样本空间为一维样本空间,一种示例为:构建初始样本空间,包括:按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成随机样本空间;获取风场数据,风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;根据风场数据,获取预定时间段内的主风向;根据风电场流场量测点的坐标以及主风向,确定风电场流场量测点在主风向上的投影距离;遍历初始样本空间的风电场流场量测点,获取一维样本空间;从随机样本空间中获取风电场流场量测点位置部署决策的N个样本,包括:在一维样本空间选取N个样本。
一种示例为,依据均方根误差RMSE对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω之前,还包括:将理想样本空间S依据一维样本空间的特性分为深度优先搜索(depth-first search,SD)子集和广度优先搜索(breadth-first search,SB)子集;按照对风电场的一维流场曲线的线性逼近误差结果,分别对深度优先搜索子集以及广度优先搜索子集中的样本排序;依据均方根误差RMSE对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω,包括:按照预定顺序,对深度优先搜索子集以及广度优先搜索子集中的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω,其中预定顺序中,深度优先搜索子集中的样本与广度优先搜索子集中的样本穿插设置,并且深度优先搜索子集中的样本按照对所述风电场的一维流场曲线的线性逼近误差结果升序排列,广度优先搜索子集中的样本按照对风电场的一维流场曲线的线性逼近误差结果升序排列。其中,由于在上述方案中,将样本空间降为处理至主风向上的一维样本空间,因此广度优先搜索子集中的样本能够根据主风向上的风电场流场量测点密度预测风电场功率,深度优先搜索子集中的样本能够根据一个风电场流场量测点在主风向上的投影附近的风电场流场量测点的数量预测风电场功率,从而在提高风电场功率预测精度时,可以兼顾风电场流场量测点的分布密度和数量。
第二方面,提供一种风电场流场量测点的配置优化装置,包括:初始化模块,用于构建初始样本空间,所述初始样本空间包含风电场流场量测点位置部署决策,其中所述风电场流场量测点位置部署决策包含所述风电场流场量测点的位置,所述风电场流场量测点配置于风机和/或测风塔上;采样模块,用于从所述初始化模块构建的所述初始样本空间中获取风电场流场量测点位置部署决策的N个样本;计算模块,用于按照对所述风电场的一维流场曲线的最优线性逼近误差结果,对所述采样模块获取的所述N个样本排序,并从所述N个样本中选取逼近误差结果小于预设值的样本,构成理想样本空间S;求解模块,用于对所述计算模块获取的所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω。
第三方面,提供风电场流场量测点的配置优化装置,包括:处理器、存储器和总线;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过所述总线连接,当所述风电场流场量测点的配置优化装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使所述控制装置执行如第一方面所述的方法。
第四方面,提供计算机存储介质,包括指令,当其在计算机上运行时,使得所述计算机执行如第一方面所述的方法。
第五方面,本申请还提供了一种计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面所述的方法。
可以理解地,上述提供的任一种风电场流场量测点的配置优化装置或计算机存储介质或计算机程序产品均用于执行上文所提供的对应的风电场流场量测点的配置优化方法,因此,其所能达到的有益效果可参考上文风电场流场量测点的配置优化方法以及下文具体实施方式中对应的方案的有益效果,此处不再赘述。
附图说明
图1为本申请实施例提供的一种风电场流场量测点的配置优化方法流程示意图;
图2为本申请实施例提供的理想样本空间S为在N个样本中取线性逼近误差结果最小的前k%个样本;
图3为本申请实施例提供的三个场景中风电场流场量测点的位置对一维流场曲线线性逼近的示意图;
图4为本申请实施例提供的主风向获取示意图;
图5为本申请实施例提供的将风电场流场量测点空间位置映射为沿主风向的投影的示意图;
图6为本申请实施例提供的二维风电场空间降维流程示意图;
图7为本申请实施例提供的一种对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价的流程示意图;
图8为现有技术布置的任一三个风电场流场量测点对风电场输出功率超短期(提前一小时)预测图;
图9为本申请实施例提供的任一三个风电场流场量测点对风电场输出功率超短期(提前一小时)预测图;
图10为本申请实施例提供的一种风电场流场量测点的配置优化装置的结构示意图;
图11为本申请另一实施例提供的一种风电场流场量测点的配置优化装置的结构示意图;
图12为本申请又一实施例提供的一种风电场流场量测点的配置优化装置的结构示意图。
具体实施方式
下面结合附图,对本申请的实施例进行描述。
首先,对本文中涉及的技术背景进行简单介绍,以方便读者理解:
本发明的实施例应用于风电场流场量测点的配置优化,其中风电场流场量测点指用于采集风电场功率预测的数据的传感器的位置,其中传感器具体可以安装在风机的机舱或者测风塔上,本申请中风电场流场量测点的配置指:在风电场中具体将传感器具体布置于哪些风机的机舱或者测风塔上;传感器可以包括:气象传感器、风机状态传感器以及风机输出功率传感器。
当将传感器安装于风机的机舱,一种典型的传感器为:机舱风速仪,每台风机必须配置一个机舱风速仪,一般在风机机舱的后方顶部安装。用来对风机实时监测、偏航控制,以及为风电场功率预测提供实时的数据源。而通过测风塔实现传感器的搭载方案为:测风塔的位置宜配置在风电场外1km~5km范围内,并且为了尽可能的避免风电场尾流效应影响,宜建设在风电场主导风向的上风向的代表位置。测风塔主要是使用在风电场前期微观选址上,但是它所收集的实时数据也是风电场功率预测的重要数据源。其中,机舱风速仪的优势:由于机舱顶部位置与风力发电机组风轮中心相对较近,量测值与风轮实际受风的时间延迟很小,受周围地形的影响较小。测风塔的优势:由于在设计选址阶段就考虑到尽量减少风电场尾流效应的影响,测风塔传感器对于自由风的量测精度较高。但是,机舱风速仪:风速仪受到风机尾流效应和风轮扰动影响很大,并不能表征风轮前真实捕获的自由流风速,且量测结果具有较大的随机性。尾流效应造成的不确定度±1.5m/s;测风塔:目前测风塔位置配置规范多面对前期的微观选址,量测点较少,量测点距大部分风机的距离过远,空间密度不够。量测精度:±0.5m/s(3m/s~30m/s)。
对于风电场功率的预测精度评价函数的数学模型为如下公式:
其中,minJ为评价目标,J为评价场景个数,fj(Ωn)=RMSET为风电场功率的预测精度评价函数,Ωn={(xi,yi)}i=1,2,…,n为场景j中风电场流场量测点集合,RMSE(root-mean-square error,均方根误差)。
Pmf为i时段风电场的实际平均功率;
Ppi为i时段风电场的预测功率;
Ci为i时段风电场开机总容量;
n为风电场中所有样本个数。
下面结合附图对本申请提供的技术方案进行介绍。
参照图1所示,本发明的实施例提供一种风电场流场量测点的配置优化方法,包括如下步骤:
101、构建初始样本空间,初始样本空间包含至少一个风电场流场量测点位置部署决策的样本,其中风电场流场量测点位置部署决策的样本包含至少一个所述风电场流场量测点的位置,风电场流场量测点配置于风机和/或测风塔上。
102、从初始样本空间中获取风电场流场量测点位置部署决策的N个样本。
103、按照对风电场的一维流场曲线的线性逼近误差结果,对N个样本排序,并从N个样本中选取线性逼近误差结果小于预设值的样本,构成理想样本空间S。
在步骤103中可以选取N个样本中逼近误差结果最小的若干样本构成理想样本空间S,作为步骤104中风电场输出功率预测精度的精确仿真评价的输入,进一步降低了精确度仿真评价的计算复杂度。步骤103可描述为在给定分段个数(风电场流场量测点配置个数)的前提下,确定函数的分段点位置(风电场流场量测点的位置),使得在给定场景集(一维流场曲线)下,线性逼近误差结果最小。其求解模型如下:
s.t.-εj≤αP(j)+β-C(j)≤εj,0≤εj≤εM+1,其中,α、β为线性逼近待定系数,εj为逼近误差,P(j)表示线性逼近函数的一次项,C(j)表示线性逼近函数的常数项,M指线性逼近的分段数。
如图2所示,理想样本空间S最好在N个样本中取线性逼近误差结果最小的前k%,即如图3所示,在场景一、二、三中理想样本空间S中样本所包含的风电场流场量测点的位置d1、d2、d3,线性逼近误差结果最小。
104、对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω。
在上述方案中,在由风电场流场量测点位置部署决策构成的初始样本空间中获取N个样本,并对该N个样本按照对风电场的一维流场曲线的线性逼近误差结果排序,然后对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω,由于本申请中对风电场流场量测点的具***置的配置进行了进一步的优化,能够提高风电场功率的预测精度。
由于步骤103中需要使用风电场的一维流场曲线对N个样本做最优线性逼近,以求取误差结果,因此在之前的步骤中首先需要对二维风电场空间进行降维处理;具体原理为:
在风电场中,风能的波动是一个存在时滞的动态传播过程,风机和风机的输出功率之间存在上下游的时空耦合关系。在风电场的微观选址与设计阶段,风机的排布主要依据主风向和垂直主风向进行优化。在确定主风向的情况下,风机输出功率的波动呈现自主风向上游向下游传播的态势。在考虑风能的传播过程中,与主风向投影相同或相近的风电场流场量测点其量测值具有较大的相似性,因此在风电场区域内部署风电场流场量测点的二维问题可以转换为依主风向排布的一维问题,如图4所示,二维风电场空间由X、Y两个轴坐标的交叉面构成,图中用箭头示出了主风向,风电场流场量测点(用圆圈示出)呈随机分布。对二维风电场空间进行降维,如图5所示,可利用一维平流方程描述风能变化的动态传播过程,将风电场流场量测点空间位置的决策变量(xi,yi)映射为沿主风向的投影di,实现决策空间的降维。从而将对场景j中风电场流场量测点集合实现如下转换:
具体的二维风电场空间进行降维包括如下步骤,如图6所示:
S1:获取风场数据,风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;其中风场数据可由GIS(Geographic Information System,地理信息***)、EMS(Energy Management System,能源管理***)读取。
S2、根据风场数据,获取预定时间段内的主风向。
S3、根据风电场流场量测点的坐标以及主风向,确定风电场流场量测点在主风向上的投影距离。
根据GIS数据及量测点部署基本要求,若该投影距离可以配置风电场流场量测点,则记录风电场流场量测点在主风向上的投影距离,否则记录风电场流场量测点为不可行点。按照步骤S3遍历风电场中的所有量测点。
根据上述的降维原理,步骤101中初始样本空间可以为二维样本空间或者一维样本空间,但是为了实现按照对风电场的一维流场曲线的最优线性逼近误差结果,对N个样本排序,若初始样本空间为二维样本空间,则需要首先对二维样本空间降维处理。
在示例一中,风电场流场量测点的位置为风电场流场量测点的二维坐标;
步骤101构建初始样本空间包括:按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成初始样本空间;步骤102从初始样本空间中获取风电场流场量测点位置部署决策的N个样本,包括:S1:在初始样本空间中选取N个样本;具体依据概率相等原则在初始样本空间选取N个样本;S2:获取风场数据,风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;根据风场数据,获取预定时间段内的主风向;根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在主风向上的投影距离;遍历初始样本空间的N个样本,获取一维样本空间,一维样本空间包含N个样本。
在示例二中,若初始样本空间为二维样本空间,初始样本空间为二维样本空间,风电场流场量测点的位置为所述风电场流场量测点的二维坐标;步骤101构建初始样本空间包括:按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成初始样本空间;步骤102从初始样本空间中获取风电场流场量测点位置部署决策的N个样本,包括:获取风场数据,所述风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;根据所述风场数据,获取预定时间段内的主风向;根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在所述主风向上的投影距离;遍历所述初始样本空间的风电场流场量测点,获取一维样本空间;在一维样本空间选取N个样本,具体依据概率相等原则在一维样本空间选取N个样本。
以上,初始样本空间为二维样本空间的两个示例中,第一个示例与第二个示例的区别为:第一个示例中先在二维的初始样本空间中选取N个样本,然后对N个样本组成的样本空间进行降维处理,形成一个包含N个样本的一维样本空间,以实现在初始样本空间中选取N个样本的过程;第二个示例中,先将二维的初始样本空间降维处理形成一维样本空间,然后再该一维样本空间中选取N个样本,以实现在初始样本空间中选取N个样本的过程。
在示例三中:若初始样本空间为一维样本空间,步骤101构建初始样本空间,包括:按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成随机样本空间;获取风场数据,风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;根据风场数据,获取预定时间段内的主风向;根据风电场流场量测点的坐标以及主风向,确定风电场流场量测点在主风向上的投影距离;遍历初始样本空间的风电场流场量测点,获取一维样本空间;步骤102从随机样本空间中获取风电场流场量测点位置部署决策的N个样本,包括:在一维样本空间选取N个样本。
利用主风向垂直方向风电场流场量测点的相似性,将在风电场区域内部署风电场流场量测点的二维问题转换为依主风向排布的一维问题。示例性的:对于一个十公里范围的理想风电场量测区域,决策空间可压缩85%。
其中步骤103为:依据均方根误差RMSE对所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω。其中,上述方案中按照对风电场的一维流场曲线的最优线性逼近误差结果,对N个样本排序,然后并从N个样本中获取了理想样本空间S,从而缩小用于风电场输出功率预测的样本数量,降低了计算开销,在本步骤中,通过依据均方根误差RMSE对理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价能够进一步缩小用于风电场输出功率预测的样本数量,降低了计算开销。
由于在上述方案中,将样本空间降为处理至主风向上的一维样本空间,因此可以将理想样本空间S分为广度优先搜索子集和深度优先搜索子集,由于广度优先搜索子集中的样本能够根据主风向上的风电场流场量测点密度预测风电场功率,深度优先搜索子集中的样本能够根据一个风电场流场量测点在主风向上的投影附近的风电场流场量测点的数量预测风电场功率,从而在提高风电场功率预测精度时,可以兼顾风电场流场量测点的分布密度和数量。具体在获取理想样本空间S后包括如下处理步骤,参照图7所示:
S11:将理想样本空间S依据一维样本空间的特性分为深度优先搜索子集和广度优先搜索子集。
S12:按照对风电场的一维流场曲线的线性逼近误差结果,分别对深度优先搜索子集以及广度优先搜索子集中的样本排序。
S13:按照预定顺序,对深度优先搜索子集以及广度优先搜索子集中的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω。其中预定顺序中,深度优先搜索子集中的样本与广度优先搜索子集中的样本穿插设置,并且深度优先搜索子集中的样本按照对所述风电场的一维流场曲线的最优线性逼近误差结果升序排列,广度优先搜索子集中的样本按照对风电场的一维流场曲线的最优线性逼近误差结果升序排列。
在步骤S13中对理想样本空间S中的任意样本s,例如第一样本s=1,依据[0,1]均匀分布生成随机数r,若r<0.6则对SB子集的样本s=1,进行风电场输出功率预测精度的精确仿真评价;否则对SD子集的样本s=1进行风电场输出功率预测精度的精确仿真评价;遍历SB子集以及SD子集获取风电场流场量测点的位置最优解Ω。其中,在SB子集中,精确仿真评价的顺序按照均方根误差RMSE排序,类似的,在SD子集中,精确仿真评价的顺序按照均方根误差RMSE排序。
本申请的实施例提供了现有技术布置的任一三个风电场流场量测点对风电场输出功率超短期(提前一小时)预测图,如图8所示;其中,三个风电场流场量测点坐标以及风电场输出功率预测结果与实际输出功率的RMSE如表一所示:
表一
风电场流场量测点坐标 | RMSE |
(3678,541),(3898,6258),(1525,520) | 0.12 |
(2382,4521),(596,4916),(1666,314) | 0.15 |
(6515,6397),(2987,1748),(4993,4351) | 0.11 |
(296,3973),(1406,2427),(6190,5091) | 0.11 |
依据本申请提供的方案电场流场量测点配置优化后,任一三个风电场流场量测点对风电场输出功率超短期(提前一小时)预测图,如图9所示;其中,三个风电场流场量测点坐标以及风电场输出功率预测结果与实际输出功率的RMSE如表二所示:
表二
风电场流场量测点坐标 | RMSE |
(296,3973)(1406,2427)(6190,5091) | 0.08 |
对比表一和二可以看出,风电场输出功率预测的RMSE降为0.08。
本申请的实施例提供一种风电场流场量测点的配置优化装置,用于执行上述风电场流场量测点的配置优化方法。本申请实施例可以根据上述方法示例对风电场流场量测点的配置优化装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图10示出了上述实施例中所涉及的风电场流场量测点的配置优化装置100的一种可能的结构示意图,风电场流场量测点的配置优化装置100包括:初始化模块101、采样模块102、计算模块103、求解模块104。初始化模块101用于支持风电场流场量测点的配置优化装置执行步骤101;采样模块102用于支持风电场流场量测点的配置优化装置执行步骤102;计算模块103用于支持风电场流场量测点的配置优化装置执行步骤103;求解模块104用于支持风电场流场量测点的配置优化装置执行步骤104;此外,计算模块103用于支持风电场流场量测点的配置优化装置执行步骤S11、S12;求解模块104用于支持风电场流场量测点的配置优化装置执行步骤S13;其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
在采用集成的单元的情况下,图11示出了上述实施例中所涉及的风电场流场量测点的配置优化装置110的一种可能的结构示意图。风电场流场量测点的配置优化装置110包括:通信单元111、处理单元112和存储单元113。处理单元112用于对风电场流场量测点的配置优化装置的动作进行控制管理,例如,处理单元112用于支持风电场流场量测点的配置优化装置执行上述方法中的过程101、102、103、104;通信单元111用于支持风电场流场量测点的配置优化装置与外界设备连接进行数据交互,用于执行上述采样模块102的部分功能,例如获取风场数据。存储单元2413,用于存储风电场流场量测点的配置优化装置的程序代码和数据。
其中,处理单元112可以是处理器或控制器,例如可以是中央处理器(centralprocessing unit,CPU),通用处理器,数字信号处理器(digital signal processor,DSP),专用集成电路(application-specific integrated circuit,ASIC),现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信单元111可以是通信接口等。存储单元113可以是存储器。
当处理单元112为处理器,通信单元111为接口电路,存储单元113为存储器时,本申请实施例所涉及的风电场流场量测点的配置优化装置可以为如下所述的风电场流场量测点的配置优化装置。
参照图12所示,该风电场流场量测点的配置优化装置120,包括:处理器121、存储器122、总线123和接口电路124;存储器122用于存储计算机执行指令,接口电路124、处理器121与存储器122通过总线123连接,当风电场流场量测点的配置优化装置120运行时,处理器121执行存储器122存储的计算机执行指令,以使光开关芯片的控制装置执行如上述的风电场流场量测点的配置优化方法。总线123可以是外设部件互连标准(peripheralcomponent interconnect,PCI)总线或扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。总线2503可以分为地址总线、数据总线、控制总线等。为便于表示,图12中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供一种存储介质,该存储介质可以包括存储器122。
由于本申请实施例提供的风电场流场量测点的配置优化装置可用于执行上述风电场流场量测点的配置优化方法,因此其所能获得的技术效果可参考上述方法实施例,本申请实施例在此不再赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种风电场流场量测点的配置优化方法,其特征在于,
构建初始样本空间,所述初始样本空间包含至少一个风电场流场量测点位置部署决策的样本,其中所述风电场流场量测点位置部署决策的样本包含至少一个所述风电场流场量测点的位置,所述风电场流场量测点配置于风机和/或测风塔上;
从所述初始样本空间中获取风电场流场量测点位置部署决策的N个样本;
按照对所述风电场的一维流场曲线的线性逼近误差结果,对所述N个样本排序,并从所述N个样本中选取线性逼近误差结果小于预设值的样本,构成理想样本空间S;
对所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω;
其中,对所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω,包括:依据均方根误差RMSE对所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω。
2.根据权利要求1所述的方法,其特征在于,所述初始样本空间为二维样本空间,所述风电场流场量测点的位置为所述风电场流场量测点的二维坐标;
所述构建初始样本空间包括:按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成所述初始样本空间;
所述从所述初始样本空间中获取风电场流场量测点位置部署决策的N个样本,包括:
在所述初始样本空间中选取N个样本;
获取风场数据,所述风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;
根据所述风场数据,获取预定时间段内的主风向;
根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在所述主风向上的投影距离;
遍历所述初始样本空间的N个样本,获取一维样本空间,所述一维样本空间包含N个样本。
3.根据权利要求1所述的方法,其特征在于,所述初始样本空间为二维样本空间,所述风电场流场量测点的位置为所述风电场流场量测点的二维坐标;
所述构建初始样本空间包括:按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成所述初始样本空间;
所述从所述初始样本空间中获取风电场流场量测点位置部署决策的N个样本,包括:
获取风场数据,所述风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;
根据所述风场数据,获取预定时间段内的主风向;
根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在所述主风向上的投影距离;
遍历所述初始样本空间的风电场流场量测点,获取一维样本空间;
在所述一维样本空间选取N个样本。
4.根据权利要求1所述的方法,其特征在于,所述初始样本空间为一维样本空间,所述构建初始样本空间,包括:
按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成随机样本空间;
获取风场数据,所述风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;
根据所述风场数据,获取预定时间段内的主风向;
根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在所述主风向上的投影距离;
遍历所述随机样本空间的风电场流场量测点,获取一维样本空间;
从所述初始样本空间中获取风电场流场量测点位置部署决策的N个样本,包括:在所述一维样本空间选取N个样本。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述依据均方根误差RMSE对所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω之前,所述方法还包括:
将所述理想样本空间S依据所述一维样本空间的特性分为深度优先搜索子集和广度优先搜索子集;
按照对所述风电场的一维流场曲线的线性逼近误差结果,分别对所述深度优先搜索子集以及广度优先搜索子集中的样本排序;
所述依据均方根误差RMSE对所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω,包括:按照预定顺序,对所述深度优先搜索子集以及广度优先搜索子集中的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω,其中所述预定顺序中,所述深度优先搜索子集中的样本与所述广度优先搜索子集中的样本穿插设置,并且所述深度优先搜索子集中的样本按照对所述风电场的一维流场曲线的线性逼近误差结果升序排列,所述广度优先搜索子集中的样本按照对所述风电场的一维流场曲线的最优线性逼近误差结果升序排列。
6.一种风电场流场量测点的配置优化装置,其特征在于,
初始化模块,用于构建初始样本空间,所述初始样本空间包含至少一个风电场流场量测点位置部署决策的样本,其中所述风电场流场量测点位置部署决策的样本包含至少一个所述风电场流场量测点的位置,所述风电场流场量测点配置于风机和/或测风塔上;
采样模块,用于从所述初始化模块构建的所述初始样本空间中获取风电场流场量测点位置部署决策的N个样本;
计算模块,用于按照对所述风电场的一维流场曲线的线性逼近误差结果,对所述采样模块获取的所述N个样本排序,并从所述N个样本中选取线性逼近误差结果小于预设值的样本,构成理想样本空间S;
求解模块,用于对所述计算模块获取的所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω;其中,所述求解模块,具体用于依据均方根误差RMSE对所述理想样本空间S的样本进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω。
7.根据权利要求6所述的装置,其特征在于,所述初始样本空间为二维样本空间,所述风电场流场量测点的位置为所述风电场流场量测点的二维坐标;
所述初始化模块具体用于按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成所述初始样本空间;
所述采样模块具体用于在所述初始样本空间中选取N个样本;获取风场数据,所述风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;根据所述风场数据,获取预定时间段内的主风向;根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在所述主风向上的投影距离;遍历所述初始样本空间的N个样本,获取一维样本空间,所述一维样本空间包含N个样本。
8.根据权利要求6所述的装置,其特征在于,所述初始样本空间为二维样本空间,所述风电场流场量测点的位置为所述风电场流场量测点的二维坐标;
所述初始化模块具体用于按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成所述初始样本空间;
所述采样模块具体用于获取风场数据,所述风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;根据所述风场数据,获取预定时间段内的主风向;根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在所述主风向上的投影距离;遍历所述初始样本空间的风电场流场量测点,获取一维样本空间;在所述一维样本空间选取N个样本。
9.根据权利要求6所述的装置,其特征在于,
所述初始化模块具体用于按照均匀分布随机函数在二维空间生成风电场流场量测点的均匀分布随机二维坐标,构成随机样本空间;获取风场数据,所述风场数据至少包括:风电场流场量测点的风向、风电场流场量测点在风场内的位置;根据所述风场数据,获取预定时间段内的主风向;根据风电场流场量测点的坐标以及所述主风向,确定风电场流场量测点在所述主风向上的投影距离;遍历所述随机样本空间的风电场流场量测点,获取一维样本空间;
所述采样模块具体用于在所述一维样本空间选取N个样本。
10.根据权利要求7-9任一项所述的装置,其特征在于,所述计算模块还用于将所述理想样本空间S依据所述一维样本空间的特性分为深度优先搜索子集和广度优先搜索子集;按照对所述风电场的一维流场曲线的线性逼近误差结果,分别对所述深度优先搜索子集以及广度优先搜索子集中的样本排序;
所述求解模块具体用于按照预定顺序,对所述深度优先搜索子集以及广度优先搜索子集中的样本的解进行风电场输出功率预测精度的精确仿真评价,获取风电场流场量测点的位置最优解Ω;其中所述预定顺序中,所述深度优先搜索子集中的样本与所述广度优先搜索子集中的样本穿插设置,并且所述深度优先搜索子集中的样本按照对所述风电场的一维流场曲线的线性逼近误差结果升序排列,所述广度优先搜索子集中的样本按照对所述风电场的一维流场曲线的线性逼近误差结果升序排列。
11.一种风电场流场量测点的配置优化装置,其特征在于,包括:处理器、存储器和总线;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过所述总线连接,当所述风电场流场量测点的配置优化装置运行时,所述处理器执行所述存储器存储的所述计算机执行指令,以使控制装置执行如权利要求1-5任一项所述的方法。
12.一种计算机存储介质,其特征在于,包括指令,当其在计算机上运行时,使得所述计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385461.9A CN108932554B (zh) | 2017-05-26 | 2017-05-26 | 一种风电场流场量测点的配置优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385461.9A CN108932554B (zh) | 2017-05-26 | 2017-05-26 | 一种风电场流场量测点的配置优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108932554A CN108932554A (zh) | 2018-12-04 |
CN108932554B true CN108932554B (zh) | 2021-03-23 |
Family
ID=64450421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710385461.9A Active CN108932554B (zh) | 2017-05-26 | 2017-05-26 | 一种风电场流场量测点的配置优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108932554B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619160B (zh) * | 2019-09-02 | 2022-12-02 | 四川腾盾科技有限公司 | 一种基于伴随残差排序的隐式解法 |
CN110705029B (zh) * | 2019-09-05 | 2021-09-07 | 西安交通大学 | 一种基于迁移学习的振荡扑翼能量采集***流场预测方法 |
CN116317169B (zh) * | 2023-05-17 | 2023-08-04 | 三峡智控科技有限公司 | 一种风功率预测***远程智能比对平台与方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008064081A (ja) * | 2006-09-08 | 2008-03-21 | Yoshito Hirata | 任意の観測地点数に対応した風況予測制御による地域型風力発電システム |
CN103268572A (zh) * | 2013-05-06 | 2013-08-28 | 国家电网公司 | 一种千万千瓦级大型风电基地测风网络的微观选址方法 |
CN103559552A (zh) * | 2013-10-16 | 2014-02-05 | 国家电网公司 | 带罚函数粒子群算法的分散式风电场微观选址*** |
CN103996074A (zh) * | 2014-05-07 | 2014-08-20 | 河海大学 | 基于cfd和改进pso的复杂地形风电场微观选址方法 |
CN104268635A (zh) * | 2014-09-05 | 2015-01-07 | 国家电网公司 | 一种基于再分析资料的测风网络布局优化方法 |
-
2017
- 2017-05-26 CN CN201710385461.9A patent/CN108932554B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008064081A (ja) * | 2006-09-08 | 2008-03-21 | Yoshito Hirata | 任意の観測地点数に対応した風況予測制御による地域型風力発電システム |
CN103268572A (zh) * | 2013-05-06 | 2013-08-28 | 国家电网公司 | 一种千万千瓦级大型风电基地测风网络的微观选址方法 |
CN103559552A (zh) * | 2013-10-16 | 2014-02-05 | 国家电网公司 | 带罚函数粒子群算法的分散式风电场微观选址*** |
CN103996074A (zh) * | 2014-05-07 | 2014-08-20 | 河海大学 | 基于cfd和改进pso的复杂地形风电场微观选址方法 |
CN104268635A (zh) * | 2014-09-05 | 2015-01-07 | 国家电网公司 | 一种基于再分析资料的测风网络布局优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108932554A (zh) | 2018-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220275788A1 (en) | Forecasting output power of wind turbine in wind farm | |
CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
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 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
CN110187363B (zh) | 适用于大型风电基地的测风方法、***、设备和存储介质 | |
CN116224473B (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及*** | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN110147820A (zh) | 航班额外油量的推荐方法、装置、设备及存储介质 | |
CN107657116B (zh) | 一种风电场功率曲线仿射建模的方法 | |
CN102738792A (zh) | 一种风电功率预测方法 | |
CN107577896B (zh) | 基于混合Copula理论的风电场多机聚合等值方法 | |
CN110442836A (zh) | 风电场短期风速预测方法及*** | |
CN111488553B (zh) | 一种太阳辐照度计算方法及装置 | |
CN117233866A (zh) | 基于cnop的气象集合预报***、方法与存储介质 | |
Wang et al. | Wind power curtailment evaluation based on EOF and hierarchical clustering method | |
CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及*** | |
CN114320770A (zh) | 风电机组的有效风速测量方法及装置 | |
CN116432093A (zh) | 风切变指数的确定方法、装置和电子设备 | |
CN112879216B (zh) | 风电场的风速修正方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |